基于混合多模型的盾构掘进过程中喷涌工况软测量建模方法

摘要

本发明公开了一种基于混合多模型的盾构掘进过程中喷涌工况软测量建模方法。混合多模型是由（1）利用置信规则库方法建立数据驱动的基于勘探信息与施工数据的土质软测量模型、（2）利用支持向量机方法建立数据驱动的渗流量软测量模型、（3）利用支持向量机方法建立数据驱动的渗透系数模型和（4）利用简化机理建立的喷涌工况软测量模型构成。其中土质软测量模型、渗流量软测量模型、渗透系数软测量模型是喷涌工况软测量模型的输入。本发明的优点：采用机理建模与数据驱动建模相结合的混合建模方法，所建模型简单、可解释性强，可靠性高，外推性好。

说明书

技术领域

本发明涉及一种基于混合多模型的盾构掘进过程中喷涌工况软测量建模方 法。

背景技术

盾构法是建造城市地下隧道卓有成效的施工方法之一，在我国城市现代化 进程中发挥重要作用。近年来，我国大中城市盾构施工发展较快，先后有几十 条隧道工程陆续开工。土压平衡盾构因其适用范围广、成本低而在含水的软土、 软岩、硬岩及混合地层等隧道掘进中等到广泛应用。

图1显示了盾构发施工的基本工艺流程。土压平衡盾构机利用最前端的刀 盘切削前方土体。切削下来的土与水的混合物通过孔道进入土舱。在土舱内的 土、水混合物逐渐积累形成一定的支护压力。螺旋排土器从土舱底部将土舱内 下部的土水混合物排除。

在掘进过程中，如土舱内的水土混合物压力过高且无法产生支护压力，大 量的水夹带泥沙从螺旋排土器涌出形成喷涌，甚至形成管道垮塌，地面塌陷等 问题，严重影响盾构正常施工。为解决这一问题，需要向土舱内添加泡沫及膨 润土，以改良土性，保持水土混合物的塑性流动状态。但是添加的剂量及时间 难以把握，受水土混合物状态及盾构施工状态的影响。

目前的施工状态是，人工分析掘进参数，形成对土体改良的判断并以人的 施工经验指导土舱内土体的改性作业。这样做的缺点是：

1、人工分析延迟时间较长，不利于盾构掘进过程的快速应变。

2、人工经验误差较大，不能准确判断施工风险。

发明内容

本发明的目的是提供一种基于混合多模型的盾构掘进过程中喷涌工况软测 量建模方法。

基于混合多模型的盾构掘进过程中喷涌工况软测量建模方法中，混合多模 型是由基于勘探信息与施工数据的土质软测量模型、基于数据驱动的渗流量软 测量模型、基于数据驱动的渗透系数软测量模型和基于机理的喷涌工况软测量 模型构成，其中土质软测量模型、渗流量软测量模型、渗透系数软测量模型是 喷涌工况软测量模型的输入；建模方法的具体步骤如下：

1)选择推进速度、刀盘转速、刀盘扭矩、刀盘推力、在土组群为CL_X、CL_Y、 CL_Z或CL_A的不同土组中，包含特定地层A与土层X、Y和Z四种土层的联合 分布土组数量在土组群为CL_X、CL_Y、CL_Z或CL_A的不同土组中，仅 包含土层X、Y和Z的联合分布的土组数量隧道轴线上一点T(t_x，t_y，t_z) 到附近地质钻孔BH_i处的水平投影距离、土的相关参数作为辅助变量，根据 地质勘探信息计算出特定点处土层的随机分布概率，进而利用置信规则库方法， 建立基于勘探信息与施工数据的土质软测量模型，土的相关参数是指土的定容 比热、过筛重量占10％的土的粒径、土的初始渗流系数、土的初始压力、土的 压缩系数、土的容重、土的不均匀系数、土的塑性指数、土的液限、土的初始 孔隙比；

2)选择土比热、刀盘转速、刀盘扭矩、土舱压力、推力、推进速度、土舱 温度、螺旋排土器转速作为辅助变量，利用支持向量机方法，建立基于数据驱动 的渗流量软测量模型；选择土舱压力、初始孔隙比、土压缩系数、初始土压力、 过筛重量占10％的土的粒径、初始渗透系数作为辅助变量，利用支持向量机方法， 建立基于数据驱动的渗透系数软测量模型；

3)选择渗透系数、渗流量、过筛重量占10％的土的粒径、土重度作为简化 机理模型的输入，建立喷涌工况的软测量模型。

所述的步骤3)为：

1)根据渗流量和渗透系数计算渗流压力其中K为渗透系数，A为 土舱截面积，Q为渗流量，d₁₀′为过筛重量占10％的土的粒径；

2)根据土粒径、土容重计算土颗粒在水中重度其中γ_s为土体容重，γ为水的容重，d₁₀′为过筛重量占10％的土的粒径；

3)喷涌工况的判断

如果渗流压力P大于土体自重G或在土体自重附近则极易发生喷涌，如果 渗流压力P远小于土体自重G则不易发生喷涌。

所述的步骤1)中所利用置信规则库方法为：

根据训练数据{(x_i，y_i)，i＝1，2，…，l}，建立如下形式的土质参数规则库模型

规则权重为θ_k。

k∈{1，…，L}

其中(i∈{1，…，Tk})是第k条规则的第i个输入变量的参考值，T_k是第k条规 则中用到的前提属性的数目，D_jk(j∈{1，…，N})是第k条规则的第j种结果，是 D_jk的置信度，L是规则库中规则的数目，规则权重θ_k及输出结果为D_jk的置信程 度由施工记录的训练样本给出。

所述的步骤2)中支持向量机方法为：

给定训练数据{(x_i，y_i)，i＝1，2，…，l}，通过学习得到如下非线性模型

$f\left(x\right)=\underset{x_i\in \mathrm{SV}}{\Sigma }({\alpha }_i-{\alpha }_i^{*})K(x_i,x)+b,$其中$K(x,x_i)=\exp \{-\frac{\left|\right|x-x_i\left|\right|}{2{\sigma }^2}\}$为Gauss径向基核函 数，$b=\frac{1}{N_{\mathrm{NSF}}}\left\{\underset{0<{\alpha }_i<C}{\Sigma }\right[y_i-\underset{x_j\in \mathrm{SV}}{\Sigma }({\alpha }_j-{\alpha }_j^{*})K(x_j,x_i)-ϵ]+\underset{0<{\alpha }_i^{*}<C}{\Sigma }[y_i-\underset{x_j\in \mathrm{SV}}{\Sigma }({\alpha }_j-{\alpha }_j^{*})K(x_j,x_i)+ϵ\left]\right\},$为支持 向量，N_NSF为支持向量数量，ε为线性不敏感损失参数。

本发明与现有技术相比具有有益效果：

1)基于混合模型的异常工况模型简单，可靠性好；

2)模型具有自适应性，可适应地层非线性变异；

3)使用支持向量机算法，不会陷入样本饱和。

附图说明

图1是盾构掘进过程的基本工艺流程；

图2是基于混合多模型的盾构掘进过程中喷涌工况软测量建模方法流程图。

具体实施方式

基于混合多模型的盾构掘进过程中喷涌工况软测量建模方法中，混合多模 型是由基于勘探信息与施工数据的土质软测量模型、基于数据驱动的渗流量软 测量模型、基于数据驱动的渗透系数软测量模型和基于机理的喷涌工况软测量 模型构成，其中土质软测量模型、渗流量软测量模型、渗透系数软测量模型是 喷涌工况软测量模型的输入；建模方法的具体步骤如下：

1)选择推进速度、刀盘转速、刀盘扭矩、刀盘推力、在土组群为CL_X、CL_Y、 CL_Z或CL_A的不同土组中，包含特定地层A与土层X、Y和Z四种土层的联合 分布土组数量在土组群为CL_X、CL_Y、CL_Z或CL_A的不同土组中，仅 包含土层X、Y和Z的联合分布的土组数量隧道轴线上一点T(t_x，t_y，t_z) 到附近地质钻孔BH_i处的水平投影距离、土的相关参数作为辅助变量，根据地质 勘探信息计算出特定点处土层的随机分布概率，进而利用置信规则库方法，建 立基于勘探信息与施工数据的土质软测量模型，土的相关参数是指土的定容比 热、过筛重量占10％的土的粒径、土的初始渗流系数、土的初始压力、土的压 缩系数、土的容重、土的不均匀系数、土的塑性指数、土的液限、土的初始孔 隙比；

2)选择土比热、刀盘转速、刀盘扭矩、土舱压力、推力、推进速度、土舱 温度、螺旋排土器转速作为辅助变量，利用支持向量机方法，建立基于数据驱动 的渗流量软测量模型；选择土舱压力、初始孔隙比、土压缩系数、初始土压力、 过筛重量占10％的土的粒径、初始渗透系数作为辅助变量，利用支持向量机方法， 建立基于数据驱动的渗透系数软测量模型；

3)选择渗透系数、渗流量、过筛重量占10％的土的粒径、土重度作为简化 机理模型的输入，建立喷涌工况的软测量模型。

所述的步骤3)为：

1)根据渗流量和渗透系数计算渗流压力其中K为渗透系数，A为 土舱截面积，Q为渗流量，d₁₀′为过筛重量占10％的土的粒径；

2)根据土粒径、土容重计算土颗粒在水中重度其中γ_s为土体容重，γ为水的容重，d₁₀′为过筛重量占10％的土的粒径；

3)喷涌工况的判断

如果渗流压力P大于土体自重G或在土体自重附近则极易发生喷涌，如果 渗流压力P远小于土体自重G则不易发生喷涌。

所述的步骤1)中据地质勘探信息计算出特定点处土层的随机分布概率方法 为：

1)土层的联合分布概率

土层的联合分布概率应由其相邻地质钻孔得到的其它土层来共同决定。 假定地质钻孔BH_i中的土组类型是X-Y-Z，即土层分别为X、Y、Z，则与该 地质钻孔BH_i相邻区域中可能存在特定土层A与X、Y、Z相联合的分布概率 计算公式为：

$p{\left(A\right)}_{{\mathrm{BH}}_i}=\frac{N{\left(A\right)}_{{\mathrm{BH}}_i}}{N{\left(A\right)}_{{\mathrm{BH}}_i}+N{\left(\bar{A}\right)}_{{\mathrm{BH}}_i}}$

式中：是特定土层的联合分布概率、是在土组群为CL_X、 CL_Y、CL_Z或CL_A的不同土组中，包含特定地层A与土层X、Y和Z四种土层 的联合分布土组数量、是在土组群为CL_X、CL_Y、CL_Z或CL_A的不同土 组中，仅包含土层X、Y和Z的联合分布的土组数量。

2)特定点处土层的随机分布概率

特定土层在区域内沿工程纵轴线出现的状况可根据地质钻孔数据资料 来判断，即根据需研究的工程纵断面的特定点，通过分析临近地质钻孔的 土层信息和联合分布规律，来计算特定土层沿工程纵轴线方向存在随机分 布概率。假定沿工程纵轴线一点T的坐标为T(t_x，t_y，t_z)，该点T附近有n个不 同地质钻孔柱状土组资料，则该点处出现特定土层A的随机分布概率为：

$R{\left(A\right)}_T=\frac{\underset{i=1}{\overset{n}{\Sigma }}P{\left(A\right)}_{{\mathrm{BH}}_i}/d_i}{\underset{i=1}{\overset{n}{\Sigma }}1/d_i}$

式中：R(A)_T是沿工程纵轴线上一点T(t_x，t_y，t_z)处出现特定土层A的随机分 布概率；是附近相邻地质钻孔中包含特定土层A的联合分布概率；d_i是隧道轴线上一点T(t_x，t_y，t_z)到附近地质钻孔BH_i处的水平投影距离。

通常情况下，如果地质钻孔BH_i距指定点T(t_x，t_y，t_z)处的距离越近，则该 钻孔提供的土层资料信息越可靠。为了反映地质钻孔BH_i提供的地质信息价 值，采用工程地质学统计分析方法定义d_i的计算公式为：

$d_i=\sqrt{{(t_x-x_{\mathrm{BHi}})}^2+{(t_y-y_{\mathrm{BHi}})}^2}$

式中：d_i是指定点T(t_x，t_y，t_z)与地质钻孔间的水平投影距 离。

所述的步骤1)中所利用置信规则库方法为：

把某点处特定土层的分布概率，以及盾构施工过程中的推进速度、刀盘推 力、刀盘扭矩、刀盘转速离散化后作为规则库的前提属性集，把相关土体的比 热、土体的初始渗透系数、土体压缩系数、初始土压力、土体粒径，土体的容 重离散化后作为输出结果，建立规则库模型。具体实施步骤如下

一般地，传统规则库中的第k条规则形式如下：

其中(i∈{1，…，T_k})是第k条规则的第i个输入变量的参考值，T_k是第k条规 则中用到的前提属性的数目，D_j(j∈{1，…，N})是第k条规则的结果。

为了体现规则中各种可能结果的分布从而使规则包含更丰富的信息，在传 统规则的基础上，置信规则库方法采用了一种更接近实际的表达机制即置信规 则。在置信规则中结果与置信度以分布式结构出现。

置信规则形式如下：

规则

权重为θ_k。k∈{1，…，L}

其中D_jk(j∈{1，…，N})是第k条规则的第j种结果，是D_jk的置信度。L是规 则库中规则的数目。

基于置信规则的表示方法，可以把定性数据和定量数据统一转换为带有置 信度分布的置信规则，而不会造成信息损失。

规则库中规则权重的确定方法为：

给定训练数据{(x_i，y_i)，i＝1，2，…，l}中满足条件的记录为a条，其 中对应输出结果为D_jk(j∈{1，…，N})的记录为a_j条，且则规则k的权重为 ${\theta }_k=\underset{j=1}{\overset{N}{\Sigma }}{a}_j/a.$

规则库中置信程度的确定方法为：

给定训练数据{(x_i，y_i)，i＝1，2，…，l}中满足条件的记录为a条，其 中对应输出结果为D_jk(j∈{1，…，N})的记录为a_j条，且则规则k的输出结 果为D_jk的置信度为${\bar{\beta }}_{\mathrm{jk}}=a_j/\underset{j=1}{\overset{N}{\Sigma }}{a}_j.$

所述的步骤2)中支持向量机方法为：

根据给定的训练数据{(x_i，y_i)，i＝1，2，…，l}，其中x_i∈R^d是第i个学习样本的输入 值，且为一d维列向量$x_i={\left(\begin{array}{cccc}{x}_i^1& x_i^2& ...& x_i^d\end{array}\right)}^T,$y_i∈R为对应的目标值。我们先定义 线性ε不敏感损失函数为

${|y-f\left(x\right)|}_s=\left(\begin{array}{cc}0& |y-f\left(x\right)|\le ϵ\\ |y-f\left(x\right)|-ϵ& |y-f\left(x\right)|>ϵ\end{array}\right)---\left(1\right)$

即如果目标值y和经过学习构造的回归估计函数的值f(x)之间的差别小于 ε，则损失等于0。

支持向量机通过定义适当的核函数K(x_i，x_j)，将输入样本空间非线性变换到 另一个特征空间，在这个征空间中构造回归估计函数。选择Gauss径向基核函 数Gauss径向基函数则是局部性强的核函数，其外推能力随 着参数σ的增大而减弱。

因此针对非线性的学习样本集{(x_i，y_i)，i＝1，2，…，l}，设非线性情形的回归估计 函数为

f(x)＝w^T·φ(x)+b  (2)

进而寻找w、b对，使在式(1)不变的前提下最小化同时考虑到当 约束条件不可实现时将松弛变量ξ_i，引入，这样最优化问题为

$\left(\begin{array}{cc}\underset{\omega }{\mathrm{Min}}& \frac{1}{2}{w}^{T}w+C\underset{i=1}{\overset{l}{\Sigma }}({\xi }_i+{\xi }_i^{*})\\ s.t.& y_i-w·\phi \left(x_i\right)-b\le ϵ+{\xi }_i\\ & w·\phi \left(x_i\right)+b-y_i\le ϵ+{\xi }_i^{*}\\ & {\xi }_i\ge 0\\ & {\xi }_i^{*}\ge 0i=\mathrm{1,2},...,l\end{array}\right)---\left(3\right)$

利用拉格朗日乘子法来求解这个约束最优化问题，为此构造如下拉格朗日 函数：

$L_p=\frac{1}{2}{\left|\right|w\left|\right|}^2+C\underset{i=1}{\overset{l}{\Sigma }}({\xi }_i+{\xi }_i^{*})-\underset{i=1}{\overset{l}{\Sigma }}{\alpha }_i(ϵ+{\xi }_i-y_i+w·\phi \left(x_i\right)+b)-$

$\underset{i=1}{\overset{l}{\Sigma }}{\alpha }_i^{*}(ϵ+{\xi }_i^{*}+y_i-w·\phi \left(x_i\right)-b)-\underset{i=1}{\overset{l}{\Sigma }}({\beta }_i{\xi }_i+{\beta }_i^{*}{\xi }_i^{*})---\left(4\right)$

根据最优化理论，将L_p分别对w、b、ξ_i、求偏微分并令其为0得

$\left(\begin{array}{c}w=\underset{i=1}{\overset{l}{\Sigma }}({\alpha }_i-{\alpha }_i^{*})\phi \left(x_i\right)\\ \underset{i=1}{\overset{l}{\Sigma }}({\alpha }_i-{\alpha }_i^{*})=0\\ C-{\alpha }_i-{\beta }_i=0\\ C-{\alpha }_i^{*}-{\beta }_i^{*}=0\end{array}\right)---\left(5\right)$

将(5)代入(4)，得到对偶最优化问题

$\left(\begin{array}{cc}\underset{{\alpha }_i,{\alpha }_i^{*}}{\mathrm{Max}}& [-\frac{1}{2}\underset{i=1}{\overset{l}{\Sigma }}\underset{j=1}{\overset{l}{\Sigma }}({\alpha }_i-{\alpha }_i^{*})({\alpha }_j-{\alpha }_j^{*})K(x_i,x_j)-ϵ\underset{i=1}{\overset{l}{\Sigma }}({\alpha }_i+{\alpha }_i^{*})+\underset{j=1}{\overset{l}{\Sigma }}{y}_i({\alpha }_i-{\alpha }_i^{*})]\\ s.t.& \underset{i=1}{\overset{l}{\Sigma }}({\alpha }_i-{\alpha }_i^{*})=0\\ & 0{\le \alpha }_i\le C\\ & 0\le {\alpha }_i^{*}\le C\end{array}\right)---\left(6\right)$

其中只有部分参数不为0，它们就是问题中的支持向量(SV)。从而通 过学习得到的回归估计函数为

$f\left(x\right)=\underset{x_i\in \mathrm{SV}}{\Sigma }({\alpha }_i-{\alpha }_i^{*})K(x_i,x)+b---\left(7\right)$

其中：

$b=\frac{1}{N_{\mathrm{NSF}}}\left\{\underset{0<{\alpha }_i<C}{\Sigma }\right[y_i-\underset{x_j\in \mathrm{SV}}{\Sigma }({\alpha }_j-{\alpha }_j^{*})K(x_j,x_i)-ϵ]+\underset{0<{\alpha }_i^{*}<C}{\Sigma }[y_i-\underset{x_j\in \mathrm{SV}}{\Sigma }({\alpha }_j-{\alpha }_j^{*})K(x_j,x_i)+ϵ\left]\right\}---\left(8\right)$

上式中N_NSF为支持向量数量。

渗流量与渗透系数的计算过程相同，其相应辅助变量见表1。

本发明的术语解释：

土组群及土组：根据钻孔得到的表土层种类的不同，将地质钻孔土组分成 不同的组群CL_i，不同土组群的随机分布概率可表示工程所在区域内表层土的分 布特征。同理，同一土组群中可能存在多种不同的土组类型SF_A，不同土组类型 反映了系列土层的组合规律。

施工记录：施工记录由三部分组成，第一部分为前期地质勘探数据，应记 录包括地质钻孔位置、地质钻孔所采集的土组群、土组，土的比热、过筛重量 占10％的土的粒径、土的初始渗流系数、土的初始压力、土的压缩系数、土的容 重、土的不均匀系数、土的塑性指数、土的液限、土的初始孔隙比，采用人工 勘探记录并输入计算机数据库中，第二部分盾构运行过程中的数据，应记录包 括刀盘扭矩、刀盘推力、推进速度、刀盘转速、螺旋排土器转速、土舱压力、 土舱温度、总推力，使用PLC采集并记录入实时数据库中，第三部分盾构运行 过程中螺旋排土器排出土的数据，应记录包括采集位置、采集时间、土的比热、 过筛重量占10％的土的粒径、土的压缩系数、土的容重、土的不均匀系数、土的 塑性指数、土的液限、土的孔隙比，由螺旋排土器出土口采集，人工离线分析 获得并记入计算机数据库中。

软测量：在现代工业生产过程中，存在一大类反应产品质量的变量，它们 出于技术或经济上的原因，不能用常规传感器直接测量，而是通过在线分析仪 检测或实验室分析出来，分析周期长，滞后大。但是这些变量的实时检测对于 保证产品质量和生产装置的连续平稳操作以及充分发挥装置的生产能力等都具 有很重要的作用。如果使用滞后的化验值势必无法正确反映实时的工况，同时 操作工为了保险起见通常都留有过大的余地也会降低生产装置的经济效益。为 了解决这一问题，软测量技术近年来取得了很大的进展。软测量技术就是使用 易测的过程变量和对应的产品质量分析值，采用某种建模方法(机理建模，回 归建模等)来组建一个质量估计模型，通过该模型在不增加硬件投资的前提下 实时估计产品质量。

混合模型：软测量建模方法通常可以分为纯机理建模方法和基于数据驱动 的建模方法。这两种方法各有其优缺点：前者能够从本质上反映过程的规律， 可靠性高，外推性好，具有可解释性；缺点是建模过程比较繁琐，对于一些复 杂过程而言，能得到的机理模型一般也是经过若干简化后的模型。后者直接根 据过程的输入/输出数据直接建模，几乎无需过程对象的先验知识，但是缺点也 是明显的，以神经网络为例，作为一种黑箱的建模方法，学习速度慢，推广性 能差，并且模型不具有可解释性，难以确定合适的网络结构和学习终止指标， 容易造成过拟合现象，甚至可能将噪声也拟合进来。由于纯机理建模和基于数 据驱动建模这两种方法的局限性引发了混合建模思想，即对于存在简化机理模 型的过程，可以将简化机理模型和基于数据驱动的模型结合起来，互为补充， 简化机理模型提供的先验知识，可以为基于数据驱动的模型节省训练样本；同 时基于数据驱动的模型又能补偿简化机理模型的未建模特性。

以下结合附图对本发明作进一步的说明：

1、主导变量与过程变量之间的时序匹配

时序匹配即确定主导变量相对于每个过程变量的滞后时间。由于各种干扰 因素的存在，实际工业过程很难达到理想稳态，因此，为了使软测量模型在各 种干扰因素存在的情况下仍能较准确地估计主导变量的变化趋势，在采集训练 样本时必须指定各个模型输入变量对应的滞后时间。盾构掘进过程中喷涌工况 软测量模型中各个辅助变量的时序匹配需根据盾构设计参数及隧道设计参数等 进行计算。

表1所示为盾构掘进过程中喷涌工况软测量模型中各个辅助变量及其对应 的标识符号。

表1辅助变量及其标识符号