哈尔滨地铁集团有限公司 黑龙江哈尔滨 150080
摘要：结合某盾构施工地表沉降监测数据，利用Peck公式对地表的横向沉降曲线进行拟合，提取地表沉降槽最大值Smax及沉降槽宽度系数i。利用双层BP神经网络建立分析模型，将对应监测断面的地层参数以及施工工况作为输入参数，沉降槽最大值以及沉降槽宽度系数i作为输出值，选取数据作为样本进行训练，达到误差要求后运用此模型能够有效预测不同地层、不同工况下的地表沉降情况。
关键词：盾构；沉降槽；Peck公式；BP神经网络
盾构施工过程中地表沉降是尤为重要的安全控制指标，但是在不同地层施工过程中的地表沉降值往往难以准确预测，只能结合施工过程中的实时监测来反馈，具有相当大的滞后性。而盾构施工地表沉降是多因素综合影响的结果[1]，不同的因素之间构成复杂的非线性系统，在这种情况下，神经网络[2]的高适应性就凸显出来了，将相关的地表沉降影响因素及已有地表沉降数据作为已知的输入及目标输出来训练神经网络，即可准确预测相似地层条件下不同影响参数时的地表沉降结果。
1 工程概况
某城市地铁轨道交通建设主体采用盾构施工，盾构穿越地层主要为粉质黏土地层，但是不同区段内土质物理力学参数差异性较大，同时因为盾构下穿基本为城市主要交通干线以及居民住宅区，因此对盾构施工地表沉降的控制尤为严格。合理有效的盾构施工地表沉降预测方法能够有助于施工过程中优化资源配置，采取合理的地表预加固技术及范围，降低建设资源的浪费，同时便于更加高效的施工组织管理。
2地表沉降影响参数分析
2.1地表沉降评价指标
盾构隧道施工引起的地层位移的主要原因是隧道开挖引起的地应力释放和重分布[3]，目前使用最为广泛的是Peck公式[4]预估地表沉降的经验方法。基于Peck提出用高斯分布拟合隧道引起的地表横向沉降槽方法，提出横向地面沉降估算公式：
2.2地表沉降影响参数提取
在土体的各项物理力学参数中，体积模量、泊松比、黏聚力以及内摩擦角对隧道开挖地层的强度和稳定性影响最为显著，因此工程中对上述四种土体力学参数的研究也最为广泛[5]。结合施工前期的地质勘查资料，整理出上述各监测断面的土体力学参数，同时，整理出施工工况对地表沉降的控制因素，即掌子面距监测断面的距离d以及隧道中轴线的埋深h。表1展示了部分监测断面的土体力学参数、工况控制参数以及沉降输出参数。
表1中，地层控制参数反映的是土体的力学性质，工况控制参数反映的是施工工况对地表沉降的影响因素，沉降输出参数为刻画地表沉形态的关键性参数。
3神经网络预测模型
明确盾构施工地表沉降各项控制参数以及沉降输出参数，利用MATLAB神经网络[6]工具模拟各项控制参数与输出参数之间的非线性关系，从而用于预测不同地层条件、不同施工工况下的地表沉降形态。利用MATLAB神经网络工具箱构建盾构隧道上覆岩土体力学参数与地表沉降的神经网络预测模型，并通过附加动量法对网络进行优化，模型分析流程图如图2所示。
以各地层参数及开挖面距监测点的距离为输入参数，以各断面最大沉降值Smax以及地表沉降槽宽度i为输出构建神经网络。为提高网络的精度，采用双隐含层神经网络，第一层隐含层设有10个节点，第二层设有5个节点。各层的初始权值、阈值随机设置。网络结构模型如图3所示。表1神经网络模型训练参数表
根据MATLAB神经网络工具箱计算规则，系统将随机从选取的样本中选取部分数据构成学习样本（training set）对神经网络进行训练。以剩下的数据构成验证样本（validation set）及测试样本（test set），并以验证样本对网络进行验证。当验证样本的均方误差达到最小时，训练结束。
运用构建的预测模型对已有的沉降断面进行预测，输入地层控制参数、工况控制参数以及地层沉降输出参数见表2。绘制相应的地层沉降槽曲线图以及实测地表沉降对比见图4。
4.结论
1）盾构掘进施工过程中地表横向沉降曲线基本符合高斯正态分布规律，采用Peck地表沉降公式能够合理刻画地表沉降规律。
2）盾构施工地表沉降受多重因素综合影响，除地层土体的力学参数之外，还包括盾构施工工况如隧道轴线埋深、掌子面推进距离等参数的影响。
3）利用MATLAB双层BP神经网络工具建立模型，将沉降影响因素作为输入变量，将沉降特征参数作为输出变量，选取样本数据对模型进行训练，满足误差要求后进行泛化使用，能够有效预测不同地层参数、不同施工工况下的地表沉降情况。
参考文献：
[1]周诚.地铁盾构施工地表变形时空演化规律与预警研究[D].华中科技大学，2011.
[2]丛爽.面向MATLAB工具箱的神经网络理论与应用[M].安徽：中国科学技术大学出版社，2013.
[3]魏纲.盾构法隧道施工引起的土体变形预测[J].岩石力学与工程学报，2009，（02）：418-424.
[4]PECK R B.Deep excavations and tunneling in soft ground[C]//Proceedings of the 7th International Conference on Soil Mechanics and Foundation Engineering.Mexico City：Sociedad Mexicana de Mecanica de Suelos，1969：225-290.
[5]王洪德，朱贵东.地铁隧道土体参数优先级表和神经网络反分析[J].中国安全科学学报，2014，24（10）：15-20.
[6]樊琨，刘宇敏，张艳华.基于人工神经网络的岩土工程力学参数反分析[J].河海大学学报，1998，（04）：99-103.
论文作者:李会良
论文发表刊物:《基层建设》2017年第32期
论文发表时间:2018/1/24
标签：地表论文; 盾构论文; 参数论文; 神经网络论文; 地层论文; 工况论文; 隧道论文; 《基层建设》2017年第32期论文;