CN104963691A - 一种复杂地层条件下土压盾构开挖面稳定性预测控制方法 - Google Patents

Abstract

本发明公开了一种复杂地层条件下土压盾构开挖面稳定性预测控制方法，采用预测控制原理和人工智能技术，在建立土压盾构开挖面稳定压力的理论参考轨迹基础上，根据实时采集的土压盾构掘进参数通过不断学习和训练建立开挖面稳定性智能预测模型；在土压盾构掘进过程中，考虑复杂地层的土压力设定土压盾构开挖面稳定压力期望值，并利用开挖面稳定性智能预测模型得到的预测值与期望值之间的差值来调整优化当前环的盾构掘进参数，达到实际开挖面稳定压力输出值与预测值的误差最小化，建立基于人工智能神经网络和群智能优化算法的土压盾构开挖面稳定性控制器，从而实现复杂地层条件下土压盾构开挖面稳定性的自动跟踪控制和调节。

Description

一种复杂地层条件下土压盾构开挖面稳定性预测控制方法

技术领域

本发明涉及地铁盾构施工技术领域，具体涉及一种复杂地层条件下土压盾构开挖面稳定性预测控制方法。

背景技术

地铁土压盾构施工具有高度的机械化、自动化，不影响地面交通，对周围建(构)筑物影响较小，施工速度快等优点，在城市地铁工程中得到广泛应用。目前已经成为国内外城市复杂地层条件下的地铁隧道主要施工方法。

土压盾构在隧道掘进过程需要建立两对动态平衡关系来维持工作面压力稳定：1）盾构机设置的土仓压力与掘进中开挖面的水土压力保持一种动态平衡关系，这对平衡关系中的土仓压力由变化的地层条件，地下水位、盾构泥水舱液位以及推力等共同决定；2）盾构掘进过程中掘削的土体量与螺旋出土机携带的土体量之差保持一种动态平衡关系，这对平衡依靠盾构土仓压力、刀盘转速、掘进速度、推力、扭矩以及出土量共同维持。

这两对动态平衡关系在盾构掘进中是相互作用和影响的，一旦打破其中任意一个平衡，土压盾构工作面将失去稳定性，极端情况包括：1）当某一时刻土仓压力设置大于开挖面水土压力时，会造成舱内泡沫剂向地层内逃逸，甚至击穿地层；当某一时刻土舱压力设置小于开挖面水土压力时，开挖面土体会向土舱内坍塌，引起地面塌陷甚至冒顶；2）盾构掘进出现超挖或欠挖时，即一段时间内出土量大于或小于盾构进尺理论掘削的土体量，过大的压力波动也会造成开挖面失稳。

因此，复杂地层条件下控制土压盾构掘进工作面稳定风险的核心是建立和维持盾构掘进过程中两个动态平衡关系。土压盾构掘进中土舱压力既需要满足上述第一种平衡要求，也需要满足第二种平衡要求，土压盾构施工中对土舱压力的控制是建立和维持两个动态平衡关系的纽带和落脚点，即土压盾构土舱压力必须在变化的地层环境和不同的盾构掘进状态下保持稳定并符合工程预期。

实际工程中土压盾构掘进是通过人工控制方式进行土舱压力维持调节的。人工控制的基本过程是：有经验的操作手根据地勘资料确定盾构掘进每环所处的地层情况，提前计算并设定好土舱压力值后，在该环掘进过程中通过调节盾构推力、扭矩、出土量、推速和转速等参数，把土舱压力维持在设定值附近小幅波动，当每一环掘进结束后，根据下一环所处的地层情况决定是否需要改变土舱压力设置值，如果不需要则进入下一环施工控制循环，如果需要则重新设置后进入下一环施工控制循环。在遇到地层变化或参数操作不当打破两类平衡情况时，操作手需要立即凭借个人经验迅速改变盾构推力、扭矩、出土量、推速和转速等参数来保持土舱压力的稳定。

由此可见，目前土压盾构土舱压力控制仍停留在依靠在大量工程实践中积累的经验阶段，虽然实际工程中盾构专家技术人员积累和总结了在不同地层条件下掘进时的土舱压力设置和控制经验，但是经验决策和控制方式难以满足复杂地下工程环境下，特别是地铁隧道盾构施工中对土舱压力调整和控制的实时性和鲁棒性要求，仅靠经验调节和控制土舱压力很可能造成工作面压力与实际的地层情况不符或滞后于地层变化情况，从而导致出现工作面失稳状态。同时，地铁隧道盾构操作完全依赖人工经验不能满足目前大面积地铁隧道工程对盾构施工操作的可靠性要求。

因此，针对土压盾构施工中人工设置和控制土舱压力的缺陷，综合考虑盾构参数的动态性和时变性，研究复杂地层环境下土压盾构施工过程中土舱压力与其他关键掘进参数的关联性，分析土舱压力的时空演化规律，建立具有非线性映射能力以及预测控制滚动优化、反馈校正特性的神经网络智能预测控制模型，构建复杂地层环境下土压盾构土舱压力的智能预测控制系统，实现不同地层条件下土舱压力的自动跟踪控制和调节，降低土压盾构掘进工作面失稳风险。

发明内容

本发明的目的在于提供一种复杂地层条件下土压盾构开挖面稳定性预测控制方法，来构建复杂地层环境下土压盾构开挖面稳定性的智能预测控制系统，实现不同地层条件下开挖面稳定性的自动跟踪控制和调节，降低城市地铁土压盾构掘进工作面失稳风险。

为实现上述技术目的，本发明提供的方案是：一种复杂地层条件下土压盾构开挖面稳定性预测控制方法，该方法包括以下步骤：

    （1）建立开挖面稳定压力参考轨迹模型；

（2）确定与开挖面稳定压力有关的盾构掘进参数及相关性；

（3）实时采集盾构掘进参数并按管片拼装环数均值化；

（4）利用采集的盾构掘进参数，构建基于Elman神经网络的预测模型，以影响土压盾构开挖面稳定性的盾构掘进参数为输入，以盾构开挖面稳定压力为输出，在与参考轨迹比对的基础上通过学习训练得到模型结构及其参数，实现开挖面稳定压力的预测；

    （5）构建控制目标优化求解问题，利用PSO粒子群优化算法，求解得到土压盾构施工最优化掘进参数；

    （6）利用求解问题得到的最优化掘进参数样本，构建基于Elman神经网络的控制模型，以预测的土压盾构最优化掘进参数为输入，以盾构开挖面稳定压力为输出，得到模型结构及其参数，实现开挖面稳定压力控制；

（7）根据设定的参考轨迹模型、建立的预测模型和控制模型构建基于Elman神经网络的预测控制模型，实现复杂地层条件下土压盾构开挖面稳定性预测控制。

在上述技术方案中，步骤（1）中所述的参考轨迹模型的建立过程为：先根据土力学原理计算出土压盾构每一环掘进起止里程的开挖面稳定压力的上下限理论值，再将每一环掘进进尺最终确定的开挖面稳定压力值按时间序列排列就构成了开挖面稳定压力的参考轨迹。

在上述技术方案中，步骤（2）中所述的确定与开挖面稳定压力有关的盾构参数及相关性的过程为：先根据现有理论及施工经验找出土压盾构对开挖面稳定压力有影响的各项掘进参数，再将这些掘进参数按相关性大小进行排列，最后取相关性最大的盾构掘进参数为预测控制模型所用参数。

在上述技术方案中，步骤（4）中基于Elman神经网络的预测模型的建立过程为：

步骤一，确定预测模型需要学习和训练的测试样本；

步骤二，选取不同的神经网络算法及不同的参数，使用选取的测试样本进行模型的构建；

步骤三，比较各模型的预测精度，确定精度最高的模型为预测模型，即采用基于Elman神经网络的预测模型结构；

步骤四，将某一时刻影响土压盾构开挖面稳定压力的盾构掘进参数作为输入信息集合，采用上述预测模型进行计算，预测得出该时刻的土压盾构开挖面稳定压力预测值。

在上述技术方案中，步骤（5）中所述的控制目标优化求解的过程为：将预测模型得到的预测值与参考轨迹模型得到的期望值进行比较，用两者之间的差值来反馈校正和滚动优化盾构掘进参数，使实际开挖面稳定压力的输出值与预测值的误差达到最小。

在上述技术方案中，步骤（6）中所述的控制模型的建立过程为：

步骤一，确定控制模型需要学习和训练的测试样本；

步骤二，选取不同的神经网络算法及不同的参数，使用选取的测试样本进行模型的构建；

步骤三，比较各模型的控制精度，确定精度最高的模型为控制模型，即采用基于Elman神经网络的控制模型结构；

步骤四，将某一时刻预测的土压盾构最优化掘进参数和前一时刻的土压盾构开挖面稳定压力控制值作为输入信息集合，采用上述控制模型进行计算，得出该时刻的土压盾构开挖面稳定压力预测值，并以此循环达到自动控制土压盾构开挖面稳定的目的。

本发明方法采用预测控制原理和人工智能技术，在建立土压盾构开挖面稳定压力的理论参考轨迹基础上，根据实时采集的土压盾构掘进参数通过不断学习和训练建立开挖面稳定性智能预测模型；在土压盾构掘进过程中，考虑复杂地层的土压力设定土压盾构开挖面稳定压力期望值，并利用开挖面稳定性智能预测模型得到的预测值与期望值之间的差值来调整优化当前环的盾构掘进参数，达到实际开挖面稳定压力输出值与预测值的误差最小化，建立基于人工智能神经网络和群智能优化算法的土压盾构开挖面稳定性控制器，从而实现复杂地层条件下土压盾构开挖面稳定性的自动跟踪控制和调节，保证土压盾构掘进工作面的稳定。

附图说明

图1是本发明一种复杂地层条件下土压盾构开挖面稳定性预测控制方法的实现流程图。

图2 是本发明预测模型系统实施示意图。

图3是本发明控制模型系统实施示意图。

具体实施方式

下面结合附图及具体实施例来对本发明作进一步的描述。

如图1所示，本发明实施例采用预测控制原理和人工智能技术，在建立土压盾构开挖面稳定压力的理论参考轨迹基础上，根据实时采集的土压盾构掘进参数通过不断学习和训练建立开挖面稳定性智能预测模型；在土压盾构掘进过程中，考虑复杂地层的土压力设定土压盾构开挖面稳定压力期望值，并利用开挖面稳定性智能预测模型得到的预测值与期望值之间的差值来调整优化当前环的盾构掘进参数，达到实际开挖面稳定压力输出值与预测值的误差最小化，建立基于人工智能神经网络和群智能优化算法的土压盾构开挖面稳定性控制器，从而实现复杂地层条件下土压盾构开挖面稳定性的自动跟踪控制和调节，保证土压盾构掘进工作面的稳定。

本实施例方法包括以下步骤：

1、建立土仓压力预测控制的参考轨迹

土压盾构掘进开挖面的稳定是依靠盾构机提供的土仓压力与开挖面水土压力的平衡来实现的，这个平衡取决于开挖面的地质水文条件。理论上，土压盾构的土仓压力期望值（设定值）可由朗肯土压力理论公式，根据主动和被动土压力计算而得：

            (1-1)

其中，是水压力，是土体压力。是水的重度(KN/m ³ )，H是地下水位到刀盘中心的距离，是主动土压力系数，是静止土压力系数，是水的重度(KN/m ³ )，h是土体表面到刀盘中心的距离，c是土体的粘聚力(Kpa)。

选取某一区间隧道，以其中500环区间的土压盾构施工参数数据，分别建立基于Elman神经网络的土压盾构开挖面稳定性智能预测控制系统的学习训练和测试样本空间。

将每环对应的地质及设计参数代入公式（1-1），计算并得出土仓压力预测控制的参考轨迹。

2、构建土仓压力的ENN预测器

土仓压力的预测模型是预测控制系统的重要组成部分，其目的是建立一个利用已知信息集合能够得出土仓压力预测值的模型。根据土压盾构开挖面平衡原理，将土压盾构施工中影响土仓压力的掘进参数作为输入信息集合，将土仓压力预测值作为输出，建立基于Elman神经网络的气舱压力预测器，具体的，预测器输入可按不同的掘进平衡关系分为两类：

1）水土压力平衡控制变量，包括：上一环数下的土仓压力，当前环数下的总推力；

2）出土量平衡控制变量，包括： 当前的刀盘转速，当前掘进速度，当前的出土量。

Elman神经网络预测器的输出(预测变量)为当前土仓压力的值，预测器可表达为：

       (2-2)

基于Elman神经网络的气舱压力预测器通过Elman神经网络和PSO粒子群优化算法预测当前环的土仓压力，如附图2所示。

3、土压盾构施工最优化掘进参数求解

对于最优化问题，实际就是控制目标函数，利用PSO算法求解在控制变量调节允许范围内，以最小调节量为代价的并能够使气舱压力预测值与参考轨迹期望值误差最小化。求解以下最优化问题得到学习训练样本：

                          (2-3)

其中是当前环数下第i个控制变量的值，是前一环数下的第i个控制变量的值，和是当前环数下第i个控制变量的允许调节最小值和最大值，和是控制目标的权重。

4、构建土仓压力的ENN控制器

建立基于Elman神经网络的土仓压力控制器，具体的，ENN控制器的输入变量为：当前环的土仓压力预测值；ENN预测器输出的预测值和参考轨迹得到的期望值的差值；前一环数下的总推力；前一环数下的刀盘转速；前一环数下的推速；前一环数下的出土量

。ENN控制器的输出变量为当前环数下可以调节的控制变量，包括：前一环数下的总推力；当前环数下的刀盘转速；当前环数下的推速；当前环数下的出土量。基于Elman神经网络的土仓压力控制器可表达为：

                       (2-4)

基于Elman神经网络的气舱压力控制器通过Elman神经网络和PSO粒子群优化算法调整当前环的控制变量，如附图3所示。

Claims (6)

1.一种复杂地层条件下土压盾构开挖面稳定性预测控制方法，其特征在于所述的方法包括以下步骤：

    （1）建立开挖面稳定压力参考轨迹模型；

（2）确定与开挖面稳定压力有关的盾构掘进参数及相关性；

（3）实时采集盾构掘进参数并按管片拼装环数均值化；

（4）利用采集的盾构掘进参数，构建基于Elman神经网络的预测模型，以影响土压盾构开挖面稳定性的盾构掘进参数为输入，以盾构开挖面稳定压力为输出，在与参考轨迹比对的基础上通过学习训练得到模型结构及其参数，实现开挖面稳定压力的预测；

    （5）构建控制目标优化求解问题，利用PSO粒子群优化算法，求解得到土压盾构施工最优化掘进参数；

    （6）利用求解问题得到的最优化掘进参数样本，构建基于Elman神经网络的控制模型，以预测的土压盾构最优化掘进参数为输入，以盾构开挖面稳定压力为输出，得到模型结构及其参数，实现开挖面稳定压力控制；

（7）根据设定的参考轨迹模型、建立的预测模型和控制模型构建基于Elman神经网络的预测控制模型，实现复杂地层条件下土压盾构开挖面稳定性预测控制。

2.根据权利要求1所述的一种复杂地层条件下土压盾构开挖面稳定性预测控制方法，其特征在于步骤（1）中所述的参考轨迹模型的建立过程为：先根据土力学原理计算出土压盾构每一环掘进起止里程的开挖面稳定压力的上下限理论值，再将每一环掘进进尺最终确定的开挖面稳定压力值按时间序列排列就构成了开挖面稳定压力的参考轨迹。

3.根据权利要求1所述的一种复杂地层条件下土压盾构开挖面稳定性预测控制方法，其特征在于步骤（2）中所述的确定与开挖面稳定压力有关的盾构参数及相关性的过程为：先根据现有理论及施工经验找出土压盾构对开挖面稳定压力有影响的各项掘进参数，再将这些掘进参数按相关性大小进行排列，最后取相关性最大的盾构掘进参数为预测控制模型所用参数。

4.根据权利要求1所述的一种复杂地层条件下土压盾构开挖面稳定性预测控制方法，其特征在于所述的步骤（4）中基于Elman神经网络的预测模型的建立过程为：

步骤一，确定预测模型需要学习和训练的测试样本；

步骤二，选取不同的神经网络算法及不同的参数，使用选取的测试样本进行模型的构建；

步骤三，比较各模型的预测精度，确定精度最高的模型为预测模型，即采用基于Elman神经网络的预测模型结构；

步骤四，将某一时刻影响土压盾构开挖面稳定压力的盾构掘进参数作为输入信息集合，采用上述预测模型进行计算，预测得出该时刻的土压盾构开挖面稳定压力预测值。

5.根据权利要求1所述的一种复杂地层条件下土压盾构开挖面稳定性预测控制方法，其特征在于步骤（5）中所述的控制目标优化求解的过程为：将预测模型得到的预测值与参考轨迹模型得到的期望值进行比较，用两者之间的差值来反馈校正和滚动优化盾构掘进参数，使实际开挖面稳定压力的输出值与预测值的误差达到最小。

6.根据权利要求1所述的一种复杂地层条件下土压盾构开挖面稳定性预测控制方法，其特征在于步骤（6）中所述的控制模型的建立过程为：

步骤一，确定控制模型需要学习和训练的测试样本；

步骤二，选取不同的神经网络算法及不同的参数，使用选取的测试样本进行模型的构建；

步骤三，比较各模型的控制精度，确定精度最高的模型为控制模型，即采用基于Elman神经网络的控制模型结构；

步骤四，将某一时刻预测的土压盾构最优化掘进参数和前一时刻的土压盾构开挖面稳定压力控制值作为输入信息集合，采用上述控制模型进行计算，得出该时刻的土压盾构开挖面稳定压力预测值，并以此循环达到自动控制土压盾构开挖面稳定的目的。