基于粒子群算法優(yōu)化的模糊支持向量機的盾構(gòu)隧道地質(zhì)變形預(yù)測研究

朱 寶(滁州職業(yè)技術(shù)學(xué)院，安徽滁州 239000)

基于粒子群算法優(yōu)化的模糊支持向量機的盾構(gòu)隧道地質(zhì)變形預(yù)測研究

朱 寶
(滁州職業(yè)技術(shù)學(xué)院，安徽滁州 239000)

盾構(gòu)速調(diào)地質(zhì)變形預(yù)測對于提高盾構(gòu)隧道施工可靠性，提高盾構(gòu)隧道施工的現(xiàn)代化水平具有非常關(guān)鍵的作用，因此，可將基于粒子群算法優(yōu)化的模糊支持向量機應(yīng)用于盾構(gòu)隧道地質(zhì)變形的預(yù)測中。本文首先分析了盾構(gòu)隧道地質(zhì)變形計算的理論模型；然后研究了模糊支持向量機的基本理論；接著討論了粒子群算法，并且設(shè)計了相應(yīng)的算法流程；最后進行盾構(gòu)隧道地質(zhì)變形預(yù)測的仿真分析。仿真結(jié)果表明，基于粒子群算法優(yōu)化的模糊支持向量機能夠提高盾構(gòu)隧道地質(zhì)變形的預(yù)測精度。

粒子群算法；模糊支持向量機；盾構(gòu)隧道；地質(zhì)變形；預(yù)測

地鐵自19世紀(jì)末在倫敦首次開通，至今已有一百多年。中國地鐵建設(shè)開始于港鐵、北京地鐵，隨后不斷在多個城市發(fā)展。地鐵隧道的施工方法包括明挖法、噴錨暗挖法和盾構(gòu)法。盾構(gòu)法是通過盾構(gòu)機在地下掘進暗挖形成隧道，適用于粉土、黏土、砂質(zhì)粉土、砂質(zhì)黏土、粉質(zhì)黏土、黏質(zhì)粉土、混有粉土或黏土的砂、松散砂、密實砂、松散砂礫和固結(jié)砂礫等多種土質(zhì)，尤其適用于地表建筑不宜拆遷及松軟含水地層等施工環(huán)境不良地段。目前，國內(nèi)盾構(gòu)機的施工技術(shù)和施工理念，在全世界來說都是首屈一指的，盾構(gòu)機的設(shè)計、制造基本與世界同步，只是在一些關(guān)鍵技術(shù)和關(guān)鍵部件上可能還存在一些差距。現(xiàn)代的盾構(gòu)機不僅具有開挖切削土體、輸送土碴的功能，而且具有拼裝隧道襯砌、測量導(dǎo)向糾偏等功能。現(xiàn)代的盾構(gòu)機被廣泛用于地鐵、鐵路、公路、市政、水電等隧道工程。盾構(gòu)施工振動小、噪聲低、施工速度快、安全可靠。由于在地下作業(yè)，不影響交通且不受天氣影響，對沿線居民生活、地下和地面建筑、構(gòu)筑物影響小。工序循環(huán)有節(jié)奏，易于管理，施工人員少，造價不受覆土厚度影響，地質(zhì)環(huán)境越差越經(jīng)濟。但是盾構(gòu)隧道上方一定范圍內(nèi)的地層變形尚難完全防止，特別是在飽和含水疏松的土質(zhì)中，變形尤為突出，對附近地表及地下已有物體有很大影響。因此，對盾構(gòu)隧道地質(zhì)變形進行預(yù)測對于提高盾構(gòu)隧道現(xiàn)代化建設(shè)水平具有非常重要的作用[1]。

盾構(gòu)隧道地質(zhì)變形的影響因素很多，而且具有非線性特點，預(yù)測難度比較大，因此需要選擇一種有效的預(yù)測方法。支持向量機屬于一種智能算法，在處理非線性問題的預(yù)測時具有較好的優(yōu)勢，但是傳統(tǒng)的支持向量機存在預(yù)測誤差，為了能夠提高預(yù)測精度，將模糊理論和傳統(tǒng)的支持向量機融合起來提出模糊支持向量機，而模糊支持向量機在盾構(gòu)地質(zhì)變形預(yù)測時，預(yù)測的精度取決于支持向量機的模型，可以采用優(yōu)化能力較強的粒子群算法對支持向量機的參數(shù)進行優(yōu)化，從而提高盾構(gòu)隧道地質(zhì)變形預(yù)測的準(zhǔn)確性。

1 盾構(gòu)隧道地質(zhì)變形計算的理論模型

盾構(gòu)隧道地質(zhì)變形的計算公式比較多，應(yīng)用最為廣泛的就是學(xué)者Peck提出的經(jīng)驗公式，其計算表達式如式(1.1)～(1.4)所示[2]。

(1.1)

(1.2)

Vloss=πR2λ.

(1.3)

(1.4)

其中，S(x)表示地表變形量，x表示盾構(gòu)隧道水平位移量；Smax表示最大的地表變形量；k表示沉降槽因子；R表示盾構(gòu)隧道的當(dāng)量半徑；Vloss表示單位長度的地層損失大?。籬表示隧道的深度；λ表示體積損失率。

根據(jù)已有的理論模型基礎(chǔ)，盾構(gòu)隧道的地質(zhì)變形模式如式(1.5)(1.6)所示[3]。

(1.5)

(1.6)

其中，y表示盾構(gòu)推進距離，z表示地表的深度。

盾構(gòu)隧道地表變形可以表征土體的移動規(guī)律，是盾構(gòu)隧道施工過程中最受關(guān)注的問題。

2 模糊支持向量機的基本理論

模糊支持向量機是將模糊理論和和傳統(tǒng)支持向量機理論結(jié)合起來提出的一種新的機器學(xué)習(xí)理論，依據(jù)輸入樣本對盾構(gòu)隧道地質(zhì)變形進行預(yù)測分析，在預(yù)測階段可以選擇恰當(dāng)?shù)碾`屬度，已知樣本{(x1,y1,s1),…,(xn,yn,sn)}，其中，xi∈Rd(i=1,2,…,n)表示輸入向量；yi表示xi歸為其中一類，yi∈(-1,1)；si(i=1,2,…,n)表示樣本處于一類的隸屬度，0≤si≤1。從目標(biāo)函數(shù)上來看，模糊支持向量機和傳統(tǒng)的支持向量機沒有區(qū)別，區(qū)分兩類的方式可以通過構(gòu)造超平面進行分類，此外，超平面和類的間距應(yīng)該最大，模糊支持向量機的數(shù)學(xué)模型如式(2.1)(2.2)所示[4]。

(2.1)

約束條件：yi(w·φ(xi)+b)≥ρ-εi，εi≥0，ρ≥0.

(2.2)

其中，εi表示預(yù)測誤差，μiεi表示不同權(quán)重的誤差。

通過拉格朗日變換對式(2.1)和(2.2)進行整合，從而獲得相應(yīng)的優(yōu)化模型(2.3)。

(2.3)

(2.4)

(2.5)

(2.6)

(2.7)

將式(2.4)～(2.7)代入式(2.3)可以獲得對偶方程。

(2.8)

(2.9)

通過求解式(2.8)，可以計算出Lagrange因子αi，模糊支持向量機優(yōu)化模型如(2.10)所示。

(2.10)

模糊支持向量機能夠避免訓(xùn)練過程中噪聲的影響，具有更好的分類精度，能夠提高盾構(gòu)隧道地質(zhì)變形預(yù)測的精度。

3 粒子群算法的數(shù)學(xué)模型

在模糊支持向量機建模的過程中，如果確定最優(yōu)的模型參數(shù)是提高預(yù)測準(zhǔn)確性的關(guān)鍵，可將粒子群算法應(yīng)用于模糊支持向量機的優(yōu)化建模。在尋優(yōu)空間中，每個粒子的速度和位置都與空間中的一個解一一對應(yīng)。首先，進行粒子群算法和粒子速度的初始化，第j個粒子的速度和位置分別定義為：

xj=(xj1,xj2,…,xjm).

(3.1)

vj=(vj1,vj2,…,vjm).

(3.2)

在粒子群算法進行優(yōu)化過程中，粒子的位置和速度可以確定粒子群所經(jīng)過的位移，m表示盾構(gòu)隧道地質(zhì)變形分析中變量的數(shù)量。根據(jù)確定的目標(biāo)函數(shù)和適應(yīng)度函數(shù)，不同粒子對應(yīng)的適應(yīng)度可以通過適應(yīng)度函數(shù)進行計算，個體和全局最優(yōu)解可以不斷更新，個體極值Pj和全局極值Pwj的表達式如(3.3)(3.4)所示。

Pj=(pj1,pj2,…,pjm).

(3.3)

Pwj=(pwj1,pwj2,…,pwjm).

(3.4)

粒子群算法中的不同粒子的位置和速度可以通過如下的公式進行更新。

vj(t+1)=ωvj(t)+c1r1(Pj(t)-xj(t))+c2r2(Pwj(t)-xj(t)).

(3.5)

xj(t+1)=xj(t)+vj(t+1).

(3.6)

其中，ω表示慣性權(quán)重，c1和c2表示粒子群算法的加速系數(shù)，r1和r2表示介于0和1之間的任意數(shù)，通過迭代計算粒子的速度和位置不斷更新，最終將獲得最優(yōu)解的位置，同時將全局優(yōu)化解輸出。在優(yōu)化過程中，粒子的速度不能超過粒子的預(yù)先設(shè)定最大速度vmax，當(dāng)最大速度vmax被考慮成最小值時，粒子的搜索能力將極大地提高，這樣粒子群的全局搜索能力也將得到提高。此外，粒子的坐標(biāo)也預(yù)先設(shè)定了一個最大值xmax。一般情況下，vmax可以依據(jù)實際情況進行設(shè)定。當(dāng)?shù)螖?shù)達到了預(yù)先設(shè)定的最大迭代次數(shù)時，或者計算誤差滿足了預(yù)先設(shè)定的誤差條件，算法將結(jié)束，并且將最優(yōu)值輸出。

傳統(tǒng)的粒子群算法存在一些缺陷，例如，算法容易陷入局部最優(yōu)，并且經(jīng)常產(chǎn)生早熟現(xiàn)象。為了避免這些缺陷，提高粒子的認(rèn)知能力，需要對傳統(tǒng)的粒子群算法進行改進，可將粒子的個體最優(yōu)位置保存下來，改進的算法利用向量θ保存粒子的最優(yōu)位置。

對于粒子群中第i個粒子，任意選擇另外一個粒子j，向量θ表達式如(3.7)所示。

θ=Pi-xj.

(3.7)

其中，Pi表示第i個粒子的優(yōu)化位置，xj表示同一時刻第j個粒子的優(yōu)化位置。

根據(jù)向量準(zhǔn)則，利用向量θ能夠確定第i個粒子自身的優(yōu)化位置Pi，第i個粒子可以趨向位置Pi，第i個粒子的認(rèn)知水平將得到提高。

為了能夠擴展粒子群算法的搜索范圍，提高粒子群的多樣性，避免粒子群的早熟現(xiàn)象，將進行粒子群算法的改進，相應(yīng)的數(shù)學(xué)模型如(3.8)(3.9)所示[5]。

(3.8)

xj(t+1)=xj(t)+vj(t+1).

(3.9)

其中，CR表示交叉因子，0≤CR≤1。改進的粒子群算法具有較好的可靠性，其收斂性能也得到了較好的提升。

基于粒子群算法優(yōu)化的模糊支持向量機的優(yōu)化流程如圖1所示。

圖1 基于粒子優(yōu)化的模糊支持向量機的盾構(gòu)隧道地質(zhì)變形預(yù)測流程

4 盾構(gòu)隧道地質(zhì)變形的預(yù)測仿真分析

為了能夠驗證本文算法在盾構(gòu)隧道地質(zhì)變形預(yù)測中的應(yīng)用效果，筆者以某市的擴建地鐵盾構(gòu)隧道為例進行相應(yīng)的仿真分析。該區(qū)段的全程長度為793m，該工程區(qū)段的風(fēng)化層較厚，巖性和性能也比較復(fù)雜，盾構(gòu)隧道旁為城市主干道，建筑物較多，地下管線分布也很復(fù)雜，采取明挖施工比較困難，因此，采取了盾構(gòu)法。盾構(gòu)隧道是外徑為7.3m，內(nèi)徑為6.0m，環(huán)寬慰1.5m，厚度為0.42m。地層損失為16m3/環(huán)，盾構(gòu)埋深為18m。選取了60個地質(zhì)變形的數(shù)據(jù)樣本，其中前52個樣本作為訓(xùn)練樣本，后8個樣本作為測試樣本。

粒子群算法的參數(shù)設(shè)置如下：慣性權(quán)重ω∈[0.45,0.85]，c1=c2=2.0，最大迭代次數(shù)設(shè)置為250，粒子群的規(guī)模為50。

為了能夠驗證本文算法的有效性，同時利用模糊支持向量機對相同的數(shù)據(jù)樣本進行預(yù)測仿真分析，預(yù)測結(jié)果見表1。

表1 盾構(gòu)隧道地質(zhì)變形預(yù)測仿真結(jié)果對比

從表1的仿真結(jié)果可以看出，利用基于粒子群算法優(yōu)化的模糊支持向量機在盾構(gòu)隧道地質(zhì)變形預(yù)測中能夠獲得較高的預(yù)測精度，每個預(yù)測樣本的預(yù)測精度均低于5%。并且，基于粒子群算法優(yōu)化的模糊支持向量機的預(yù)測比傳統(tǒng)的模糊支持向量機的預(yù)測精度要高。因此，基于粒子群算法優(yōu)化的模糊支持向量機在盾構(gòu)隧道地質(zhì)變形預(yù)測中的應(yīng)用是可行的。

5 結(jié)語

為了能夠較為準(zhǔn)確地預(yù)測盾構(gòu)隧道地質(zhì)變形情況，為盾構(gòu)隧道施工控制提供有利的理論依據(jù)，進而提高盾構(gòu)隧道施工的可靠性，本文將粒子群算法和模糊支持向量機融合在一起，提出了新的盾構(gòu)隧道地質(zhì)變形預(yù)測算法。仿真分析表明，基于粒子群算法優(yōu)化的支持向量機具有更高的預(yù)測精度，能夠提高盾構(gòu)隧道地質(zhì)變形預(yù)測的精度，具有較為廣闊的應(yīng)用前景。

[1]徐秀峰,黃愛軍.地面卸載作用下軟土大直徑軌道交通盾構(gòu)隧道結(jié)構(gòu)變形預(yù)測[J].中國市政工程,2016(5):62-66.

[2]邱明明,楊果林,姜安龍,等.地鐵盾構(gòu)施工地層變形預(yù)測及數(shù)值分析[J].深圳大學(xué)學(xué)報:理工版,2016(4):377-387.

[3]周誠,余群舟.基于MAMPSO-RBFNN的盾構(gòu)地表變形時空演化智能預(yù)測[J].施工技術(shù),2016(13):118-124.

[4]曹海歐,張沛超,高翔.基于模糊支持向量機的繼電保護狀態(tài)在線評價[J].電力系統(tǒng)保護與控制,2016(20):70-74.

[5]劉開旻,吳小俊.一種基于新隸屬度函數(shù)的模糊支持向量機[J].計算機工程,2016(4):155-159.

[6]黃元亮,郝真真,姜甜甜.基于粒子群算法的LDA實現(xiàn)方法研究[J].計算機工程與應(yīng)用,2017(1):39-43.

Study on Prediction of Geological Deformation of Shield Tunnel Based on Fuzzy Support Vector Machine Optimized by Particle Swarm Optimization

ZHU Bao

(Chuzhou Vocational and Technical College, Chuzhou Anhui 239000,China)

The shield klystron geological deformation prediction for improving reliability of shield tunnel construction, improving the modernization level of the shield tunnel construction has very important role, therefore, we will be based on fuzzy particle swarm optimization algorithm and the application of support vector machine deformation in shield tunnel geological prediction. First of all, the theoretical model of tunnel deformation is analyzed. Secondly, the basic theory of fuzzy support vector machine is studied, and then the particle swarm optimization algorithm is discussed, and the corresponding algorithm is designed. Finally, the simulation analysis of the tunnel deformation prediction is carried out. The simulation results show that the fuzzy support based on particle swarm optimization can improve the prediction accuracy of the shield tunnel geological deformation.

particle swarm optimization; fuzzy support vector machine; shield tunnel; geological deformation; prediction

2017-01-02

安徽省教育廳高校自然科學(xué)研究項目“盾構(gòu)隧道地層變形數(shù)值仿真分析及基于GNSS的監(jiān)測系統(tǒng)研究”(KJ2016A546)。

朱 寶(1984- )，男，講師，碩士，一級注冊建造師，全國招標(biāo)師，咨詢工程師(投資)，從事土木建筑工程施工研究。

U455

A

2095-7602(2017)06-0015-05