一种基于神经网络的盾构隧道管片上浮预测方法与流程

1.本发明涉及一种基于神经网络的盾构隧道管片上浮预测方法。


背景技术：

2.随着我国城市地下空间开发进程不断加快，截至2021年9月30日，我国内地累计有40个城市开通地铁线6737.73公里。盾构法以其不影响地面交通，不受季节天气干扰、掘进速度快等优势，已经被广泛应用于地铁隧道建设中。但盾构隧道施工过程中，管片脱离盾尾后经常出现局部或整体上浮，并伴随着管片错台、开裂、破损以及轴线偏位、管段渗漏等施工病害，这对后续盾构隧道结构的服役性能以及正常使用的耐久性都会产生巨大的影响。因此，采取有效合理的计算方法来预测盾构隧道施工期管片上浮量，已成为业内重点关注的问题。
3.施工期盾构隧道管片上浮主要与隧道周围土体的地层特性、盾构机的施工参数(同步注浆压力、注浆量、千斤顶推力、掘进速度、刀盘扭矩等)以及隧道覆土埋深、管片直径等因素有关。由于盾构机开挖直径大于管片的外径，当管片脱出盾尾时，管片与周围土层间存在间隙，管片未受到周围地层的约束，从而给管片提供了上浮的空间。管片与周围土层的间隙采用同步注浆的形式填充，但由于浆液的凝固需要一定的时间，而盾构机按一定掘进速度不断推进，从而始终存在一定长度的管片结构处于未凝固的浆液中。未凝固浆液与地下水包裹施加给管片的静态上浮力以及由注浆压力引起的动态上浮力大于管片环的重力，从而使管片有上浮的趋势。而且施工中向下偏斜的盾构机施加的千斤顶推力会给管片施加向上的竖直分力，管片下方的土体开挖后回弹的地基反力均会导致管片脱离盾尾后出现局部或整体上浮。
4.目前对施工期盾构隧道管片上浮的研究方法主要有理论分析与数值模拟两种方法。
5.现有理论分析方法主要采用隧道结构设计方法中的荷载结构法，将地层对结构的作用等效为作用在地下结构上的荷载(包括主动的地层压力和由于围岩约束结构变形产生的弹性反力)，再采用结构力学方法计算管片在荷载作用下产生的内力和变形。通过采用纵向梁-弹簧模型、壳-弹簧模型或等效连续化模型等将隧道管片简化为一纵向梁，基于弹性地基理论将上覆土的抗浮效应简化为地基弹簧，在求得其纵向等效抗弯刚度、静态上浮力、动态上浮力及上覆土地基弹簧参数后，计算管片在静、动态上浮力作用下管片上浮量。
6.但是理论分析存在以下问题：一、简化的力学模型为某时刻的分析模型，无法有效地模拟隧道的动态施工过程。二、简化的上浮计算模型为横向或纵向的二维平面模型，无法准确分析实际施工中三维受力特性的管片上浮量。三、模型中管片-螺栓的刚度假设与实际刚度不符，且忽略了周围土体渗透性对注浆压力、浆液凝结时间的影响。四、模型中对周围土层假设为均质土层与实际复杂的地质情况不符，预测结果准确性不高。
7.数值模拟方法通过全面考虑隧道施工和土层之间的相互作用、周围地层特性、注浆压力的分布与扩散，建立三维土体-管片-螺栓精细化数值模型。通过在三维模型中模拟
开挖、注浆、管片拼装等动态施工过程，预测管片的最大上浮量。但是数值模拟预测方法存在以下问题：一、建立的三维数值模型，土体与管片、管片与螺栓的接触关系、边界条件的设立过于理想化与实际情况并不相符。二、管片-螺栓建模参数的取值以及管片接头的模拟没有统一的标准。三、计算结果的准确性依赖于土体本构模型的选择，计算参数的不准确，导致预测结果的可靠性不髙。
8.神经网络算法是近年兴起的预测方法，它具有强大的自主学习和非线性拟合能力，能够考虑管片上浮的所有影响因素，达到理想的预测效果。


技术实现要素：

9.基于上述分析，本发明提出了基于神经网络的盾构隧道管片上浮预测方法，以克服现有技术的缺点，实现对施工期隧道管片上浮量的精准预测。
10.本发明提出的基于神经网络的盾构隧道管片上浮预测方法利用现场的已有监测数据构建数据库，建立三层bp神经网络，将80％的数据库样本当做训练集，20％的数据库样本当做测试集，训练神经网络，再利用遗传算法优化bp神经网络的初始权值和阈值，建立高效的盾构施工管片上浮预测模型，获取待预测管片环的输入参数，即可预测管片最大上浮量。
11.具体实施步骤如下：
12.a.构建管片上浮数据库；
13.a1.在拟采用盾构掘进施工的隧道内，安装以静力水准仪为代表的管片上浮监测设备；
14.a2.采集土样，测量地质参数；收集掘进参数与隧道几何参数；
15.a3.在掘进过程中以及掘进后对隧道管片进行持续监测，获取管片上浮数据，从监测数据中提取管片的最大上浮量；
16.a4.对不同隧道中的数据进行收集整理，形成包含地质参数、掘进参数、隧道几何参数与其对应管片最大上浮量的数据库；
17.b.构建神经网络预测模型；
18.b1.构建bp神经网络，输入层变量个数为11个，分别对应a2中的参数；输出层个数为1个，对应a3的最大上浮量；
19.b2.训练神经网络，随机抽取数据库中部分数据作为训练集，在输入11个影响上浮的因素后，输出预测的管片上浮量，并使用真实测量的管片上浮量对bp神经网络进行优化；
20.b3.将b2中未使用的数据作为测试集，用误差百分比和均方根误差mse两个指标来评价模型预测结果；
21.c.遗传算法优化bp神经网络；
22.c1.设置遗传算法参数，以b2训练后的神经网络权值与阈值为初始个体；
23.c2.用b2相同的数据样本训练遗传算法，得到最优个体；
24.c3.将最优个体赋给bp神经网络的权值与阈值，用b3相同的数据测试优化后的神经网络预测结果；
25.d.预测管片上浮量；
26.d1.在新施工的盾构隧道内，测量地质参数，收集掘进参数与隧道几何参数；
27.d2.将d1数据输入优化后的神经网络预测模型，预测管片最大上浮量。
28.优选地，步骤a2所述的测量地质参数包括土层的粘聚力、内摩擦角、土体重度、渗透系数；收集掘进参数包括刀盘扭矩、推力、掘进速度、注浆压力、注浆量；隧道几何参数包括管片直径、埋深。
29.优选地，步骤b2随机抽取数据库中80％的数据作为训练集。
30.与现有的技术相比，本技术有以下几个优点：
31.1.能够准确预测盾构动态掘进过程中管片最大上浮量，真正指导盾构隧道现场施工。
32.2.基于现场实测数据学习训练神经网络预测模型，用神经网络强大的非线性拟合能力，考虑引起管片上浮的所有影响因素，预测结果更可靠。
33.3.利用遗传算法优化bp神经网络预测模型，提高预测结果的准确性与鲁棒性。
34.4.预测方法具有通用性，适用于各类盾构隧道施工工况。
附图说明
35.图1是本发明的预测管片上浮量的bp神经网络结构。
36.图2是本发明方法的实施流程图。
具体实施方式
37.下面结合附图进一步说明本发明的技术方案。
38.本发明的一种基于神经网络的盾构隧道管片上浮预测方法，具体实施步骤如下：
39.a.构建管片上浮数据库；
40.a1.在拟采用盾构掘进施工的隧道内，安装以静力水准仪为代表的管片上浮监测设备；
41.a2.采集土样，测量地质参数(土层的粘聚力、内摩擦角、土体重度、渗透系数)；收集掘进参数(刀盘扭矩、推力、掘进速度、注浆压力、注浆量)与隧道几何参数(管片直径、埋深)；
42.a3.在掘进过程中以及掘进后对隧道管片进行持续监测，获取管片上浮数据，从监测数据中提取管片的最大上浮量；
43.a4.对不同隧道中的数据进行收集整理，形成包含地质参数、掘进参数、隧道几何参数与其对应管片最大上浮量的数据库；
44.b.构建神经网络预测模型；
45.b1.构建bp神经网络，输入层变量个数为11个，分别对应a2中的参数；输出层个数为1个，对应a3的最大上浮量；
46.b2.训练神经网络，随机抽取数据库中80％的数据作为训练集，在输入11个影响上浮的因素后，输出预测的管片上浮量，并使用真实测量的管片上浮量对bp神经网络进行优化；
47.b3.将b2中未使用的20％数据作为测试集，用误差百分比和均方根误差mse两个指标来评价模型预测结果；
48.c.遗传算法优化bp神经网络；
49.c1.设置遗传算法参数，以b2训练后的神经网络权值与阈值为初始个体；
50.c2.用b2相同的数据样本训练遗传算法，得到最优个体；
51.c3.将最优个体赋给bp神经网络的权值与阈值，用b3相同的数据测试优化后的神经网络预测结果；
52.d.预测管片上浮量；
53.d1.在新施工的盾构隧道内，测量地质参数，收集掘进参数与隧道几何参数；
54.d2.将d1数据输入优化后的神经网络预测模型，预测管片最大上浮量。
55.本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。