隧道主动支护体系全过程信息化动态设计与智能决策方法研究

田四明，李术才，刘大刚，王明年

(1.山东大学 齐鲁交通学院，山东 济南 250061；2.中国铁路经济规划研究院有限公司，北京 100038；3.山东大学，山东 济南 250061；4.西南交通大学 土木工程学院，四川 成都 610031；5.西南交通大学 隧道工程教育部重点实验室，四川 成都 610031)

隧道支护是保证隧道施工和运营安全的最重要措施,支护设计也是隧道设计最主要的内容,因此采用合适的隧道支护体系、研究合理的支护设计方法对隧道工程建造至关重要。

从力学角度分析,隧道修建过程是隧道施工力学状态变化的过程,隧道支护设计本质是控制隧道施工力学状态变化过程的设计[1]。影响隧道施工力学状态变化的因素众多,不仅包括初始地应力场、围岩力学特性和构造特性等地质客观因素以及隧道埋深、开挖断面尺寸、支护形式、施工工法等施工人为因素,同时应考虑隧道施工全过程中时空因素的影响,包括支护施做时间、喷混凝土龄期强度等时间因素以及断面距掌子面开挖距离、断面距仰拱封闭距离等空间因素。因此,一个理想化的隧道支护设计方法应能充分考虑和体现隧道施工力学状态变化全过程全要素的影响,并依据地质客观因素的变化,及时确定合理的隧道支护体系及参数、适宜的施工管控对策,即实现隧道支护设计与施工管控决策随地质的精准动态响应,确保隧道施工力学状态变化全过程安全可控。

在隧道支护体系方面,围岩作为承载主体,如利用支护构件调动和发挥围岩自支护能力,减小支护承载负担则成为研究的重点。为此相关学者针对各类支护构件的作用机制问题开展了较为系统深入的研究[2-4],认为超前支护、围岩预加固等措施以及早高强喷射混凝土、预应力锚杆等洞身支护构件,具有主动加固围岩、改善围岩应力状态及时抑制围岩变形松弛及其力学参数劣化等作用,将其归为主动支护范畴,据此提出了主动支护体系的概念及内涵,并利用主动支护体系在隧道工程实践中发挥积极的作用。由于主动支护体系能更好地体现隧道新奥法建造理念,已成为当代隧道支护发展的一个重要趋势。

在隧道支护设计方面,现阶段主要包括施工前的预设计与施工期的变更设计两种,前者主要依据勘察阶段获取的地质信息进行开展,后者则通过对施工揭露的地质状况信息进行检验、确认,当地质信息与预设计不符时,则开展相应的设计变更。两种支护设计均以地质信息作为主要设计依据,较少考虑施工人为因素的影响,且设计以规范法、类比法或经验法为主,高度依赖于设计者经验,存在针对性不强、统一性不高、安全冗余度偏大等问题,难以适应当代隧道安全高效、绿色低碳的建造需求,亟须建立一套利用施工全过程全要素信息的隧道支护体系动态设计与决策方法。

近年来,随着隧道施工智能装备技术、信息化技术、大数据分析技术和人工智能技术等领域的不断进步,隧道施工全过程全要素信息自动获取成为现实,而利用隧道施工全过程全要素信息,通过人工智能算法实现支护全过程信息化动态设计与智能决策也成为可能,已有研究人员对信息采集及支护智能设计方面开展了积极的探索,如在围岩地质信息采集及智能评价方面,形成了围岩图形识别处理和凿岩台车随钻参数等代表性技术[5-8],即通过对围岩图像、随钻参数等数据特征解析,可自动获知岩石坚硬程度、岩体完整程度、地下水等围岩地质参数信息,实现对围岩质量及级别的智能评价;在施工状态信息自动获取方面,形成了以智能施工装备为代表的信息化自动采集技术[9-10],即利用智能施工装备所搭载的各类传感器,实时感知施工状态参数信息,实现相关信息的自动记录、存储和传输;在支护变形信息自动获取方面,形成了隧道围岩支护变形自动监测技术,可按设定的监测频率对目标断面变形信息进行自动测取,并开展信息的分析评价与反馈;在支护智能设计决策方面,开展了支护参数智能优选研究[11-12],即基于围岩质量评价及分级结果,依据隧道支护参数设计方案,实现支护参数与围岩级别间的自动匹配和优选。

综上可知,目前国内外针对隧道施工全过程全要素信息自动采集方面的研究已较为成熟,而关于隧道支护全过程信息化动态设计与智能决策方面的研究尚处于起步阶段,已有研究成果多侧重于支护参数与围岩地质信息间的映射与匹配关系研究,对施工过程要素信息的考虑有所不足,对支护参数的动态优化调整研究仍不充分,距离实现支护全过程信息化动态设计与智能决策还有较大差距。鉴于上述问题,结合隧道支护体系全过程信息化动态设计特点,围绕隧道支护智能决策需求,架构隧道支护全过程信息化动态设计与智能决策方法技术路线,并对技术实施过程中的信息样本数据库构建、智能模型算法、支护结构安全度评价方法及支护参数迭代优化反馈规则等关键环节内容进行细致的阐述,为支护全过程信息化动态设计与智能决策的实现提供了技术支撑和系统的解决方案。

1 隧道主动支护体系全过程信息化动态设计与智能决策方法技术路线

隧道在开挖、支护等施工过程中,受地质因素、支护因素、施工因素等综合作用影响,隧道支护结构安全性具有动态变化的特点,其通常以支护结构变形进行综合直观的反映。因此,利用施工全过程全要素信息构建信息样本数据库,基于人工智能算法寻找出施工全过程各要素与支护结构变形间的非线性映射关系,通过支护结构安全度量化评价与分析,依据设定的优化反馈规则,对支护体系设计与施工管控提供智能优化决策,是隧道主动支护体系全过程信息化动态设计与智能决策方法研究的根本思路。

基于上述分析,实现隧道主动支护体系全过程信息化动态设计与智能决策,关键在于以下4个步骤:

Step1施工全过程全要素信息表达与样本数据库的构建。施工全过程全要素信息表达是指将施工过程中影响支护结构安全性的各要素表征指标以定性或定量的方式进行指标信息表达,如地质因素表征指标可采用岩石坚硬程度、岩体完整程度、初始地应力状态、地下水状态等;支护因素表征指标可采用支护类型、支护参数等;施工因素表征指标可采用开挖断面尺寸、施工工法、支护施做时机、支护封闭时机等。通过上述指标信息的收集,即可构建信息样本数据库,为智能算法模型的学习训练提供基础,为满足智能模型精度的持续提升,构建的样本数据库应结合施工进程的推进,具备样本动态扩充功能。

Step2智能算法模型的训练与遴选。利用智能算法模型的目的是给出施工全过程各要素与支护结构变形间的非线性映射关系,本质是基于各要素指标信息对支护结构变形信息进行预测,因此采用监督式学习回归类机器学习算法比较适宜。现阶段机器学习算法类型众多,为满足高精度智能决策需求,应通过多种智能算法进行综合测试与比选,寻找出精度最佳的智能算法模型类型以供选择。

Step3支护结构安全度量化评价与分析。支护结构变形是反映支护结构安全性的最直观指标,但现阶段相关规范对于支护结构变形的控制标准尚不统一,给支护结构安全度量化评价造成困扰。鉴于此,研究基于支护结构变形反演支护结构应力的方法,转为利用支护结构安全系数对安全度的统一评价和分析。

Step4支护优化智能决策反馈机制。当支护结构安全度评价冗余度较高时,需制定相应的支护优化智能决策反馈规则,指导机器对支护开展自动迭代优化及反馈工作,以寻找出最优支护参数及施工管控方案,供设计者决策。支护优化主要以安全、高效、绿色低碳作为反馈目标,优先优化效能低、耗时长的支护构件及参数,直至支护结构安全冗余度满足预期为止。

综上,构建隧道主动支护体系全过程信息化动态设计与智能决策方法技术路线见图1。

图1 支护体系全过程信息化动态设计与智能决策方法技术路线

1)利用施工全过程获取的地质、支护及施工等全要素指标信息构建动态样本数据库。

2)以支护结构变形信息作为预测变量,以其他信息作为目标变量,开展智能算法模型的训练测试,获知最优算法模型类型。

3)通过支护结构变形-应力反演法,对支护结构安全度进行量化评价和分析。

4)依据制定的支护优化智能决策反馈规则,对安全冗余度较高的支护开展支护参数及施工管控智能优化决策。

5)输出最优支护参数及施工管控方案供设计决策。

2 样本数据库构建

2.1 数据基础

研究主要依托西部某在建大型铁路工程进行开展。该铁路工程隧道分布众多,地质环境复杂多变,隧道支护采用以早高强喷射混凝土、预应力锚杆等构件为主的主动支护体系,施工以大型机械化为主,提倡少人化施工理念,现场围岩智能判识系统、围岩及支护变形自动化监测系统、智能型施工装备等软硬件配置完善,为施工期全过程全要素信息的自动化采集提供了便利条件。

通过广泛采集,共收集隧道施工期支护断面客观数据3 505份,断面类型涉及单洞单线、单洞双线、单线辅助坑道、双线辅助坑道4种。

2.2 样本信息指标构建

隧道变形往往受多种因素共同影响,但主要包含隧道地质信息、隧道支护信息、隧道施工信息。基于此,将现场采集的施工全过程全要素信息进行要素指标分类,其中地质要素指标信息7项,支护要素指标信息17项,施工要素指标信息7项,共计33项指标信息,具体如下:

1)地质要素指标信息

对隧道变形有影响的地质要素信息包括:表征初始地应力状态的指标信息为初始地应力值(或埋深);表征岩石坚硬程度状态的指标信息为围岩岩性、围岩风化程度、岩石坚硬程度等级;表征岩体完整性状态的指标信息为结构面产状、岩体完整性程度等级;表征地下水状态的指标信息为地下水发育程度等级。

2)支护要素指标信息

对隧道变形有影响的支护要素信息包括:表征支护类型的指标信息为超前支护类型、系统锚杆类型、系统锚杆组合形式、喷射混凝土类型、钢支撑类型;表征支护参数的指标信息为超前支护管径、超前支护间距、超前支护长度、超前支护布设范围、系统锚杆间距、系统锚杆长度、系统锚杆预紧力、喷射混凝土厚度、喷射混凝土龄期强度、钢支撑间距;表征支护变形的指标信息为支护拱顶沉降、支护洞周收敛。

3)施工要素指标信息

对隧道变形有影响的施工要素信息包括:表征隧道开挖方式的指标信息为断面开挖高度、断面开挖宽度、施工开挖工法类型;表征施工时空效应的指标信息为施工开挖进尺、支护施做起止时间、断面距掌子面距离、断面距仰拱封闭距离。

4)隧道基本要素指标信息

表征隧道及断面的指标信息为隧道名称、断面里程。

2.3 样本信息量化处理

现场采集的样本信息既有定量值也有定性值,为便于样本信息学习,需将定性指标信息按一定的编码规则处理为定量指标信息,定性样本信息量化处理规则及处理结果如表1所示。

表1 定性样本信息量化处理结果

2.4 指标相关性分析

采用距离相关系数法研究两个变量X和Y之间的相关性,记为dCor(X,Y),其中X为影响隧道变形的指标,Y为隧道变形值,其计算式为

( 1 )

( 2 )

( 3 )

( 4 )

其中,n为变量X、Y的观测值个数;dX、dY分别为变量X、Y的微小变化量;Xi为变量X中第i个观测值;Yj为变量Y中第j个观测值。

当dCor(X,Y)越接近1时,表示X与Y之间相关性越强;当dCor(X,Y)=0时,表示X与Y之间相互独立,互不影响。经计算,距离相关系数大小排前15的指标信息如表2所示。

表2 指标相关系数排序

由表2可知,对隧道变形有较大影响的重要指标为断面距掌子面距离、断面距仰拱封闭距离、支护时间和隧道埋深,因此,对于施工阶段围岩变形控制,应着重考虑指标信息中的时空因素,即适当缩小每循环开挖进尺、及时施做仰拱和初期支护。

3 智能算法模型训练及测试

3.1 算法基础

人工智能算法中的深度学习和机器学习均可以较好地解决非线性映射问题,其中深度学习算法通常依赖于大数据基础,对数据量具有一定要求。相比之下,机器学习算法对数据量的依赖性较低,故研究选用机器学习算法进行训练。

机器学习算法依据任务或应用情况不同,可分为监督学习、非监督学习和强化学习3类算法,鉴于隧道支护体系全过程信息化动态设计样本数据具有较强的标签及客观属性,其目的是对支护结构变形进行预测,因此重点针对监督式学习中的回归类算法开展研究。

3.1.1 梯度提升算法

梯度提升算法(Gradient Boosting)的基本原理是根据当前模型损失函数的负梯度信息来训练新加入的单模型,然后将训练好的单模型以累加的形式结合到现有模型中。该算法一般流程为:

Step1初始化提升树模型表达式为

( 5 )

式中:L为损失函数;yi为训练集中的目标变量;c为模型的参数。

Step2对于每个迭代轮次m=1,2,…,M时,有

①对每个样本i=1,2,…,N,计算第i个样本在第m轮迭代中的负梯度拟合的残差rmi,即

( 6 )

式中:f(xi)为模型对输入样本xi的预测值。

灾情就是命令，地震发生后，武定供电局局长立即组织相关应急办人员召开地震紧急会，根据县政府工作要求和楚雄供电局蔡局长工作指示要求，随即启动武定供电局地震灾害Ⅳ级应急响应，把抗震救灾保供电作为首要工作来抓，统一思想，统一认识，统一行动，集中所有人力、物力、财力全力以赴开展抗震救灾保供电工作，提出10条应急工作要求。

②将上一步得到的残差作为样本新的真实值,并将数据(xi,rmi),i=1,2,…,N作为下一棵树的训练数据,得到一棵新的回归树fm(x),其对应的叶子结点区域为Rmj,j=1,2,…,J。其中J为回归树T的叶子结点的个数。

③对各节点区域计算最优拟合值cmj,即

( 7 )

Step3更新提升树模型为

( 8 )

式中:I为学习率,用于控制每个模型的权重。

Step4得到最终的梯度提升树为

( 9 )

该算法特点在于:①数据处理的灵活性较强;②模型易调参;③模型鲁棒性较强。不足之处在于学习器间依赖性较高,对数据难以开展并行训练。

3.1.2 袋装法算法

袋装法算法(Bagging)的基本原理是从样本总体中抽取很多个训练集,对每个训练集分别拟合模型,将每个模型的结果求平均值以降低分类器的方差。该算法的处理流程为:

Step2用这B个训练样本分别拟合出B个基础预测模型。

Step3将Step2的基础预测模型结果取平均值,得到最终预测结果,其表达式为

(10)

该算法可提高模型的准确率,降低模型的方差。不足之处在于模型最后采用平均值,降低了结果的可解释性。

3.1.3 随机森林算法

随机森林算法(Random Forest)是Bagging的改进版本,随机森林除了对样本进行随机过采样,增加训练集的随机性之外,还在决策树的生成时,选择随机采样的特征中最好的特征作为分裂节点,这样使得每棵树有更大的差异性,有差异性的基模型组合在一起成为一个更强大模型。随机森林算法的一般流程为:

Step1假设随机选取M个样本。

Step2假设样本有N个特征,在决策时的每个结点需要分裂时,随机从这N个特征中选取n个特征,满足n≪N,从这n个特征中选择特征进行结点分裂。

Step3基于抽样的M个样本n个特征按照结点分裂的方式构建决策树。

Step4按照Step1～Step3构建大量决策树组成随机森林,然后将每棵树的结果取均值即为预测结果。

该算法特点是:①支持并行处理;②不需要对特征进行标准化处理,也不需要对特征缺失值进行处理;③模型较稳定,泛化能力强;④模型可以输出特征重要性。不足之处在于:①由于有多个基模型组合而成,模型不易解释;②树较多时,训练时间比较久。

3.1.4 极限树算法

极限树算法(Extra Trees)由多个决策树构成,与随机森林算法近似,区别在于:

1)极限树使用全部样本,特征是随机选取的,分裂是随机的,所以在某种程度上比随机森林得到的结果更加好。

2)极限树的分叉值随机获取,进而对决策树进行分叉处理。

3.1.5 极度梯度提升树算法

极度梯度提升树算法(eXtreme Gradient Boosting,XGBoost)是Boosting算法的一种实现方式,主要通过多个学习器学习,降低模型误差。该算法核心原理为:

1)持续通过特征分裂生成树,并拟合上次预测残差。

2)训练结束得到k棵树,包含若干个样本特征叶子节点分数,对某一样本分数进行预测。

3)每棵树分数之和即为该样本预测值。

该算法特点为: ①精度较高; ②灵活性更强,可同时用于分类和回归问题,且支持自定义损失函数; ③可有效控制模型复杂度; ④降低模型过拟合; ⑤支持特征值有缺失的样本处理。不足之处在于算法参数过多,调参复杂,且训练过程中内存消耗严重。

3.1.6 贝叶斯神经网络

贝叶斯神经网络(Bayesian Neural Networks,BNN)不同于一般的神经网络,其权重参数为随机变量,而非定值。该算法融合概率建模与神经网络,可预测结果的置信度。

贝叶斯神经网络由DAG和结点概率表构成。当一个结点的父结点概率分布确定时,即可将该结点视为所有非直接父结点的独立结点条件。因此,对于多变量非独立的随机变量而言,其联合概率分布计算公式为

(11)

式中:n为变量个数;xi为随机变量的取值;Parents为父节点选择函数,用于确定每个节点的父节点集合。

当网络中结点关系和结点概率表确定后,即可获知相应的先验概率及条件概率分布,进而利用贝叶斯网络进行推断。

该算法特点为: ①可根据已有数据进行改变。(一定程度上反映了自适应性) ②可在优化模型的过程中,把正则项给估计出来。不足之处是它的推断过程相对其他机器学习算法非常耗时。

3.2 模型训练及测试评估

将现场收集构建的3 505份样本数据,依据Sklearn机器学习库中关于数据集的划分原则,按照4∶1的比例划分为训练集和测试集两部分,分别包括2 804和701组数据,输入上述6种算法模型中开展训练,采用决定系数R2评价6种回归模型对数据拟合的精度,其计算式为

(12)

R2介于0～1之间,通常R2越大表示模型拟合效果越好。6种算法对支护结构变形的预测精度结果见图2和表3。

表3 6种算法对支护变形测试结果对比

由表3可知,从算法精度看,袋装法、随机森林法和极限树法均表现优越,其中极限树算法表现最佳,准确率高达93%;从算法效率看,袋装法、梯度提升法和极限树法较优,其中袋装法效率最佳。鉴于上述各算法计算耗时均较短,因此可将极限树法作为支护体系全过程信息化动态设计与智能决策的优选算法模型。

4 支护安全性评价方法

4.1 方法的建立

由基于支护结构变形信息反演支护结构应力,转为利用支护结构安全系数对安全度进行量化评价,可有效解决现阶段相关规范支护结构变形控制基准不一致[17-18]的问题,支护结构变形-应力反演法研发思路[19-21]及技术流程见图3。

主要实施步骤如下:

Step1构建围岩与支护梁-弹簧刚度矩阵。

①将支护结构离散成n个单位长度的弹性梁单元,将单元的联结点视为节点,此时支护结构梁单元整体、局部坐标系下的单元刚度矩阵满足

(13)

②采用径向和切向弹簧单元,模拟围岩对支护的约束作用。弹簧单元整体和局部坐标系刚度矩阵关系式为

(14)

③利用直接刚度法,基于各单元节点变形受力平衡条件,建立支护结构总体刚度矩阵关系式为

[k]3n×3n=[k1]3n×3n+[k2]3n×3n

(15)

式中:[k]3n×3n为结构总体刚度矩阵;[k1]3n×3n为结构梁单元总体刚度矩阵;[k2]3n×3n为约束弹簧单元总体刚度矩阵。

Step2支护结构应力反演分析。

①求解支护结构节点荷载

基于有限元理论,支护结构应力应变基本关系式为

[F]3n×1= [k]3n×3n[δ]3n×1

(16)

式中:[δ]3n×1为支护结构节点位移矩阵,可由支护结构节点三维位移坐标进行构建;[F]3n×1为支护结构等效节点荷载矩阵;[k]3n×3n为支护结构总体刚度矩阵。

当已知支护结构材料弹性模量、支护结构厚度(可求惯性矩I、横截面面积A)、支护结构节点三维位移坐标等信息时,即可求解出支护结构节点的荷载矩阵值。

②求解支护结构节点应力

整体坐标系支护结构梁单元节点位移为[δ]6×1,则梁单元节点荷载[F1]6×1为

[F1]6×1=[k1]6×6[δ]6×1

(17)

换算为局部坐标系梁单元节点荷载,其即为支护结构节点应力[F1′]6×1,转换公式为

(18)

求解支护结构节点应力后,即可依据现行TB 10003—2016《铁路隧道设计规范》[17]中破损阶段法计算支护结构安全系数,并按支护结构安全系数统一控制标准进行支护结构安全性控制,见表4。

表4 支护结构安全系数控制基准

4.2 方法应用示例

选取某双线隧道典型测试断面对上述方法进行应用检验。该测试断面围岩岩性以砂岩、泥岩为主,围岩级别属Ⅳ级,支护采用C30早高强喷射混凝土,喷层厚25 cm,钢支撑采用I18型钢钢架,钢架纵向间距1 m,建筑材料及围岩相关力学参数按文献[17]选取,其中围岩切向弹性反力系数取值按径向值1/2进行确定[22]。支护各关键部位变形实测值见表5,支护单元号划分见图4,反演计算支护安全系数曲线见图5。

表5 测试断面关键部位变形实测值 mm

图4 测试断面支护单元号划分示意

图5 测试断面支护安全系数分布曲线

由图5可知,该测试断面最小安全系数为2.2,受压控制,满足文献[17]安全系数2.0的控制基准要求,说明支护结构具有一定的安全度,现场支护结构也未发生破坏现象,检验了支护结构安全性评价方法的可靠性。

5 支护优化智能决策反馈规则

当支护结构安全度评价冗余度较高时,需制定相应的支护优化智能决策反馈规则,指导机器对支护及施工管控参数的自动迭代优化及反馈,以供设计者决策。

支护优化智能决策反馈以隧道支护安全、施工高效、绿色低碳为目标,具体反馈规则如下:

1)隧道支护安全规则。

当支护结构安全冗余度大于表3安全系数控制标准时,持续开展相关参数优化工作,直至安全冗余度趋于结构安全系数控制标准时优化工作截止。

2)隧道施工高效规则。

隧道支护构件由各类管棚、导管、锚杆、喷射混凝土及钢支撑等构成,不同支护构件的支护效能及施工耗时也存在差异,为提升隧道施工工效,支护构件优化应优先优化支护效能低、施工耗时的构件类型,如管棚、钢支撑等,通过不断调整其支护参数,直至取消。

此外,在支护施做时机方面,结合隧道施工水平,可优先考虑锚杆分序平行作业的可能性,即通过不断优化锚杆支护施做时机参数,进而确定锚杆合理的施做方式。

3)隧道绿色低碳规则。

隧道绿色低碳主要是基于减量化设计优化进行实现,可通过优选高性能支护材料,减少支护参数,降低支护施工量;优先控制隧道断面开挖尺寸,减少隧道变形预留量,进而减少隧道开挖工程量。

6 结论

隧道支护体系全过程信息化动态设计,是真正体现隧道设计施工一体化的理想设计方式,本文结合隧道支护体系全过程信息化动态设计特点,围绕隧道智能决策需求,从隧道支护体系全过程信息化动态与智能决策方法技术路线、样本数据库构建、智能算法模型、支护结构安全度评价方法及支护优化智能决策反馈规则等方面进行了系统研究,得出主要结论如下:

1)架构了支护体系全过程信息化动态设计与智能决策方法技术路线,明确了技术研发的关键技术环节与实施步骤,为支护体系全过程信息化动态设计与智能决策的实现提供了技术支撑和系统的解决方案。

2)利用西部某在建高原大型铁路隧道施工期自动收集的3 505份样本数据,初步构建了满足智能算法模型训练要求的信息样本数据库,并应用6种机器学习算法开展了模型训练与测试,结果表明极限树法、袋装法算法模型表现较优,可作为优选的智能算法模型类型。

3)研究了隧道支护结构变形-应力反演分析法,实现了利用支护结构安全系数对支护结构安全性的统一评价,并通过现场检验,验证了评价方法的可靠性。

4)提出了支护优化智能决策反馈规则,为支护及施工管控参数自动迭代优化反馈提供了依据。

5)本文为隧道支护体系全过程信息化动态设计实现提供了新的技术方法。受限于现有样本数据量偏少影响,智能算法模型的训练及优选仍有待于进一步提高。