基于GRU深度学习的土压平衡盾构土压智能调控方法

摘要

本发明提供一种基于GRU深度学习的土压平衡盾构土压智能调控方法，包括：确定每一环盾构管片埋深D；确定地层分布及原始地质参数，计算每一环盾构管片对应的加权地质参数；确定盾构操作参数和土压；将在同一环盾构管片对应的管片埋深D、加权地质参数、盾构操作参数和土压组成数据集，数据集划分为训练集和测试集，并对数据集进行归一化处理；建立GRU神经网络预测模型，基于GRU神经网络预测模型，采用遗传算法对隧道施工时的土压进行动态控制。本发明充分考虑地层参数及实时盾构操作参数，建立起土压与隧道几何参数、地层参数、盾构操作参数之间的高度非线性关系，实现盾构施工中土压的实时预测与控制。

说明书

技术领域

本发明属于隧道工程领域，具体地，涉及一种基于GRU深度学习的土压平衡盾构土压智能调控方法。

背景技术

土压平衡盾构法具有高度机械化、对环境影响小、施工安全性高等优点，是一种隧道开挖的主要施工方式。土压平衡盾构利用土仓内的渣土和土壤改良剂等混合物的压力平衡开挖面刀盘前方土层的水土压力，从而实现开挖面的稳定。开挖面两侧的土压平衡对盾构施工的质量和安全具有重要意义。当土仓内压力值过小时，刀盘前方的土体将处于主动土压力状态，产生向刀盘方向变形的趋势，造成刀盘前方土体损失，土体应力释放，进而引发过大的地表沉降；当土仓内土压力值过大时，刀盘前方的土体将处于被动土压力状态，产生背离刀盘方向变形的趋势，土体应力水平升高，进而引发地表隆起。因此，开挖面两侧土压的平衡状态是影响地表变形的重要因素，土压的监控与调整也是土压平衡盾构施工的关键环节。目前土压的控制主要依靠施工人员的施工经验。技术人员根据地表变形监测数据判断土压是否需要调整及其调整范围。如需调整，技术人员则调节螺旋机转速、掘进速度等盾构操作参数，控制土仓中渣土的输出与输入，进而实现土仓内土压控制。

经对现有技术文献的检索发现，中国发明专利申请号为201610705764.X，发明名称为：一种基于地表变形的土压平衡盾构掘进参数控制方法，该专利自述为：“考虑盾构排土及盾尾脱空引起的地层损失，推导出盾构土压平衡比的计算公式，并建立起土压平衡比控制范围，为下一环的掘进速度和螺旋输送机旋转速度提供控制依据。”该专利提出的计算方法基于理想化假设，难以反映实际施工的土压值与多个盾构操作参数的真实非线性关系。一方面，地层参数仅包含土体重度，未提出对不同地层的处理方法；另一方面，该计算方法仅包含螺旋输送机转速和盾构机掘进速度两个盾构参数，没有考虑其他相关操作参数，且不能实现土压的智能化实时调节控制。

发明内容

针对现有方法中的缺陷，本发明的目的是提供一种基于GRU深度学习的土压平衡盾构土压智能调控方法，该方法克服了现有方法中未充分考虑地层参数及实时盾构操作参数的缺陷，建立起土压与隧道几何参数、地层参数、盾构操作参数之间的高度非线性关系，实现盾构施工中土压的实时预测与控制。

为实现上述目的，本发明提供一种基于GRU深度学习的土压平衡盾构土压智能调控方法，包括：

S1、根据隧道设计图纸确定每一环盾构管片埋深D；

S2、通过地质勘察资料确定地层分布及原始地质参数，计算每一环盾构管片对应的加权地质参数；

S3、确定盾构操作参数和土压；

S4、将S1～S3在一时间内获取的连续盾构管片对应的管片埋深D、加权地质参数、盾构操作参数和土压组成数据集，数据集划分为训练集和测试集，并对数据集进行归一化处理；

S5、建立GRU神经网络预测模型，调试模型超参数，将S4的训练集输入GRU神经网络预测模型进行训练，当测试集准确率达到要求时结束训练并保存GRU神经网络预测模型，计算该模型在训练集的误差中位数e；

S6、基于S5的GRU神经网络预测模型以及误差中位数e，采用遗传算法对隧道施工时的土压进行动态控制。

优选地，所述加权地质参数是指在每一环盾构管片对应的横向截面内，以各土层厚度与截面厚度的比例为权重，对原始地质参数加权平均计算后得到的加权地质参数，包括加权土层重度γ

其中，下标i表示隧道每一环截面内第i层土，th

优选地，所述截面总厚度th

优选地，地层中存在孔洞、胶结层，无对应的粘聚力c和内摩擦角

优选地，所述盾构操作参数是指在掘进施工时，盾构机每分钟自动检测并记录的与土压相关的施工参数，包括螺旋机转速、刀盘转速、刀盘扭矩、掘进速度、贯入度、推力、盾尾注浆压力、膨润土体积、泡沫气体体积、泡沫液体体积。

优选地，所述S3中，还包括对数据预先处理，所述数据预处理是指对盾构操作参数进行的数据预先处理，包括去除零值数据、去除异常值、求取每环平均值、数据降噪处理。

优选地，所述归一化处理是指对数据集的数据样本进行无量纲化处理，将数据样本的输入数据和标签数据除以其绝对值最大值与缩放因子A的乘积，把数据映射到(0,1)范围，归一化公式如式(2)；

其中，缩放因子A取值在1～2之间，x

所述数据样本是指由t个连续盾构管片对应的管片埋深D、加权地质参数、盾构操作参数和土压组成的，时间长度为t的序列数据，单个时间步长内的数据分为输入数据和标签数据；

所述输入数据为每环管片对应的管片埋深D、加权地质参数、盾构操作参数和前一环管片的土压，为输入GRU模型的数据；

所述标签数据为数据样本中第t个管片对应的土压。

优选地，所述建立GRU神经网络预测模型可以采用TensorFlow，所述TensorFlow为开源的深度学习软件开发平台。

优选地，所述GRU神经网络预测模型在单个时间步长为四层神经网络，包括输入层、GRU层、全连接层和输出层，利用具有t个时间步长的数据样本，预测数据样本第t个时间步的土压数据；其中，

所述输入层为输入GRU神经网络预测模型的数据层，输入层的节点数量等于输入数据的变量数量，输入层的输入数据直接作为该层的输出数据输入GRU层；

所述GRU层为GRU单元所在数据层，每层包含20个GRU单元，其输入为输入层的输出数据和上一个时间步长GRU单元的输出数据，其输出数据输入下一时间步长的GRU单元和全连接层。

更优选地，所述GRU单元由重置门r

其中，W

更优选地，所述全连接层包含20个节点，其输入数据为GRU层的输出数据，其输出数据流入输出层。

更优选地，所述输出层包含1个节点，其输入数据为全连接层的输出数据，并输出数据为预测土压值。

优选地，所述模型超参数是指学习率learning rate、迭代训练次数epoch，单次训练样本数量batch size。

优选地，所述训练是指利用TensorFlow模块中的Momentum优化器对模型的权重矩阵和偏置向量进行更新以使代价函数最小化的过程。

更优选地，所述代价函数包含相对误差平方项和避免过拟合的L2正则项，计算公式如式(4)；

其中，m为样本数量，y

优选地，所述测试集预测准确率是对模型预测效果的评价指标，使用相对误差绝对值MAPE和决定系数R

其中，

优选地，所述采用遗传算法对隧道施工时的土压进行动态控制，包括：

S601,将隧道施工中的施工数据样本输入GRU预测模型，确定下一环管片的预测土压EP

S602,根据GRU预测模型的误差中位数e，计算下一环管片的预测土压修正值EP

S603,判断EP

优选地，所述施工数据样本包括已施工完成的t-1个管片对应的埋深、地质参数、盾构操作参数，以及下一环的管片埋深、地质参数、预设的盾构操作参数；

优选地，所述预测土压控制范围是指根据静止土压力值P

其中，K

更优选地，α和β可先按如下规则取值：

其中，d为隧道直径，再通过建立有限元数值模型，确定开挖面处于极限状态时的土压上下限，将模拟结果与上述α和β确定的土压安全范围对比，若模拟结果包含此区间，则α和β取值正确；否则调整α和β取值至与模拟结果基本一致。

S604,利用遗传算法对盾构操作参数进行优化调整；

优选地，所述遗传算法是模拟生物进化的一种随机优化算法，通过该方法优化盾构操作参数，控制GRU模型输出土压力值在允许范围内。其主要步骤包括：

l)确定初代种群数量N，种群初始化

a)计算种群每个个体适应度f，计算公式如式(8)

f＝δ

b)判断种群中最佳适应度f

c)根据种群中个体适应度排序选择最高的n个作为父代；

d)父代杂交(父代盾构操作参数随机混合重组)产生N-n个子代；

e)子代变异(子代盾构操作参数随机增减小量)；

f)父代和子代产生新的含N个个体的种群，重复b)；

g)选择适应度大于0的所有个体作为备选；

h)计算每个备选个体盾构操作参数调节率总和；

i)选取盾构操作参数调解率最小的个体作为最优盾构操作参数；

j)输出最优盾构操作参数，结束算法。

优选地，所述盾构操作参数是指与土压相关性最强的操作参数，包括螺旋输送机速度、掘进速度、刀盘转速、刀盘扭矩。

S605,按照遗传算法输出的最优盾构操作参数进行下一环的施工，待下一环管片施工完成后，将其对应的管片埋深、地质参数和实际盾构操作参数更新至隧道的施工数据样本，重复S601直到掘进完成。

与现有技术相比，本发明实施例具有以下至少一种有益效果：

本发明上述基于GRU的土压预测和控制方法，通过建立GRU神经网络预测模型，克服了现有技术中未充分考虑地层参数及实时盾构操作参数的缺陷，建立起土压与隧道几何参数、地层参数、盾构操作参数之间的高度非线性关系，实现盾构施工中土压的实时预测与控制。

附图说明

通过阅读参照以下附图和附表对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明一实施例基于GRU深度学习的土压平衡盾构土压智能调控方法流程图；

图2为本发明一实施例的GRU神经网络结构图；

图3为本发明一实施例的基于遗传算法的盾构操作参数优化流程图；

图4为本发明一实施例的某地铁区间隧道地质图；

图5为本发明一实施例的场地土层物理力学参数图。

具体实施方式

下面对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。本实施例中没有特别说明的操作，参照发明内容中已经给出的方法进行，在此不再赘述。

本实施例是某地铁区间隧道：左线长约1173.21m，右线长约1172.00m，隧道管片宽1.5m，右线施工765环，左线施工773环。每环外径6.20m，内径5.50m，隧道顶部埋深在6.5m-14.2m。地下水位位于隧道底部以下。

图1为本发明一实施例基于GRU深度学习的土压平衡盾构土压智能调控方法流程图。参照图1所示，本实施例中的种基于人工智能的土压平衡盾构施工土压智能调控方法，具体步骤如下：

第一步、根据隧道设计图纸确定隧道每一环管片埋深D。

本步骤中，隧道设计图纸是指区分隧道每一环管片的隧道施工纵剖面图或立面图；管片埋深D是指隧道每一环管片顶部最外侧距离地面的垂直距离。

图4为本发明一实施例的某地铁区间隧道地质图。本实施例中根据图4提取每一环埋深，最小埋深为6.5m，最大埋深为14.2m。

第二步、通过地质勘察资料确定地层分布及原始地质参数，计算每一环盾构管片对应的加权地质参数。

本步骤中，地质勘察资料是指沿隧道两侧交叉布置钻探孔，通过钻孔取样和土工试验获取的地层分布信息和地层物理力学参数。本实施例中，钻探孔一般布置于隧道结构外侧3～5m处，孔距30～50m。

本步骤中，土工试验是指密度试验和三轴剪切试验。

本步骤中，地层分布是指根据沿线钻探孔测得的各地层上下界面的厚度th。主要分布地层依次是杂填土、素填土、黄土状粉质黏土、粉质黏土、卵石、黏质粉土、含姜石层、泥质砂岩、泥岩，每一环对应的地层及厚度见图4。

本步骤中，原始地质参数是指对沿线钻探孔得到的各层土样进行物理力学试验得到的地质参数，包括土层重度γ，粘聚力c和内摩擦角

本步骤中，加权地质参数是指隧道每一环截面内以各土层厚度在截面厚度中所占比例为权重的加权平均后的每一环加权地质参数，包括加权土层重度γ

其中，下标i表示隧道每一环截面内第i层土，th

本实施例中，截面总厚度th

第三步、确定盾构操作参数和土压，并进行数据预处理。

本步骤中，盾构操作参数是指盾构机开挖时机器每分钟自动检测并记录的与土压值相关的施工参数，包括螺旋输送机转速、刀盘转速、刀盘扭矩、掘进速度、贯入度、推力、盾尾注浆压力、膨润土体积、泡沫气体体积、泡沫液体体积和土压。

本步骤中，数据预处理是指对盾构操作参数进行的一系列数据处理步骤，包括去除零值数据、去除异常值、求取每环平均值、数据降噪处理。其中，去除零值数据是指当刀盘转速、刀盘扭矩、掘进速度、贯入度、推力中任一参数为0时，盾构处于停工状态，删除对应零值数据；求取每环平均值是指在盾构推进一环管片距离所耗费的时间段内，求取各操作参数的平均值；去除异常值是指剔除各操作参数中大于或小于对应平均值超过3倍标准差的异常数据；数据降噪处理是指使用连续三环管片对应盾构操作参数的平均值，作为第三环管片对应的盾构操作参数。

第四步、将数据集划分为训练集和测试集，并对数据集进行归一化处理。

本步骤中，数据集是指由所有数据样本组成的数据集合。数据样本是指由t个连续盾构管片对应的管片埋深D、加权地质参数、盾构操作参数和土压组成的，时间长度为t的序列数据，单个时间步长内的数据分为输入数据和标签数据。输入数据为每环管片对应的管片埋深D、加权地质参数、盾构操作参数和前一环管片的土压，为输入GRU模型的数据。标签数据为数据样本中第t个管片对应的土压。

本步骤中，训练集是指从数据集中选取一定比例的数据样本，用于训练GRU模型；测试集是指数据集中除训练集以外的数据，用于验证GRU模型的预测准确率。

具体的，本实施例中，数据集包含右线隧道761个数据样本，左线769个数据样本。数据样本是指由5个连续盾构管片对应的管片埋深D、加权地质参数、盾构操作参数和土压组成的，时间长度为5的序列数据，单个时间步长内的数据分为输入数据和标签数据；其中，输入数据包括每环的埋深D、加权地质参数，盾构操作参数及对应前一环的实测土压值；标签数据为数据样本中第5环管片施工时实测的土压值。

本实施例中，训练集是从数据集中选取右线隧道施工的764个数据样本作为训练GRU模型的输入数据和标签。

本实施例中，测试集是从数据集中选取的左线隧道772个数据样本，用于验证GRU模型的预测准确率的模型输入数据和标签。

本实施例中，归一化处理是指对输入数据和标签进行无量纲化处理，把数据映射到(0,1)范围，归一化公式如式(2)。

本实施例中，缩放因子A取值为1.2之间。

第五步、利用TensorFlow建立GRU神经网络预测模型，调试模型超参数，将训练集输入模型进行训练，当测试集准确率达到要求时结束训练并保存GRU预测模型，计算该模型在训练集的误差中位数e。

图2为本发明一实施例的GRU神经网络结构图。参照图2所示，本实施例中，GRU神经网络预测模型为四层神经网络，包括输入层、GRU层、全连接层和输出层，每层之间的激活函数选取tanh函数，神经网络在时间维度上具有t＝5时间步长，可用于预测5个时间步长的时间序列数据。

输入层包含17个节点用于接收17个输入变量，输入变量包括埋深、加权土层厚度、加权粘聚力、加权内摩擦角、胶结层厚度比例、空洞厚度比例、螺旋输送机转速、刀盘转速、刀盘扭矩、掘进速度、膨润土体积、泡沫气体体积、贯入度、泡沫液体体积、推力、盾尾注浆压力、前一环实测土压。

GRU层包含20个GRU单元，通过单元内部门控操作对输入层当前的输入x

其中，r

本实施例中，全连接层包含20个节点，用于接收GRU流出的信息。输出层包含1个节点，用于接收全连接层的信息，并输出预测土压值。

本实施例中，模型超参数是指与神经网络训练相关的各模型超参数，包括学习率learning rate＝0.019、训练次数epoch＝8000，批处理大小batch size＝100。

本实施例中，训练是指利用TensorFlow模块中的Momentum优化器对模型的权重和偏置进行更新以使代价函数最小化的过程。代价函数包含相对误差平方项和避免过拟合的L2正则项，计算公式如式(4)。

其中，m为样本数量，y

本实施例中，测试集预测准确率是对模型预测效果的评价指标，用相对误差绝对值Re

第六步、基于第五步的GRU预测模型，采用遗传算法对隧道施工时的土压进行动态控制。

本实施例中，采用遗传算法对隧道施工时的土压进行动态控制具体步骤包括：

(1)将隧道施工中的施工数据样本输入GRU预测模型，确定下一环管片的预测土压EP

施工数据样本包括已施工完成的4个管片对应的埋深、地质参数、盾构操作参数，以及下一环的管片埋深、地质参数、预设的盾构操作参数；

(2)根据GRU预测模型的误差中位数e＝-3.50％，计算下一环管片的预测土压修正值EP

(3)判断EP

预测土压值控制范围是指静止土压力值P

其中，K

(4)利用遗传算法对盾构操作参数进行优化调整；

图3为本发明一实施例的基于遗传算法的盾构操作参数优化流程图。遗传算法是模拟生物进化的一种随机优化算法，通过该方法优化盾构操作参数，包括螺旋输送机转速、刀盘转速、刀盘扭矩、掘进速度，控制GRU模型输出土压力值在允许范围内。

参照图3所示，利用遗传算法对盾构操作参数进行优化调整的步骤包括：

a)确定初代种群数量N＝30，种群初始化；

b)计算种群每个个体适应度f，计算公式如式(8)

f＝20

c)判断种群中最佳适应度f

d)根据种群中个体适应度排序选择最高的10个作为父代；

e)父代杂交(父代盾构操作参数随机混合重组)产生20个子代；

f)子代变异(子代盾构操作参数随机增减小量)；

g)父代和子代产生新的含30个个体的种群，重复b)；

h)选择适应度大于0的所有个体作为备选；

i)计算每个备选个体盾构操作参数调节率总和；

j)选取盾构操作参数调解率最小的个体作为最优盾构操作参数；

k)输出最优盾构操作参数，结束算法。

本实施例中，盾构操作参数是指与土压相关性最强的操作参数，如螺旋输送机速度、掘进速度、刀盘转速、刀盘扭矩等。

(5)按照遗传算法输出的最优盾构操作参数进行下一环的施工，待下一环管片施工完成后，将其对应的管片埋深、地质参数和实际盾构操作参数更新至隧道的施工数据样本，重复第(1)步直到掘进完成。

图5为本发明上述实施例的场地土层物理力学参数图，对右线隧道715-764环土压的调控结果见图5，其中有64％的隧道环数被准确预测会超出控制范围。对其预设的盾构操作参数进行优化调整，土压值被成功控制到要求范围，调整率均不超过34％。

综上，本发明实施例充分考虑地层参数及实时盾构操作参数，通过GRU模型建立起土压与隧道几何参数、地层参数、盾构操作参数之间的高度非线性关系，并进一步利用遗传算法实现盾构施工中土压的实时预测与控制。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。上述各优选特征在互不冲突的情况下，可以任意组合使用。