CN100445516C - 基于探地雷达的盾构隧道沉降控制方法 - Google Patents

Abstract

本发明属于隧道及地下工程技术领域，具体涉及一种基于探地雷达的盾构隧道沉降控制方法。采用动态循环反馈方法进行盾构隧道沉降控制，具体步骤为：采用探地雷达设备对盾构隧道壁后注浆进行全断面和纵向的探测，然后通过测定或估算得到注浆材料介电常数，并将其应用于隧道壁后注浆层的模型试验探测、正演模拟结果及现场探测的数据，提取特征图像和特征波，将其作为训练输入样本，利用小波神经网络自动识别方法，得到隧道壁后注浆层分布形态；结合地表沉降监测数据进行分析。根据以上分析结果确定下 一步的施工控制措施，为了验证控制措施的效果需再一次进行现场的探测，形成循环动态过程，至完全有效控制盾构隧道不均匀沉降变形。本发明很好地解决壁后注浆的效果，使得盾构隧道沉降控制方法更加科学化。

Description

基于探地雷达的盾构隧道沉降控制方法

技术领域

本发明属于隧道及地下工程技术领域，具体涉及一种基于探地雷达的盾构隧道沉降控制方法。

背景技术

盾构法施工技术虽然经历了近两百年的发展，已经是一项相当成熟的施工技术，但是其在软土地层中施工引起的后期沉降控制及施工质量管理仍存在许多问题，这些导致周围地层发生过大变形，引发很多不必要的工程事故。引发地铁工程事故的主要有：

(1)地铁隧道运营期的纵向不均匀沉降。主要包括：管片接头张开甚至漏水、漏泥和轨道刚性道床与隧道管片脱离。

(2)双圆盾构工后沉降问题。海鸥块顶部产生背土脱空现象，立柱的应力集中破坏等问题。

(3)旁通道冻结法施工问题。冻结法施工过程中冻结范围的确定和工后的隧道融沉也是对隧道结构安全产生很大影响的问题。

从地铁施工所遇到的问题来看，隧道施工过程中：在软土地层中采用盾构法施工隧道，因地层损失和土体扰动，必然引起地表变形甚至引起隧道结构本身的变形。以图1上海延安东路南线隧道工程泥水平衡盾构施工引起的地表沉降为例。由于盾尾拖出后产生的地表沉降是盾构施工扰动产生最终地表沉降的60％左右。而解决这一关键问题的方法就是在盾尾拖出后及时的注浆填充产生的建筑空隙，以及准确的控制注浆量、注浆压力和注浆位置等。

从目前使用的隧道运营过程中所遇到的问题来看：盾构隧道纵向不均匀沉降问题主要存在于已建盾构隧道中，是环境对盾构隧道的影响。由于环境的变化，周围土体位移，地下水流失，振动引起的隧道下卧土层液化等因素引起的隧道不均匀变形。而较大纵向不均匀变形，对隧道结构安全、地铁列车运营的安全性及舒适性都有一定潜在的威胁。如上海地铁1号线于1989年开始动工修建，到1995年建成通车，是上海的第一条地铁隧道。由于当时对在上海的软土地层中修建地下铁路隧道还缺乏经验，从隧道建成开始，区间隧道就出现不同程度的沉降，经过几年的运营之后，地铁区间隧道产生的严重的不均匀沉降和变形。

针对以上严重影响地铁隧道结构安全的几个问题，解决的一个主要办法就是注浆。但是目前，对隧道纵向不均匀沉降的控制措施相对比较盲目。具体的做法是根据地表的沉降观测数据，在沉降大的地方，在隧道中相应位置上，通过早期埋入的注浆孔进行二次或控制注浆。在这种情况下，注浆的压力值、浆液量、注浆范围、以及最终控制沉降的效果等一系列问题都带有一定的不确定性。因此，必须对隧道壁后的土层分布、注浆效果进行检测。

同时由于隧道壁后注浆的隐蔽性，从国内瓦公开发表的文献来看，目前尚没有切实可靠的检测手段。当前在上海的地铁隧道的施工中，仅仅依靠施工中的控制手段，包括注浆时间，注浆压力，注浆量等，结合地面沉降观测、隧道本身的沉降变形监测进行质量控制。由于浆液的部分特性，比如流动性、泌水性、渗透性、凝胶速度等，以及隧道所处地层的特性，例如隧道深度(上覆土层厚度，即上覆荷载)、土层的可灌性、对地下水的渗透性以及地下水的流动性等等因素，注浆体在管片背后的性态并不一定是均匀的，浆液可能沿着某些溢浆通路流失，导致注浆量很大，注浆压力上不去。某隧道施工中进行壁后注浆出现上述情况，因为担心隧道的长期变形，仍然坚持原有的注浆压力标准。最后发现浆液沿着劈裂的土体缝隙流到一个废弃的防空洞中。这样的事情发生主要原因就是没有相应成熟的注浆检测手段。

发明内容

本发明的目的在于提供一种基于探地雷达的盾构隧道沉降控制方法。

本发明提出的基于探地雷达的盾构隧道沉降控制方法，采用动态循环反馈方法DAC方法(即D-detect；A-analyse；C-control)进行盾构隧道沉降控制，简述如下：

D-探测过程中主要是采用探地雷达设备对盾构隧道壁后注浆进行全断面和纵向的探测。

A-分析过程主要包括：首先通过测定或估算得到注浆材料介电常数，并将其应用于隧道壁后注浆层的模型试验GPR探测、GPR正演模拟结果及现场探测的数据，经过分析从中提取特征图像和特征波，然后将其作为训练输入样本，利用小波神经网络的自动识别程序，得到隧道壁后注浆层的分布形态；必要时结合地表沉降监测数据进行分析。

C-根据以上的分析结果确定下一步的施工控制措施，即C过程，主要是通过调整施工参数和进行二次补偿注浆方法。为了验证控制措施的效果需再一次进行现场的探测，即过程D。形成循环动态过程，直至完全有效的控制盾构隧道不均匀沉降变形。(图1是该方法的流程)。

本发明提出的基于探地雷达的盾构隧道沉降控制方法，其具体步骤如下：

(1)对盾构隧道壁后注浆进行无损探测：采用探地雷达设备对盾尾的注浆进行隧道全断面和纵向的检测，从所述注浆中得到回波；

探地雷达，或称地质雷达(Ground Penetrate/Probing Radar)，简称GPR，是利用高频电磁波束的反射来探测不可见目标体或者地下界面，以确定其内部结构形态或位置的一种高分辨率电磁扫描技术。

探地雷达的基本原理就是利用电磁波在介质中传播时，在介质的介电常数发生变化的界面上产生反射和折射的原理，通过对发射回波的分析得到反射界面的深度。

(2)采用网络分析仪对盾构隧道壁后注浆材料介电特性参数进行探测；

目前，对于电磁波波速的确定常常是根据作为常量的介电常数来估算电磁波速的。而实际隧道壁后介质的介电性特征在探测前却是未知的，且因时因地因频率的变化而变化，为了得到适合频率变化的介质介电特性参数，需要对壁后注浆材料的介电常数进行测定。可以通过同轴探头法对盾构隧道壁后注浆材料介电特性参数进行探测。常用的仪器是HP87553E网络分析仪，采用扫频范围为30KHz～6GHz，在需要探测的频率范围内该仪器可以自动化分401段进行扫频，给出不同频率下的介质的相对介电常数值。

除了利用网络分析仪进行探测外还可以根据以前的经验数据进行估算。所得的介电常数是模型试验探地雷达、正演模拟及现场探测的数据处理的必要参数。

(3)通过对盾构隧道壁后注浆探测模型试验与正演模拟，对注浆层无损探测标定特征图像和特征波；

模型试验：通过对数据分析可以达到指导实际隧道探测的目的。模型试验主要从注浆材料组成的不同，分布形态的差异，不同的探测时间以及可能存在的建筑空隙等几个主要的方面进行分析。图2模型试验的示意，通过对模型试验的探地雷达探测得到注浆层的特征图像和特征波，并作为小波神经网络图像自动识别的训练输入样本。

正演模拟：

基于盾构隧道壁后注浆分布的特性考虑，用时域有限差分法(FDTD)模拟探地雷达电磁波在隧管片后介质中传播的模拟。在壁后注浆模型构建时，假定射角为零，不考虑磁导率的影响，依据电磁波原理得到了GPR检测壁后注浆的回波反射模型，根据FDTD应用的几个基本点，将雷达电磁波在壁后介质中传播的正演模拟步骤归纳如下：输入隧道管片壁后介质的基本参数，建立结构模型，获取并输入激励源对离散源进数值差分，使之成为对应时间步的点，利用时域有限差分原理计算电磁波在介质中传播特性，包括反射、透射和损耗特性，分析并分别计算总场和透射场、计算反射场、输出反射波的信号。依据以上步骤，建立了隧道壁后注浆分布范围探地雷达波在介质层中传播的正演模型的程序，图3是该程序框图。

正演模拟结果如图4所示，尽管存在多次反射干扰波，但从三组模拟的结果图像上仍能清晰的显示出三道反射波位置，第一道为空气直达波；界面1为混凝土层和注浆层界面的反射；界面2为注浆层和干砂层之间的界面反射。为下一步的图像识别提供了很好的指导作用。

(4)基于模型试验数据、正演模拟的数据，通过小波神经网络方法对盾构隧道探地雷达图像进行自动识别，得出了隧道壁后注浆层分布形态。

A、提取典型特征波

为了成功地对地下目标进行分类，信号特征的提取是关键。信号的特征提取可以从时域、频域、自相关、双谱、小波域等方面进行，经过正演数值模拟和模型试验验证得到：探地雷达电磁波在混凝土与注浆体之间的界面上，以及注浆体与土体的界面上都出现了相位反转的现象。追寻波形相位翻转，以及相邻两道同相轴位置具有相似性的规律，同时配合功率谱分析，即可得到注浆层的分布形态以及厚度；

B、小波神经网络壁后注浆层的自动识别

1)小波神经网络训练样本的输入

根据探地雷达电磁波在介质中传播的特性不同，即介质界面反射在浆液层发生极性翻转的特点，从探地雷达探测的模型试验结果、正演模拟结果以及现场探测结果中，抽取较为典型的含有注浆层的探地雷达特征波作为小波神经网络模型的学习训练样本的输入(如图5是正演模拟的特征波)。

2)小波神经网络训练样本的标准输出

小波神经网络的输出样本是根据前期的模型试验结果和正演模拟结果来进行确定的。根据人工准确比对识别的基础上建立输出集，形成一个特定大小的矩阵。在识别的注浆层位置上赋值1，在注浆层以外的区域赋值0，这样得到输出样本矩阵，采用MATLAB编程处理，根据矩阵中的不同区域的值可以得到彩色显示的注浆层区域，有助于小波神经网络识别结果的相互对比验证，图6是某盾构隧道雷达探测数据经过小波神经网络自动识别并进行多尺度小波变换处理后彩色图像，从图中可以很直观得出盾构隧道壁后注浆分布形态。

小波神经网络自动识别注浆层的准确性，很大程度依赖于训练样本的输入和输出数据的数量和准确性。因此需要利用已有的大量的模型试验探测数据、正演模拟的数据以及现场试验数据，从中提取典型的波形形成小波神经网络训练样本的输入集，使样本具有很好的代表性和准确性。

(5)控制措施

通过小波神经网络图像自动识别方法得出的盾构隧道壁后注浆层的分布形态，必要时结合地表沉降的监测数据进行分析，对隧道施工和运营过程中的隧道沉降进行控制，可以采取在施工中调整隧道施工参数(注浆压力、注浆量等)和进行二次补偿注浆的方法。为了验证控制措施的效果需再一次进行现场的探测，形成循环动态过程，直至完全有效的控制盾构隧道不均匀沉降变形。

本发明的有益效果：

由于盾构隧道壁后注浆的隐蔽性，所以迄今为止主要是根据盾构隧道施工参数(注浆压力、注浆量等)来判断壁后的注浆效果，而实际效果到底如何，现有识别方法不能给出一个具体的答案。而本发明DAC方法的应用将很好地解决这个问题，使壁后注浆的效果从盲目判断到具体识别(如图6所示效果)，使得盾构隧道沉降控制方法更加科学化。

附图说明

图1为本发明DAC方法的流程图示。

图2为模型试验的示意图。其中：(a)为模拟实体管片壁后注浆装置示意图，(b)为模拟实体管片壁后有建筑空隙时装置示意图。

图3为正演模拟的流程图示。

图4为某厚度注浆层的正演模拟结果。其中：(a)为正演模型介电常数常数及尺寸，(b)为正演模拟结果。

图5为正演模拟的特征波。其中：(a)、(b)分别为不同厚度注浆层的特征波。

图6为小波神经网络自动识别得到的壁后注浆分布形态。

图7为实施例1中上海某地铁隧道壁后注浆探测结果。

图8为实施例1中模拟实体管片壁后注浆装置示意图。

图9为实施例1中模型试验探地雷达探测的特征波。

图10为实施例1中注浆层为20cm时的正演模拟结果。其中：(a)为正演模型介电常数常数及尺寸，(b)为实施例1的正演模拟结果。

图中标号：1为管片，2为弧形模板，3为横向支撑，4为注浆体，5为建筑空隙。

具体实施方式

下面通过实施例进一步说明本发明。

实施例1：上海某地铁隧道采用盾构法隧道施工：隧道外径为φ6200mm，内径为φ5500mm，装配式衬砌管片通缝拼装，共855环，其中钢管片2环；衬砌块为钢筋混凝土，宽度1200mm，厚350mm，衬砌管片砼设计强度为C55，抗渗等级≥S10；

采用盾尾同步注浆方式及时注入单液浆，以填充开挖轮廓与管片外径之间的环形建筑空隙。同步注浆完成后，对未注满处利用管片吊装孔进行二次补强注浆。注浆材料包括水泥、膨润土、粉煤灰、砂、外加剂和水。

现场探测

2006年7月25日在现场对上行线进行探地雷达注浆效果的探测，分别沿隧道545环到835环进行纵向和环向探测。本次试验分纵向测线和环线测线探测：雷达天线频率250MHz，天线步长0.025m。天线分离距0.003m。时窗126ns，采样点数316。共计完成测线8条，其中纵向测线6条，环向2条测线。本次试验纵向探测的距离为300环，图7为其中793环～797环沿隧道底部纵向壁后注浆分布探测原始结果。

注浆材料介电常数测定和估算：

注浆材料包括水泥、膨润土、粉煤灰、砂、外加剂和水，材料用量如表1所示。

表1水泥砂浆材料用量表(单位：kg/m³)

水泥	细砂	粉煤灰	膨润土	水	减水剂
						125	260	1150	35	400	2.5

本工程中采用的浆液含水量小于20％。因此估算浆液的介电常数(龄期为2个月，探测频率为250MHz)为：22。

模型试验

利用某地区地铁隧道常用的单圆盾构施工管片中的一块标准块制成如图8所示的试验模型。管片直径为6.2m，其宽度为1m，厚度为350mm。在管片后支弧形木模板，模板与管片间距为200mm，形成均匀注浆厚度，在模板和管片中间填充单液浆。利用探地雷达对该模型试验进行探测，得出了模型试验情况下壁后注浆层的特征波(见图9)。

正演模拟

该隧道注浆层的厚度大约为20cm，因此采用时域有限差分法(FDTD)方法对注浆层厚度为20cm模型进行正演数值模拟。

正演模型中离散网格平面尺寸为300×200；连接边界的最大顶点为(300，200)，最小顶点为(0，0)；天线中心频率为200MHz，Δx＝Δy＝λ/20＝0.025m。其中混凝土层(模拟隧道管片)为14个网格，35cm厚。设入射波垂直于分界面(θ＝0)，天线分离距为6个网格＝0.15m，天线移动的步长为0.125m。正演数值模型中，各介质的介电常数和厚度如图10所示。混凝土层ε＝6.25，d＝35cm，σ＝0.001s/m；干砂层ε＝12，d＝180cm，σ＝0.002s/m。图5是其正演模拟结果的特征波。

小波神经网络壁后注浆层自动识别

基于上述数据，利用小波神经网络对793环～797环探测结果进行注浆层自动识别并进行多尺度小波变换处理后彩色图像(如6所示)。结果显示795环～797环壁后注浆量较少，平均厚度大约只有9.6cm，从793环～795环注浆量逐渐增多，分布较为均匀，平均厚度达到19.1cm。

控制措施

从图6中可以直观得到该盾构隧道壁后注浆分布形态，经过与现场施工记录核对，该段区间在施工时出现了盾尾漏浆，因此注浆层没有达到设计的厚度。所以施工方及时地对其进行了注浆控制。

Claims (1)

1、一种基于探地雷达的盾构隧道沉降控制方法，采用动态循环反馈方法进行盾构隧道沉降控制，其特征在于具体步骤如下：

(1)对盾构隧道壁后注浆进行无损探测：采用探地雷达设备对盾尾的注浆进行隧道全断面和纵向的检测，从所述注浆中得到回波；

(2)采用网络分析仪对盾构隧道壁后注浆材料介电特性参数进行探测，网络分析仪扫频范围为30KHz～6GHz，同时根据经验数据进行估算，得到介电常数；

(3)通过对盾构隧道壁后注浆探测模型试验与正演模拟，对注浆层无损探测标定特征图像和特征波；

模型试验是从注浆材料组成的不同，分布形态的差异，不同的探测时间以及建筑空隙四个方面进行分析，通过对模型试验的探地雷达探测得到注浆层的特征图像和特征波，并作为小波神经网络图像自动识别的训练输入样本；

正演模拟步骤为：输入隧道管片壁后介质的基本参数，建立结构模型，获取并输入激励源，对离散源进数值差分，使之成为对应时间步的点，利用时域有限差分原理计算电磁波在介质中传播特性，包括反射、透射和损耗特性，分析并分别计算总场和透射场、计算反射场、输出反射波的信号；

(4)基于模型试验数据、正演模拟的数据，通过小波神经网络方法对盾构隧道探地雷达图像进行自动识别，得出了隧道壁后注浆层分布形态；

A、提取典型特征波

信号的特征提取从时域、频域、自相关、双谱、小波域方面进行，经过正演数值模拟和模型试验验证得到：探地雷达电磁波在混凝土与注浆体之间的界面上，以及注浆体与上体的界面上都出现了相位反转的现象；追寻波形相位翻转，以及相邻两道同相轴位置具有相似性的规律，同时配合功率谱分析，即得到注浆层的分布形态以及厚度；

B、小波神经网络壁后注浆层的自动识别

1)小波神经网络训练样本的输入

根据探地雷达电磁波在介质中传播的特性不同，即介质界面反射在浆液层发生极性翻转的特点，从探地雷达探测的模型试验结果、正演模拟结果以及现场探测结果中，抽取较为典型的含有注浆层的探地雷达特征波，作为小波神经网络模型的学习训练样本的输入；

2)小波神经网络训练样本的标准输出

根据人工准确比对识别的基础上建立输出集，形成一个特定大小的矩阵，在识别的注浆层位置上赋值1，在注浆层以外的区域赋值0，这样得到输出样本矩阵，采用MATLAB编程处理，根据矩阵中的不同区域的值得到彩色显示的注浆层区域；

(5)控制措施

通过小波神经网络图像自动识别方法得出的盾构隧道壁后注浆层的分布形态，结合地表沉降的监测数据进行分析，对隧道施工和运营过程中的隧道沉降进行控制，采取在施工中调整隧道施工参数和进行二次补偿注浆的方法，为了验证控制措施的效果需再一次进行现场的探测，形成循环动态过程，直至完全有效的控制盾构隧道不均匀沉降变形。

Images