軟土地層盾構掘進參數分析及掘進速度預測

裴浩東, 葉社保, 楊 平, 吳永哲

(1.南京林業大學 土木工程學院,江蘇 南京 210037;2.中交隧道工程局有限公司,江蘇 南京 210000)

盾構法已成為中國城市地鐵建設的主要施工技術,隧道施工普遍使用土壓平衡盾構,土壓平衡盾構具有適用地層范圍廣、出土率大等特點,掘進過程中能夠有效維持土體穩定從而降低對地表變形的影響。在實際工程中,盾構掘進參數的設置主要依靠盾構司機的經驗確定,缺乏科學的預測參數設定,這對工程質量和施工安全不利。合理、科學地設定盾構掘進參數能夠有效提高盾構機對地層的適應性以及盾構施工效率。

近年來,國內外學者對掘進參數與地質參數、地表變形的關系以及掘進參數的內在規律等方面進行了一系列的探索和研究。司翔宇等[1]、孫捷城等[2]通過盾構施工現場實測數據,研究了盾構法施工中的掘進參數間相關性及其對地表沉降的影響,總結了盾構掘進參數變化與地表沉降之間的規律。楊果林等[3]、周振梁等[4]基于實際工程采集的盾構施工記錄數據,對盾構掘進參數在不同地層中的分布情況及變化規律進行統計分析,提出考慮地層條件的掘進速度預測模型。宋克志等[5]、朱合華等[6]通過模糊數學原理,運用模型試驗方法對掘進參數存在的內在變化規律進行了分析和研究。

鑒于此,本文結合佛山地鐵3號線逢沙站-創意園站區間隧道工程,詳細分析了土壓平衡盾構穿越軟土地層時盾構掘進參數內在變化規律,并建立了掘進速度預測模型。

1 工程概況

1.1 工程背景

佛山地鐵3號線逢沙站—創意園站區間隧道工程左、右線盾構均由創意園站始發,逢沙站接收。區間起訖里程Z(Y)DK12+463.505—Z(Y)DK14+422.200,全長約1 959 m,管片內徑與寬度分別為5.4 m和1.5 m,盾構外徑約6 m。每隔500 m左右設置一座聯絡通道,共設置3座聯絡通道,埋深約18.5 m。隧道左、右線中心軸線間距約14 m,盾構外徑約6 m,開挖面約30 m2,拱頂覆土埋深8.67～21.88 m,軌面埋深13.49～26.70 m。采用2臺德國海瑞克S-870復合式土壓平衡盾構機進行隧道盾構掘進施工作業。

1.2 工程水文地質條件

根據現場勘察情況,逢沙站-創意園站區間隧道工程場地地層由第四系地層與基巖組成,勘察范圍內主要分布的地層有：淤泥質土、淤泥質中粗砂、淤泥質粉細砂、粉質黏土等。本區間線位范圍內地表水體發育,多次與河涌斜交,穩定地下水位埋深為0.2～2.0 m。此類地層具有含水量大、流塑性大、擾動后自穩性差、易產生彈塑性變形等特點。選取該工程具有代表性的地層分布及標高,如圖1所示。

圖1 工程地質橫斷面圖(m)Figure 1 Cross-sectional view of engineering geology(m)

2 掘進參數數理統計分析

2.1 數據選取及預處理

根據逢沙站—創意園站區間右線掘進臺賬采集的數據,確定拼裝環號1～1 311環為研究對象。盾構機掘進參數數據的自動保存頻率為1次/min,本文以1次/5 min調取數據,并用于分析計算,共調取27 464組數據樣本。

為了保證數據均為正常掘進狀態下采集,將部分非正常掘進狀態的數據刪除,其中包括拼接狀態、機械損壞狀態、停機狀態、刀盤空轉狀態等[7]。為了保證數據的可靠性,在剔除非正常掘進狀態數據的基礎上再過濾部分異常數據。首先為了消除參數變量之間的量綱效應,按照式(1)將所有數據進行歸一化處理,然后利用拉依達準則[4](3σ準則)刪除異常值。

(1)

式中：aij為原始參數變量數據;bij為標準化處理后的參數變量數據。

經過數據清洗后,剔除了12 821組數據,其中包括4 089組非正常掘進狀態下的數據和8 732組異常數據,最終選取數據為14 643組。

2.2 數據描述

對預處理后的14 643組數據進行數理統計分析,統計結果如表1所示。觀察數據統計分析結果可以發現,盾構總推力的平均值為14 517.81 kN,在4 903.33～21 574.63 kN之間變化,由于本工程為軟土地層,刀盤所受的反推力較大[8],而刀盤上水平推力引起的反推力是影響盾構總推力的主要組成部分[2],因此本工程的盾構總推力平均值相比于其他工程較大。

除此以外,掘進速度、貫入度、土倉壓力平均值相比于其他工程均較大,最主要的原因還是由于軟土地層地質情況導致。與深圳地鐵16號線天健花園站-龍城中路站左線區間盾構隧道工程[7]各盾構掘進參數對比可知,佛山地鐵工程中掘進速度、貫入度、盾構總推力、土倉壓力這4個掘進參數的平均值明顯大于深圳地鐵工程,而刀盤轉速和刀盤扭矩的平均值均小于深圳地鐵工程。在相對較軟弱的地層,通常采用較低的刀盤轉速和刀盤扭矩,以減少刀盤對地層的擾動;當圍巖強度較高時,巖石硬度越大,刀盤受到的阻力越大,刀盤轉速和刀盤扭矩也相應增大[9]。

表1 掘進參數數理統計分析結果(n=14 643)Table 1 Results of mathematical statistical analysis of boring parameters(n=14 643)

繪制各掘進參數的統計分布直方圖,以掘進速度的頻數分布直方圖為例,如圖2所示。

圖2 掘進速度頻數分布直方圖Figure 2 Statistical histogram of driving speed frequency

為驗證各掘進參數是否服從正態分布,對各掘進參數的頻數分布進行正態性檢驗,采用K-S檢驗法,同樣以掘進速度為例,檢驗過程如下。

(1)原假設H0：X～N(μ,σ2);備擇假設H1：X不服從N(μ,σ2),μ為43.19,σ2為166.41。

經過正態性檢驗可知掘進速度、貫入度、盾構總推力、刀盤轉速、刀盤扭矩、盾尾間隙(上、下、左、右)符合正態分布的程度較高;土倉壓力、出土量、同步注漿壓力、同步注漿量符合正態分布的程度較低。

正常掘進過程中,土倉壓力主要由施工人員操作來控制土倉內渣土量、土壤改良系統以及倉內氣壓,受人為操作影響較大[10],導致出現正態分布程度較低的情況;而掘進速度、刀盤轉速、刀盤扭矩主要受地質條件和機械自身工作性能的客觀條件限制,所以整體呈正態分布程度較高。

3 掘進參數相關性分析

由于該工程地質為軟土地層,且每環的盾構掘進參數變化較小,為簡化計算分析,取每環各掘進參數的平均值作為該環的代表值。為驗證各掘進參數間是否具有相關性,首先做出各參數隨環號序列變化的曲線,發現部分掘進參數具有相似的變化趨勢,然后將具有相似性的掘進參數變化曲線放在同一圖中進行對比,如圖3所示,可以很直觀地看到掘進速度與貫入度、盾構總推力與刀盤扭矩、土倉壓力與同步注漿壓力的變化趨勢相近,盾尾間隙(左)與盾尾間隙(右)的變化趨勢相反。

圖3 各掘進參數的變化曲線對比圖Figure 3 Comparison chart of change curve of each boring parameter

Pearson相關性分析通過計算變量之間的相關系數r來分析兩者的關系,r的絕對值越接近1,則變量間相關性越大,正號為正相關,負號為負相關。利用MATLAB軟件對13個掘進參數進行Pearson相關性分析,計算的相關系數矩陣如圖4所示。

圖4 掘進參數間Pearson相關系數矩陣圖Figure 4 Map of Pearson correlation coefficient matrix between boring parameters

掘進速度與貫入度線性相關性極強,貫入度的物理意義為刀盤每轉的刀盤切入深度,從一定程度上反映了盾構施工地層的可掘性與機械作業水平[3],通過提高貫入度可以明顯加快掘進速度。

4 掘進速度影響因素分析

由圖4可知,掘進速度與除貫入度外其余掘進參數的Pearson相關系數值均較小,最大的相關系數值為0.51,因此無法通過線性分析確定其余掘進參數影響掘進速度的程度。參數變量數據之間具有高度非線性,傳統意義上的線性分析方法無法計算變量間非線性關系。而基于互信息的特征選擇算法可以反映出參數變量間的非線性關系。當參數變量之間的互信息值越大時,也就代表它們之間的相互耦聯性越強[11]。

根據數據預處理得到的1 311×13實測數據矩陣,采用MATLAB軟件計算12個掘進參數變量與掘進速度的互信息值,再按照互信息值從大到小進行排序,計算結果如表2所示。

理論上與掘進速度互信息值越大,其與掘進速度關聯程度的概率分布“貢獻率”越大[12]。根據表2的結果,可以篩選與掘進速度非線性相關性較高的參數變量。

表2 掘進速度與其余掘進參數互信息值Table 2 Value of the mutual information between the driving speed and the remaining boring parameters

5 掘進速度預測模型

在實際工程中,為了防止延誤工期和降低成本,其中一項重要的指標就是掘進效率,而影響掘進效率的主要因素是掘進速度,因此對掘進速度的預測具有重要的現實意義。

5.1 模型選擇與樣本劃分

由于掘進速度與除貫入度外其余掘進參數均具有較強的非線性相關關系,因此需要考慮采用非線性模型對掘進速度進行預測。機器學習因其適應性強、預測精度高等優點在處理非線性問題時具有獨特優勢,本文擬采用隨機森林、BP神經網絡等機器學習算法建立掘進速度預測模型。

由表2可知各掘進參數與掘進速度關聯程度的大小,本文將0.5作為特征選取的判斷閾值,取前8個參數變量作為掘進速度預測的特征參量。本文將前918環掘進數據設定為訓練集,將后393環(即919～1 311環)掘進數據設定為測試集。

5.2 隨機森林回歸預測模型

5.2.1 模型建立與求解

隨機森林的基本思想是利用Bootstrap重抽樣方法從原始樣本中抽取多個樣本,對每個Bootstrap樣本構建決策樹,然后將所有決策樹預測平均值作為最終預測結果[13]。決策樹的數量對掘進速度預測精度的影響較大,決策樹數量太少,預測誤差會變大;決策樹數量太多,計算量會劇增,當決策樹到達一定數量后,預測精度提升會很少[14]。經過計算推演可知,決策樹數量取100較為合適。

5.2.2 結果分析

通過對918個訓練集隨機采樣,構建出100個采樣集,基于采樣集構建100棵決策樹作為掘進速度預測模型的弱學習器,最后對100棵決策樹的掘進速度預測結果求解算術平均值作為最終預測結果。訓練集和測試集數據的實測值與預測值的對比如圖5、6所示。掘進速度在訓練集和測試集上的隨機森林回歸預測模型評價指標對比,如表3所示。由表3可知,測試集上的預測精度略次于訓練集。

圖5 隨機森林回歸模型在訓練集上的預測Figure 5 Prediction on the training set of RFR model

5.3 基于遺傳算法優化BP神經網絡預測模型

5.3.1 模型建立與求解

BP神經網絡適合解決非線性問題,但是BP神經網絡容易出現收斂速度慢以及陷入局部最優解等問題?？衫眠z傳算法(GA)對BP神經網絡初始權值和閾值進行優化分析,通過選擇、交叉、變異等操作不斷迭代得到最優的BP神經網絡初始權值和閾值,最后利用BP神經網絡進行局部尋優,從而得到具有全局最優解的BP神經網絡預測值。

圖6 隨機森林回歸模型在測試集上的預測Figure 6 Prediction on the test set of RFR model

表3 RFR預測模型評價指標Table 3 Evaluation indicators of RFR prediction model

在該模型中,BP神經網絡的輸入層有8個節點,隱含層有8個節點,輸出層有1個節點,共有8×8+8×1=72個權值,8+1=9個閾值,所以遺傳算法個體編碼長度為72+9=81。

遺傳算法的4個初始參數：種群規模為50,終止進化代數為300,交叉概率為0.5,變異概率為0.001。BP神經網絡訓練過程中,涉及3個網絡進化參數的設定,分別為迭代次數、學習率、訓練誤差目標,經過對參數的不斷調試,最終確定3個進化參數依次為5 000、0.1、0.000 01。

圖7 BP-GA模型在訓練集上的預測Figure 7 Prediction on the training set of BP-GA model

5.3.2 結果分析

做出訓練集和測試集數據的實測值與預測值的對比圖,如圖7、8所示。掘進速度在訓練集和測試集上的基于遺傳算法優化BP神經網絡預測模型評價指標對比,如表4所示。

圖8 BP-GA模型在測試集上的預測Figure 8 Prediction on the test set of BP-GA model

表4 BP-GA預測模型評價指標Table 4 Evaluation indicators of BP-GA prediction model

6 結論

影響盾構掘進參數的因素有很多,其中主要包含地質條件和參數內在規律,本文在軟土地層條件下研究參數內在規律對掘進參數的影響,得出如下結論。

(1)軟土地層條件導致本工程掘進速度、貫入度、盾構總推力等掘進參數相比于其他硬巖地層工程較大;在相對軟弱的地層,通常采用較低的刀盤轉速和刀盤扭矩,以減少刀盤對地層的擾動。

(2)掘進速度等掘進參數符合正態分布的程度較高;土倉壓力等掘進參數符合正態分布的程度較低。

(3)由掘進參數間Pearson相關系數知,掘進速度與貫入度存在極強正相關關系。

(4)隨機森林回歸預測模型和基于遺傳算法優化BP神經網絡預測模型均能較好地預測掘進速度,基于遺傳算法優化BP神經網絡預測模型的預測精度略優于隨機森林回歸預測模型。

與已有類似研究相比,本文率先提出分別建立隨機森林回歸預測模型和基于遺傳算法優化BP神經網絡預測模型,對掘進速度進行預測,并對模型預測結果量化和可視化。此模型不僅可以預測掘進速度,對其他掘進參數的預測也是可行的。本研究仍存在不足之處：現場收集到的參數變量較少,影響掘進速度的因素不全;沒有考慮地層條件改變對掘進參數的影響。地層條件和參數內在規律對掘進參數的共同影響作用將是下一步研究的主要工作。