基于BP神經(jīng)網(wǎng)絡的填海區(qū)復雜地層盾構掘進參數(shù)預測與應用

王傳儉

（中鐵十四局集團隧道工程有限公司，山東 濟南 250013）

0 引言

填海區(qū)建造地鐵可巧妙避開地面建筑物或構筑物對施工造成的影響，而填海地區(qū)存在多種地層復合交織，盾構機掘進過程中會遇到各種困難，造成掘進工效低、非正常停機等問題，同時也難以保證工期。如何高效優(yōu)質地完成盾構施工成為一個亟待解決的問題，而盾構掘進參數(shù)的控制是影響盾構機掘進效率的關鍵因素之一。

目前，國內外學者對盾構掘進機掘進參數(shù)的控制進行一定研究，并取得部分研究成果。國外有預測模型被應用于土壓平衡盾構機掘進性能預測評價等方面[1-2]，ROSTAMI J等[3]提出用于盾構掘進性能預測的CSM和NTNU等較為成熟的模型；基于CSM模型和NTNU模型，YAGIZ S[4]對盾構現(xiàn)場施工數(shù)據(jù)進行統(tǒng)計分析，推導出抗壓強度、抗拉強度等變量與掘進速度的數(shù)學模型以進行掘進速度預測；HASSANPOUR J等[5]根據(jù)伊朗卡拉季輸水隧道工程，對該隧道穿越火成巖時盾構機的各掘進參數(shù)進行分析，構建新的數(shù)學模型預測刀盤扭矩、刀盤轉速等參數(shù)，提出針對不同工程，需要對預測模型進行適應性修正；張厚美[6]結合廣州地鐵3號線工程實際，采用正交試驗方法建立軟土地層中掘進速度和刀盤扭矩的數(shù)學模型；王洪新等[7]基于模型試驗結果推導出土壓平衡盾構中土壓力、掘進速度等掘進參數(shù)間的數(shù)學關系表達式，并利用現(xiàn)場采集的數(shù)據(jù)驗證該數(shù)學表達式；楊全亮[8]運用數(shù)理統(tǒng)計分析方法對現(xiàn)場掘進參數(shù)數(shù)據(jù)進行分析，指出地質條件對掘進參數(shù)的影響程度大于線路選擇，并采用人工神經(jīng)網(wǎng)絡方法，利用已知推進速度、刀盤轉速、貫入度預測盾構機推力和扭矩；胡紹華等[9]利用BP神經(jīng)網(wǎng)絡建立土艙力控制模型，根據(jù)當前土艙壓力值、當前推進系統(tǒng)推進速度等變量預測下一時刻推進速度及螺旋輸送機轉速，實現(xiàn)實時控制盾構機土壓平衡。

從上述研究成果可看出，目前國內外關于掘進參數(shù)預測方法主要是建立數(shù)學模型，其總體思路是基于模型試驗或現(xiàn)場監(jiān)測數(shù)據(jù)建立各掘進參數(shù)間數(shù)學預測模型，可解決部分掘進參數(shù)預測問題，但其針對性較強。而BP神經(jīng)網(wǎng)絡能夠較好地建立起各個影響因素與掘進參數(shù)的非線性關系，其普適性和泛化能力較佳。本文依托某會展中心配套市政項目盾構施工，采用BP神經(jīng)網(wǎng)絡方法建立盾構掘進參數(shù)預測模型，并將該預測模型用于本工程盾構掘進參數(shù)預測，通過將預測值與實際監(jiān)測值對比分析，得出其精度滿足施工要求，表明該方法適用于本工程后續(xù)盾構區(qū)間以及類似地層盾構掘進參數(shù)的預測，具有較好的科研價值和工程實踐意義。

1 BP神經(jīng)網(wǎng)絡基本原理

BP神經(jīng)網(wǎng)絡即誤差回傳神經(jīng)網(wǎng)絡是一種無反饋的前向網(wǎng)絡，神經(jīng)元在網(wǎng)絡中分層排列。一般網(wǎng)絡結構分為輸入層、隱含層、輸出層。每層的輸出傳遞至下一層，通過聯(lián)結權傳送，可達到増強、減弱或抑制輸出的作用，除去輸入層的神經(jīng)元外，輸出層和隱含層神經(jīng)元的凈輸入是上一層神經(jīng)元輸出的加權和。每個神經(jīng)元的活化程度均由它的輸入、閾值和活化函數(shù)決定，BP神經(jīng)網(wǎng)絡信號傳播結構如圖1所示[10-16]。

圖1 BP神經(jīng)網(wǎng)絡結構層

圖1中，X，Y分別表示BP神經(jīng)網(wǎng)絡的輸入和輸出，n、q、w分別表示BP神經(jīng)網(wǎng)絡的輸入層、隱含層和輸出層神經(jīng)元，每個神經(jīng)元可用1個節(jié)點表示。在BP神經(jīng)網(wǎng)絡學習過程中，神經(jīng)網(wǎng)絡的輸出值與期望輸出誤差值在向后傳播的同時修正連接權值，達到誤差均方值最小的目的。

2 盾構掘進參數(shù)預測模型設計

BP神經(jīng)網(wǎng)絡模型的設計，主要是確定輸入輸出參數(shù)、網(wǎng)絡結構層次，并通過神經(jīng)網(wǎng)絡構建各參數(shù)間的非線性映射關系。這主要是通過采用Pathon編程語言和JetBrains PyCharm軟件編制BP神經(jīng)網(wǎng)絡預測程序實現(xiàn)。

2.1 網(wǎng)絡參數(shù)變量選取

BP神經(jīng)網(wǎng)絡模型構建中，需要將已從現(xiàn)場采集的數(shù)據(jù)分為兩大類：一大類為體現(xiàn)外部環(huán)境的輸入變量——地層因素，主要包括隧道埋深 h（m）、孔隙比 e、壓縮模量 E（MPa）、土體凝聚力C（kPa）與內摩擦角Φ（°）5種參數(shù)。另一類為體現(xiàn)盾構機內部性能的輸出變量，主要包括土壓力P（MPa）、掘進速度 V（mm/min）、總推力 T（kN）、出土量（m3）、刀盤扭矩 r（kN·m）5個參數(shù)。其中輸入組中的孔隙比、壓縮模量、土體凝聚力和內摩擦角可根據(jù)地質詳勘資料和現(xiàn)場開挖的情況確定，隧道埋深則取隧道斷面頂部至地表的垂直距離，從而構建輸入變量與輸出變量之間的聯(lián)系，實現(xiàn)利用盾構掘進的外部環(huán)境參數(shù)達到預測掘進參數(shù)的目的。

2.2 數(shù)據(jù)預處理

由于樣本數(shù)據(jù)中各掘進參數(shù)具有不同的數(shù)量級，在進行數(shù)據(jù)模擬預測前，需要對樣本數(shù)據(jù)進行適應性的處理，達到BP神經(jīng)網(wǎng)絡的取值應用范圍。為避免量級差別帶來的網(wǎng)絡識別精度誤差，并提高網(wǎng)絡的收斂速度，引入數(shù)值統(tǒng)計分析中的歸一化方法對收集到的掘進參數(shù)進行預處理，將各掘進參數(shù)映射至值域區(qū)間［0，1］中，處理方法如下：

式中，χ*為歸一化后的值，χ為原始值，χmax為數(shù)據(jù)組最大值，χmin為數(shù)據(jù)組最小值。

2.3 數(shù)據(jù)建模

在數(shù)據(jù)樣本挑選及預處理完成后，則需要對數(shù)據(jù)樣本進行模擬訓練。為進一步提升數(shù)據(jù)樣本的訓練精度，需要對BP神經(jīng)網(wǎng)絡預測模型的網(wǎng)絡結構設計及結構層傳遞函數(shù)進行優(yōu)選。

2.3.1 網(wǎng)絡結構設計

BP神經(jīng)網(wǎng)絡結構設計是指確定網(wǎng)絡的層數(shù)及各層神經(jīng)元的節(jié)點數(shù)。由于采用3層BP網(wǎng)絡結構能夠逼近任何連續(xù)函數(shù)，并且通過增加隱含層層數(shù)減小預測誤差，另外，經(jīng)試驗發(fā)現(xiàn)，隱含層神經(jīng)元數(shù)目越多，訓練樣本的訓練精度越高[1 7]，因此選用3層網(wǎng)絡結構為最佳組合。

該BP神經(jīng)網(wǎng)絡輸入層節(jié)點的數(shù)目為5（隧道埋置深度、孔隙比、壓縮模量、內摩擦角與凝聚力），均與具體問題相聯(lián)系具有一定的實際意義，輸出層節(jié)點數(shù)為5（土壓力、總推力、掘進速度、出土量、刀盤扭矩）。

在BP神經(jīng)網(wǎng)絡預測模型中，隱含層中神經(jīng)云數(shù)目的確定是網(wǎng)絡設計的關鍵所在，大多以經(jīng)驗公式試算為主。

經(jīng)驗公式S＝2N＋1，取N＝5，則隱含層節(jié)點數(shù)目設置為11，設置網(wǎng)絡結構為5-11-5；網(wǎng)絡參數(shù)設置如下：迭代層數(shù)net.rrainParam.epochs=20 000，學習速度 net.rrainParam.lr＝0.01，精度值 net.rrainParam.goal=0.01。

2.3.2 傳遞函數(shù)的選擇

JetBrains PyCharm軟件中有提供的BP神經(jīng)網(wǎng)絡算法傳遞函數(shù)有3種，各函數(shù)的計算公式如下：

針對樣本數(shù)據(jù)的模擬訓練方面，目前還沒有統(tǒng)一、固定的模擬訓練方法，主要是采用通過數(shù)據(jù)不斷的輸入-輸出試算，根據(jù)輸出的誤差精度確定。但網(wǎng)絡結構層具體采用哪種函數(shù)還需要不斷的試驗，如表1所示。

表1 不同網(wǎng)絡結構訓練結果

從表1可看出，方案2在迭代次數(shù)和訓練誤差上最優(yōu)先，因此，本預測模型選擇的網(wǎng)絡結構為tansig-purelin函數(shù)組合的5-11-5網(wǎng)絡結構層。

2.4 程序的編制及應用

采用Pathon編程語言編制出BP神經(jīng)網(wǎng)絡預測程序，并運用JetBrains PyCharm軟件進行預測程序運行，在軟件里將地層條件設為輸入模塊，盾構內部各掘進參數(shù)值設為輸出模塊，掘進參數(shù)預測值與實際值的相對誤差設為預測目標值。將樣本直接從txt或Excel文件導入軟件輸入模塊，點擊運行按鈕進行樣本訓練、測試，軟件將自動輸出掘進參數(shù)的預測值及其與實際值的相對誤差，如果精度滿足要求則可應用于后續(xù)掘進參數(shù)預測。

3 工程應用

3.1 工程概況

某會展中心配套市政項目規(guī)劃起于T4航站樓，其線路長約8.35km，沿線共設置5座車站（機場北站、重慶路站、會展南站、會展北站、會議中心站），每座車站間的間距約2.01km。該項目于2016年10月開工建設，土建工期13個月，建成后，機場北站到會展中心只需12min。項目總平面如圖2所示。

圖2 項目總平面

該會展中心配套市政項目建設場地屬填海區(qū)復雜地層。原始地貌為濱海灘涂，現(xiàn)狀為人工造陸場地，現(xiàn)狀地形平坦，局部有起伏，現(xiàn)狀地面標高一般為3.0～7.0m，穿越魚塘部位地面標高約0.3m。自上至下地層依次為填土（局部填石）、軟土、中粗砂、黏性土、殘積土和風化巖?？傮w上沿線基巖埋深較大，僅機場北站以北區(qū)間局部基巖凸起侵入隧道。液化砂土和軟土主要分布于線路上部，零星位于隧道底。線路地下水具有中等-強腐蝕性。根據(jù)賦存介質的類型，沿線地下水主要有2種類型：①第四系地層中的松散巖類孔隙潛水和上層滯水，上層滯水賦存于第四系人工填土（填石）層中，孔隙潛水主要賦存于沖洪積砂土層及海積中粗砂中，因受上下相對隔水層的阻隔，略具承壓性；②為基巖裂隙水，主要賦存于強、中等風化帶中，具有微承壓性。淤泥（質）土及黏土層屬隔水層。

3.2 網(wǎng)絡樣本選取

盾構掘進現(xiàn)場采集的數(shù)據(jù)樣本主要來自出段線盾構區(qū)間，該區(qū)間段自明挖段始發(fā)，穿越蝦山涌向西北中間風井—重慶路站盾構區(qū)間并行，到達重慶路站拆卸、吊出。選取該國際會展中心配套市政項目出段線盾構區(qū)間中CDK1+833.526—CDK1＋820.537、CDK1＋481.232—CDK1＋779.732、CDK1＋059.732—CDK1+434.732三段共497環(huán)中的地層參數(shù)、盾構掘進參數(shù)的數(shù)據(jù)作為網(wǎng)絡樣本預測數(shù)據(jù)，剔除掉異常數(shù)據(jù)41個，得到有效樣本數(shù)據(jù)456個，用于建立掘進參數(shù)預測所需的BP神經(jīng)網(wǎng)絡，部分經(jīng)歸一化處理的數(shù)據(jù)如表2所示。

表2 輸入輸出變量歸一化處理數(shù)據(jù)（部分）

圖3 土壓力預測值與實際值對比曲線

圖4 總推力預測值與實際值對比曲線

圖5 掘進速度預測值與實際值對比曲線

圖6 出土量預測值與實際值對比曲線圖

圖7 刀盤扭矩預測值與實際值對比曲線

BP神經(jīng)網(wǎng)絡預測過程中，本文運用JetBrains PyCharm軟件隨機抽取樣本數(shù)據(jù)的95%作為訓練樣本，剩余的5%作為測試樣本，避免人為主觀因素對預測結果的影響。

3.3 盾構掘進參數(shù)預測分析

BP神經(jīng)網(wǎng)絡學習訓練完成后，需要對測試樣本數(shù)據(jù)進行模擬測試。本文選取有效樣本數(shù)據(jù)的5%進行各掘進參數(shù)的預測。土壓力、總推力、掘進速度、出土量、刀盤扭矩的預測值與實際值的對比曲線如圖3～7所示。

由圖3～7中各掘進參數(shù)預測值與實際值對比曲線圖可看出，預測值與實際值的趨勢基本吻合。為進一步表明BP神經(jīng)網(wǎng)絡預測精準度，可用相對誤差和平均誤差2個指標驗證，計算結果如表3所示。

由表3可知，構建的BP神經(jīng)網(wǎng)絡預測模型對土壓力、總 推力、掘進速度、出土量、刀盤扭矩預測值的平均誤差分別為0.092，0.075，0.094，0.020 和 0.09，平均誤差在 0.10 以內，滿足盾構施工的精度要求，在一定程度上可為現(xiàn)場盾構施工提供參考。

表3 測試樣本預測值與實際值的相對誤差

4 結語

1）針對位于填海區(qū)復雜地層條件下的某國際會展中心配套市政項目盾構區(qū)間進行盾構預測模型設計。首先結合相關的地層參數(shù)進行參數(shù)變量的選取，其次對現(xiàn)場收集的數(shù)據(jù)進行歸一化預處理，最后采用Pathon語言和JetBrains PyCharm軟件構建填海區(qū)復合地層條件下BP神經(jīng)網(wǎng)絡模型，對體現(xiàn)盾構機內部性能的掘進參數(shù)進行預測。

2）將收集和整理大量盾構現(xiàn)場的監(jiān)測數(shù)據(jù)用于BP神經(jīng)網(wǎng)絡的訓練及測試樣本，預測值能夠大致反映盾構掘進參數(shù)的變化趨勢，各掘進參數(shù)的平均誤差小于0.10，可滿足盾構施工精度要求，表明實際值與預測值吻合較好。

3）BP神經(jīng)網(wǎng)絡預測模型所需的變量數(shù)據(jù)便于現(xiàn)場采集處理，該預測模型只需通過輸入層數(shù)據(jù)的輸入，即可得到各掘進參數(shù)的預測值，操作簡單、實操性強且預測效果較佳，這在一定程度上可以為盾構安全掘進提供施工指導，從而提升盾構掘進施工整體效率。