基于人工神经网络的大直径盾构隧道施工地层变形预测分析

岳 岭,刘 方,刘 辉,曹利强

(1.中铁工程设计咨询集团有限公司,北京 100055；2.北京交通大学城市地下工程教育部重点实验室,北京 100044)

引言

随着我国城市化建设的快速推进，为解决城市有效用地不足、交通拥堵等问题，城市地下空间开发利用迎来了大发展[1-2]。盾构法凭借其自动化程度高、施工速度快、对环境影响小等优点得到了广泛的应用。盾构隧道开挖不可避免地会对隧道周围土体产生扰动，引起土体的移动和变形，当变形超过一定限度时，则会对隧道工程施工、周边建(构)筑物和管线等产生影响，甚至诱发重大的工程事故。对于城市密集区的大直径盾构隧道，由于市区内建(构)筑物繁多，地铁、市政道路纵横交错，地下管线错综复杂，同时大直径隧道开挖土体多，对周边地层的扰动也更为突出，因此对于施工过程的地层变形历时变化预测具有重要意义[3-4]。

为了最大限度地减少施工过程中对地层的扰动，减少地层移动和变形，实现隧道工程正常掘进和周边环境安全保护，对施工中地层变形的实时、精确预测尤为重要，国内外地下工程方向的研究学者也对此进行了系列研究。但由于岩土体具有不均匀性与随机性以及盾构施工对地层变形影响因素的复杂性和多耦合性，使得我们在研究盾构施工引起的地层响应时不可能像研究其他建筑结构一样得到精确的力学模型和数值解，这也使得盾构施工引起地层响应的分析和预测方法多种多样，概括起来主要有：经验公式法[5-6]、理论解析法[7-8]、现场监测法[9-10]、数值模拟法[11-12]、模型试验法[13-14]和人工智能分析法[15-16]。传统的基于岩石力学和土力学地层变形分析理论和预测方法需要确定的力学模型、确定的岩土体参数和确定的计算理论，这与岩土体作为一种非均质、各向异性且具有流变特性的复杂介质特性产生冲突，加之一般工程的地质条件都很复杂，使得这类方法在建立模型时产生了困难，同时此类方法也难以充分考虑施工中盾构机掘进参数和施工条件对于地表沉降的影响。而近年来兴起的神经网络预测方法由于具有良好的自适应学习能力和非线性映射能力，能够充分挖掘输入监测数据的潜在规律，对于盾构系统多因素耦合，求解过程繁琐的地表沉降预测过程表现出巨大的优越性。

人工智能预测方法在变形监测方面的应用主要包括下面两个思路：多元参数预测模型和基于时间序列模型。1998年Jingsheng Shi等[17]依据巴西利亚盾构隧道施工地层变形实测数据，采用BP人工神经网络预测盾构施工后期的地表沉降并分析给出11条影响地层移动的主要因素；2001年孙钧和袁金荣等[18]考虑了盾构施工参数、盾构物理参数、地质环境条件对地层移动的综合影响，应用人工神经网络对盾构隧道施工过程的地层移动进行了实时动态预测；2007日本学者Lee，J.H.等[19]考虑新奥法隧道开挖地层条件和隧道几何条件的影响，建立了隧道开挖变形神经网络预测模型；2012年Satar Mahdevari和Seyed Rahman Torabi等[20]考虑现场监测数据、地质勘测以及室内试验所得岩石参数，基于多层感知神经网络，深入挖掘其与隧道收敛的相关关系；2017年德国学者S.Freitag和B.T.Cao[21]利用数值模拟充分考虑隧道开挖过程中时间因素对隧道开挖过程分阶段考虑，建立区间神经网络模型，同时利用时间序列预测模型很好地诠释了变形的历时发展规律。

本文在延续前人预测地层变形优势的基础上，充分考虑施工中地层变形的时空效应和施工条件影响，综合考虑时间序列和变形多因素多元输入影响，建立了新的基于时间序列的非线性自回归神经网络模型，表现出了更好的预测效果。文章基于京张高铁清华园隧道施工过程，整理分析隧道掘进试验段地表沉降的监测数据，选取了试验断面地表沉降8个测点的隧道开挖地表沉降历时变化监测数据，建立了基于时间序列的NARNN(不含外部输入)和NARXNN(含外部输入)非线性自回归神经网络预测模型，并与实测值和传统时间序列ARMA模型预测结果对比分析，综合评价3个模型的预测效果。

1 工程概况

京张高铁清华园隧道位于北京市核心区，近距离侧向并行地铁13号线，于学院南路北侧入地，依次穿越北三环，知春路，北四环、成府路，清华东路共5条主要的市政道路，之后于五环内出地面，盾构布置设3座竖井，2个盾构区间，全长约6 km，最大埋深41.4 m。清华园隧道还依次穿越规划地铁12号线、10号线、15号线等3处地铁，以及下穿重要市政管线达70余条，且隧道周边建筑物密集。清华园隧道是目前国内位于城市核心区，穿越地层最复杂、重要建(构)筑物最多的国铁单洞双线大直径盾构高风险隧道。隧道掘进采用2台直径为12.64 m的海瑞克泥水平衡盾构机，试验段断面内地质以粉质黏土为主，上覆土为杂填土，试验段末端为粉质黏土和卵石土分界点，隧道分布有2层地下水，上层滞水埋深4～5 m；下层潜水埋深22～26 m，微承压，本试验段盾构掘进范围内无地下水[22]。

隧道地处城市核心区，周边居民建筑、高校密集，还遍布有各类市政道路、地铁及管线等风险源，因此对施工控制提出了极为苛刻的要求。施工过程中的地层变形作为工程施工评估重要的预警信息，依据监测信息分析、预测施工过程中地层位移和变形在时间上和空间上的规律性，明确最危险地层响应发生的关键时间和关键位置，并据此及时调整和优化施工参数，则可有效避免工程事故的发生，这对于保证工程施工、周边重要建构筑物和地下管线的安全具有重要意义，对此我们对于施工监测和地层变形预测做出以下研究。试验段地表沉降测点布置如图1所示。

图1 试验段监测断面测点布置(单位：mm)

2 NARNN与NARXNN盾构隧道重要断面变形发展时间序列预测分析

2.1 模型的基本原理

图2 NARNN模型结构

基于时间序列的非线性自回归神经网络模型主要包含以下两种：不含外部输入的NARNN模型(Nonlinear Auto Regressive Neural Network)(图2)和含外部输入的NARXNN模型(Nonlinear Auto Regressive with Exogenous Inputs Neural Network)(图3)。时间序列是指按照时间顺序排列的一组数字序列，时间序列分析是指根据系统观测得到的时间序列数据，以预测未来事物的发展规律。其基本原理为：(1)承认事物发展的延续性，即应用过去的数据就能推测事物的发展规律；(2)考虑事物发展的随机性，任何事物的发展都可能受到偶然因素影响，需要各种统计方法对历史数据加以分析处理。非线性自回归神经网络是一种由静态神经元和网络输出反馈构成的动态神经网络，在金融、工程和数理领域均有着广泛的应用。一个典型的非线性自回归神经网络主要有由输入层、隐含层和输出层及输入和输出延时构成。

图3 NARXNN模型结构

NARXNN模型同时还考虑了几组外部输入影响因子，具体包括施工方法(表1)、地质条件(表2)、空间效应(埋深)(表3)三类影响因素，并综合考虑三类施工影响因子对测点地表沉降值的影响程度，给出相应的外部输入参考值。

表1 施工方法因子选取标准

表2 地质条件因子选取标准

表3 空间效应法因子选取标准

2.2 模型的参数设计和建立

综合整理盾构试验段2017年11月13日～2018年1月6日监测日报地表沉降监测点的数据，以试验断面DK18160的2017年11月13日～2017年12月15共33数据为基础，分别建立线性回归ARMA时间序列模型、非线性自回归NARNN和含外部输入的非线性自回归NARXNN模型。其中选取前25组地表沉降值数据为训练数据训练学习网络模型，后8组地表沉降值数据为测试数据测试评价网络模型的预测效果。具体每个测点的各网络模型的参数设计见表4。

表4 各测点具体网络模型参数表

注：r1为隐含层神经元个数；r2为输出层神经元个数；a、b为ARMA时间序列模型参数；m为外部输入延时；n为输出延时。

2.3 模型预测结果分析

依据上面的样本参数和各网络模型参数建立网络并得到相关的预测模型预测结果，其中NARNN、NARXNN为人工神经网络模型，由于训练所取初始权值和阈值不同，网络各单次预测结果均不同，依据各模型预测结果的检验标准，各选取符合条件的10次预测结果取平均值；而ARMA为线性时间序列模型，预测结果为一组确定数据。现场实测与神经网络预测结果对比如图4所示。

图4 现场实测与预测结果对比

对于基于时间序列的测点DK18160地表沉降历时变形预测结果见表5。

综上可得3个模型均得到较好的预测效果，其中NARNN、NARXNN为非线性模型，对于复杂的地表沉降拟合结果较线性ARMA模型的预测结果要好，同时NARXNN模型由于考虑了施工因素影响，表现出最好的预测效果。

3 结论

基于盾构施工过程中地表沉降的监测数据，运用基于时间序列的人工智能神经网络模型，可以有效地预测隧道施工过程中各测点地表变形的历时变化，结论如下。

(1)基于时间序列的非线性自回归神经网络模型(NARNN模型和NARXNN模型)在地表沉降测点的盾构开挖过程中的沉降值历时变化具有很好的预测效果，预测精度显著高于传统的线性时间序列ARMA模型。

表5 三种模型预测结果分析

(2)综合考虑了施工过程中施工方法、地质条件和时空效应(埋深)的影响引入外部输入施工影响因子，建立的NARXNN预测模型更加贴近工程实际，因此预测效果良好。