林廣東,何 軍,申小軍,徐龍飛,徐衛(wèi)獎(jiǎng)

1(中交一公局集團(tuán)有限公司,北京 100024)

2(中交隧道工程局有限公司,北京 100102)

3(長安大學(xué) 公路學(xué)院,西安 710064)

當(dāng)前,國內(nèi)隧道建設(shè)進(jìn)程處于高速發(fā)展階段,且正由東部轉(zhuǎn)站中西部.在復(fù)雜山區(qū)地形下,隧道施工存在高風(fēng)險(xiǎn)、管理難、施工方式落后等諸多問題.通過各類傳感器可以輔助監(jiān)測隧道的施工及安全狀態(tài),并為管理和施工者提供合理決策.針對實(shí)時(shí)監(jiān)測量僅能反映出隧道當(dāng)前的各項(xiàng)安全指標(biāo),對于未來可能出現(xiàn)的潛在風(fēng)險(xiǎn)并沒有前瞻性的不足,國內(nèi)外諸多學(xué)者開展了針對隧道地表下沉量、拱頂下沉量和周邊收斂量等預(yù)測研究,并取得了一定的研究成果.總體而言,對于隧道變形預(yù)測的方法主要有經(jīng)驗(yàn)法、回歸分析法、灰色系統(tǒng)理論模型、人工神經(jīng)網(wǎng)絡(luò)等.對于經(jīng)驗(yàn)法,因?yàn)榇嬖谳^大的主觀性,現(xiàn)已采用較少,多為輔助使用,回歸分析法介于只適用于一些靜態(tài)數(shù)據(jù)的處理,因此很難用于隧道沉降這種動(dòng)態(tài)的模型分析,灰色理論法,該法于1982年由鄧聚龍教授提出[1],最早被用于農(nóng)業(yè)和經(jīng)濟(jì)領(lǐng)域,隨著經(jīng)濟(jì)建設(shè)的發(fā)展,逐步被運(yùn)用于土木工程領(lǐng)域,并在建筑物的沉降、邊坡的長期變形預(yù)測、混凝土長期強(qiáng)度的變化的預(yù)測等方面取得一定成果,如胡亮等[2]對高速公路隧道進(jìn)行灰色理論模型預(yù)測,賈承輝等[3]基于激光斷面儀運(yùn)用灰色理論對隧道進(jìn)行變形預(yù)測,胡達(dá)[4]、張錦等[5]基于改進(jìn)灰色理論模型對隧道圍巖變形進(jìn)行監(jiān)測,并取得較好的監(jiān)測效果.但隨著實(shí)際工程應(yīng)用的增多以及對該理論研究的深入,諸多學(xué)者發(fā)現(xiàn),灰色理論對數(shù)據(jù)的要求較高,要求數(shù)據(jù)具備指數(shù)遞增或單調(diào)性,在很大程度上限制了它在具有非線性變形特點(diǎn)的隧道上的應(yīng)用.

基于數(shù)字技術(shù)的發(fā)展,人們對神經(jīng)網(wǎng)絡(luò)的研究越來越深入,目前,各類人工智能算法已經(jīng)得到突飛猛進(jìn)的進(jìn)步,包括經(jīng)典的BP 神經(jīng)網(wǎng)絡(luò)以及新型的諸如長短期記憶人工神經(jīng)網(wǎng)絡(luò)(LSTM)等深度學(xué)習(xí)算法在計(jì)算機(jī)視覺、語音識別、文本分類等領(lǐng)域都得到了廣泛的應(yīng)用并取得了良好的效果.在隧道監(jiān)測領(lǐng)域也有部分應(yīng)用,例如,廖小輝等[6]基于BP 神經(jīng)網(wǎng)絡(luò)分析預(yù)測了混凝土的抗壓強(qiáng)度變化,趙摯南等[7–9]結(jié)合數(shù)值分析軟件研究了基于BP 神經(jīng)網(wǎng)絡(luò)鄰近地鐵基坑土體參數(shù)反演規(guī)律的變化,且取得了較好的分析結(jié)果.武鐵路[10]以廣州地鐵7 號線為例,采用深度學(xué)習(xí)方法對破碎帶盾構(gòu)施工沉降進(jìn)行預(yù)測分析,并分析了預(yù)測結(jié)果與實(shí)測值來驗(yàn)證預(yù)測模型的有效性.曾學(xué)宏等[11]將LSTM網(wǎng)絡(luò)應(yīng)用于地鐵隧道的沉降變形分析,并取得了較高的預(yù)測精度.孫鈞等[12–15]將人工神經(jīng)網(wǎng)絡(luò)和智能模糊邏輯應(yīng)用于施工變形預(yù)測,且已經(jīng)在上海沿江通道中得到階段性試驗(yàn)應(yīng)用.

然而,相較于回歸分析、支持向量機(jī)等經(jīng)典方法,人工神經(jīng)網(wǎng)絡(luò)在隧道施工安全狀態(tài)監(jiān)測領(lǐng)域應(yīng)用的研究仍較為欠缺[16–18].目前人工神經(jīng)網(wǎng)絡(luò)在隧道施工安全狀態(tài)監(jiān)測領(lǐng)域應(yīng)用已經(jīng)得到驗(yàn)證,但是目前的研究主要是將人工神經(jīng)網(wǎng)絡(luò)運(yùn)用在參數(shù)明確、機(jī)械化程度高的盾構(gòu)隧道工程中,對爆破等施工因素引起的隧道地表下沉預(yù)測研究較少;且現(xiàn)有監(jiān)測方法多為基于時(shí)間序列的指標(biāo)預(yù)測,鮮有文獻(xiàn)將隧道指標(biāo)的監(jiān)測特征區(qū)域作為人工神經(jīng)網(wǎng)絡(luò)的分析、擬合和預(yù)測對象.

鑒于此,本文提出了一種基于特征區(qū)域(feature region,FR)神經(jīng)網(wǎng)絡(luò)的隧道地表沉降狀態(tài)預(yù)測模型.通過采集白家莊隧道欒川端的地表觀測數(shù)據(jù)對所提方法的預(yù)測性能進(jìn)行算例分析,以此檢驗(yàn)基于時(shí)空特征區(qū)域神經(jīng)網(wǎng)絡(luò)的施工隧道沉降量預(yù)測方法的準(zhǔn)確性和可靠性.

1 基于FR 神經(jīng)網(wǎng)絡(luò)的構(gòu)建

1.1 建模思想

在隧道領(lǐng)域,基于神經(jīng)網(wǎng)絡(luò)構(gòu)建的模型越來越多,總結(jié)來說主要有對圍巖的變形預(yù)測、隧道地表沉降的預(yù)測、隧道巖體位移的預(yù)測、隧道支護(hù)形式的穩(wěn)定性的評價(jià)等,更具體的來說,以往對隧道的變形方面的預(yù)測都是基于時(shí)間特性的預(yù)測,但傳統(tǒng)的基于時(shí)間序列的隧道地表沉降量預(yù)測方法多數(shù)只考慮了時(shí)間特性,而在時(shí)空特征等方面卻很少有考慮,而實(shí)際隧道的變形卻是一個(gè)隨時(shí)空變化的動(dòng)態(tài)變形過程,這種過程不僅融合了時(shí)間特性,更是與周邊環(huán)境氣候等多因素相關(guān),因此,為準(zhǔn)確預(yù)測隧道的沉降量,預(yù)測模型的關(guān)注量融合了隧道時(shí)空特征的監(jiān)測狀態(tài),而非單一時(shí)間序列下的指標(biāo).經(jīng)典預(yù)測算法的技術(shù)路線和基于FR的技術(shù)路線對比圖如圖1所示.

圖1 技術(shù)路線對比

基于FR的人工神經(jīng)網(wǎng)絡(luò)隧道特性狀態(tài)預(yù)測步驟為:首先,基于大量實(shí)測隧道監(jiān)測歷史數(shù)據(jù)篩選能夠代表隧道施工狀態(tài)的特征變量,并借助多源數(shù)據(jù)融合提取關(guān)鍵變量;其次,通過人工神經(jīng)網(wǎng)絡(luò)(BP 神經(jīng)網(wǎng)絡(luò)、LSTM神經(jīng)網(wǎng)絡(luò))訓(xùn)練學(xué)習(xí)諸如地表下沉量、拱頂下沉量和周邊收斂量等隧道特性數(shù)據(jù)的典型演化趨勢;最后,依據(jù)訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)做出空間特征度量的狀態(tài)預(yù)測,為隧道監(jiān)測即施工管理規(guī)劃提供合理建議與參考.

需要說明,上述隧道特征量的篩選主要用到K-means聚類方法:首先,隨機(jī)選取k個(gè)聚類中心,并計(jì)算各特征點(diǎn)與聚類中心的多維空間距離;其次,依據(jù)計(jì)算結(jié)果為各特征點(diǎn)分配簇,并計(jì)算簇心;隨后,迭代計(jì)算特征點(diǎn)群的空間距離,確定相應(yīng)的簇及簇心,直至滿足終止條件;最后,當(dāng)各特征點(diǎn)距離簇心的全局誤差平方和滿足設(shè)定要求后,終止迭代計(jì)算.特征區(qū)域可以反映出沉降量、收斂量等的平均演化特征,減小神經(jīng)網(wǎng)絡(luò)的計(jì)算復(fù)雜度.

1.2 空間特征度量

為衡量個(gè)體特征點(diǎn)之間的相關(guān)性,常采用如下兩種距離計(jì)算方法,即切比雪夫距離和曼哈頓距離.個(gè)體特征點(diǎn)在多維空間中的無量綱距離越遠(yuǎn)就表明個(gè)體差異性越大.

(1)切比雪夫距離(CD)

CD的具體計(jì)算公式如式(1)所示:

(2)曼哈頓距離(MD)

MD的具體計(jì)算公式如式(2)所示:

1.3 網(wǎng)絡(luò)架構(gòu)

網(wǎng)絡(luò)架構(gòu)圖如圖2所示,網(wǎng)絡(luò)隱藏層選用tansig函數(shù),輸出層選用purelin 函數(shù).對于BP 神經(jīng)網(wǎng)絡(luò),隱藏層神經(jīng)網(wǎng)絡(luò)的個(gè)數(shù)選擇如經(jīng)驗(yàn)公式(3).

圖2 神經(jīng)網(wǎng)絡(luò)架構(gòu)圖

其中,L為網(wǎng)絡(luò)隱藏層節(jié)點(diǎn)數(shù),I為輸入層數(shù),O為輸出層數(shù),δ為經(jīng)驗(yàn)選取值,一般取值在1–10 之間.

定義網(wǎng)絡(luò)傳播誤差為:

圖2所示神經(jīng)網(wǎng)絡(luò)的輸入為隧道地表下沉量的觀測平均值、相對變化值和累計(jì)變化值經(jīng)聚類后的監(jiān)測量.隱藏層依據(jù)經(jīng)驗(yàn)公式(3)選擇神經(jīng)元個(gè)數(shù)為10.輸出層的輸出量分別為沉降量的觀測平均值、相對變化值和累計(jì)變化值的預(yù)測值.

2 工程實(shí)例

2.1 數(shù)據(jù)來源

此工程采用的數(shù)據(jù)均來源于河南省鄭西高速欒雙段白家莊隧道欒川端的左線和右線地表實(shí)時(shí)觀測數(shù)據(jù),隧道左線樁號ZK104+214–ZK105+526,全長1 312 m;右線樁號K104+116–K105+416,全長1 300 m,為河南省鄭西高速欒雙段在建隧道群中最長隧道,隧道地處于華北陸塊南緣與秦嶺構(gòu)造帶的結(jié)合部位,大部分位于昆侖–秦嶺構(gòu)造帶東段,在該段巖片北邊界附近常見古生代輝長閃長巖及斜長花崗巖侵入體成帶分布,它們是二郎坪群火山活動(dòng)晚期的同源巖漿侵入活動(dòng)產(chǎn)物,Ⅳ、Ⅴ級圍巖居多,且?guī)r體性質(zhì)較不穩(wěn)定,在隧道開挖過程中,常伴有圍巖脫落等情況,容易造成超挖等現(xiàn)象,被工程建設(shè)稱為“最難啃的骨頭”,因此,隧道采用臺階法開挖,并嚴(yán)格遵守短進(jìn)尺、弱爆破原則.

為防止隧道因爆破等施工因素引起隧道較大的變形沉降,提出了基于特征區(qū)域神經(jīng)網(wǎng)絡(luò)的隧道地表沉降狀態(tài)預(yù)測模型進(jìn)行案例分析,以準(zhǔn)確對隧道開挖過程中可能出現(xiàn)的變形進(jìn)行準(zhǔn)確及時(shí)預(yù)測.數(shù)據(jù)采集時(shí)段為2019年8月25日–2019年9月14日,每日觀測3 次,最終的監(jiān)測數(shù)據(jù)取為3 次觀測的平均值.數(shù)據(jù)分別采集自樁號K104+116-2.1、K104+126-1.2和K104+126-1.3.

2.2 隧道地表下沉量監(jiān)測量

(1)樁號K104+116-2.1 傳感器

表1為隧道右線欒川端樁號K104+116-2.1 傳感器的地表下沉量監(jiān)測數(shù)據(jù).施工狀態(tài)的監(jiān)測數(shù)據(jù)可以反映出隧道當(dāng)前的安全狀態(tài),若超出預(yù)警值則需要及時(shí)停止施工,重新評估設(shè)計(jì)方案及施工.但傳感器的監(jiān)測數(shù)據(jù)是實(shí)時(shí)反映隧道當(dāng)前安全指標(biāo),并不具備前瞻性和預(yù)測性.

表1 隧道右線欒川端地表下沉量測記錄表(樁號K104+116-2.1)

(2)樁號K104+126-1.2 傳感器

表2為隧道右線欒川端樁號K104+126-1.2 傳感器的地表下沉量監(jiān)測數(shù)據(jù).在實(shí)際隧道施工中,傳感器需在各受力關(guān)鍵部位多點(diǎn)安放,來綜合反映出隧道總體情況.因此文中另選取同一隧道的不同部位傳感器進(jìn)行監(jiān)測分析.

表2 隧道右線欒川端地表下沉量測記錄表(樁號K104+126-1.2)

(3)樁號K104+126-1.3 傳感器

表3為隧道右線欒川端樁號K104+126-1.3 傳感器的地表下沉量監(jiān)測數(shù)據(jù).為防止預(yù)測算法僅適用于特定傳感器數(shù)據(jù),而不具有普適性,即出現(xiàn)過擬合現(xiàn)象.加設(shè)樁號K104+126-1.3 傳感器為預(yù)測結(jié)果進(jìn)行驗(yàn)證分析.

表3 隧道右線欒川端地表下沉量測記錄表(樁號K104+126-1.3)

3 結(jié)果與分析

圖3顯示了樁號K104+116-2.1 傳感器數(shù)據(jù)采用與預(yù)測結(jié)果.圖3(a) 分別對比了沉降量的觀測平均值、相對變化值與累計(jì)變化值的觀測量和相應(yīng)的預(yù)測量.實(shí)線代表每天的實(shí)際觀測量,虛線代表依據(jù)歷史觀測數(shù)據(jù)預(yù)測到的沉降及其變化量.圖3(b)顯示神經(jīng)網(wǎng)絡(luò)訓(xùn)練曲線、最優(yōu)訓(xùn)練結(jié)果和目標(biāo),結(jié)果顯示在105 代達(dá)到了最優(yōu)訓(xùn)練表現(xiàn),即0.009 510 5.圖3(c)顯示了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練狀態(tài),在105 代即結(jié)束代的梯度和學(xué)習(xí)率分別為0.017 479和1.678 3.圖3(d)為網(wǎng)絡(luò)回歸分析,結(jié)果顯示擬合數(shù)據(jù)與訓(xùn)練數(shù)據(jù)間的相關(guān)度為0.971 5,即具有較高的相關(guān)性.

圖3 樁號K104+116-2.1 傳感器數(shù)據(jù)預(yù)測結(jié)果

為了確保所提預(yù)測模型的可靠性,另選擇樁號K104+126-1.2 傳感器數(shù)據(jù)進(jìn)行驗(yàn)證分析.圖4顯示了樁號K104+126-1.2 傳感器數(shù)據(jù)采用與預(yù)測結(jié)果.圖4(a)分別對比了沉降量的觀測平均值、相對變化值與累計(jì)變化值的觀測量和相應(yīng)的預(yù)測量.實(shí)線代表每天的實(shí)際觀測量,虛線代表依據(jù)歷史觀測數(shù)據(jù)預(yù)測到的沉降及其變化量.圖4(b)顯示神經(jīng)網(wǎng)絡(luò)訓(xùn)練曲線、最優(yōu)訓(xùn)練結(jié)果和目標(biāo),結(jié)果顯示在122 代達(dá)到了最優(yōu)訓(xùn)練表現(xiàn),相比于圖3的結(jié)果迭代次數(shù)有所延長.最優(yōu)訓(xùn)練結(jié)果為0.009 827 5,相比于圖3所示結(jié)果0.009 510 5,性能有輕微降低.圖4(c) 顯示了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練狀態(tài),在122 代即結(jié)束代的梯度和學(xué)習(xí)率分別為0.009 592 4和3.846 8,可以看出學(xué)習(xí)率相比于圖3(c)步長較長,可能在優(yōu)化過程中產(chǎn)生了振蕩.圖4(d)為網(wǎng)絡(luò)回歸分析,結(jié)果顯示擬合數(shù)據(jù)與訓(xùn)練數(shù)據(jù)間的相關(guān)度為0.950 24,總體來說仍具有較高的相關(guān)性.

圖4 樁號K104+126-1.2 傳感器數(shù)據(jù)預(yù)測結(jié)果

同理,選擇樁號K104+126-1.3 傳感器數(shù)據(jù)進(jìn)行驗(yàn)證分析.圖5顯示了樁號K104+126-1.3 傳感器數(shù)據(jù)采用與預(yù)測結(jié)果.圖5(a)分別對比了沉降量的觀測平均值、相對變化值與累計(jì)變化值的觀測量和相應(yīng)的預(yù)測量.實(shí)線代表每天的實(shí)際觀測量,虛線代表依據(jù)歷史觀測數(shù)據(jù)預(yù)測到的沉降及其變化量.圖5(b)顯示神經(jīng)網(wǎng)絡(luò)訓(xùn)練曲線、最優(yōu)訓(xùn)練結(jié)果和目標(biāo),結(jié)果顯示在333 代達(dá)到了最優(yōu)訓(xùn)練表現(xiàn),訓(xùn)練迭代次數(shù)均超出圖3和圖4所示結(jié)果.最優(yōu)訓(xùn)練結(jié)果為0.009 927 9.圖5(c)顯示了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練狀態(tài),在122 代即結(jié)束代的梯度和學(xué)習(xí)率分別為0.005 818 2和3.694 4,可以看出學(xué)習(xí)率相比于圖3(c)步長較長,可能在優(yōu)化過程中產(chǎn)生了振蕩.圖5(d)為網(wǎng)絡(luò)回歸分析,結(jié)果顯示擬合數(shù)據(jù)與訓(xùn)練數(shù)據(jù)間的相關(guān)度為0.961 93,相關(guān)性介于圖3與圖4之間,預(yù)測的魯棒性基本穩(wěn)定.

圖5 樁號K104+126-1.3 傳感器數(shù)據(jù)預(yù)測結(jié)果

綜上所述,針對樁號K104+116-2.1、樁號K104+126-1.2和K104+126-1.3的隧道地表沉降量傳感數(shù)據(jù)均有較準(zhǔn)確的預(yù)測效果,且預(yù)測結(jié)果也具有一定的魯棒性,未出現(xiàn)過擬合情況,可應(yīng)用于實(shí)際隧道施工的監(jiān)測管理過程.

4 結(jié)論與展望

本文對時(shí)空特征區(qū)域神經(jīng)網(wǎng)絡(luò)在施工隧道沉降量預(yù)測中的應(yīng)用展開了深入的研究和分析,并以此提出了一種基于特征區(qū)域的神經(jīng)網(wǎng)絡(luò)隧道狀態(tài)監(jiān)測模型,且依據(jù)白家莊隧道實(shí)例地表下沉量對未來的演化趨勢做出合理預(yù)測,得出以下幾點(diǎn)結(jié)論.

(1)基于特征區(qū)域的神經(jīng)網(wǎng)絡(luò)模型能夠有效融合多維空間特征量,預(yù)測結(jié)果具有精準(zhǔn)性和魯棒性的特點(diǎn),并能解決傳統(tǒng)神經(jīng)網(wǎng)絡(luò)易出現(xiàn)過擬合的現(xiàn)象.

(2)基于特征區(qū)域的神經(jīng)網(wǎng)絡(luò)模型相比于經(jīng)典技術(shù)路線能更合理準(zhǔn)確地預(yù)測出隧道地表下沉量,在隧道管理施工領(lǐng)域有一定應(yīng)用價(jià)值.