复杂环境下地铁隧道盾构施工诱发地表土体变形的智能预测

韩业华

（中铁十六局集团有限公司，北京 100018）

0 引言

盾构隧道开挖工程技术要求较高，尤其在复杂的地质环境下，需要实时对开挖掌子面、土体沉降等进行监测，并以此调整盾构参数来满足规范要求。然而，传统反馈式监测手段往往具有一定的滞后性，无法适用于工程突发状况。鉴于盾构施工引起土体的变形是一个渐进过程，因此其随时间变化存在一定的演化规律，如果根据已有的监测结果，结合遗传算法[1]、禁忌算法[2]、神经网络[3]等智能算法对后续土体变形进行预测，变反馈式监测为前馈式控制，能显著降低工程突发事故发生概率，具有重要工程意义和社会效益。

目前，神经网络已在土木工程领域有一定的应用。周瑞忠和邱高翔[4]利用BP（Back Propagation）神经网络对已测得的基坑位移进行了参数反演。程龙飞和袁宝远[5]应用BP神经网络预测了基坑变形。齐干[6]利用BP神经网络对施工期间周围土体沉降进行了预测。殷晟泉[7]利用Elman动态神经网络对深基坑变形进行了预测。刘勇健[8]利用神经网络对高速公路地基的最终沉降进行了预测。杨涛等[9]建立BP沉降预测模型，能够利用短预压期的沉降预测长预压期的沉降。以上可见，神经网络在工程领域具有较高的可行性。

本文运用BP神经网络建立地铁隧道盾构施工诱发地表土体变形智能预测模型，结合现场实测沉降数据进行模型的训练、预测，并通过实测数据对模型预测精度进行验证。

1 工程条件

本工程位于杭富城际铁路11标，富阳区受降村黄沙畈以北。盾构穿越宋家塘车辆段出入段线及大树下桥后，沿新G320国道继续往东敷设，经受降纪念厅后向北下穿杭富线附属配套工程6 号隧道，沿G320 国道到达受降站接收。盾构区间左线长度2187.938m（长链7.151m），右线长度2180.822m。

1.1 工程地质条件

本项目的工程地质层组的划分及其层序编号根据土层的物理、力学性质以及土层的时代和成因，并参照《杭州地铁岩土工程勘察地层编号规定（修编稿2015年版）》确定，全线地层共分4个工程地质层组，17个工程地质层，见表1。

表1 各岩土层厚度一览表

整个隧道盾构推进过程中遇到的围岩地层主要有两种：1）上部围岩为全、强风化基岩层，下部围岩为强、中等风化基岩层；2）围岩全断面均为中等风化基岩层。局部存在围岩软硬不均现象，力学性质上主要表现为上软下硬，盾构推进过程中易出现“上抬、跑偏”现象，姿态较难控制。对于中等风化基岩层盾构掘进预计难度较大。

1.2 水文地质条件

地表水体主要为北渠，北渠位置埋深22m，底层为(31)a3层中等风化粉砂岩，渗透性较差，对隧道基本无影响。北渠为山溪性溪流，平常溪沟中水深大多小于1.0m，大部分为生活废水等，雨季时受地表汇水影响，水位可暴涨3～4m，勘察期间测得水文数据如表2。

表2 北渠水文资料一览表

2 BP神经网络算法基本原理

作为一种著名的前向型神经网络，BP神经网络主要包含图1所示的典型结构：1个输入层，数个隐含层和1个输出层。层与层之间全连接，而同一层的各神经元之间相互独立。其中，隐含层的神经元通常采用S型非线性传递函数，而输出层传递函数大多采用线性形式。

图1 BP神经网络结构

2.1 BP神经网络的基本思想

对输入样本对进行训练，经隐含层和输出层计算后，输出层输出对应的预测值。若预测值与期望值差别（误差）较大，则从输出层反向传播该误差，对权值和阈值进行调整，逐步减小误差，直至满足精度要求。

2.2 BP神经网络的算法核心

权值和阈值是导致BP神经网络预测值与期望值之间误差的根本原因[10-11]，将误差沿负梯度方向（误差函数下降最快方向）分配给各个神经元的权值和阈值，逐步提高预测值精确度。

如图1所示，设输入变量为xi(i=1,2,…,n)，νij(i=1,2,…,n;j=1,2,…,n)为输入层至隐含层的网络连接权值，wj(j=1,2,…,n)为输出变量的连接权值。

根据输入值xi与初始化的νij计算隐含层的输出值φj(j=1,2,…,m)（单隐层）或ηj(j=1,2,…,m)（多隐层），设定训练次数（N）、训练目标误差（δ）与学习率（ξ）：

式中，f为隐含层激励函数，通常采用Sigmoid函数；aj(j=1,2,…,m)为隐含层的阈值。

②根据式（2）、式（3）计算输出值y：

式中，b为隐含层初始阈值。

③计算目标值g与预测值y之间的误差ε=g−y，根据反向误差更新权值为：

式中，ξ为学习率，且ξ∈ [0.01,1]。

④更新神经网络阈值：

重复步骤②～④，直至误差达到计算要求（即ε≤δ）为止。

3 地铁隧道盾构施工诱发地表土体变形智能预测

由上述分析可知，BP神经网络能够通过自我调整逐渐缩小误差来提供更加准确的预测，因此本文采用BP神经网络进行盾构施工诱发地表土体变形的智能预测。设定初始的计算参数如表3所示。

表3 BP神经网络参数

针对地表沉降，选取2019年5月～2019年8月的典型测点的监测项目作为样本，采用BP神经网络对2019年8月17日、2019年8月22日和2019年8月27日的监测数据进行预测，监测结果与预测值见图2。此外，选取2019年5月～2019年12月的左线沉降、右线沉降数据（R1～R8、L1～L7），并预测2019年12月18日、2019年12月22日和2019年12月27日的沉降数据，实际监测结果与预测结果见图3和图4。

图2 盾构施工引起地表沉降预测

图3 盾构施工引起右线沉降预测

图4 盾构施工引起左线沉降预测

由图2～图4可知，BP神经网络预测结果与实际监测所得数据比较吻合，综合走向及趋势均相同。因此，本文采用的BP神经网络能够有效预测复杂环境下盾构施工诱发的地表土体变形，从而变传统的反馈式监测为前馈式智能预测，进而基于此提前修改盾构参数，降低后续施工可能的风险。

4 结论

1）建立了基于BP神经网络的复杂地质条件下盾构隧道施工诱发地表土体变形沉降预测模型，算例验证表明，该模型预测值与实测值比较接近，能够实现较高精度的预测。

2）通过BP神经网络，利用左线沉降、右线沉降的长期数据进行预测，发现神经网络对大样本预测同样具有较高的精度，且样本数量越高，精度越大。