概率化預(yù)測隧道地質(zhì)條件

寇冰清 KOU Bing-qing；宋永發(fā) SONG Yong-fa

（大連理工大學(xué)建設(shè)工程學(xué)部，大連 116024）

（Faculty of Infrastructure Engineering，Dalian University of Technology，Dalian 116024，China）

概率化預(yù)測隧道地質(zhì)條件

寇冰清 KOU Bing-qing；宋永發(fā) SONG Yong-fa

（大連理工大學(xué)建設(shè)工程學(xué)部，大連 116024）

（Faculty of Infrastructure Engineering，Dalian University of Technology，Dalian 116024，China）

為了預(yù)測隧道開挖面前方的地質(zhì)條件，降低施工風(fēng)險和成本，采用馬爾科夫和神經(jīng)網(wǎng)絡(luò)構(gòu)成的模型，既比馬爾科夫方法經(jīng)濟(jì)，又能實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)方法所不能實(shí)現(xiàn)的動態(tài)化預(yù)測。

隧道風(fēng)險；地質(zhì)條件；概率化預(yù)測；馬爾科夫與神經(jīng)網(wǎng)絡(luò)

0 引言

地質(zhì)條件的不確定性是隧道施工不確定性最主要的來源，恰當(dāng)?shù)墓烙?，既可防止?zāi)難性的后果，也可以通過減少在施工中的保守措施以及選擇合適的開挖和支護(hù)方法達(dá)到節(jié)約資源的目的。探測地質(zhì)條件的方法分為硬方法和軟方法，硬方法包括從上往下打鉆孔和地質(zhì)超前預(yù)報，軟方法更經(jīng)濟(jì)，它包括時間序列、神經(jīng)網(wǎng)絡(luò)、馬爾科夫隨機(jī)過程等方法[1]。時間序列分析需要大量信息進(jìn)行趨勢的分析和模式的識別。神經(jīng)網(wǎng)絡(luò)能很好地處理非線性聯(lián)系，但它無法實(shí)現(xiàn)動態(tài)預(yù)測。馬爾科夫方法將地質(zhì)參數(shù)看作是離散狀態(tài)、連續(xù)空間的隨機(jī)過程，根據(jù)特定位置地質(zhì)條件及轉(zhuǎn)移概率矩陣預(yù)測開挖線上各位置的地質(zhì)條件，它在實(shí)現(xiàn)動態(tài)預(yù)測時，需要通過試驗(yàn)的方法來獲得當(dāng)前位置的地質(zhì)條件，往往耗財、費(fèi)時，實(shí)際工程中也不可能大規(guī)模進(jìn)行試驗(yàn)。而將馬爾科夫與神經(jīng)網(wǎng)絡(luò)相結(jié)合既可以實(shí)現(xiàn)動態(tài)預(yù)測，又能節(jié)省時間和成本。

1 模型結(jié)構(gòu)

模型結(jié)構(gòu)如圖1所示，分為馬爾科夫部分和神經(jīng)網(wǎng)絡(luò)部分。

1.1 馬爾科夫部分 馬爾科夫一步記憶可用如下公式描述：p[X（ti+1）=xi+1｜X（ti）=xi，X（ti-1）=xi-1，…，X（t1）=x1)]=p[X（ti+1）=xi+1｜X（ti）=xi]

ti-1，ti，ti+1是沿隧道開挖線上相鄰的不同位置，它們間距相同，xi-1，xi，xi+1是相應(yīng)的地質(zhì)條件（G1，G2，G3）。轉(zhuǎn)移概率矩陣為：V=[vij]，vij=p[X（ti）=j｜X（ti-1）=i]

1.2 BP神經(jīng)網(wǎng)絡(luò)部分 神經(jīng)網(wǎng)絡(luò)模型中的輸入?yún)?shù)X1，X2，X3，X4為盾構(gòu)機(jī)每經(jīng)過一環(huán)（大約為 1.4m）所記錄的數(shù)據(jù)，輸出 Y 為地質(zhì)條件（G1=0，G2=0.5，G3=1），神經(jīng)網(wǎng)絡(luò)輸出值作為輸入值傳遞至馬爾科夫模型，可能性矩陣L通過計算神經(jīng)網(wǎng)絡(luò)在訓(xùn)練集中預(yù)測準(zhǔn)確度給出。

2 波爾圖案例分析

2.1 波爾圖隧道工程概況 波爾圖地鐵地下部分包括兩條隧道（C線和S線）。C線長約2.5km，于2000年6月開始選用直徑為8.7m的海瑞克土壓平衡式盾構(gòu)施工，該機(jī)器在地質(zhì)條件良好的情況下采用全開式開挖方式，在地質(zhì)條件不好的情況下采用全封閉式開挖方式。隧道于2002年10月順利完工[3]。

2.2 神經(jīng)網(wǎng)絡(luò)輸入和輸出參數(shù) 輸入?yún)?shù)為盾構(gòu)機(jī)在掘進(jìn)過程中，每隔10s記錄的貫入速度（mm/轉(zhuǎn)）、刀盤扭矩(MN.m)、總推力（KN）、刀盤切割力（KN）。輸出參數(shù)為根據(jù)巖土的風(fēng)化程度、破裂程度及斷面情況進(jìn)行的分類（G1，G2，G3）。隧道穿過的巖層分為g1-g7。g1-g4為巖石類，g5-g6是土體類，g7是人工材料和沖積土。根據(jù)工程信息，隧道土體有八種斷面情況（圖2[4]），將這八種斷面情況進(jìn)行如下簡化：土體（G1），混合體（G2），巖體（G3）。土體（G1）對應(yīng)情況1、2—開挖斷面全部由土體構(gòu)成（g5和g6）；巖體（G3）對應(yīng)于情況7、8—開挖斷面全部為巖石成分（g3和g4）；混合體則是由巖石和土體共同構(gòu)成。

通過對神經(jīng)網(wǎng)絡(luò)在訓(xùn)練集中輸出結(jié)果分析確定如下判別區(qū)間：當(dāng)輸出結(jié)果落入[0，0.17]時，判斷其為0，即神經(jīng)網(wǎng)絡(luò)輸出為 G1；落入（0.17，0.49]時，判斷其為 0.5，為 G2；落入[0.49，1]時，判斷其為1，為G3。由此得到可能性矩陣如表1所示。將訓(xùn)練集的395組數(shù)據(jù)按前述公式計算，得到馬爾科夫模型轉(zhuǎn)移概率矩陣，如表2所示。

2.4 動態(tài)預(yù)測及結(jié)果 根據(jù)已知地質(zhì)條件（R400、R416等）及V，求出檢驗(yàn)集中地質(zhì)條件的先驗(yàn)概率。當(dāng)運(yùn)行到第Rr-1，將記錄下的參數(shù)輸入至神經(jīng)網(wǎng)絡(luò)，得到輸出值，通過判別區(qū)間判斷神經(jīng)網(wǎng)絡(luò)預(yù)測地質(zhì)條件，再結(jié)合Rr-1先驗(yàn)地質(zhì)條件概率計算Rr-1后驗(yàn)地質(zhì)條件概率，根據(jù)V更新Rr先驗(yàn)地質(zhì)條件概率，當(dāng)盾構(gòu)機(jī)運(yùn)行至Rr，重復(fù)這一過程。檢驗(yàn)集共347組數(shù)據(jù)，其中G1有114組數(shù)據(jù)，模型將其中111組預(yù)測為G1(97.37%)、3組預(yù)測為G2(2.63%)；G2有數(shù)據(jù)118組，模型將其中58組預(yù)測為G1(49.15%)，54組預(yù)測為G2(45.77%)，6組預(yù)測為G3(5.08%)；G3共有數(shù)據(jù)115組，模型將18種預(yù)測為G1(15.65%)，13組(11.30%)預(yù)測為G2，84組 (73.05%)預(yù)測為G3，總預(yù)測準(zhǔn)確率為71.76%。模型預(yù)測結(jié)果如表3所示，圖4為隧道部分區(qū)段預(yù)測情況。

表1 可能性矩陣

表2 轉(zhuǎn)移概率矩陣表

表3 模型預(yù)測總體情況

3 結(jié)論

對地質(zhì)條件恰當(dāng)?shù)墓烙嫾饶芙档惋L(fēng)險，又能節(jié)約成本。一個馬爾科夫-神經(jīng)網(wǎng)絡(luò)模型被用來動態(tài)的、低成本的、大規(guī)模的預(yù)測波爾圖隧道盾構(gòu)機(jī)開挖面前方的地質(zhì)條件，395組數(shù)據(jù)被用于訓(xùn)練模型，347組數(shù)據(jù)被用來檢驗(yàn)?zāi)Ｐ?。在巖體和土體中模型表現(xiàn)很好，而在混合體中模型預(yù)測準(zhǔn)確率有所下降，模型整體預(yù)測準(zhǔn)確率為71.76%。在巖體中，盾構(gòu)機(jī)可以采用全開模式運(yùn)行可以節(jié)約費(fèi)用，在土體中，盾構(gòu)機(jī)采用全封閉模式運(yùn)營可以降低風(fēng)險。這對于施工者選擇合適的開挖方式和支護(hù)方式有一定的借鑒作用。

[1]GUAN Zhenchang.Markovian Geology Prediction Approach and Its Application in Mountain Tunnels [J].Tunnelling and Underground Space Technology，2012(31)：61-62.

[2]Suchatvee S.Artificial Neural Networks for Predicting the Maximum Surface Settlement Caused by EPB Shield Tunneling[J].Tunnelling and Underground Space Technology，2006(21)：133-150.

[3]、[4]Rita S.Risk Analysis for Tunneling Projects[D].Massachusetts.Massachusetts Institute of Technology,2010.

Probabilistic Prediction of Tunnel Geological Conditions

In order to predict the geological conditions ahead of tunnel face,a hybrid approach combining Markov process with neural networks is presented,it's cheaper than using Markov process alone and can let dynamic prediction the neural networks can't achieve come true.

tunnel risks；geological conditions；probabilistic prediction；Markov and neural networks approach

寇冰清（1990-），男，湖北荊門人，碩士研究生，研究方向?yàn)楣こ坦芾?、隧道風(fēng)險管理；宋永發(fā)（1963-），男，吉林省吉林市人，副教授，博士，研究方向?yàn)樗淼里L(fēng)險管理、軌道交通。

U45

A

1006-4311（2014）11-0100-02