王传俭

（中铁十四局集团隧道工程有限公司，山东 济南 250013）

0 引言

填海区建造地铁可巧妙避开地面建筑物或构筑物对施工造成的影响，而填海地区存在多种地层复合交织，盾构机掘进过程中会遇到各种困难，造成掘进工效低、非正常停机等问题，同时也难以保证工期。如何高效优质地完成盾构施工成为一个亟待解决的问题，而盾构掘进参数的控制是影响盾构机掘进效率的关键因素之一。

目前，国内外学者对盾构掘进机掘进参数的控制进行一定研究，并取得部分研究成果。国外有预测模型被应用于土压平衡盾构机掘进性能预测评价等方面[1-2]，ROSTAMI J等[3]提出用于盾构掘进性能预测的CSM和NTNU等较为成熟的模型；基于CSM模型和NTNU模型，YAGIZ S[4]对盾构现场施工数据进行统计分析，推导出抗压强度、抗拉强度等变量与掘进速度的数学模型以进行掘进速度预测；HASSANPOUR J等[5]根据伊朗卡拉季输水隧道工程，对该隧道穿越火成岩时盾构机的各掘进参数进行分析，构建新的数学模型预测刀盘扭矩、刀盘转速等参数，提出针对不同工程，需要对预测模型进行适应性修正；张厚美[6]结合广州地铁3号线工程实际，采用正交试验方法建立软土地层中掘进速度和刀盘扭矩的数学模型；王洪新等[7]基于模型试验结果推导出土压平衡盾构中土压力、掘进速度等掘进参数间的数学关系表达式，并利用现场采集的数据验证该数学表达式；杨全亮[8]运用数理统计分析方法对现场掘进参数数据进行分析，指出地质条件对掘进参数的影响程度大于线路选择，并采用人工神经网络方法，利用已知推进速度、刀盘转速、贯入度预测盾构机推力和扭矩；胡绍华等[9]利用BP神经网络建立土舱力控制模型，根据当前土舱压力值、当前推进系统推进速度等变量预测下一时刻推进速度及螺旋输送机转速，实现实时控制盾构机土压平衡。

从上述研究成果可看出，目前国内外关于掘进参数预测方法主要是建立数学模型，其总体思路是基于模型试验或现场监测数据建立各掘进参数间数学预测模型，可解决部分掘进参数预测问题，但其针对性较强。而BP神经网络能够较好地建立起各个影响因素与掘进参数的非线性关系，其普适性和泛化能力较佳。本文依托某会展中心配套市政项目盾构施工，采用BP神经网络方法建立盾构掘进参数预测模型，并将该预测模型用于本工程盾构掘进参数预测，通过将预测值与实际监测值对比分析，得出其精度满足施工要求，表明该方法适用于本工程后续盾构区间以及类似地层盾构掘进参数的预测，具有较好的科研价值和工程实践意义。

1 BP神经网络基本原理

BP神经网络即误差回传神经网络是一种无反馈的前向网络，神经元在网络中分层排列。一般网络结构分为输入层、隐含层、输出层。每层的输出传递至下一层，通过联结权传送，可达到増强、减弱或抑制输出的作用，除去输入层的神经元外，输出层和隐含层神经元的净输入是上一层神经元输出的加权和。每个神经元的活化程度均由它的输入、阈值和活化函数决定，BP神经网络信号传播结构如图1所示[10-16]。

图1 BP神经网络结构层

图1中，X，Y分别表示BP神经网络的输入和输出，n、q、w分别表示BP神经网络的输入层、隐含层和输出层神经元，每个神经元可用1个节点表示。在BP神经网络学习过程中，神经网络的输出值与期望输出误差值在向后传播的同时修正连接权值，达到误差均方值最小的目的。

2 盾构掘进参数预测模型设计

BP神经网络模型的设计，主要是确定输入输出参数、网络结构层次，并通过神经网络构建各参数间的非线性映射关系。这主要是通过采用Pathon编程语言和JetBrains PyCharm软件编制BP神经网络预测程序实现。

2.1 网络参数变量选取

BP神经网络模型构建中，需要将已从现场采集的数据分为两大类：一大类为体现外部环境的输入变量——地层因素，主要包括隧道埋深 h（m）、孔隙比 e、压缩模量 E（MPa）、土体凝聚力C（kPa）与内摩擦角Φ（°）5种参数。另一类为体现盾构机内部性能的输出变量，主要包括土压力P（MPa）、掘进速度 V（mm/min）、总推力 T（kN）、出土量（m3）、刀盘扭矩 r（kN·m）5个参数。其中输入组中的孔隙比、压缩模量、土体凝聚力和内摩擦角可根据地质详勘资料和现场开挖的情况确定，隧道埋深则取隧道断面顶部至地表的垂直距离，从而构建输入变量与输出变量之间的联系，实现利用盾构掘进的外部环境参数达到预测掘进参数的目的。

2.2 数据预处理

由于样本数据中各掘进参数具有不同的数量级，在进行数据模拟预测前，需要对样本数据进行适应性的处理，达到BP神经网络的取值应用范围。为避免量级差别带来的网络识别精度误差，并提高网络的收敛速度，引入数值统计分析中的归一化方法对收集到的掘进参数进行预处理，将各掘进参数映射至值域区间［0，1］中，处理方法如下：

式中，χ*为归一化后的值，χ为原始值，χmax为数据组最大值，χmin为数据组最小值。

2.3 数据建模

在数据样本挑选及预处理完成后，则需要对数据样本进行模拟训练。为进一步提升数据样本的训练精度，需要对BP神经网络预测模型的网络结构设计及结构层传递函数进行优选。

2.3.1 网络结构设计

BP神经网络结构设计是指确定网络的层数及各层神经元的节点数。由于采用3层BP网络结构能够逼近任何连续函数，并且通过增加隐含层层数减小预测误差，另外，经试验发现，隐含层神经元数目越多，训练样本的训练精度越高[1 7]，因此选用3层网络结构为最佳组合。

该BP神经网络输入层节点的数目为5（隧道埋置深度、孔隙比、压缩模量、内摩擦角与凝聚力），均与具体问题相联系具有一定的实际意义，输出层节点数为5（土压力、总推力、掘进速度、出土量、刀盘扭矩）。

在BP神经网络预测模型中，隐含层中神经云数目的确定是网络设计的关键所在，大多以经验公式试算为主。

经验公式S＝2N＋1，取N＝5，则隐含层节点数目设置为11，设置网络结构为5-11-5；网络参数设置如下：迭代层数net.rrainParam.epochs=20 000，学习速度 net.rrainParam.lr＝0.01，精度值 net.rrainParam.goal=0.01。

2.3.2 传递函数的选择

JetBrains PyCharm软件中有提供的BP神经网络算法传递函数有3种，各函数的计算公式如下：

针对样本数据的模拟训练方面，目前还没有统一、固定的模拟训练方法，主要是采用通过数据不断的输入-输出试算，根据输出的误差精度确定。但网络结构层具体采用哪种函数还需要不断的试验，如表1所示。

表1 不同网络结构训练结果

从表1可看出，方案2在迭代次数和训练误差上最优先，因此，本预测模型选择的网络结构为tansig-purelin函数组合的5-11-5网络结构层。

2.4 程序的编制及应用

采用Pathon编程语言编制出BP神经网络预测程序，并运用JetBrains PyCharm软件进行预测程序运行，在软件里将地层条件设为输入模块，盾构内部各掘进参数值设为输出模块，掘进参数预测值与实际值的相对误差设为预测目标值。将样本直接从txt或Excel文件导入软件输入模块，点击运行按钮进行样本训练、测试，软件将自动输出掘进参数的预测值及其与实际值的相对误差，如果精度满足要求则可应用于后续掘进参数预测。

3 工程应用

3.1 工程概况

某会展中心配套市政项目规划起于T4航站楼，其线路长约8.35km，沿线共设置5座车站（机场北站、重庆路站、会展南站、会展北站、会议中心站），每座车站间的间距约2.01km。该项目于2016年10月开工建设，土建工期13个月，建成后，机场北站到会展中心只需12min。项目总平面如图2所示。

图2 项目总平面

该会展中心配套市政项目建设场地属填海区复杂地层。原始地貌为滨海滩涂，现状为人工造陆场地，现状地形平坦，局部有起伏，现状地面标高一般为3.0～7.0m，穿越鱼塘部位地面标高约0.3m。自上至下地层依次为填土（局部填石）、软土、中粗砂、黏性土、残积土和风化岩。总体上沿线基岩埋深较大，仅机场北站以北区间局部基岩凸起侵入隧道。液化砂土和软土主要分布于线路上部，零星位于隧道底。线路地下水具有中等-强腐蚀性。根据赋存介质的类型，沿线地下水主要有2种类型：①第四系地层中的松散岩类孔隙潜水和上层滞水，上层滞水赋存于第四系人工填土（填石）层中，孔隙潜水主要赋存于冲洪积砂土层及海积中粗砂中，因受上下相对隔水层的阻隔，略具承压性；②为基岩裂隙水，主要赋存于强、中等风化带中，具有微承压性。淤泥（质）土及黏土层属隔水层。

3.2 网络样本选取

盾构掘进现场采集的数据样本主要来自出段线盾构区间，该区间段自明挖段始发，穿越虾山涌向西北中间风井—重庆路站盾构区间并行，到达重庆路站拆卸、吊出。选取该国际会展中心配套市政项目出段线盾构区间中CDK1+833.526—CDK1＋820.537、CDK1＋481.232—CDK1＋779.732、CDK1＋059.732—CDK1+434.732三段共497环中的地层参数、盾构掘进参数的数据作为网络样本预测数据，剔除掉异常数据41个，得到有效样本数据456个，用于建立掘进参数预测所需的BP神经网络，部分经归一化处理的数据如表2所示。

表2 输入输出变量归一化处理数据（部分）

图3 土压力预测值与实际值对比曲线

图4 总推力预测值与实际值对比曲线

图5 掘进速度预测值与实际值对比曲线

图6 出土量预测值与实际值对比曲线图

图7 刀盘扭矩预测值与实际值对比曲线

BP神经网络预测过程中，本文运用JetBrains PyCharm软件随机抽取样本数据的95%作为训练样本，剩余的5%作为测试样本，避免人为主观因素对预测结果的影响。

3.3 盾构掘进参数预测分析

BP神经网络学习训练完成后，需要对测试样本数据进行模拟测试。本文选取有效样本数据的5%进行各掘进参数的预测。土压力、总推力、掘进速度、出土量、刀盘扭矩的预测值与实际值的对比曲线如图3～7所示。

由图3～7中各掘进参数预测值与实际值对比曲线图可看出，预测值与实际值的趋势基本吻合。为进一步表明BP神经网络预测精准度，可用相对误差和平均误差2个指标验证，计算结果如表3所示。

由表3可知，构建的BP神经网络预测模型对土压力、总 推力、掘进速度、出土量、刀盘扭矩预测值的平均误差分别为0.092，0.075，0.094，0.020 和 0.09，平均误差在 0.10 以内，满足盾构施工的精度要求，在一定程度上可为现场盾构施工提供参考。

表3 测试样本预测值与实际值的相对误差

4 结语

1）针对位于填海区复杂地层条件下的某国际会展中心配套市政项目盾构区间进行盾构预测模型设计。首先结合相关的地层参数进行参数变量的选取，其次对现场收集的数据进行归一化预处理，最后采用Pathon语言和JetBrains PyCharm软件构建填海区复合地层条件下BP神经网络模型，对体现盾构机内部性能的掘进参数进行预测。

2）将收集和整理大量盾构现场的监测数据用于BP神经网络的训练及测试样本，预测值能够大致反映盾构掘进参数的变化趋势，各掘进参数的平均误差小于0.10，可满足盾构施工精度要求，表明实际值与预测值吻合较好。

3）BP神经网络预测模型所需的变量数据便于现场采集处理，该预测模型只需通过输入层数据的输入，即可得到各掘进参数的预测值，操作简单、实操性强且预测效果较佳，这在一定程度上可以为盾构安全掘进提供施工指导，从而提升盾构掘进施工整体效率。