基于XGBoost算法的盾構(gòu)施工地面沉降預(yù)測方法

夏漢庸,黃 毅,尹和軍,張 良

(1.寧波市軌道交通集團(tuán)有限公司,寧波 315012；2.中鐵工程設(shè)計咨詢集團(tuán)有限公司,北京 100055)

1 概述

盾構(gòu)法隧道施工會對地層原有的應(yīng)力平衡造成較大影響，因此，掌握施工對鄰近地面的影響，及時準(zhǔn)確、智能地預(yù)測地面沉降量，為盾構(gòu)掘進(jìn)風(fēng)險管控提供有效的依據(jù)，具有重大的工程價值。目前，盾構(gòu)施工主要采用傳統(tǒng)地面沉降監(jiān)控量測方法，但監(jiān)測數(shù)據(jù)的采集頻率相對較低且反饋不及時，不能及時掌握盾構(gòu)經(jīng)過地面的詳細(xì)沉降情況，出現(xiàn)問題均為事后采取控制，因此，通過跨學(xué)科融合研究進(jìn)行數(shù)據(jù)分析來預(yù)測地面沉降量顯得尤為重要。

盾構(gòu)施工過程中地面沉降預(yù)測常用的傳統(tǒng)方法有數(shù)值模擬法和Peck公式法。Peck公式[1]是在隧道工程中影響較為廣泛的預(yù)測地面沉降方法，后續(xù)在此方面的深入研究得到了廣泛開展[2-5]，但采用經(jīng)驗公式計算時，因關(guān)鍵參數(shù)與經(jīng)驗因素過于依賴特定經(jīng)驗，局限性比較大；而采用數(shù)值模擬計算時計算量又較大，建模效率過低且參數(shù)選取過于復(fù)雜。

近幾年，利用人工智能方法對盾構(gòu)施工過程中地面沉降量的預(yù)測成為主流。眾多研究者利用人工神經(jīng)網(wǎng)絡(luò)模式[6]、BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型[7]、小波理論[8]、時序分析[9]、自適應(yīng)神經(jīng)模糊推理系統(tǒng)(ANFIS)[10-13]等研究理論深入研究了盾構(gòu)施工地面沉降問題，構(gòu)建了各種有效的預(yù)測模型。此外，支持向量機(jī)在地面沉降預(yù)測研究中也得到了廣泛使用[14-18]，在解決小樣本和高維模式識別問題中具有巨大優(yōu)勢，且其在解決非線性回歸問題上也具有良好的性能。綜上所述，人工智能方法已被廣泛應(yīng)用到地面沉降預(yù)測中，實現(xiàn)了對地質(zhì)參數(shù)和掘進(jìn)參數(shù)的篩選，構(gòu)建了具有較高準(zhǔn)確率的地面沉降預(yù)測模型，并在模型優(yōu)化方面做了研究?；谏鲜龊Y選后的參數(shù)數(shù)據(jù)建立了精度較高的預(yù)測模型，并對模型的參數(shù)調(diào)優(yōu)進(jìn)行了大量研究。但當(dāng)前多數(shù)對地面沉降預(yù)測的研究局限于單點單模型預(yù)測，針對施工過程中盾構(gòu)掘進(jìn)多點產(chǎn)生的地面沉降同步預(yù)測研究較少[19]。

以數(shù)據(jù)融合分析為出發(fā)點，通過數(shù)據(jù)挖掘技術(shù)構(gòu)建預(yù)測模型，利用挖掘參數(shù)等與沉降相關(guān)聯(lián)的數(shù)據(jù)作為輸入數(shù)據(jù)，而盾構(gòu)多監(jiān)測點的沉降量作為輸出數(shù)據(jù)，以此構(gòu)建單一地層地面沉降預(yù)測模型，最終實現(xiàn)盾構(gòu)過程中多點同步預(yù)測，同時具備建模簡單、準(zhǔn)確率高等優(yōu)點。

2 地面沉降預(yù)測方法研究

盾構(gòu)施工中地面沉降監(jiān)測點布置分為以下兩種：①縱向沉降監(jiān)測點，一般每隔3～5 m布置于隧道軸線的正上方；②橫向沉降監(jiān)測點，以縱向監(jiān)測點為中心對稱布置，一般范圍為20 m，左右兩側(cè)各設(shè)4個點，并且與中心點的距離分別為2，4，6，8 m。根據(jù)上述監(jiān)測點的布置方案，將開挖面后20環(huán)至前20環(huán)作為縱向沉降預(yù)測范圍，并且橫向沉降預(yù)測范圍為上述縱向范圍中各橫斷面的所有監(jiān)測點。橫斷面內(nèi)的測點布置示意如圖1所示。

圖1 橫斷面監(jiān)測點布置示意(單位：m)

橫向地面沉降是指垂直于隧道周線平面內(nèi)的地面沉降，橫向地面沉降槽形狀類似于正態(tài)分布曲線。研究表明，縱向地表沉降的發(fā)生持續(xù)時間較長，按照沉降發(fā)生的不同原因，縱向地表沉降過程大致分為先期沉降、盾構(gòu)到達(dá)時的地面沉降、盾構(gòu)機(jī)通過時地面沉降、盾尾間隙地面沉降和后期沉降5個階段。本次研究對象為盾構(gòu)掘進(jìn)過程中因施工所產(chǎn)生的縱向地表沉降量?；谏鲜鰣鼍胺治?，地面沉降預(yù)測方法的實現(xiàn)步驟如圖2所示。

圖2 基于XGBoost的地面沉降量預(yù)測方法

(1)數(shù)據(jù)預(yù)處理。對數(shù)據(jù)庫中的沉降量數(shù)據(jù)和掘進(jìn)參數(shù)數(shù)據(jù)進(jìn)行空值填充和去除異常值，最后再進(jìn)行歸一化處理，得到預(yù)處理后的沉降量數(shù)據(jù)和掘進(jìn)參數(shù)數(shù)據(jù)。

(2)關(guān)鍵影響因素提取。在確定單一地層相關(guān)地質(zhì)參數(shù)的情況下，利用基于隨機(jī)森林的地面沉降影響分析因素模型對預(yù)處理后的盾構(gòu)掘進(jìn)各種參數(shù)進(jìn)行篩選，得到地面沉降關(guān)鍵影響因素集、關(guān)鍵參數(shù)等。

(3)地面沉降預(yù)測。構(gòu)建基于XGBoost的地面沉降預(yù)測模型，模型輸入為上步中提取出的關(guān)鍵影響因素，對各個監(jiān)測點進(jìn)行沉降量預(yù)測。

如若預(yù)測評價效果不滿足精度要求，首先，需考慮對模型參數(shù)進(jìn)行優(yōu)化后重新預(yù)測；若優(yōu)化后效果仍不佳，需考慮影響因素選取問題，并通過隨機(jī)森林算法重新選取影響因素，并對其進(jìn)行重新預(yù)測；若上述方法仍不能達(dá)到精度要求，則須考慮數(shù)據(jù)包重構(gòu)。

基于XGBoost的盾構(gòu)施工地面沉降預(yù)測受施工過程中的風(fēng)險監(jiān)測和施工操作因素影響，需利用當(dāng)前時刻的盾構(gòu)掘進(jìn)參數(shù)和地面沉降值，即為掘進(jìn)參數(shù)與地面沉降量二者間典型的耦合關(guān)系求解問題。涉及到掘進(jìn)參數(shù)與地面沉降關(guān)鍵影響因素，以及地面沉降關(guān)鍵影響因素與沉降量之間的關(guān)系求解，由此，設(shè)計了求解二者之間耦合關(guān)系的數(shù)學(xué)表達(dá)式

Sd=f(x1，x2，…，xn)

(1)

式中，S為沉降量；d為不同監(jiān)測點；x1，x2，…，xn，表示與地面沉降相關(guān)的影響因素(涉及掘進(jìn)參數(shù))；f為地面沉降預(yù)測函數(shù)(擬采取XGBoost進(jìn)行建模)。

2.1 數(shù)據(jù)預(yù)處理

針對盾構(gòu)施工產(chǎn)生的數(shù)據(jù)特點，采用以下3種數(shù)據(jù)預(yù)處理方法。

(1)缺失值處理

原有數(shù)據(jù)集的某行或某列中存在缺失數(shù)據(jù)，即為缺失值，針對不同的數(shù)據(jù)缺失情況，需有不同的處理方法。當(dāng)某行的缺失值數(shù)量超出設(shè)定的閾時，即缺失值較多時，較常用的處理方法為忽略該條記錄；某列缺失值較多時處理方法也為忽略該屬性。當(dāng)缺失量較小時，通常會采用缺失值填充的方法，主要有手工填充、屬性平均值填充、屬性眾數(shù)填充以及利用其他屬性并采用回歸擬合的填充方法，如：①利用總體數(shù)據(jù)均值填充的均值插補(bǔ)法；②利用缺失數(shù)據(jù)從第1到k近鄰數(shù)據(jù)的均值進(jìn)行填充的近鄰插補(bǔ)法；③以某種概率對數(shù)據(jù)進(jìn)行多次抽樣，并用抽取數(shù)據(jù)單元值的均值進(jìn)行填充的隨機(jī)插補(bǔ)法。文中采用均值插補(bǔ)法對原數(shù)據(jù)的缺失值進(jìn)行填充。

(2)異常值處理

在數(shù)據(jù)集中存在不合理的值即為異常值，又稱為離群點。分箱(Binning)、聚類(Clustering)和回歸(Regression)是較為常用的處理異常值方法。本文采用分箱法處理異常值。

分箱法是指將數(shù)據(jù)以不同的規(guī)則分到不同的箱子里(“箱子”即為數(shù)據(jù)區(qū)間)，則處于箱子之外的屬性值即被當(dāng)作異常值，分箱法如圖3所示。

圖3 箱線圖示意

圖3中，各符號含義如表1所示，其中，異常值為大于QU+1.5IQR，小于QL-1.5IQR的屬性值。箱線圖的符合含義如表1所示。

表1 箱線圖符號

(3)數(shù)據(jù)的無量綱化

將不同區(qū)間的各屬性數(shù)據(jù)按照一定比例進(jìn)行縮放處理，轉(zhuǎn)化到同一個區(qū)間。這一方法能夠?qū)?shù)據(jù)轉(zhuǎn)化為無量綱數(shù)據(jù)，消除數(shù)據(jù)單位的限制。該數(shù)據(jù)處理步驟對于涉及計算距離的模型極為重要，目前，min-max標(biāo)準(zhǔn)化(Min-max normalization)和z-score標(biāo)準(zhǔn)化(Zero-mean normalization)為較常用的無量綱方法。

①歸一化(Min-max normalization)

min-max歸一化是指對原始數(shù)據(jù)進(jìn)行線性變化，使其映射到[0，1]之間，也被稱為離差標(biāo)準(zhǔn)化，變換公式為

x*=(x-xmin)/(xmax-xmin)

(2)

式中，xmax為樣本數(shù)據(jù)的最大值；xmin為樣本數(shù)據(jù)的最小值。

②標(biāo)準(zhǔn)化(Zero-mean normalization)

z-score標(biāo)準(zhǔn)化是指依據(jù)原數(shù)據(jù)的均值與標(biāo)準(zhǔn)差對其進(jìn)行標(biāo)準(zhǔn)化，處理后的數(shù)據(jù)符合均值為0，標(biāo)準(zhǔn)差為1的標(biāo)準(zhǔn)正態(tài)分布，其也被稱為標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化，變換公式為

(3)

2.2 基于隨機(jī)森林的地面沉降關(guān)鍵影響因素分析

影響地面沉降量的因素眾多，篩選出關(guān)鍵影響因素，并對其進(jìn)行更深層次的挖掘是進(jìn)行地面沉降準(zhǔn)確預(yù)測的重要前提。針對盾構(gòu)施工數(shù)據(jù)體量大、種類繁多以及數(shù)據(jù)質(zhì)量低的特點，需進(jìn)行有效特征提取。近年來，隨機(jī)森林算法大量應(yīng)用于預(yù)測與分類、特征選取與異常值檢測中，其能夠較好地分析具有復(fù)雜相互作用的分類特征，學(xué)習(xí)速率較快，對于異常值與存在缺失值的數(shù)據(jù)魯棒性能較好。同時，隨機(jī)森林在回歸問題中能夠依據(jù)平均模型擬合誤差選取特征集合[20-21]，因此，本文對涉及地面沉降預(yù)測的現(xiàn)有業(yè)務(wù)基礎(chǔ)進(jìn)行梳理，分析地面沉降變形機(jī)理及地表沉降變形規(guī)律。以不同地層下的掘進(jìn)參數(shù)為主進(jìn)行分析，將隨機(jī)森林特征選擇方法與機(jī)理分析相結(jié)合篩選相應(yīng)地層下地面沉降關(guān)鍵影響因素，從而提高數(shù)據(jù)質(zhì)量并保證預(yù)測的準(zhǔn)確性，具體分析流程如圖4所示。

圖4 隨機(jī)森林回歸影響因素分析流程

第一步：回歸樹構(gòu)建。

對應(yīng)地層下的掘進(jìn)參數(shù)作為原數(shù)據(jù)集，對這一數(shù)據(jù)集采取有放回隨機(jī)抽樣。通過給定N條訓(xùn)練數(shù)據(jù)集，每次抽取M條樣本(M≤N)，隨機(jī)抽取k次并構(gòu)建棵回歸樹，每次未抽到的(N-M)條數(shù)據(jù)樣本即為測試樣本集，也被稱為袋外測試數(shù)據(jù)ooB(out-of-Bag)。在總特征數(shù)為d的情況下，每次隨機(jī)抽取f個(f≤d)。k棵回歸樹均完全增長，不進(jìn)行任何修剪，回歸樹的終止條件為設(shè)定好的回歸樹數(shù)量。

第二步：計算特征重要度并排序。

計算隨機(jī)森林回歸模型泛化誤差，均方誤差MSE如下

(4)

①基于k個訓(xùn)練樣本集，構(gòu)建k棵回歸樹，并通過預(yù)測相對應(yīng)的測試集得到k個MSE：{M1，M2，…，Mk}。

②通過在k個不同的測試集中隨機(jī)置換特征Xi產(chǎn)生新的測試集，并用建立好的隨機(jī)森林模型在新產(chǎn)生的測試集上計算，得到新的MSE，結(jié)果如下

(5)

③計算特征重要度分?jǐn)?shù)，將{M1，M2，…，Mk}與新均方誤差矩陣第i行相減，得計算特征重要度如下

(6)

式中，Mj為①中計算出的第j個均方誤差；Mij為②中計算得出的新均方誤差矩陣中的第i行第j個均方誤差值；SE為標(biāo)準(zhǔn)差。

④將上述計算得出的重要度分?jǐn)?shù)與查閱的經(jīng)驗知識作為特征重要度評判指標(biāo)，并篩選出影響地面沉降的關(guān)鍵因素。

2.3 構(gòu)建基于XGBoost地面沉降預(yù)測模型

XGBoost算法[22]是一種設(shè)計良好的梯度增強(qiáng)決策樹(GBDT)算法，GBDT是一基于集成思想的Boosting學(xué)習(xí)器，當(dāng)數(shù)據(jù)集較大且較為復(fù)雜時，運行一次可能需要上千次的迭代，同時GBDT較難實現(xiàn)分布式。而XGBoost能夠較好地解決上述問題，具有高效的計算速度，在預(yù)測問題中模型表現(xiàn)非常好。在近幾年工業(yè)領(lǐng)域應(yīng)用非常的廣，并且都取得了很好的效果。XGBoost算法通過建立一系列決策樹并為每個葉節(jié)點分配一個量化權(quán)重來實現(xiàn)對目標(biāo)變量的估計。預(yù)測函數(shù)如下

(7)

式中，Γ={f(x)=wq(x)}(q:Rm→T，w∈RT)是由一系列回歸樹構(gòu)成的空間；q為每棵樹的結(jié)構(gòu)，即每棵樹擁有T個葉子節(jié)點，每個fK與一棵獨立的決策樹相對應(yīng)；w為葉子的權(quán)重。為學(xué)習(xí)模型，權(quán)衡模型的復(fù)雜程度，XGBoost算法目標(biāo)函數(shù)如下(取目標(biāo)函數(shù)最小值)

(8)

Ω(f)=γT+(λ‖w‖2)/2

(9)

(10)

對損失函數(shù)二次泰勒展開有

(11)

式中，gi、hi分別為相互獨立的單變量二次函數(shù)。通過對候選分割點的估計計算得到最優(yōu)的權(quán)重。

在以上算法原理研究的基礎(chǔ)上構(gòu)建基于XGBoost的地面沉降預(yù)測模型。

3 方法實例分析

實例分析所需相關(guān)數(shù)據(jù)由某城市盾構(gòu)施工工程公司提供，包括盾構(gòu)開挖過程中某一地層的掘進(jìn)參數(shù)數(shù)據(jù)和地面沉降監(jiān)測數(shù)據(jù)。盾構(gòu)掘進(jìn)參數(shù)相關(guān)數(shù)據(jù)來自對盾構(gòu)機(jī)各系統(tǒng)實施工況和狀態(tài)數(shù)據(jù)采集，地面沉降監(jiān)測數(shù)據(jù)來自地面沉降點監(jiān)測報表。以縱向軸線正上方的監(jiān)測點為例，共有85個字段，其中，掘進(jìn)相關(guān)數(shù)據(jù)75列，地面沉降量相關(guān)數(shù)據(jù)10列。按照距軸線距離0 m和開挖面距離(0，3，5，10，15，20，-5，-10，-15，-20環(huán))構(gòu)建數(shù)據(jù)包，共可得到 10個數(shù)據(jù)包用于地面沉降量預(yù)測。每個數(shù)據(jù)包數(shù)據(jù)樣本按4∶1的比例進(jìn)行劃分，其中掘進(jìn)參數(shù)為地面沉降關(guān)鍵影響因素。與訓(xùn)練樣本不同的是，驗證數(shù)據(jù)無掘進(jìn)參數(shù)所對應(yīng)的地面沉降量，其中，訓(xùn)練集用來進(jìn)行地面沉降量預(yù)測模型訓(xùn)練，測試集用來與真實數(shù)據(jù)集作對比，來驗證本文所提出的方法。

3.1 數(shù)據(jù)包構(gòu)建結(jié)果展示

3.1.1 數(shù)據(jù)包構(gòu)建流程

梳理施工安全的數(shù)據(jù)資源情況，對數(shù)據(jù)的物理關(guān)系、邏輯關(guān)系進(jìn)行分析，并對數(shù)據(jù)進(jìn)行預(yù)處理，在此基礎(chǔ)上構(gòu)建各類數(shù)據(jù)包。數(shù)據(jù)建模流程如圖5所示。

圖5 數(shù)據(jù)建模流程

具體步驟如下。

(1)按照距軸線距離初步劃分?jǐn)?shù)據(jù)包。根據(jù)實際項目中橫斷面地表沉降監(jiān)測點布置初步劃分?jǐn)?shù)據(jù)包。

(2)在步驟(1)基礎(chǔ)上按照監(jiān)測點距開挖面距離進(jìn)一步細(xì)化數(shù)據(jù)包，以坐標(biāo)的形式準(zhǔn)確定位每個地表沉降監(jiān)測點。

(3)在步驟(2)的基礎(chǔ)上，以天為單位，將不同時間點對應(yīng)的掘進(jìn)參數(shù)數(shù)據(jù)和地面沉降量數(shù)據(jù)作為一條數(shù)據(jù)，這樣便可以得到盾構(gòu)機(jī)地面沉降最終數(shù)據(jù)包。

3.1.2數(shù)據(jù)包構(gòu)建結(jié)果

根據(jù)數(shù)據(jù)包構(gòu)建流程，按照每天數(shù)據(jù)距軸線距離0 m 和開挖面距離(0，3，5，10，15，20，-5，-10，-15，-20環(huán))構(gòu)建數(shù)據(jù)包，共可得到10個數(shù)據(jù)包用于地面沉降量預(yù)測，詳細(xì)數(shù)據(jù)包構(gòu)建情況示例如表2所示。

表2 距軸線0 m、距開挖面0環(huán)數(shù)據(jù)包構(gòu)建結(jié)果展示

3.2 地面沉降關(guān)鍵影響因素分析結(jié)果展示

3.2.1 地面沉降機(jī)理分析

隧道掘進(jìn)過程中的間隙與超挖現(xiàn)象會導(dǎo)致理論出土量一般情況下小于實際出土量，隧道與襯砌之間會因此產(chǎn)生空隙?？障兜漠a(chǎn)生會導(dǎo)致盾構(gòu)周圍土體發(fā)生流動，從而產(chǎn)生地面沉降。地面沉降的原因一般為土體損失與固結(jié)沉降兩種。

土體損失指實際出土量與理論出土量的差值，主要分為3類。①正常地層損失：指由于隧道掘進(jìn)對周圍土體產(chǎn)生擾動，從而造成可避免的土體流失。該部分地層損失主要與施工線路的地質(zhì)情況與施工工藝有關(guān)，例如，管片與隧道間空隙產(chǎn)生的沉降等，此種沉降不可避免。②非正常地層損失：指由于盾構(gòu)機(jī)掘進(jìn)過程中非正常操作導(dǎo)致的地層損失，產(chǎn)生的主要原因有參數(shù)設(shè)置不當(dāng)，可能會加速土體擾動，產(chǎn)生更多的非正常地層損失；注漿操作問題，注漿不及時或注漿量不足等問題均會導(dǎo)致土體灌入；糾偏過程中會導(dǎo)致盾體在隧道內(nèi)發(fā)生“擺動”，從而加大隧道與盾體的空隙，產(chǎn)生沉降。③災(zāi)害性地層損失：在隧道掘進(jìn)過程中，遭遇塌方、突水突泥等突發(fā)事故從而產(chǎn)生的地層損失。

固結(jié)沉降，盾構(gòu)掘進(jìn)過程中的超前開挖、擠壓與注漿等對地層產(chǎn)生擾動，導(dǎo)致隧道周圍產(chǎn)生正負(fù)超空隙水壓力，從而導(dǎo)致地面沉降。

在盾構(gòu)掘進(jìn)過程中，盾構(gòu)外徑、覆土厚度、注漿壓力、注漿量、土艙壓力、推進(jìn)速度、千斤頂推力等掘進(jìn)參數(shù)均對地面沉降產(chǎn)生較大影響，如表3所示。

表3 掘進(jìn)參數(shù)與地面沉降的關(guān)系

3.2.2 基于隨機(jī)森林的地面沉降關(guān)鍵影響因素分析

利用隨機(jī)森林算法對每個數(shù)據(jù)包進(jìn)行影響因素提取，以距軸線0 m距開挖面0環(huán)、3環(huán)、15環(huán)為例，影響因素特征提取重要度得分如圖6所示。

圖6 特征提取重要度得分示例

由圖6可知，距軸線0 m情況下，距開挖面0環(huán)處共提取得到13個特征，距開挖面3環(huán)處共提取得到18個特征，距開挖面5環(huán)處共提取得到23個特征，距開挖面10環(huán)處共提取得到18個特征，距開挖面15環(huán)處共提取得到6個特征，距開挖面20環(huán)處共提取得到18個特征，距開挖面-5環(huán)處共提取得到9個特征，距開挖面-10環(huán)處共提取得到8個特征，距開挖面-15環(huán)處共提取得到33個特征，距開挖面-20環(huán)處共提取得到22個特征。

綜上所述，經(jīng)過機(jī)理知識分析與隨機(jī)森林選取特征重要度大于10的特征提取后的關(guān)鍵影響因素結(jié)果，示例如表4所示。

表4 關(guān)鍵影響因素提取結(jié)果示例

3.3 地面沉降預(yù)測結(jié)果展示

在基于XGBoost的地面沉降預(yù)測模型基礎(chǔ)上，根據(jù)盾構(gòu)施工實際數(shù)據(jù)得到距軸線0 m距開挖面0環(huán)、3環(huán)、5環(huán)、10環(huán)、15環(huán)、20環(huán)、-5環(huán)、-10環(huán)、-15環(huán)處、-20環(huán)處的預(yù)測結(jié)果，以0環(huán)、3環(huán)、20環(huán)、-20環(huán)為例，如圖7所示。

圖7 實際數(shù)據(jù)與預(yù)測數(shù)據(jù)對比示例

綜上，各模型的精確度與平均誤差如表5所示。

表5 模型的準(zhǔn)確度和平均誤差

3.4 對比分析

針對上述XGBoost模型的預(yù)測結(jié)果，分別利用支持向量機(jī)(SVR)，AdaBoost回歸模型對數(shù)據(jù)進(jìn)行預(yù)測，以均方根誤差(RMSE)為評價指標(biāo)，并進(jìn)行對比分析，最終對比分析結(jié)果如表6所示。

表6 模型均方根誤差RMSE對比分析結(jié)果

4 結(jié)論

針對盾構(gòu)掘進(jìn)過程中難以精確預(yù)測地面沉降問題，提出一種單一地層地面沉降量的多點預(yù)測方法，通過數(shù)據(jù)挖掘可以得到地面沉降值與盾構(gòu)機(jī)開挖參數(shù)值的內(nèi)在關(guān)系。該方法主要創(chuàng)新點如下。

(1)對盾構(gòu)機(jī)開挖前后方不同的環(huán)數(shù)構(gòu)建差異化的影響因素分析模型，將提取的差異化關(guān)鍵影響因素集作為XGBoost地面沉降預(yù)測模型的輸入集，對所設(shè)置的10個沉降監(jiān)測點分別建立預(yù)測模型，從而得到多監(jiān)測點的地面沉降預(yù)測值，更為準(zhǔn)確地預(yù)測施工中的地面沉降量。

(2)基于該方法構(gòu)建的地表沉降預(yù)測模型平均誤差在2～3 mm之間，適用于同一地層下的近軸線多點地表沉降量預(yù)測，做到對開挖面一定范圍內(nèi)的沉降進(jìn)行提前準(zhǔn)確預(yù)測和預(yù)警，具備建模簡單、準(zhǔn)確率較高的優(yōu)點，為盾構(gòu)施工過程中安全風(fēng)險評估提供重要決策。

但對于復(fù)雜地層等地表沉降預(yù)測問題，該方法缺少研究與案例實證，后續(xù)應(yīng)結(jié)合地質(zhì)參數(shù)因素對不同地層的地表沉降量進(jìn)行模型分析，提高模型的應(yīng)用廣泛性。