CN110737960B - 一种盾构隧道管片设计参数优化方法 - Google Patents

Abstract

本发明公开了一种盾构隧道管片设计参数优化方法，涉及工程建筑技术领域，其包括利用正交试验表和管片设计参数进行参数值组合，并形成若干工况设计方案；计算得到各工况设计方案下的盾构隧道管片最小安全系数K_min；根据工况设计方案下的管片设计参数和对应K_min训练BP神经网络；根据管片设计参数、K_min、管片设计参数和K_min的映射关系，采用遗传算法，求取管片设计参数最优解；调整管片设计参数最优解。该方法对于实际盾构隧道管片设计而言，其可操作性和可靠性都很强，弥补了现有盾构隧道管片设计依靠经验进行优化的方式的不足，能对多个设计参数变量在更大的范围内同时进行优化，能够保证设计方案中的设计参数取值为最优的，以确保设计方案的安全性施工。

Description

一种盾构隧道管片设计参数优化方法

技术领域

本发明涉及工程建筑技术领域，具体而言，涉及一种盾构隧道管片设计参数优化方法。

背景技术

在盾构隧道管片的设计中，影响管片性能的因素有很多，主要体现在管片厚度、管片宽度、邻接块角度、封顶块角度和封顶块拼装点位。现有盾构隧道管片设计方式是基于工程经验和实际工程的要求进行设计，在几种设计方案中进行比选。根据每种设计方案建模计算得到管片的内力，选择结构受力较好的设计方案。这种方法的缺点是：由于设计参数数量较多以及人力计算的局限性，难以保证设计方案中的参数取值为最优的，不能较好的确保设计方案的安全性施工。

发明内容

本发明在于提供一种盾构隧道管片设计参数优化方法，其能够缓解上述问题。

为了缓解上述的问题，本发明采取的技术方案如下：

本发明提供了一种盾构隧道管片设计参数优化方法，其特征在于，包括以下步骤：

S1、对管片宽度、管片厚度、封顶块角度、邻接块角度和封顶块点位五种管片设计参数分别取n1个参数值，利用正交试验表对五种管片设计参数进行参数值组合，并形成n2个工况设计方案；

S2、计算得到各工况设计方案下的盾构隧道管片最小安全系数K_min；

S3、根据n2个工况设计方案下的五种管片设计参数和各工况设计方案对应的盾构隧道管片最小安全系数K_min训练BP神经网络，建立管片设计参数和盾构隧道管片最小安全系数K_min的映射关系；

S4、根据管片设计参数、盾构隧道管片最小安全系数K_min、管片设计参数和盾构隧道管片最小安全系数K_min的映射关系，采用遗传算法，求取管片设计参数最优解，将管片设计参数最优解所对应的适应度记为K_min0；

S5、调整管片设计参数最优解，使其满足实际工程设计和施工要求，得到包含了管片宽度、管片厚度、封顶块角度、邻接块角度和封顶块点位五种最优管片设计参数的最优设计方案，计算得到最优设计方案下的盾构隧道管片最小安全系数K_minz；

S6、制定误差阈值e，若K_minz-K_min0≥-e，则继续执行步骤S7，否则跳转至步骤S3；

S7、若K_minz大于步骤S2中得到的所有盾构隧道管片最小安全系数K_min，则将K_minz所对应的最优设计方案作为最终结果输出，完成盾构隧道管片设计参数优化，否则跳转至步骤S3。

本技术方案的技术效果是：对于实际盾构隧道管片设计而言，该方法的可操作性和可靠性都很强，弥补了现有盾构隧道管片设计主要依靠经验进行优化的方式的不足，可以对多个设计参数变量在更大的范围内同时进行优化，能够保证设计方案中的设计参数取值为最优的，以确保设计方案的安全性施工。

可选地，所述步骤S1中，n1＝4，n2＝16。

可选地，所述步骤S2与所述步骤S5中盾构隧道管片最小安全系数的计算方法相同，且包括：

针对管片设计参数，建立三维壳-弹簧荷载结构有限元模型，根据三维壳-弹簧荷载结构有限元模型，计算每一环管片的最小安全系数，求取各环盾构隧道管片的最小安全系数平均值，并将其作为所述盾构隧道管片最小安全系数。

本技术方案的技术效果是：三维壳-弹簧荷载结构有限元模型可以考虑到盾构管片错缝拼装的影响以及管片环向和纵向螺栓的影响，可以反映管片位移和内力在三维空间中分布；三维壳-弹簧荷载结构有限元模型建模难度低，在软件中计算量小，结果准确性高；三维壳-弹簧荷载结构有限元模型可以直接提取管片的弯矩、剪力和轴力，并用于计算管片的安全系数。

具体地，所述步骤S3中，是以n2个工况设计方案下的五种管片设计参数作为输入值，各工况设计方案对应的盾构隧道管片最小安全系数K_min作为目标输出值，训练BP神经网络，得到管片设计参数和盾构隧道管片最小安全系数K_min的映射关系。

具体地，所述步骤S4中，在采用遗传算法优化时，是以管片设计参数为决策变量，以盾构隧道管片最小安全系数K_min作为适应度，以管片设计参数和盾构隧道管片最小安全系数K_min的映射关系作为适应度的计算函数，在可行域和迭代次数内找到使适应度最大的管片设计参数，得到管片设计参数最优解，此时适应度记为K_min0。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举本发明实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1是实施例中所述盾构隧道管片设计参数优化方法的流程图；

图2是实施例中包含有四环管片的盾构隧道管的示意图；

图3是实施例的荷载施加示意图；

图4是实施例中工况1对应的四环管片拼装点位示意图；

图5是实施例中不同管片环各角度弯矩值图(单位：kN·m)；

图6是实施例中不同管片环各角度轴力值图(单位：kN)；

图7是实施例中不同管片环各角度安全系数图；

图8是实施例中神经网络算法训练流程图；

图9是实施例中MATLAB中神经网络训练模型示意图；

图10是实施例中的遗传算法流程图；

图11是实施例中最优方案对应四环管片拼装点位示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

请参照图1，本实施例提供了一种盾构隧道管片设计参数优化方法，其基于1+2+N的管片分块方式(1块封顶块、2块邻接块和N块标准块)，标准块的角度可表示为：

式中：θ_F为封顶块所对圆心角的角度，简称封顶块角度；θ_L为邻接块所对圆心角的角度，简称邻接块角度；θ_B为标准块所对圆心角的角度，简称标准块角度。

S1、正交试验设计

对管片宽度B、管片厚度T、封顶块角度θ_F、邻接块角度θ_L和封顶块点位S五种管片设计参数中，每种管片设计参数取4个参数值，如表1所示。需要说明封顶块点位S指在隧道模型建立过程中，取第一环管片的封顶块点位为S，然后下一环管片的位置是将上一环管片沿隧道中心竖向轴线镜像对称得到，这样可以组成错缝拼装的管片。

表1中x_ij(i＝1,2,3,4；j＝1,2,3,4,5)表示第j种管片设计参数的第i个参数值。采用L16正交试验表对五种管片设计参数进行参数值组合，形成16个工况设计方案。

表1管片设计参数及每种参数取值

表2 L16正交试验表

以某一盾构隧道管片设计过程为例，该设计拟采用1块封顶块、2块邻接块和4块标准块，管片外直径为8.3m，纵向螺栓有19组，即有19个拼装点位。管片宽度，管片厚度，封顶块角度，邻接块角度，封顶块点位分别取四个不同参数值，形成如表3所示的L16正交试验表。

表3 L16正交试验表

S2、盾构隧道管片最小安全系数K_min计算

对于每一种工况设计方案，根据工况设计方案中的设计参数，建立对应的三维壳-弹簧荷载结构有限元模型，其中三维壳用于模拟盾构管片，土弹簧用于模拟围岩的地层抗力，抗弯、抗拉和抗剪弹簧模拟盾构管片的环向和纵向接头。本实施例中其包含四环完整的管片，如图2所示，分别为第一环管片11、第二环管片12、第三环管片13和第四环管片14。模型中所施加的荷载采用图3所示的计算模式，其中标号1指代三维壳，标号2指代弹簧。

隧道上部竖向荷载p1、底部竖向荷载p2、上部水平荷载q1和下部水平荷载q2计算方法为现有技术，可参照《盾构隧道管片设计》，这里不多做说明。然后计算每一环管片在不同截面上的弯矩M和轴力N，根据《铁路隧道设计规范(TB10003-2016)》，该截面的安全系数计算公式可表示为：

式中e₀为偏心距，e₀＝M/N，M为截面弯矩，N为截面轴力；

为构件纵向抗弯系数，可取1.0；α为轴向力偏心影响系数；R_a为混凝土的抗压极限强度；b为截面宽度；h为截面厚度；R₁为混凝土的抗拉极限强度。

每一环管片在所有角度中的最小安全系数记作K_k(k＝1,2,3,4)，将四环管片的最小安全系数求平均值：

将最小安全系数平均值K_minp作为盾构隧道管片最小安全系数K_min，完成盾构隧道管片最小安全系数K_min的计算。整理得到包含最小安全系数的正交试验表如表4所示，其中K_mini(i＝1,2,3,…,16)表示第i个工况对应的最小安全系数K_min。

表4 L16正交试验表及最小安全系数

以表3确定的正交试验表中工况1为例：管片宽度为1.2m，管片厚度为0.2m，封顶块角度为8°，邻接块角度为50°，计算得到标准块角度为63°，一环管片11的封顶块拼装点位为19。连续四环管片的拼装点位如图4所示。

建立包含图4中环管片的壳-弹簧荷载-结构模型，图3中所施加的荷载对应数值大小如表5所示。

表5荷载值汇总表

计算得到每环管片在每一个角度的弯矩值M如图5所示，轴力N如6所示。

将弯矩值和轴力值代入前述安全系数计算公式可以得到不同管片环各角度安全系数如图7，如表6所示，记录了工况1中各环管片的最小安全系数及盾构隧道管片最小安全系数K_min。

表6

根据图7计算结果确定K_min1＝1.243。

使用同样的方法可以求出其他15个工况对应的盾构隧道管片最小安全系数K_min，汇总如表7所示。

表7 L16正交试验表及最小安全系数K_min实际计算值

S3、BP神经网络训练

将16个工况设计方案下的五种管片设计参数作为输入值，各工况设计方案对应的盾构隧道管片最小安全系数K_min作为目标输出值，训练BP神经网络，建立管片设计参数和盾构隧道管片最小安全系数K_min的映射关系。BP神经网络算法训练流程如图8所示。在神经网络研究领域广泛使用的软件MATLAB中，可建立如图9所示神经网络训练模型。

S4、遗传算法优化

以管片设计参数为决策变量(x₁,x₂,x₃,x₄,x₅)，以盾构隧道管片最小安全系数K_min作为适应度F，以管片设计参数和盾构隧道管片最小安全系数K_min的映射关系作为适应度的计算函数F＝f(x₁,x₂,x₃,x₄,x₅)。

优化目标为使决策变量的适应度最大：

max F＝f(x₁,x₂,x₃,x₄,x₅)

约束条件为决策变量必须在规定的可行域范围内：

s.t.x_i∈U_i

利用谢菲尔德遗传算法对决策变量进行优化，计算流程如图10所示。得到管片设计参数最优解：(x₀₁,x₀₂,x₀₃,x₀₄,x₀₅)，此时对应的适应度为F₀，记为K_min0。

在本实例中，根据表7计算结果，利用神经网络算法得到的映射关系F＝f(x₁,x₂,x₃,x₄,x₅)，

优化目标为使决策变量的适应度最大：

max F＝f(x₁,x₂,x₃,x₄,x₅)

约束条件为决策变量必须在规定的可行域范围内：

计算得到的管片设计参数最优解为

x₁＝2.5,x₂＝0.5,x₃＝23.75,x₄＝51.94,x₅＝18.94，对应的适应度大小

K_min0＝F₀＝1.685。

S5、最优解调整后反解

为满足实际工程设计和施工要求，需要对遗传算法得到的管片设计参数最优解做一定的调整。比如当管片设计参数x₁＝2.1010时，为了满足施工的要求，取精度为0.1，则该设计参数调整为X₁＝2.1；当管片厚度x₂＝0.4970时，为了满足施工的要求，取精度为0.1，则该设计参数调整为X₂＝0.5；当封顶块角度x₃＝18.9840°时，为了满足施工的要求，取精度为1，则该设计参数调整为X₃＝19°；当邻接块角度x₄＝55.184°时，为了满足设计和施工的要求，则该设计参数调整为X₄＝56.816°；当封顶块点位x₅＝18.6532时，由于实际点位为整数，则该设计参数调整为X₅＝19。

最优解(x₀₁,x₀₂,x₀₃,x₀₄,x₀₅)调整后得到的最优设计方案如表8所示：

表8

利用最优设计方案的设计参数再次建立三维壳-弹簧荷载结构有限元模型，计算得到最优设计方案下的盾构隧道管片最小安全系数K_minz，此处盾构隧道管片最小安全系数的算法与前面相同。

在本实施例中，对遗传算法得到的最优解数值做一定的调整后，计算得到最优设计方案下的盾构隧道管片最小安全系数K_minz如表9所示。

表9

S6、比较K_minz和K_min0，当K_minz和K_min0的差值绝对值较小时，可以认为遗传算法得出的最小安全系数平均值较准确，否则需要重新训练神经网络并代入遗传算法求解新的最优解。即可制定误差阈值e，可取e＝0.01，若K_minz-K_min0≥-e，则继续执行步骤S7，否则跳转至步骤S3。

在本实施例中，根据计算结果得到的K_minz＝1.744，

K_minz-K_min0＝1.744-1.685＝0.059>-e＝-0.01。

S7、当最优设计方案计算得出的盾构隧道管片最小安全系数K_minz相对于其它工况设计方案的盾构隧道管片最小安全系数K_min明显较大时，认为优化出的设计方案是可靠且有效的，否则需要重新训练神经网络并代入遗传算法求解新的最优解。即若K_minz大于步骤S2中得到的所有盾构隧道管片最小安全系数K_min，则将K_minz所对应的最优设计方案作为最终结果输出，完成盾构隧道管片设计参数优化，否则跳转至步骤S3。

在本实施例中，K_minz＝1.744，其大于表7中各个工况设计方案对应的盾构隧道管片最小安全系数K_mini(i＝1,2,…,16)，认为优化出的设计方案是可靠且有效的，可以接受，优化完成。按照最优设计方案绘制连续四环管片拼接点位示意如图11所示。

本实施例所述盾构隧道管片设计参数优化方法，利用计算机的计算能力和现代智能算法，使大范围，多变量，高适应度的最优解搜索成为可能。其对多个设计参数使用正交试验的方法设计多个不同的有限元试验模型，对每一个模型进行求解计算，并根据计算结果确定一个评价指标用于对每种模型的设计参数优劣程度进行评价。当得到了多组设计参数对应的评价指标，就可以利用神经网络算法建立设计参数和评价指标之间的对应关系。然后将神经网络算法建立的对应关系作为在遗传算法中不同设计参数的适应度计算函数，就可以实现在大范围，多变量寻找最优的设计参数。该发明的核心理念是运用正交试验方法设计多种不同设计参数下的试验组，利用有限元数值软件计算每种试验组的评价指标，然后利用神经网络算法建立评价指标的计算模型，作为遗传算法中的适应度计算函数对设计参数进行最优求解。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种盾构隧道管片设计参数优化方法，其特征在于，包括以下步骤：

S1、对管片宽度、管片厚度、封顶块角度、邻接块角度和封顶块点位五种管片设计参数分别取n1个参数值，利用正交试验表对五种管片设计参数进行参数值组合，并形成n2个工况设计方案；

S2、计算得到各工况设计方案下的盾构隧道管片最小安全系数K_min；

S3、根据n2个工况设计方案下的五种管片设计参数和各工况设计方案对应的盾构隧道管片最小安全系数K_min训练BP神经网络，建立管片设计参数和盾构隧道管片最小安全系数K_min的映射关系；

S4、根据管片设计参数、盾构隧道管片最小安全系数K_min、管片设计参数和盾构隧道管片最小安全系数K_min的映射关系，采用遗传算法，求取管片设计参数最优解，将管片设计参数最优解所对应的适应度记为K_min0；

S5、调整管片设计参数最优解，使其满足实际工程设计和施工要求，得到包含了管片宽度、管片厚度、封顶块角度、邻接块角度和封顶块点位五种最优管片设计参数的最优设计方案，计算得到最优设计方案下的盾构隧道管片最小安全系数K_minz；

S6、制定误差阈值e，若K_minz-K_min0≥-e，则继续执行步骤S7，否则跳转至步骤S3；

S7、若K_minz大于步骤S2中得到的所有盾构隧道管片最小安全系数K_min，则将K_minz所对应的最优设计方案作为最终结果输出，完成盾构隧道管片设计参数优化，否则跳转至步骤S3。

2.根据权利要求1所述的盾构隧道管片设计参数优化方法，其特征在于，所述步骤S1中，n1＝4，n2＝16。

3.根据权利要求1所述的盾构隧道管片设计参数优化方法，其特征在于，所述步骤S2与所述步骤S5中盾构隧道管片最小安全系数的计算方法相同，且包括：

针对管片设计参数，建立三维壳-弹簧荷载结构有限元模型，根据三维壳-弹簧荷载结构有限元模型，计算每一环管片的最小安全系数，求取各环盾构隧道管片的最小安全系数平均值，并将其作为所述盾构隧道管片最小安全系数。

4.根据权利要求1所述的盾构隧道管片设计参数优化方法，其特征在于，所述步骤S3中，是以n2个工况设计方案下的五种管片设计参数作为输入值，各工况设计方案对应的盾构隧道管片最小安全系数K_min作为目标输出值，训练BP神经网络，得到管片设计参数和盾构隧道管片最小安全系数K_min的映射关系。

5.根据权利要求1所述的盾构隧道管片设计参数优化方法，其特征在于，所述步骤S4中，在采用遗传算法优化时，是以管片设计参数为决策变量，以盾构隧道管片最小安全系数K_min作为适应度，以管片设计参数和盾构隧道管片最小安全系数K_min的映射关系作为适应度的计算函数，在可行域和迭代次数内找到使适应度最大的管片设计参数，得到管片设计参数最优解，此时适应度记为K_min0。

Images