人工神經網絡在地表變形預測中的應用摘　要:討論了城市地鐵區間隧道盾構掘進中對土體的施工擾動及引起地層移動和地表變形沉降的力學機理,概括了施工擾動影響的主導因素。結合工程實踐,采用了人工智能神經網絡技術對地表沉降進行預測,經與現場實測值作對比分析,論證了上述方法的可行性和適用性。關鍵詞:盾構施工,土體擾動,地層移動,神經網絡引言 利用神經網絡較強的非線性映射能力和實測資料,來對高度復雜和高度非線性的變形量進行直接建模,因而具有很強的客觀性和適應性。文中采用人工神經網絡技術進行了地表沉降的理論預測,并應用于南京市地下鐵道1號線的工程實踐,獲得了一些有益的認識。1盾構施工的地表變形機理 盾構推進過程中產生地面變形沉降的根本原因是施工對周圍土體的擾動(徐永福,1999)[1]。盾構推進過程中產生的地面變形由以下五個部分組成:1)盾構到達前的地面變形(δ1):盾構推進對前方土體產生擠壓變形,δ1主要是由于土體受擠壓其有效應力增加而引起的。2)盾構到達時的地面變形(δ2):δ2是由于盾構推進引起土體應力狀態改變而產生的變形。Ｂｒｏｍｓ和Ｂｅｎｎｅｒｍａｒｋ提出了用超載系數Ｎ來表示δ2,超載系數Ｎ擬定為Ｎ=(σ0-Ｐ)/Ｃｕ(1) 其中,σ0為沿盾構軸線原位土體的上覆應力(包括超載應力);Ｐ為開挖面上的支撐力;Ｃｕ為土體的不排水抗剪強度。Ｃｌｏｕｇｈ和Ｓｃｈｍｉｄｔ提出了用上述Ｎ值估算粘土地層中開挖面上的地層損失ΔＶ的方法:ΔＶ=2Ｖ0Ｃｕ[(1+μ)/Ｅ]ｅｘｐ(Ｎ-1)(2) 其中,Ｖ0為盾構的理論排土體積;Ｅ為土體彈性模量;μ為泊松比。對于低塑性粘土,Ｅ=(500～1500)Ｃｕ。Ｎ≥1時,ΔＶ=ｍＶ0ｅｘｐ(Ｎ-1);Ｎ<1時,ΔＶ=ｍＮＶ0,而ｍ=2Ｃｕ(1+μ)/Ｅ=0.002～0.006。 2)盾構通過時的地面變形(δ3):盾構外殼與土層間會形成剪切滑動面,剪切滑動面附近的土層內產生剪切應力,剪切應力引起地表變形δ3。推進速度越快,剪切應力越大,地表位移δ3也越大。 3)盾構通過后的瞬時地面變形(δ4):δ4主要由建筑空隙造成,建筑空隙是由于管片拼裝后與盾構外殼之間形成空隙以及盾構偏移隧道軸線引起的空隙之總和。如果土體不產生壓縮和松弛,建筑空隙的體積即等于地面沉降槽的體積,適時注漿能有效地減小建筑空隙,因而減小地面變形δ4。注漿的填充率等于注漿體積與建筑空隙之比。 4)地表后期固結變形(δ5):后期固結變形是由于盾構推進對周圍土體擾動引起的,前面四種變形可以通過選擇施工機械和施工參數加以控制,但無論什么樣的機械和施工參數,盾構推進總會在一定程度上擾動土體,因此,后期固結變形δ5會或多或少地存在,是無法消除的。地面后期固結變形多數只占地面總變形量的較小部分,大約占總變形量的5%～30%。地面后期固結變形與地面即時變形量(∑δｉ)有很好的對應關系,地面即時變形越大,周圍土體的擾動程度越大,地面后期固結變形也越大。2地層移動及地表沉降量預測的研究現狀 在盾構施工過程中地層移動的預測方面,國內外都進行了大量數值模擬研究,其主要方法有:有限單元法[2,3]、邊界元法[4]、半解析元方法[5,6]等。此外,周文波以上海地區軟土隧道施工經驗為基礎,編制了盾構法隧道施工對周圍環境影響和防治的專家系統,用于地面沉降研究[7];李建華則采用模糊—隨機理論以預測盾構施工引起的地層移動,基于隨機場理論、隨機有限元、模糊概率測度和數理統計方法,對軟土盾構隧道工程中的地層移動問題進行了較深入的探討[8]。 數值方法在進行地層移動預測研究中遇到的問題是力學參數的選取和本構關系方面的考慮不夠符合工程實際,加之計算工作量大,難以在具體工程中采用,而上述專家系統則有獲取大量數據以及工程師知識經驗上的困難。 作為一種軟科學方法的工程應用,人工智能神經網絡技術在盾構施工中的應用方面,ＪｉｎｇｓｈｅｎｇＳｈｉ等利用Ｂ—Ｐ網絡對巴西利亞6.5ｋｍ盾構隧道的地表沉降進行了預測,分析了該隧道施工的特點后,總結出11款主要的地層移動影響因素[9]。ＹｅｈＦＣｈｅｎｇ研究了神經網絡在盾構隧道自動土壓平衡控制中的應用,研制了盾構施工土壓力平衡控制的神經網絡軟件系統,并在臺北市一個隧道工程中加以應用檢驗,取得了很好的效果[10]。3盾構施工監測資料分析 本研究在南京地鐵1號線區間三山街—張府園進行,該工程位于建鄴區內,是南京市重大工程項目之一。上行線起始于地鐵三山街車站北端井,終止于地鐵張府園站南端頭井。下行線在三山街盾構調頭,向張府園推進,上下行線隧道間設置聯絡通道。 該區間隧道由外徑6200ｍｍ,內徑5500ｍｍ的預制鋼筋混凝土襯砌組成,環寬1000ｍｍ,厚度350ｍｍ,每環由拱底塊(Ｄ)一塊,標準塊(Ｂ)二塊,鄰接塊(Ｌ1、Ｌ2)二塊,封頂塊(Ｆ3)一塊拼裝而成。本區間隧道采用德國公司生產的土壓平衡式盾構掘進機施工,其外徑6390ｍｍ,長度8200ｍｍ。沿盾構軸線上布置了一系列地表沉降監測點,并隨時對其進行沉降觀測,上行線于2002年4月16日開始推進,推進環數為8環/ｄ,4月16日開始監測地表沉降。 正常情況下,側向土體擠壓擾動范圍約在距隧道軸線6ｍ內,6ｍ以外土體出現向隧道方向的位移;正面土體擠壓擾動范圍約在盾構刀盤前方10ｍ內,嚴重范圍則在刀盤前方約6ｍ內[6]。根據南京地鐵1號線三山街—新街口段監測資料,盾構施工對土體的擾動范圍約為10ｍ～15ｍ,15ｍ以外的土體幾乎不受影響。因此,每個監測點的記錄歷時都較短,多為10ｄ以下,在建立神經網絡預測模型時,必須以盾構機為參照物,同時利用多個測點資料作為網絡的輸入,并考慮盾構機所在位置的埋深、盾構的施工參數等。預測的內容可以有多種,可預測前方某些點在盾構通過時的沉降,也可預測盾構通過后一定時間內的沉降,還可預測前方某些點的總沉降,這可根據實際需要確定。文中研究的神經網絡模型預測了盾構機前方30ｍ及盾構機后方30ｍ正上方的地表沉降。按目前盾構平均每天推進15ｍ,若預測前方5ｍ處地表沉降超過警戒值,及時調整盾構施工參數(推進速度、密封倉壓力、千斤頂推力、注漿時間等等),當盾構真正推進到此位置時,實測地表沉降定會減小,從而達到控制變形的目的。4盾構施工地層移動的神經網絡預測模型 神經網絡對訓練樣本和測試樣本的擬合情況如圖1,圖2所示(圖中所示30ｍ處即為當時盾構機所處位置),預測結果如表1所示。從預測結果可知,預測值的最大絕對誤差為0.3ｍｍ,對應的相對誤差為30%,對兩個輸出Ｙ1和Ｙ2的平均絕對誤差分別為0.1ｍｍ和0.15ｍｍ,對應平均相對誤差分別為9.2%和10%,總體上具有較高的精度。5案例分析與認識 人工神經網絡在地鐵施工建設中對環境的影響及事故隱患預報問題有著廣闊的應用前景,目前這方面的應用尚處于啟動階段,文中在這方面作了一些探索和研究工作,取得了較好的預測效果。但還需要進一步開展研究和試驗,尤其是隧道上方地表的變形量不僅受盾構施工參數、盾構物理參數、地質環境條件等的影響,還會受其他物理因素的影響(由于資料收集方面的問題,故沒有考慮其他因素),如何對相關因素(如土質等情況)進行預處理和考慮,是值得探討的。參考文獻:[1]徐永福,孫　鈞.隧道盾構掘進施工對周圍土體的影響[Ｊ].地下工程與隧道,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.隧道掘進引起的三維地面沉陷分析[Ｊ].隧道譯叢,1985(9):46～55.[5]曾曉清.地鐵工程雙線隧道平行推進的相互作用及施工力學的研究[Ｄ].上海:同濟大學,1995.[6]易宏偉.盾構施工對土體擾動與地層移動影響的研究[Ｄ].上海:同濟大學,1999.[7]周文波.盾構法隧道施工對周圍環境影響和防治的專家系統[Ｊ].地下工程與隧道,1993(4):120 138.[8]李建華.盾構法隧道施工引起地層移動的隨機理論預測[Ｄ].上海:同濟大學,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.