姚燕雅

(无锡城市职业技术学院，江苏 无锡 214000)

目前预测隧道施工地段围岩沉降的方法主要有两种，分别为数值模拟法和实测数据回归法.在使用数值模拟法的研究中，张立亭[1]等利用灰色关联算法优化模型参数并建立了地表沉降的预测模型，结果显示灰色关联算法能有效反映系统影响因子与地表沉降之间的关联程度；王煜涵[2]等基于工程情况，利用三维有限差分法对隧道施工的挖掘过程进行数值模拟并预测地表沉降的程度，结合工程施工实际数据，验证了模型的正确性.在使用实测数据回归法的研究领域中，应用最广泛最简便的方法就是1969年Peck[3]提出的公式，在此基础上，段绍伟[4]等根据长沙市地铁隧道施工的实际数据，对Peck公式进行了地表最大沉降修正系数和沉降槽宽度修正系数的修正；张付林[5]等基于Peck公式和双圆修正Peck公式，提出了类矩形盾构法施工的隧道地表沉降的预测手段；针对软土地区的隧道施工，申玉生[6]等从左线和右线表达式出发提出了修正的Peck公式，能够对矩形隧道施工地表沉降进行更准确的预测；针对北京地区特殊的施工地层环境，杨子奇[7]等利用叠加原理，对叠加Peck公式在浅埋暗挖法施工的双线隧道的地表沉降预测上的应用进行了研究.

上述研究成果基于当前主流的两种研究方法已经相当成熟，本文使用MATLAB软件对工程施工现场的地表沉降的检测数据进行预测，通过比较预测数据与现场实际数据，可以为现场施工工作提供参考.

1 工程概况

1.1 隧道施工区间地质和水文情况

施工工程路段为无锡地铁施工区间，隧道长度为891.271双延米，高新园区站前单渡线长93.405 m.施工区间最大埋深25.36 m，最小埋深7.22 m.施工工程路段隧道土层结构从下到上分别是洪积层、第四世纪晚更新世冲，接下来依旧是洪积层和第四世纪全新世冲，最上层是人工素填土.施工工程区间在施工前勘测时地下水埋深7～9 m，地下水位高程7.74～12.26 m.基于以上地质和水文基本情况，本区间地铁隧道施工采用台阶开挖法和交叉中隔壁法(CRD).

1.2 现场监测结果

本次地铁隧道施工采用台阶开挖法，施工区间渡线段左线纵断面：DK20+604.408-DK20+660.208；右线纵断面：DK20+687.929-DK20+726.367，在海-高区间高新园区站横通道设置，7组观测断面，标记为DB04-DB10.在总计100 d的检测中，从工作面前方开始总计设置了7组断面，间隔20 m断面即设置一组.在隧道施工开始后，到挖到距离掌子面50 m为止，地面沉降水平保持稳定发展.根据以上情况，以6月2日公布的DB06断面的监测数据为例，基于施工要求，从6月23日开始记录的监测地面沉降数据如图1.

从图1可知，隧道中线与左右线隧道中线的正上方地面沉降情况比较严重，另一方面，隧道边缘的地面沉降情况不甚明显，即该施工隧道整体围岩沉降呈“凹槽”状，具有比较明显的沉降槽特征，与Peck提出的正态沉降曲线相吻合.

图1 DB06断面地面沉降监测数据

图2 模型预测和实地检测对比

2 神经网络模型

2.1 BP神经网络概述

设计BP神经网络一般分为三个步骤：设计拓扑结构→确定参数→选择并处理训练样本[8]，落实到本文的地铁隧道围岩沉降的神经网络模型预备从以下几方面展开：选取仿真样本→设计沉降预测网络→学习并训练仿真样本→检验预测结果→分析模型结果.

2.2 仿真设计

2.2.1 预测数据与实测数据的对比

本文以研究对象海-高区间的第三方实测数据为基准，剔除逻辑不合理的断面实测结果，结合地表沉降相关因素选取其中20个断面的实地检测数据为对象，按照工程施工要求，在不同的断面上采取合理的施工工艺，主要采用台阶法，部分断面采用交叉中隔壁法(CRD).结合相关研究文献和工程实际，选取了10个可取得的权重较大的影响因素进行实证分析，具体如表1所示.本施工段地层主要力学参数以表2为标准取值.

表1 目标断面基本情况

表2 施工断面岩土层力学参数

本次实证分析选取了16个随机训练样本，4个随机检验样本，10个权重较大的影响因素为输入节点，地表沉降最大值为输出节点.BP网络模型的训练通过训练步数和目标来决定停止与否，满足其中任一条件即可，当中间层神经元为8个的时候，训练结果满足本次BP神经模型预测模型的要求.

本文选取数据的前16个断面是训练样本，后4个断面是检验样本，经过模型仿真训练，在训练步数达到501时满足要求，均方误差值是0.0006927，可以停止训练.

在以上16个训练样本中，三个断面样本的误差较大，推测原因为断面地表沉降实测数值过小，剔除这些误差较大的样本，其他训练样本最大误差为15%，检验样本最大误差为14.44%.经过模型预测与实测的数据对比可知(图2)，BP神经网络的预测模型在对施工过程中的因素影响地表沉降时能进行有效的预测.

2.2.2 影响地表沉降的敏感性因素分析

本文选择地表沉降较为明显的6个断面研究洞径和埋深对地表沉降的预测值的影响，见表3各断面的洞径和埋深.

表3 6个断面的预测与实测结果

设置6个断面为训练样本，两个敏感性因素的均值为仿真样本，步数设置为最多2000，将两个敏感性因素的极值区间均分，取6个点进行地表沉降的预测，其他设置不变，仿真结果如图3、4.

图3 基于洞径因素的预测与实测数据对比

图4 基于隧道埋深因素的预测与实测数据对比

可以看出，隧道围岩沉降的水平与洞径大小成正比，与隧道埋深成反比，这一结果与施工实践的经验总结相符.因此，考虑洞径和隧道埋深这两个敏感性因素对预测隧道围岩沉降更合理.

3 结 论

(1)地铁隧道围岩沉降的分布曲线与Peck公式分布曲线基本吻合.(2)建立BP神经网络模型进行仿真，不考虑敏感性因素，剔除三个误差大样本，余下训练样本预测数据与实测数据误差较小.(3)加入两个敏感性因素，预测结果与实测结果差异更小，更有利于指导实际工程.下一步研究方向是将三维数值模拟结果与MATLAB神经网络预测结果进行比较研究.