基于BP神经网络的盾尾油脂消耗预测模型

刘富勤， 刘 颖， 孔凡辉

(1 湖北工业大学土木建筑与环境学院， 湖北 武汉 430068；2 中铁十四局集团大盾构工程有限公司， 山东 济南 250000)

盾构法是当今隧道掘进工程的主要施工方法，具有体量大、技术复杂、成本高的特点。盾尾油脂是泥水盾构消耗的最主要材料之一，对盾构掘进成本影响较大。现今国内外大量学者对盾尾油脂的研究主要集中在对盾尾油脂密封性能的测试试验及改进研究，朱炜健研制出一种新型抗水压密封测试仪并提出了新的测试标准，解决了目前国内外盾尾油脂抗水压密封测试标准不统一和不能定量测试等问题[1]；Li等利用不同的基础油研制出一种新型盾尾油脂，并对盾尾油脂的机械性能和环境性能进行了研究[2]。少量学者对泥水盾构材料消耗量进行研究，何川基于双模盾构和泥水盾构对比分析了不同地质段和不同模式段的掘进参数变化及能源消耗情况[3]；王绪民就不同地质条件下的盾尾油脂、主驱动外密封油脂以及主驱动内密封油脂消耗量进行了预测[4-5]。以上研究仅仅就不同地质条件下的油脂消耗量进行分析，对影响盾尾油脂消耗的因素没有进行全过程寻优探索。本文考虑到盾构掘进过程中影响盾尾油脂消耗的因素多且繁杂，结合地质参数的同时，引入施工掘进参数以及泥水参数对盾尾油脂消耗量进行分析。

现如今，人工智能和计算机技术逐渐应用到各个领域，人工神经网络也为未知或非线性关系的研究开辟了一种新手段。BP神经网络已广泛应用于盾构施工参数预测与分析[6]、盾构刀具磨损分析和配置研究[7-8]、盾构机故障诊断及预测[9]以及盾构施工引起的地表沉降[10]，但是将智能算法和盾尾油脂消耗结合的研究较少，本文利用BP神经网络解决大数据下影响盾尾油脂消耗的相关因素拟合问题。

本文基于武汉某地铁黄浦路站-徐家棚站越江隧道工程大直径泥水盾构施工的地质条件、施工掘进参数和泥水参数，使用BP人工神经网络进行自学训练和信息处理，构建盾尾油脂消耗量预测模型开展预测与分析，并验证模型合理性和适用性。研究方法及结论可为类似条件下盾尾油脂消耗量的估算提供新的解决思路和途径。

1 泥水盾构机理

1.1 泥水盾构系统

泥水盾构是利用循环悬浮液密度与稠度作为调节指标对泥浆压力进行控制，将悬浮液送入泥水仓内，在开挖面形成不透水的泥膜，通过泥膜的张力保持压力，以平衡开挖面的土压力和水压力，使开挖面保持稳定。开挖面的土砂以泥浆形式输送到地面，通过泥水处理设备进行分离，分离后的泥水进行质量调整，再输送到开挖面。本工程所用盾构机可调节气仓压力来调节泥浆支护压力。盾构机具体运作方案如图1所示。

1-土壤；2-气压仓；3-泥水仓；4-刀盘；5-输送管；6-盾尾；7-注浆孔；8-后腔油脂孔；9-前浆油脂孔；10-钢刷；11-管片；12-盾尾密封图1 采用三道钢丝刷的盾尾密封系统

1.2 油脂作用机理

盾尾密封系统(图1)是盾构掘进的关键系统，往往盾构法施工所发生的安全事故常发生在盾尾。在隧道工程施工过程中，在壳体盾尾和管片内衬之间会有一个环形的空间，一般装有3道密封钢刷，钢刷间隙内充满密封脂，防止泥浆或地下水通过环形空间进入工作间，如果密封失败，回填灌浆的压力将不足，导致地面沉降，甚至坍塌，因此盾尾油脂对盾构隧道掘进至关重要。盾构消耗的油脂还包括主驱动外密封油脂(HBW)和主驱动内润滑油脂(EP2)，HBW和EP2是保持主驱动正常运行的重要材料，在保持刀盘的旋转破岩、预防大齿轮轮圈磨损损坏方面发挥着重要作用，与盾尾油脂的消耗量相比HBW和EP2的消耗量要小得多，所以本文选取盾尾油脂进行分析研究。

2 BP神经网络模型的构建

2.1 BP神经网络简介

BP神经网络是一种将输出误差反馈回传来调整网络权值的前馈多层感知器系统，其信息处理特点是建立输入神经元{X1，X2，X3，Xn}经过中间隐含层节点作用于输出节点，经过非线性映射关系产生输出神经元Y，每个信号的输入向量产生的期望向量与实际信息之间的偏差，通过调整各层级间连接强度ωij和ωjk以及阈值，形成数据流的正向传播和误差信息的反向传播，多次循环训练反馈之后使期望值与实际值的误差平方和最小，使构建的BP神经网络模型预测结果与实际值吻合度最优。BP神经网络拓扑结构模型包括输入层、隐含层和输出层，其信息传播方式如图2所示。

图2 BP神经网络拓扑结构

2.2 BP神经网络的构建

BP神经网络各层之间通常采用Sigmoid函数作为激活函数，将输入信息变换成0～1输出，然后进行求解运算，表达式如下：

(1)

当信号从输入层通过激活函数传入隐含层，隐含层的输出值Oj向输出层传递，输出层输出预测结果Yk，自此完成了输入神经元到输出神经元的映射，其计算公式为：

(2)

(3)

θk=Y-Yk

(4)

式中：O为隐含层的输出值；Yk为输出层的预测结果；ωij为输入层到隐含层的连接权值；Xi为系统输入信息；αj为输入层到输出层的误差；ωjk为隐含层到输出层的连接权值；βk为隐含层到输出层的误差；Y为系统的输出信息；θk为系统的预测误差。

BP神经网络中采用预测误差作为目标函数，当预测误差较大，即误差达不到网络模型设置的精度时，采用梯度下降法对BP神经网络的连接权值和误差进行调整优化，通过调整学习因子和隐含层个数来修正层级节点间权重矩阵的设定和误差，以减少迭代次数和加快收敛速度。调整步长根据输出误差的大小自动调整学习因子，优化隐含层节点个数，缩短学习时间和加大系统容错能力。其公式如下：

ΔWij(n+1)=η×φi×Oj+μ×ΔWij(n)

(5)

(6)

式中：ΔWij为上层矩阵和下层矩阵之间的权重矩阵的误差；η为学习因子；Φi为输出节点i的计算误差；Oj为输出节点j的计算输出；μ为动量因子。φ为调整步长，在0～1之间取值；

2.3 BP神经网络的反演过程

BP神经网络反演步骤为：1)根据该工程相关文件采集掘进参数和盾尾油脂消耗量原始数据，将数据进行预处理；2)将输入和输出样本导入BP神经网络模型进行训练；3)分析各层神经元的输入和输出，计算出误差，然后将误差反向传播，用调整学习因子和隐含层来对权值和阈值进行优化；4)根据图3流程进行运算，通过设定目标则系统运行结束。具体运行程序如图3所示。

图3 算法流程图

3 实例分析

3.1 工程概况

本文以武汉市某地铁黄浦路站～徐家棚站越江隧道工程为例， 自始发站沿途经过武昌岸边段高密集棚户区， 下穿长江； 路经老旧房屋和重要建(构)筑物到达接收站， 该越江隧道工程总掘进长度约3186 m，该盾构越江隧道工程依次经过粉细砂层、强风化砾岩、弱胶结砾岩、中等胶结砾岩和圆砾土。

3.2 参数的选取

考虑到泥水盾构的作用机理和水下地层的复杂性，选取盾构地质参数、施工掘进参数以及泥水参数对盾尾油脂消耗量进行预测。以环为单位，地质参数为每环各类型土体土方量情况，包括粉细砂层、强风化砾岩、弱胶结砾岩、中等胶结砾岩、圆砾土；施工掘进参数选取气仓压力、泥水仓压力、掘进速度、刀盘扭矩、总推力；泥水参数选取进浆流量、出浆流量、进浆比重、出浆比重。由于此工程刀盘转一转为一环，因此刀盘转速不做考虑。以上述选取参数作为输入层，盾尾油脂消耗量作为输出层，输入系统对神经网络进行训练。

本文就该大直径泥水盾构越江隧道工程的1399组数据，去除有部分数据缺失的环数，将剩下1118组数据随机选取1048组对BP神经网络进行训练，剩下70组用于验证该模型的适应性和有效性。表1、表2为选取其中部分训练样本。

表1 地质参数和施工掘进参数样本

表2 泥水参数和盾尾油脂消耗量样本

3.3 盾尾油脂消耗量预测分析及效果评价

人工神经网络是在医学、生物学和计算机科学等学科基础上建立的具有模拟人脑神经组织工作的计算系统模型，在探寻大规模数据下具有并行、自组织、自学习等特点，解决了其他模型不能解决的语音分析、图像识别以及计算机视觉等问题。BP神经网络是目前应用最广泛的神经网络，具有自学习、自适应、容错能力以及非线性映射等优点。本文利用BP神经网络在大数据工程下的优越性，就1048组掘进参数数据与盾尾油脂消耗量数据经过BP神经网络学习训练，预测相似条件下的盾尾油脂消耗量问题。

3.3.1样本训练为避免自主选择训练集或测试集造成的主观误差，BP神经网络模型将1048组数据作为样本，系统随机选取70%作为训练集，15%作为测试集，15%作为验证集，地质参数、施工掘进参数和泥水参数作为输入层，盾尾油脂消耗量作为输出层，对样本进行神经网络的构建。不同隐含层神经元个数训练拟合优度结果如图4所示。

图4 不同数量隐含层节点拟合优度

隐含层节点个数对系统运算性能有较大的影响，隐含层节点个数过多时，会导致系统运行时间过长，甚至有可能陷入不收敛的状态；而当隐含层节点个数太少时，系统模型的容错能力变差。在确定隐含层节点个数时，结合经验公式

需要对不同隐含层节点个数的神经网络模型进行反复测算，选取预测效果最好的神经网络结构。选取5～15个隐含层节点个数分别模拟试验，图4给出不同数量隐含层节点个数总样本的整体回归情况，结果曲线波动性规律不明显，则不同隐含层个数BP神经网络的反复测算便对隐含层节点的选取尤为重要。由图4可知，隐含层节点为10个时神经网络拟合效果为最优，符合经验公式选取范围。

3.3.2模拟结果隐含层节点选取之后，对样本进行迭代训练，通过迭代逼近来计算参数的非线性关系，直至预测值与实际值误差通过系统预先设定的误差检验。这样既可以达到收敛目的也可以避免过拟合，此时训练样本、验证样本、测试样本以及总样本的拟合优度R2如图5所示。

图5 盾尾油脂拟合情况

由图5所示，圆圈代表样本数据实际值与预测值的离散误差，直线代表预测值和实际值误差的拟合情况，数据样本越接近拟合线，R2越接近1，则表明预测的盾尾油脂消耗量与实际的误差越小。上图可看出，数据样本绝大多数接近拟合线，个别数据出现较大误差，但是不影响整体拟合效果。当隐含层节点选取10个时，样本数据的训练集、验证集、测试集以及总样本的拟合优度分别为0.940、0.939、0.932以及0.938，均接近于1，证明构建的BP神经网络预测模型自学习、容错能力以及非线性映射能力较好，预测结果与实际输出有较好的吻合度，且该模型操作简单，可进一步在工程中推广实施。

3.3.3模型预测结果分析为进一步评估该模型对盾尾油脂消耗的预测能力，将剩下的70组数据按照岩层复杂度从大到小排列，依次为中等胶结砾岩层、弱胶结砾岩层、强风化砾岩层、圆砾土层、粉细砂层，对该模型的预测效果进行验证，并将预测结果和实际消耗量进行对比分析，以及阐述误差以及反常情况产生的原因。盾尾油脂模型预测值和实际值比较分析见图6。

图6 盾尾油脂实际消耗量与预测值拟合误差

由图6可知，盾尾油脂消耗量拟合情况整体呈下降趋势，这就意味着随着地层复杂度降低，也就是说地层整体硬度下降，施工掘进参数和泥水参数也随之发生改变，造成油脂消耗量也呈现整体下降趋势。虚线代表BP神经网络模型的盾尾油脂消耗量预测结果，实线代表盾尾油脂消耗量实际值，虽然两条线存在一定程度的误差，但是都存在较好的规律波动性和吻合度，再次证明该模型能较好的预测盾尾油脂消耗量。表3为上述图6中70组预测数据中选取的10组数据进行误差分析，并对结果进行评价。由表3分析得出，实际值与预测值的最大误差为12.02%，最小误差为0.13%，选取样本的平均误差为6.99%，除少量样本的误差在10%以上，绝大多数样本误差在6%～9%左右，与训练样本建立的神经网络拟合优度0.938相符。由此可得，建立的BP神经网络模型对盾尾油脂消耗量有较好的非线性预测能力，证明该模型对盾尾油脂的预测具有合理性和适用性。

表3 盾尾油脂实际消耗量与预测相对误差

由图6和表3所示，影响盾尾油脂消耗量的因素多且复杂，出现少量反常现象的原因可能是盾构机设备损坏或故障，导致施工掘进参数发生突变，从而导致预测的油脂消耗量发生较大误差，对比相似地层的参数发现编号9所在地层盾尾油脂消耗量误差突然增大的原因是刀盘扭矩突增，可能就是上述描述因素所致。还有可能造成盾尾油脂预测异常情况是地层的因素，比如管涌、流沙、沉降量突变或者坍塌，以及勘察不仔细突遇障碍物，都有可能造成掘进参数变化，从而导致预测值与实际值相差较大。较之相比，泥水参数与泥浆的制备密切相关，若制备不及时或者密度与稠度出现较大失误，也会影响盾尾油脂消耗量预测，从而也进一步反应材料消耗量预测与准备在盾构施工中的重要性。

4 结论

大直径泥水盾构掘进过程中盾尾油脂消耗是材料消耗的重要组成部分，材料消耗又对盾构掘进过程中的成本控制起重要作用。因此对于盾尾油脂消耗量的预测在实际工程运用中尤为重要。本文对武汉某地铁越江隧道工程大量数据进行收集、整理以及分析，建立基于BP神经网络的盾尾油脂消耗量预测模型，可以较为准确的预测盾尾油脂在类似条件下的消耗量，经分析得到下列结论：

1)对于泥水盾构盾尾油脂的消耗量，本文较为全面的考虑影响盾尾油脂消耗量的主要因素，包括地质参数、施工掘进参数以及泥水参数，从而对以往的盾尾油脂消耗影响因素进一步全方位统筹。

2)根据BP神经网络在具备大规模数据的工程中具有自学习、自适应能力、容错能力以及非线性映射能力，引入该算法对大数据下的盾尾油脂消耗量进行预测，训练集、验证集、测试集、总样本的拟合优度均接近于1，代表该神经网络模型预测的盾尾油脂消耗量能较好的反应实际盾尾油脂的消耗量，在工程中有一定的指导作用。

3)本文构建的BP神经网络盾尾油脂消耗模型经检验，误差可控制在9%以内，该模型结构简单，对盾尾油脂的预测也呈现显著的合理性与适用性，可进一步推广与运用。不仅能为大数据情况下材料消耗量的估算提供实践参考，同时还为BP神经网络预测在盾构工程领域数据的处理提供新思路。