基于卷積神經網絡-長短期記憶的施工期盾構管片上浮過程預測模型

蘇恩杰， 葉 飛， 何 喬， 任 超， 李思翰， 張宏權

（1. 長安大學 公路學院，陜西 西安 710064；2. 貝爾福-蒙貝利亞技術大學 信息學院，貝爾福 90000；3. 中鐵十二局集團第一工程有限公司，陜西 西安710038）

盾構隧道施工方法具有機械化程度高、對地表擾動小、適用范圍廣、掘進速度快等優(yōu)點，該工法在鐵路、公路、市政、水力水電等工程的應用越來越廣泛［1-2］。我國盾構隧道壁后注漿普遍采用凝結時間較長的單液漿，因此襯砌管片在離開密封刷后經常發(fā)生上浮現象，從而導致一系列的問題，包括盾構隧道軸線偏移、管片錯臺、管片破損及滲漏水等［3-4］。由于管片上浮的影響因素較為復雜，為了探究盾構管片上浮機理，許多學者針對此現象進行了研究。早期黃威然等［5］從地質條件、盾構工法、盾構機掘進姿態(tài)、壁后注漿以及設計等5 個方面對盾構隧道管片位移進行研究，并對施工階段的盾構隧道管片漂移控制提出了建議；葉飛等［6］根據施工期管片上浮的特點，將盾構隧道管片上浮力分為靜態(tài)上浮力和動態(tài)上浮力，分別分析其上浮機理，給出了管片上浮力的具體計算公式；肖明清等［7］使用有限元法對影響盾構管片上浮的地層特性、壁后注漿材料等因素進行了分析，結合管片在施工期的受力狀態(tài)進行分析，對管片上浮的原因進行了闡述，并提出施工、設計不同階段控制施工期管片上浮的措施；戴志仁［8］在考慮管片環(huán)間的縱向約束作用下，得到了維持盾構隧道管片抗浮穩(wěn)定需要的漿液最小屈服強度表達式，并明確了漿液屈服強度對盾構隧道管片抗浮的作用；董賽帥等［9］通過現場實測結合理論分析，對施工期管片上浮規(guī)律進行研究，將施工期管片上浮分為兩個階段進行分析，并提出相應的對策和針對性措施；針對施工期管片上浮眾多影響因素，黃鐘暉等［10］采用敏感性分析法計算出各主要影響因素的權重排序，并分析各因素的作用機制，提出了針對性的管片上浮控制措施；呂乾乾等［11］考慮地基回彈的影響，建立隧道開挖動態(tài)模型，分析出了軟弱地層的地層彈性模量與管片上浮量之間的關系；舒瑤等［12］統(tǒng)計了粉砂-圓礫、砂層、泥巖-粉砂質泥巖及粉質黏土等典型地層區(qū)段上浮量值的數學分布特征，分析了各典型地層段隧道上浮的主要原因，并利用縱向等效連續(xù)梁模型對各典型地層區(qū)段管片上浮量值進行預測；李明宇等［13］對大直徑泥水盾構隧道管片在施工期間的上浮、錯臺以及收斂變形進行了監(jiān)測，根據監(jiān)測結果分析了盾構隧道橫、縱向上浮分布特征，并提出管片上浮的控制措施；焦建林等［14］針對曲線段盾構隧道管片的上浮規(guī)律進行研究，分析不同地質及盾構機掘進姿態(tài)對管片上浮的影響，并提出了相應的盾構管片上浮綜合控制措施。在盾構管片上浮預測方面，葉飛［15］將沿著隧道縱向隧道的管片環(huán)襯砌視為埋置在土層中的等效梁，通過在等效梁上表面設置地基彈簧約束模擬覆土作用地基及覆土對管片環(huán)的作用，由此建立了早期的管片上浮預測模型。張建勇［16］基于雙面彈性地基梁理論、，修正縱向等效連續(xù)化模型以及漿液環(huán)向充填理論，在考慮上浮力時變性的基礎上，構建了管片上浮預測模型。隨著人工智能技術的發(fā)展，學者們也將其運用于預測盾構管片上浮，如高瑋［17］根據現場監(jiān)測大數據采用深度信念網絡得到了到較為準確的地表沉降和管片上浮預測值。

綜上所述，近年來許多學者針對盾構管片上浮問題開展研究，并取得了系列成果。但現有的上浮量計算模型僅考慮有限的數個參數的作用，未能較全面地反映盾構機掘進參數的影響。此外，由于現階段常用全站儀等傳統(tǒng)方法來監(jiān)測管片上浮的情況，無法精確獲得管片連續(xù)的上浮數據，故現有的相關成果僅對管片最終上浮量進行預測和對比，缺乏對施工期管片上浮過程的預測研究。基于此，本文采用動力水準儀對施工期盾構管片上浮過程進行自動化監(jiān)測并提出了基于卷積神經網絡-長短期記憶網絡（convolutional neural networks and long shortterm memory， CNN-LSTM）深度學習算法的管片上浮過程智能預測方法。研究結果可為盾構管片上浮的現場監(jiān)測及預防處治提供新思路。

1 管片上浮力學計算模型分析

目前管片力學分析主要分為局部管片豎向運動模型與隧道縱向彎曲變形模型兩種。

（1）局部管片豎向運動模型

此類方法假定剛脫出盾尾時的上浮速度為零，此時管片受到的不平衡上浮力最大，上浮加速度也為最大值，管片開始上浮。隨著漿液黏滯阻力、地層應力的不斷增大，管片達到受力平衡狀態(tài)后最終會停止上浮，如圖1 所示。因此根據牛頓第二定律加速度a與合力F的關系，對時間積分可得到管片上浮速度v表達式，而速度v關于時間積分便可計算出管片豎向位移S，如式（1）—（3）。該方法雖然簡單易懂，但由于相關豎向力較多（圖中Ff為管片受到的漿液浮力、Fy為同步注漿產生的壓力差、Ft為千斤頂推力的豎向分力、G為管片自重、Fn為管片受到的黏滯阻力、Fm為環(huán)間摩擦阻力、Fj為環(huán)間螺栓剪力），需要進行多處假設且常出現超越方程。此外該方法未能考慮不均勻推力等因素所產生的彎矩以及其對隧道整體縱向變形的影響。

圖1 管片受力示意圖［18］Fig. 1 Schematic diagram of segment force[18]

（2）隧道縱向彎曲變形模型

基于小泉淳［19］提出的縱向梁-彈簧模型和志波尤紀夫［20］提出的縱向等效連續(xù)化梁模型，學者們提出了許多管片縱向上浮計算方法。如葉飛等［21］基于等效連續(xù)梁理論式（4）—（5），將隧道和土體的相互作用等效為土彈簧，提出了同步注漿產生的靜態(tài)上浮力和動態(tài)上浮力作用下隧道結構的縱向變形計算模型。朱令等［4］、楊方勤等［22］、舒瑤等［23］、黃旭民等［24］考慮了同步注漿過程中漿液黏度時變性、上覆土體基床系數各異性、動態(tài)施工步的影響，進一步完善了隧道縱向變形計算模型（圖2）。這類方法將盾構隧道管片復雜的三維受力簡化為縱向的一維問題，將縱向彎曲變形視為隧道管片上浮量，雖便于計算但也忽略了盾構掘進參數的影響。此外由于常規(guī)的監(jiān)測手段無法獲得管片連續(xù)上浮數據，故無論是局部管片豎向運動模型還是隧道縱向彎曲變形模型均未得到有效驗證，也無法解釋本文所監(jiān)測到的“階梯狀”上浮規(guī)律。鑒于目前上浮力學計算模型的局限性，且管片上浮受眾多因素的影響，因此結合華東某盾構隧道掘進數據以及本文提出的管片上浮自動采集方法，采用人工智能中的深度學習算法，建立掘進參數與上浮過程之間的聯系。

圖2 施工動態(tài)示意圖Fig. 2 Diagram of dynamic construction

式中：φ為彎曲后中性軸的位置角；Kb為連接螺栓的線剛度，Kb=EbAb/lb，Eb為螺栓彈性模量；Ab為螺栓橫截面積；lb為螺栓計算長度；n為環(huán)間連接螺栓個數；Ic為隧道縱向慣性矩；Ec為管片彈性模量；Ac為隧道橫截面面積；lc為相鄰兩管片環(huán)中心線間的距離，其大小近似于管片環(huán)寬B。

2 工程概況

華東某盾構隧道為雙洞單線隧道，隧道主要穿越泥質砂巖地層，地層富水性及透水性均較弱，基巖裂隙水總體貧乏，地下水總體不發(fā)育，各地層物理力學特征見表1。隧道縱坡呈“W”區(qū)間，線間距12.0～43.1 m，隧道頂部埋深為6.43～26.74 m，共設5個聯絡通道，全長3 058.79 m，測試區(qū)間地質剖面如圖3所示。

表1 地層物理力學特征Tab.1 Physical and mechanical characteristics of strata

圖3 地質剖面圖Fig. 3 Geological section map

盾構區(qū)間采用刀盤直徑 6 440 mm 的土壓平衡盾構機，盾構機主要設備參數如表2 所示。盾構機上安裝有數據采集系統(tǒng)，每隔1 min采集一次傳感器參數和機器運行參數。隧道襯砌采用外徑6 200 mm，內徑5 500 mm，厚度350 mm 的C50 鋼筋混凝土管片。管片環(huán)寬有1 500 mm 和1 200 mm 兩種規(guī)格，均為通用楔形環(huán)，楔形量為37.2 mm。環(huán)向分塊采用一塊封頂塊、兩塊鄰接塊、三塊標準塊。

表2 盾構機參數配置表Tab.2 Parameters of shield machine

3 數據獲取與處理

3.1 管片連續(xù)上浮數據

3.1.1 采集裝置

采用AR-SS-SZY01 動力水準儀對管片上浮進行連續(xù)的自動化監(jiān)測，它可在振動和運動環(huán)境下能準確地測量出豎向位移，測量精度為±0.5 mm，最高可支持30 Hz 的采集頻率。配套的設備及材料有儲液罐、網關采集器、水管、氣管及電纜線（圖4）。為了確保儲液罐和基準水準儀安裝在穩(wěn)定的位置，將它們設置于脫出臺車的管片上，距離盾尾75 m以上。

圖4 試驗裝置Fig. 4 Test equipment

3.1.2 采集過程

（1）儲液罐和基準水準儀安裝：將儲液罐和基準水準儀安裝在不發(fā)生上的位置。

（2）裝置串聯成型：用水管、氣管及電纜線將儲液罐與水準儀、以及水準儀之間串聯。

（3）排出氣體：往儲液罐中持續(xù)注入純凈水，將水管與水準儀中的氣體排出，使整個系統(tǒng)處于無氣泡狀態(tài)。

（4）安裝測點水準儀：待管片拼裝完成后，將測點水準儀固定于待監(jiān)測的管片內壁。

（5）數據自動采集：用電纜線鏈接基準水準儀與網關采集器，接通電源，自動采集與記錄第269-271三環(huán)管片上浮數據。

3.2 掘進參數

盾構機自帶的運行監(jiān)測系統(tǒng)可采集設備傾角、刀盤轉速、頂推工作狀態(tài)、油缸推進壓力、總推進力、油缸行程等157個參數，在除掉“人艙CO濃度”等與管片上浮相關性較小的參數后，選取刀盤驅動系統(tǒng)、推進系統(tǒng)、鉸接系統(tǒng)等盾構掘進參數，經過篩減后的樣本集中參數為36個，如表3所示。

表3 模型樣本集中掘進參數Tab. 3 Tunneling parameters of model samples

由于篇幅所限，深度學習數據集以269環(huán)數據為主，收集盾構管片從脫出盾尾至穩(wěn)定過程的掘進參數，樣本容量為3 754個。

4 基于CNN-LSTM 的施工期盾構管片上浮預測方法

4.1 CNN算法

卷積神經網絡（convolutional neural networks，CNN）是一類包含卷積計算且具有深度結構的前饋神經網絡，由卷積層、池化層和全連接層組成，能自動提取數據特征并過濾輸入數據噪聲，可有效挖掘盾構掘進數據之間的相互關聯并從中剔除噪聲干擾［25］。

4.2 LSTM算法

長短期記憶網絡（long short-term memory，LSTM）是一種時間遞歸神經網絡，適合于處理和預測時間序列中間隔和延遲相對較長的重要事件。LSTM 算法引入存儲單元，避免了傳統(tǒng)的遞歸神經網絡（recurrent neural network，RNN）的梯度消失和梯度爆炸問題［26］。如圖5所示，存儲單元由輸入門、具有自遞歸連接的神經元、遺忘門和輸出門這4 個主要元素組成（xt指第t個輸入序列元素值；c指代記憶單元或稱為細胞狀態(tài)；i指代輸入門；f指代遺忘門；ct-1指前一時刻的細胞狀態(tài)；o指代輸出門；ht-1指代在t-1時刻的隱層狀態(tài)；ht指當前狀態(tài)的輸出）。輸入門可允許或阻止輸入信號改變存儲單元的狀態(tài)，輸出門可允許或阻止存儲單元的狀態(tài)對其他神經元產生影響，遺忘門可以調節(jié)存儲單元的自循環(huán)連接，允許單元根據需要記住或遺忘其先前狀態(tài)［27］。雖然LSTM 可有效學習時間序列數據，但不能很好地從訓練集中提取數據特征［28］

圖5 LSTM模型結構圖［29］Fig. 5 Structure diagram of LSTM model[29]

4.3 CNN-LSTM混合模型

在處理復雜事件時，單一神經網絡算法在運算速度或性能方面往往具有局限性［30］，因此多種神經網絡結構組合的算法日益受到關注。CNN-LSTM算法既能發(fā)揮CNN 算法提取數據的空間特征和降低數據維度的長處，又能突出LSTM 算法擅長獲取數據的時間特征、具有長期記憶功能的特點。本文所建立的CNN-LSTM 模型共5 層，包括一維卷積層、池化層、兩層LSTM 層和全連接層（圖6），模型參數見表4。

表4 CNN-LSTM模型設置參數Tab. 4 Parameters of CNN-LSTM model

圖6 CNN-LSTM模型結構圖Fig. 6 Structure diagram of CNN-LSTM model

5 驗證與分析

5.1 數據劃分

將樣本集按7：3 的比例進行劃分，其中訓練集占比7/10，測試集占比3/10。由于盾構運行數據范圍差異很大，為提高計算效率將訓練和測試集中的36個輸入參數和輸出管片上浮均歸一化至［0， 1］區(qū)間內。

5.2 模型評價指標

選用均方誤差MSE、平均絕對誤差MAE 和決定系數R2作為模型性能評估指標。

（1）均方誤差MSE

式中：n為樣本的個數；yi為真實值；y?i為預測值；WMSE表示預測值偏離真實值的距離平方和的平均數。MSE 是一種反映預測值與真實值之間差異程度的度量，MSE值越小，模型的精準度越高。

（2）平均絕對誤差MAE

WMAE表示模型預測值與樣本真實值之間距離的均值。MAE 值越小，則代表預測模型的效果越好。

（3）決定系數R2

5.3 結果討論

5.3.1 管片上浮連續(xù)規(guī)律

相鄰的三環(huán)管片整體均呈現“上浮-穩(wěn)定”的趨勢，即管片脫出盾尾后先經歷上浮增長較快，而后進入穩(wěn)定狀態(tài)（圖7）。

圖7 管片整體上浮規(guī)律Fig. 7 Integral floating law of segments

此外，在相同時間段不同管片上浮量變化過程較表現出一定同步性。進一步分析“上浮階段”連續(xù)上浮規(guī)律，如圖8所示。

圖8 管片上浮階段規(guī)律Fig. 8 Law of segments floating stage

圖8 中黃色區(qū)域（淺灰）為盾構掘進狀態(tài)，藍色區(qū)域（深灰）為管片拼裝狀態(tài)，白色區(qū)域為待機狀態(tài)。管片在脫出盾尾后呈現出“階梯狀”上浮的規(guī)律，即上浮主要發(fā)生在盾構掘進期間，上浮曲線為傾斜向上的增長趨勢；在管片拼裝狀態(tài)，上浮無明顯規(guī)律，如269環(huán)在前4個拼裝期間為增長趨勢，在第五和第六個掘進區(qū)間為水平趨勢，270和271環(huán)的最后三個掘進期間為下降趨勢；而在待機狀態(tài)，管片上浮量較小，表現為近水平趨勢。同時掘進狀態(tài)的上浮量最大，其中269 環(huán)為27.90 mm，占比為75.24 %；270環(huán)為31.07 mm，占比為85.36 %；270 環(huán)為27.61 mm，占比為98.29 %（表5）。

表5 不同工作狀態(tài)管片累計浮量Tab. 5 Cumulative floating amount of segments under different working conditions

5.3.2 模型預測結果

模型訓練使用的計算機環(huán)境配置如下：Windows 10（64 位），采用Intel Core I7-12700中央處理器，CPU 頻率為2.4 GHz，內存為16 GB，編程語言采用Python 3.9，科學計算庫采用Numpy 1.23.4，數據分析庫采用Pandas 1.5.3，數據可視化庫采用Matplotlib 3.5.2，機器學習庫采用Torch 1.8.0，集成開發(fā)環(huán)境（IDE）為Spyder 5.1.5。

CNN-LSTM 模型及盾構施工領域使用較多的BP 模型（隱藏層神經元個數：64，隱藏層數：5，學習率：0.01，迭代次數：5 000，batch_size：32）在訓練集和測試集上的預測效果如圖9所示。

圖9 兩種模型預測效果對比Fig.9 Comparison of prediction effects of two models

由圖9可知兩種模型均能較好地實現施工期管片上浮過程的預測，但CNN-LSTM 模型的預測值整體更貼近監(jiān)測值，所以其預測結果更好。

5.3.3 模型性能評估

選用均方誤差MSE、平均絕對誤差MAE 和決定系數R2作為模型性能評估指標。兩種模型預測性能對比結果如圖10所示。

圖10 不同模型的預測性能Fig. 10 Prediction of performance of different models

在訓練集上，CNN-LSTM 模型的均方誤差MSE、平均絕對誤差MAE 和決定系數R2分別為0.038 7、0.148 2 和0.999 3，而BP 模型為0.042 0、0.204 4 和0.874 1。CNN-LSTM 模型各參數較BP模型提升8.53%、37.92%、12.53%。在測試集上，CNN-LSTM 模型的均方誤差MSE、平均絕對誤差MAE 和決定系數R2分別為0.030 7、0.139 0 和0.802 0，而BP 模型為0.047 4、0.263 7 和0.695 4。CNN-LSTM 模型各參數較BP 模型提升54.40 %、89.71 %和13.30 %。由此可知，CNN-LSTM 模型在訓練集與測試集上的性能均比BP模型有所提升，且測試集的提升更明顯。值得注意的是，訓練集和測試集決定系數R2差別較大，其原因可能是測試集的數據近水平分布，預測結果稍有偏差便會對該指標造成較大的影響。

6 結論與展望

針對全站儀等傳統(tǒng)方法無法獲得施工期管片連續(xù)上浮數據的現狀，本文采用動力水準儀自動監(jiān)測施工期盾構管片上浮的完整過程，并建立CNNLSTM 模型對管片上浮進行智能預測。主要結論如下：

（1）管片整體均呈現“上浮-穩(wěn)定”的趨勢，即管片脫出盾尾后先經歷上浮增長較快，而后進入穩(wěn)定狀態(tài)。上浮階段呈現出“階梯狀”，即管片上浮主要發(fā)生在盾構掘進期間，該階段上浮曲線為傾斜向上的增長趨勢；拼裝狀態(tài)上浮無明顯規(guī)律；待機狀態(tài)，管片上浮量較小，表現為近水平趨勢。同時掘進狀態(tài)的上浮量最大，占峰值的75.24 %～98.29 %。

（2）本文所建立的CNN-LSTM 模型能結合CNN算法與LSTM算法的長處，對盾構管片上浮過程具有較好的預測性能。該模型在訓練集上的均方誤差MSE、平均絕對誤差MAE 和決定系數分別為0.038 7、0.148 2和0.999 3，在測試集上為0.030 7、0.138 9和0.801 9。

（3）相較于BP模型，CNN-LSTM模型在訓練集與測試集上的性能均有所提升，且測試集的提升更明顯，最高可達89.71 %。

作者貢獻聲明：

蘇恩杰：進行現場試驗，建立預測模型及撰寫論文。

葉飛：提出論文框架，指導論文修改。

何喬：軟件調試和大數據分析。

任超：進行現場試驗及數據整理。

李思翰：進行現場試驗。

張宏權：協(xié)助完成論文內容。