基于人工神经网络的砂卵石地层盾构地表沉降预测

成都地铁隧道主要穿越地层为砂卵石地层,采用土压平衡盾构施工.砂卵石地层具有明显的不均匀性和非连续性,工后沉降波动大且不易预测.根据成都地铁盾构1 403个测点的监测数据和施工数据,研究了多维掘进参数与地表沉降之间的关系.建立了砂卵石地层沉降预测的人工神经网络(ANN)模型,并对模型的节点参数进行优化.最终得到的ANN模型包括9个输入节点,19个隐含层节点和1个输出节点.训练数据充足时,该模型有效反映了检验数据集的沉降变化趋势.在50组检验数据集上,沉降预测值与真实值的相关系数为0.645.针对某区间掘进工况的模拟检验表明,ANN模型有效预测了该区间纵断面沉降分布,且区间下半段的预测误差明显小于区间上半段,表明模型预测效果随着区间盾构的推进逐步改善.与Peck经验公式的对比表明,经验公式法的预测值波动很小,适合在施工开始前预估隧道整体的平均沉降,难以判断区间内部的沉降波动;ANN模型则适合在隧道掘进期间对特定位置的工后沉降做出预判.