盾构穿越回填区域扭矩参数预测识别
2021-09-17王锋
王 锋
(中铁二十局集团第三工程有限公司 重庆 400000)
1 引言
目前,隧道施工变形研究一般借助于传统的有限元分析方法,但在实际应用中存在不少疑难问题待解决。人工神经网络具有良好的参数辨识敏感性、非线性拟合能力,因此它为复杂地质盾构掘进参数反馈创造了条件,同时也降低了拟合计算非线性隧道变形问题以及构建相关模型的难度[1]。在地下工程中引入神经网络技术能够很好地弥补传统技术所得信息不够明确、处理不当等缺陷,故而备受工程领域的青睐[2]。现阶段,BP神经网络也被广泛应用于地下工程施工领域。
朱北斗等[3]分析了砂土、黏土等底层中盾构掘进参数的特点和发展趋势,并在构建底层识别模型时引入了BP神经网络法,模型通过训练样本数据进行训练,盾构掘进参数通过耦合作用共同反映地层对它们的扰动。结果表明该网络能够实现地层与盾构掘进参数之间的非线性映射,能够在掘进过程中实现土层识别[4]。
李正等[5]基于深圳地铁两个盾构区间施工监测数据,基于BP神经网络方法构建了相应的模型,此模型能够预测盾构在珠三角上软下硬地层的掘进参数,得出的预测值与实际数据变化规律相近,平均误差控制在15%之内。
赵俊杰等[6]以兰州-新疆铁路某隧道为研究背景,基于FLAC3D数值模拟软件联合MATLAB网络工具箱构建了神经网络计算模型,建立了隧道开挖位移正演和反演模型,分析了围岩的物理力学参数,为后期工程的施工和优化设计提供参考。
本文以西安地铁14号线尚贤路站至学府路站盾构区间穿越深厚人工回填坑为例,实现了盾构掘进扭矩参数预测模型建设与BP人工神经网络方法的结合,此模型能够用于预测地表地层因在人为因素影响下的盾构掘进参数,进而为相关分析研究工作提供依据。
2 工程概况
尚贤路站盾构隧道始发端头位于西安市北郊,沿线主要地貌为渭河河漫滩,地层结构由粉土、粉质黏土、粉细砂、中砂及粗砂组成,区间隧道均处于地下水位以下。盾构掘进以全断面砂层为主,区间沿线地表20 m以下深度范围内可液化地层均不液化。
由于二十世纪九十年代非法盗砂等行为猖獗,盗窃后遗留的大面积砂坑使用沥青、灰渣、砖块等建筑垃圾及破布、塑料等生活垃圾回填,少量黏性土、砂土充填,导致成分杂乱,疏密不均。现场探勘情况如图1所示。
图1 盾构隧道穿越区段典型回填土堆
此区域绵延在研究区范围内(北客站附近以东区域)达数平方公里,形成众多的回填坑。土堆于YCK2+560 m~YCK2+720 m段厚度最大,钻探揭露最大厚度为22.4 m。在线路里程区间起点~YCK1+950 m段的深厚回填坑,钻探揭露最大深度约11.0 m,在地质剖面上观察近似梯形,面积约为23 000 m2,如图2所示。
图2 某深厚回填坑与盾构区间平面位置关系预测
3 BP神经网络模型简介
其原理是通过拟合输出误差反馈数据对连接权,进而实现非线性映射功能。传输界面会在每层网下传递数据时以连接权为纽带实现对输出的抑制、减弱、增强[7]。盾构施工掘进参数的模拟采用三层BP网络能够在保证精度的情况下实现非线性关系对连续函数的逼近。图3表示了BP神经网络信号传播结构形式。网络信号传播结构设置为输入层-X、中间层(隐含层)、输出层-Y。
图3 BP神经网络信号传播结构
BP神经网络是一种比较算法,由计算机大脑执行正反向比较传播,由正向传播参数流向和反向回传误差信息两个环节组成,这两个环节在计算和分析期间交替进行,在权向量空间内对权值的修正是通过误差梯度下降法实现的,而最优权向量的明确是通过动态迭代完成的,这样网络基本不会出现太大的误差函数,进而达到提取和存储信息的目的[8]。
4 BP神经网络模型的建立
在西安北客站郑西高铁高架附近进行前期勘测,经过已有相关资料的初步整合,得到BP神经网络预测所需要的岩土物理力学参数,包括地层含水率、饱和度、孔隙比等,同时确认了该区域的盾构隧道埋深、含水层埋深范围。进行了取样重点为深厚回填区域的探坑开挖,对所取得的样本进行三轴压缩试验及快剪试验,得到土体的黏聚力及内摩擦角参数;对所取得的土体样本进行固结试验,得到土体的压缩模量、各级压力下的压缩系数及固结系数[9]。探坑开挖过程见图4。
图4 回填土区域探坑设置与勘测
将上述体现外部地质变化因素的岩土物理力学参数导入网络输入层-X,通过中间层关系建立及误差信息过滤,导出输出层-Y所需要的盾构掘进扭矩参数,找出相关特征,进而实现预测识别目的[10]。
李超等发现,在同一掘进断面上,地层的复合地层数超过两层(包含2层),各地层参数的加权平均值以开挖面各地层所占比重为依据进行确定,以地表距离隧道断面顶部的长度作为隧道埋深,以刀盘顶部距离地下水位的长度作为地下水埋深,同时采用线性插值方法来明确过渡段的参数[11]。
为提高训练精度,预测模型采用单中间层的网络结构。区间沿线地表20 m以下深度范围内可液化地层均不液化,则不将含水层埋深作为输入层节点。输入层-X节点数目确认为5个,包括盾构隧道埋深-X1、土体天然重度-X2、土体粘聚力-X3、土体内摩擦角-X4与回填土层固结系数-X5,输出层节点为盾构刀盘扭矩-Y1。
(1)网络结构设置
隐含层神经元数和输入层节点数分别用S和N表示,S=11,N =5,以5-11-1为网络结构。
(2)传递函数的选择
以tansig作为目标模型输入层至隐含层的函数,以purelin作为隐含层到输出层函数。
(3)其他参数设置
本模型进行20 000次迭代处理,期间一直保持0.01的学习速率,精度目标值为0.01。
5 刀盘扭矩参数预测分析
需进行训练的样本数据为尚贤路至学府路站盾构区间右线500环的数据,结束训练之后,在[0,1]区间对输出值进行归一化处理,之后反归一化还原输出值[12]。
由于该区段实际推进时刀盘扭矩参数波动较大,同时搜集了刀盘扭矩实际参数上限值及刀盘扭矩实际参数下限值形成对比曲线,如图5所示。
图5 刀盘扭矩上下限值曲线
经过训练的BP神经网络能够精确的跟踪训练样本,而且非线性映射能力也比较理想。较为完整地还原了原始数据的变化规律,如图6所示。
图6 刀盘扭矩预测值与实际值对比曲线
通过分析图6的曲线不难发现,曲线描绘出了实际盾构掘进扭矩参数的变化特点。盾构掘进到0~81环时,扭矩值迅速增大后趋于平稳变化。盾构机掘进至400环左右,回填土层触及掌子面,带来了前后的较大反弹性波动。预测值不会与实际值存在明显的偏差,但是预测数据与实际数值不可能完全一致。
实际掘进过程中,刀盘扭矩参数随着掘进环数的上升表现出整体下降趋势,预测值表现出盾构在西安深厚回填区域进行掘进的刀盘扭矩变化趋势。
6 总结
通过大量训练此BP神经网络模型,使之能够以外部地层外部参数为依据来对盾构掘进扭矩参数变化特征进行准确预测。掘进参数的输出值与原始数值的偏差比较小,这意味着此模型的非线性映射能力通过了验证。相较于实际数据,预测数据变化规律相近,平均误差约为11.60%。