人工神经网络在地表变形预测中的应用

摘　要:讨论了城市地铁区间隧道盾构掘进中对土体的施工扰动及引起地层移动和地表变形沉降的力学机理,概括了施工扰动影响的主导因素。结合工程实践,采用了人工智能神经网络技术对地表沉降进行预测,经与现场实测值作对比分析,论证了上述方法的可行性和适用性。

关键词:盾构施工,土体扰动,地层移动,神经网络

引言
利用神经网络较强的非线性映射能力和实测资料,来对高度复杂和高度非线性的变形量进行直接建模,因而具有很强的客观性和适应性。文中采用人工神经网络技术进行了地表沉降的理论预测,并应用于南京市地下铁道1号线的工程实践,获得了一些有益的认识。
1 盾构施工的地表变形机理
盾构推进过程中产生地面变形沉降的根本原因是施工对周围土体的扰动(徐永福,1999)[1]。盾构推进过程中产生的地面变形由以下五个部分组成:
1)盾构到达前的地面变形(δ1):盾构推进对前方土体产生挤压变形,δ1主要是由于土体受挤压其有效应力增加而引起的。
2)盾构到达时的地面变形(δ2):δ2是由于盾构推进引起土体应力状态改变而产生的变形。ｂｒｏｍｓ和ｂｅｎｎｅｒｍａｒｋ提出了用超载系数ｎ来表示δ2,超载系数ｎ拟定为
ｎ=(σ0-ｐ)/ｃｕ(1)
其中,σ0为沿盾构轴线原位土体的上覆应力(包括超载应力);ｐ为开挖面上的支撑力;ｃｕ为土体的不排水抗剪强度。ｃｌｏｕｇｈ和ｓｃｈｍｉｄｔ提出了用上述ｎ值估算粘土地层中开挖面上的地层损失δｖ的方法:
δｖ=2ｖ0ｃｕ[(1+μ)/ｅ]ｅｘｐ(ｎ-1)(2)
其中,ｖ0为盾构的理论排土体积;ｅ为土体弹性模量;μ为泊松比。对于低塑性粘土,ｅ=(500～1500)ｃｕ。ｎ≥1时,δｖ=ｍｖ0ｅｘｐ(ｎ-1);ｎ<1时,δｖ=ｍｎｖ0,而ｍ=2ｃｕ(1+μ)/ｅ=0.002～0.006。
2) 盾构通过时的地面变形(δ3):盾构外壳与土层间会形成剪切滑动面,剪切滑动面附近的土层内产生剪切应力,剪切应力引起地表变形δ3。推进速度越快,剪切应力越大,地表位移δ3也越大。
3) 盾构通过后的瞬时地面变形(δ4):δ4主要由建筑空隙造成,建筑空隙是由于管片拼装后与盾构外壳之间形成空隙以及盾构偏移隧道轴线引起的空隙之总和。如果土体不产生压缩和松弛,建筑空隙的体积即等于地面沉降槽的体积,适时注浆能有效地减小建筑空隙,因而减小地面变形δ4。注浆的填充率等于注浆体积与建筑空隙之比。
4)地表后期固结变形(δ5):后期固结变形是由于盾构推进对周围土体扰动引起的,前面四种变形可以通过选择施工机械和施工参数加以控制,但无论什么样的机械和施工参数,盾构推进总会在一定程度上扰动土体,因此,后期固结变形δ5会或多或少地存在,是无法消除的。地面后期固结变形多数只占地面总变形量的较小部分,大约占总变形量的5%～30%。地面后期固结变形与地面即时变形量(∑δｉ)有很好的对应关系,地面即时变形越大,周围土体的扰动程度越大,地面后期固结变形也越大。
2 地层移动及地表沉降量预测的研究现状
在盾构施工过程中地层移动的预测方面,国内外都进行了大量数值模拟研究,其主要方法有:有限单元法[2,3]、边界元法[4]、半解析元方法[5,6]等。此外,周文波以上海地区软土隧道施工经验为基础,编制了盾构法隧道施工对周围环境影响和防治的专家系统,用于地面沉降研究[7];李建华则采用模糊—随机理论以预测盾构施工引起的地层移动,基于随机场理论、随机有限元、模糊概率测度和数理统计方法,对软土盾构隧道工程中的地层移动问题进行了较深入的探讨[8]。
数值方法在进行地层移动预测研究中遇到的问题是力学参数的选取和本构关系方面的考虑不够符合工程实际,加之计算工作量大,难以在具体工程中采用,而上述专家系统则有获取大量数据以及工程师知识经验上的困难。
作为一种软科学方法的工程应用,人工智能神经网络技术在盾构施工中的应用方面,ｊｉｎｇｓｈｅｎｇｓｈｉ等利用ｂ—ｐ网络对巴西利亚6.5ｋｍ盾构隧道的地表沉降进行了预测,分析了该隧道施工的特点后,总结出11款主要的地层移动影响因素[9]。ｙｅｈｆｃｈｅｎｇ研究了神经网络在盾构隧道自动土压平衡控制中的应用,研制了盾构施工土压力平衡控制的神经网络软件系统,并在台北市一个隧道工程中加以应用检验,取得了很好的效果[10]。
3 盾构施工监测资料分析
本研究在南京地铁1号线区间三山街—张府园进行,该工程位于建邺区内,是南京市重大工程项目之一。上行线起始于地铁三山街车站北端井,终止于地铁张府园站南端头井。下行线在三山街盾构调头,向张府园推进,上下行线隧道间设置联络通道。
该区间隧道由外径6200ｍｍ,内径5500ｍｍ的预制钢筋混凝土衬砌组成,环宽1000ｍｍ,厚度350ｍｍ,每环由拱底块(ｄ)一块,标准块(ｂ)二块,邻接块(ｌ1、ｌ2)二块,封顶块(ｆ3)一块拼装而成。本区间隧道采用德国公司生产的土压平衡式盾构掘进机施工,其外径6390ｍｍ,长度8200ｍｍ。沿盾构轴线上布置了一系列地表沉降监测点,并随时对其进行沉降观测,上行线于2002年4月16日开始推进,推进环数为8环/ｄ,4月16日开始监测地表沉降。
正常情况下,侧向土体挤压扰动范围约在距隧道轴线6ｍ内,6ｍ以外土体出现向隧道方向的位移;正面土体挤压扰动范围约在盾构刀盘前方10ｍ内,严重范围则在刀盘前方约6ｍ内[6]。根据南京地铁1号线三山街—新街口段监测资料,盾构施工对土体的扰动范围约为10ｍ～15ｍ,15ｍ以外的土体几乎不受影响。因此,每个监测点的记录历时都较短,多为10ｄ以下,在建立神经网络预测模型时,必须以盾构机为参照物,同时利用多个测点资料作为网络的输入,并考虑盾构机所在位置的埋深、盾构的施工参数等。预测的内容可以有多种,可预测前方某些点在盾构通过时的沉降,也可预测盾构通过后一定时间内的沉降,还可预测前方某些点的总沉降,这可根据实际需要确定。文中研究的神经网络模型预测了盾构机前方30ｍ及盾构机后方30ｍ正上方的地表沉降。按目前盾构平均每天推进15ｍ,若预测前方5ｍ处地表沉降超过警戒值,及时调整盾构施工参数(推进速度、密封仓压力、千斤顶推力、注浆时间等等),当盾构真正推进到此位置时,实测地表沉降定会减小,从而达到控制变形的目的。
4 盾构施工地层移动的神经网络预测模型
神经网络对训练样本和测试样本的拟合情况如图1,图2所示(图中所示30ｍ处即为当时盾构机所处位置),预测结果如表1所示。从预测结果可知,预测值的最大绝对误差为0.3ｍｍ,对应的相对误差为30%,对两个输出ｙ1和ｙ2的平均绝对误差分别为0.1ｍｍ和0.15ｍｍ,对应平均相对误差分别为9.2%和10%,总体上具有较高的精度。

5 案例分析与认识
人工神经网络在地铁施工建设中对环境的影响及事故隐患预报问题有着广阔的应用前景,目前这方面的应用尚处于启动阶段,文中在这方面作了一些探索和研究工作,取得了较好的预测效果。但还需要进一步开展研究和试验,尤其是隧道上方地表的变形量不仅受盾构施工参数、盾构物理参数、地质环境条件等的影响,还会受其他物理因素的影响(由于资料收集方面的问题,故没有考虑其他因素),如何对相关因素(如土质等情况)进行预处理和考虑,是值得探讨的。

参考文献:
[1]徐永福,孙　钧.隧道盾构掘进施工对周围土体的影响[ｊ].地下工程与隧道,1999(2):9 13.
[2]ｆｉｎｎｏｒｊ,ｃｌｏｕｇｈｇｗ.ｅｖａｌｕａｔｉｏｎｏｆｓｏｉｌｒｅｓｐｏｎｓｅｔｏｅｐｂｓｈｉｅｌｄｔｕｎｎｅｌｉｎｇ[ｊ].ｊｏｕｒｎａｌｏｆｇｅｏ ｔｅｃｈｎｉｃａｌｅｎｇｉｎｅｅｒｉｎｇ,ａｓ ｃｅ,1985,111(2):157 173.
[3]ｌｅｅｋｍ,ｒｏｗｅｒｋ.ｆｉｎｉｔｅｅｌｅｍｅｎｔｍｏｄｅｌｉｎｇｏｆｔｈｅｔｈｒｅｅｄｉ ｍｅｎｓｉｏｎａｌｇｒｏｕｎｄｄｅｆｏｒｍａｔｉｏｎｄｕｅｔｏｔｕｎｎｅｌｉｎｇｉｎｓｏｆｔｃｏｈｅｓｉｖｅｓｏｉｌ:ｐａｒｔｉ ｍｅｔｈｏｄｏｆａｎａｌｙｓｉｓ[ｊ].ｃｏｍｐｕｔｅｒａｎｄｇｅｏ ｔｅｃｈｎｉｃｓ,1990,10:87 109.
[4]ｉｔｏｔ,ｈｉｓａｔａｋｅｋ.隧道掘进引起的三维地面沉陷分析[ｊ].隧道译丛,1985(9):46～55.
[5]曾晓清.地铁工程双线隧道平行推进的相互作用及施工力学的研究[ｄ].上海:同济大学,1995.
[6]易宏伟.盾构施工对土体扰动与地层移动影响的研究[ｄ].上海:同济大学,1999.
[7]周文波.盾构法隧道施工对周围环境影响和防治的专家系统[ｊ].地下工程与隧道,1993(4):120 138.
[8]李建华.盾构法隧道施工引起地层移动的随机理论预测[ｄ].上海:同济大学,1995.
[9]ｓｈｉｊｉｎｓｈｅｎｇ,ｏｒｔｉｇａｏｊａｒ,ｂａｉ,ｊｕｎｌｉ.ｍｏｄｕｌａｒｎｅｕｒａｌｎｅｔｗｏｒｋｓｆｏｒｐｒｅｄｉｃｔｉｎｇｓｅｔｔｌｅｍｅｎｔｓｄｕｒｉｎｇｔｕｎｎｅｌｉｎｇ[ｊ].ｊｏｕｒｎａｌｏｆｇｅｏ ｔｅｃｈｎｉｃａｌａｎｄｇｅｏ ｅｎｖｉｒｏｎｍｅｎｔａｌｅｎｇｉｎｅｅｒｉｎｇ,ａｓｃｅ,1998,124(5):389 395.
[10]ｙｅｈｉｃｈｅｎｇ.ａｐｐｌｉｃａｔｉｏｎｏｆｎｅｕｒａｌｎｅｔｗｏｒｋｓｔｏａｕｔｏｍａｔｉｃｓｏｉｌｐｒｅｓｓｕｒｅｂａｌａｎｃｅｃｏｎｔｒｏｌｆｏｒｓｈｉｅｌｄｔｕｎｎｅｌｉｎｇ[ｊ].ａｕｔｏｍａｔｉｏｎｉｎｃｏｎｓｔｒｕｃｔｉｏｎ,1997,5(5):421 426.