超大直径隧道施工引起地表沉降预测研究.docxVIP

? ? 超大直径隧道施工引起地表沉降预测研究 ? ? 周帆 （上海勘察设计研究院（集团）有限公司，上海 200438） 1 引言 随着现代城市的经济飞速发展，我国沿江城市急需增加过江通道来缓解交通压力，满足经济发展需求。过江隧道相比于过江桥梁有着独特的便利，但地下工程施工必将引起地层损失，进而引起地表沉降[1]。因此，在盾构施工过程中进行地表沉降预测对盾构安全开挖具有重要参考意义。 针对BP 神经网络进行网络训练时易出现局部极小值问题和收敛速度慢等问题，因此，利用GA 遗传算法改进BP 神经网络建立网络预测模型。本文以南京某过江通道为例，重点分析影响因子并利用灰色关联分析法进行数据关联度分析，分别使用BP 神经网络和GA-BP 神经网络进行样本数据预测，验证了GA-BP 网络在地表沉降预测上比BP 神经网络更具优势，可在类似的工程背景即砂土土质下超大直径盾构隧道施工引起的地表沉降预测中推广应用。 2 GA 遗传算法改进BP 神经网络基本原理 2.1 BP 神经网络预测原理 BP 神经网络采用的算法是反向传播学习算法。BP 神经网络在处理数据预测方面展现出的优越性能，使其适用于众多领域中，尤其是用于预测盾构施工引起的地表沉降研究非线性问题中。BP 神经网络的模型结构没有限制，比较常用的网络模型是一种3 层结构，主要由输入层、隐含层以及输出层组成。 设Pi（i=1,2,3…,n）是网络训练样本的输入值，ωi（i=1,2,3…,n）是网络模型中各个节点之间的权值，b为偏差阈值，f为激活函数，Y 为模型输出值，隐含层神经元接收的信号值y为： 则最终输出层的输出为： 设样本的原始输出向量即理想输出向量为Yk，实际输出向量为Y′k，则定义误差函数为： 当得出的损失函数不满足所给定的精度要求时，则进行反向计算各层级的误差，按照正向传播路径反向推算，反复迭代求解权值、阈值最优值，直至达到所设定的网络训练精度，网络训练结束[2，3]。 2.2 GA 遗传算法改进BP 神经网络 BP 神经网络模型在进行样本训练时，受到模型自身算法因素的影响，极易出现局部极小值和收敛速度慢等问题，GA遗传算法是基于达尔文进化论所提出的一种迭代优选算法，通过将样本数据进行编码化，进行适应度值训练，进而进行遗传操作（选择操作、交叉操作、变异操作），对整体样本数据进行全局搜索得到最优解。核心优化思路为：使用BP 神经网络模型预测出的输出值与真值之差作为适应度值，进行遗传算法迭代，找寻到BP 神经网络所需要的最优权值和阈值。 3 灰色关联分析法 本文为了确定研究测区地表沉降主要影响因子采用灰色关联分析法来解决。步骤如下。 1）根据样本数据划分成参考序列和比较序列这2 类数据； 2）对样本进行量化处理；均值法： 式中，xa（b）为数据库内a组数据内第b个数据；xa为数据库内a组数据的平均数；b=1,2,3,…,n；a=1,2,3,…,m。本文数据n=39，m=8。 3）计算灰色关联系数； 4）求解相关度。 4 工程实例 江苏南京某过江隧道项目全长2 965 m，管片外径15 m，内径13.3 m，宽度2 m。在超大直径盾构开挖过程中地表沉降量较大，因此，在盾构始发井至长江江边公路大堤区间共计5 个监测断面采集数据并进行地表沉降预测。 根据国家最新围岩级别划分依据，研究区间断面均为Ⅵ级围岩，地下水文地质条件均为松散岩类孔隙微承压水[4，5]。因此，围岩结构和地下水情况不作输入参数进行模型预测。 针对研究区间对地表沉降有直接影响初步总结出了以下几个影响参数。由于盾构直径为15 m，选取的几个断面盾构直径未改变，因此，将隧道埋深和直径合成为隧道埋径比，现选定施工影响参数为：监测断面点距隧道中心线距离X1、隧道埋径比X2、掘进推力X3、注浆量X4、刀盘转速X5、刀盘扭矩X6。 6 个影响因子进行灰色关联度分析，研究确定最终模型影响因子即输入参数，结果见表1。 表1 影响因子较地表沉降量关联度表 参数与参数之间相较于地表沉降量关联度相差不大，均在0.5 以上。因此，将这6 个参数作为最终样本影响因子代入GA-BP 神经网络进行数据拟合预测。 为了防止出现输入节点内样本输入值小数据值被大数据值直接淹没现象，可以采取数据归一化处理。在归一化数据时，将数据归一化至[0.05，0.95]区间，以此来避免归化至[0，1]极值造成的迭代速度慢等问题。 取前31 组数据作为训练样本，后8 组数据作为预测样本，后8 组数据均为第6 断面8 个沉降监测点位数据。预测结果如表2、表3 和图1 所示。 表2 预测结果对比表 表3 BP 与GA-BP 预测模型数据各项误差对比表 图1 预测模型数据对比图 从表3 数据整理可得各相关误差值，均方根误差GA-BP神经网络为0.58 mm，小于BP 神经网