隧道与地下空间技术
用于模拟和监测支持的TBM转向的混合有限元和替代建模方法
Jelena Ninica，Steffen Freitag b，Guuml;ntherMeschke b
a英国诺丁汉大学结构工程与信息学中心
b德国鲁尔大学结构力学研究所
关键词：机械化隧道、有限元法、参数识别、代理模型、递归神经网络、计算转向、隧道掘进机、监控、住区、实时预测。
摘要：本文提出了一种新的计算方法，用于在机器驱动隧道施工期间进行实时仿真和基于监测的预测，以决定隧道掘进机（TBM）的转向。所提出的技术结合了用于机械化隧道中面向过程的3D仿真模型的能力，以准确描述隧道过程中复杂地质和机械的相互作用与基于人工神经网络的替代（或元）模型的计算效率。在推进过程期间将基于获取实时监测数据的面向过程的3D仿真模型与替代模型结合使用以确定隧道机器的最优相关参数，使得隧道诱导的沉降在接下来的步骤中保持在容许水平以下。拟议战略的性能适用于德国杜塞尔多夫的Wehrhahn线城市项目，并与最近开发的用于实时转向仅使用替代模型的TBM的方法相比较。
1.引言
机械化隧道是地下基础设施建设中一种灵活高效的技术，其特点是隧道掘进机（TBM）的动态技术进步和对各种地面条件日益增加的适用性。施工过程中的工程决策除了项目设计阶段的分析先验知识（通常是有限的）之外，主要还包括对现场监测数据的解释，包括与土体变形，孔隙压力和机器有关的数据 。然而，在隧道掘进过程中并没有利用计算模型对施工现场稳定性的衡量工程决策和安全性影响的能力。
机械化隧道施工过程涉及TBM，隧道结构，周围土壤和现有基础设施之间复杂的时空相互作用。除了描述隧道引起的地表和地下沉降的经验和分析关系外，二维和三维数值分析也已被应用，以更准确地模拟隧道建设过程及其背后的物理过程。
岩土问题的数值分析的特点是十分依赖问题的模型参数与地基的土工技术规格等。在隧道建设过程中，这些参数可能具有显着的空间可变性。此外，在设计阶段，只有有限的关于特定土壤参数的信息可以从不同的钻孔中获得，这也就限制了基于这些数据而得出的的模型参数的质量。因此，在岩土工程分析中，为了减少模型参数的不确定性，经常使用基于现场测量的反演分析来校准数值模型，以确定更可靠的更新过的模型参数。如果使用粒子群优化（PSO）等优化算法进行逆分析，通常就需要大量的计算。由于使用大规模3D有限元模型，就需要大量的计算，所以通常使用替代模型（或者也称为元模型）来评估目标函数。在Ninic#39;和Meschke（2015）中，这种方法用于材料参数的反向分析和机械化隧道过程的转向。
代理模型是模拟模型的紧凑表示，并且可以基于不同的方法生成，例如， 回归模型，人工神经网络（ANN），正交分解（POD）等等。在岩土工程问题中，人工神经网络已被应用为通过数值模拟而建立的替代模型，并用于预测岩土介入引起的变形或预测隧道诱发的沉降。机械化隧道结合POD和人工神经网络的混合替代建模方法见文献Cao et al. (2016) and Freitag et al. (2015).
对于施工期间的计算预测（几乎）需要实时预测。如果采用数值仿真模型，隧道驱动过程中所需的连续模型更新只能通过大规模并行来实现。对于大多数实际应用来说这是不可行的。 为了克服这个障碍，作者(Ninicacute; and Meschke, 2015)在最近的一篇论文中提出了一种基于替代模型来支持TBM转向的方法。前馈神经网络已被用于替代计算要求较高的三维有限元仿真模型。显然，这种方法只提供了隧道诱导沉降的近似值，这依赖于替代模型的先验参数化。它无法提供隧道与地面相互作用的详细信息，其分辨率与先进的数值模拟模型相当。因此，本文提出了一种新型的混合有限元 - 代用建模策略，用于在施工过程中支持TBM转向，根据监测数据更新模型参数，并与额外设计出来用于确定优化转向参数的替代模型相关联。与Ninic#39;和Meschke（2015）相反，它采用了能够考虑历史依赖过程的递归神经网络（RNN）。这种方法结合了替代模型的优势，以提供涉及到参数识别中所需的众多快速计算，和由面向过程的有限元模型确定隧道建设精度的最佳转向参数来迭代确定驱动地面变形，建筑物，衬砌应力等。
通过德国杜塞尔多夫Wehrhahn线（WHL）地铁项目的隧道信息模型（TIM）的实际项目数据证明了该策略。根据项目数据，首先进行灵敏度分析以预先选择一组相关的材料和机器操作参数，为了生成代理模型，然后使用面向过程的3D有限元（FE）仿真模型来建立数值模拟，以用于机械化隧道。在这项工作中，应用了RNN代理模型，该模型使用优化的反向传播算法进行运用（Ninic#39;和Meschke，2015）。
本文的其余部分组织如下：第2节介绍机械化隧道中仿真支持转向的整体概念，RNN和混合有限元 - 代用模型方法。在第3部分中，介绍了杜塞尔多夫Wehrhahn线城市项目选定部分的3D有限元模型。使用所选项目部分的完整数据集，替代模型的生成，参数识别和模型支持的转向将在第4节中论证。在本节中，还提供了一个与最近提出的基于替代模型的实时转向方法的比较。
2.结合替代模型和有限元模拟的TBM转向概念
在建造TBM驱动的隧道之前，项目中使用的隧道掘进过程的参数在设计阶段根据地质勘探确定，以满足设计目标，例如容许的地表沉降，防止面部稳定性损失的安全性 和其他特定的施工要求。但是，在隧道施工期间，由于现场地面条件不同于原先的假设，确定的点往往超过理论值。这对于城市地区的隧道工程具有特别重要的意义，因为现有的基础设施可能会受到隧道的影响而引发地面沉降。控制TBM工艺参数，在下文中也称为转向参数（即支撑压力，注浆压力，提前率等），可以控制表面沉降并减少甚至防止损坏现有的基础设施。
图1说明了机械化隧道中模拟支持的过程控制的概念概要。它包含设计阶段的替代模型的生成，基于监测数据的模型更新以及确定最佳的转向参数以保持地面沉降低于可接受的值。
在选择需要转向支持的相关项目部分之后，在项目的设计阶段会生成替代模型，尤其是这些部分。
以复杂的岩土情况为特征的隧道工程的3D数值模型通常需要大量（从大约十个到大于100个）参数来表征岩土模型，校准，TBM和衬砌外壳，包括许多操作 参数和与现有基础设施相关的参数。它很好地确定了一些模型参数（TBM和衬砌的几何形状），而诸如土壤层的拓扑结构和土壤的材料参数之类的岩土参数通常与不确定性相关，因此通常仅被作为一组可接受的范围。
如果考虑到所有不确定的参数，那么达到高质量的替代模型将是非常耗时的。因此，在生成替代模型之前，必须进行敏感性分析以确定对模型输出敏感的一组重要参数（Ninic#39;和Meschke，2015）。根据预先选定的重要参数，在设计阶段生成一个可靠的替代模型，如图1所示。附录A（表3）总结了用于生成隧道截面的可靠替代模型的算法。在本文中，RNN用于生成替代模型。RNNs（与前馈神经网络相比）能够表示空间 - 时间依赖性，这对于考虑机械化隧道过程中发生的时间相关过程是必不可少的。RNN模型在下面的2.1节中描述。
根据隧道施工期间现场采集的监测数据，替代模型用于更新岩土参数。对于模型更新，使用粒子群优化（PSO）进行反向分析，粒子群优化（PSO）是一种演化算法，能够提供全局最优解。目标函数评估的实际所需是通过RNN代理模型进行的。
在隧道施工过程中，通过调整工艺参数（例如工作面和灌浆压力）来控制隧道施工过程，以满足系统安全性和稳定性的各种要求（例如，容许的地表沉降，隧道面稳定性，建筑物引起的损坏）。由于地表变形通常与施工过程中的风险评估相关，因此在本研究中，耐受最大表面沉降Stol被选为控制标准。在Ninic#39;s和Meschke（2015）中，具有更新模型参数的替代模型已直接用于沉降预测，它几乎可以即时响应。因此，如果超过了容许限值Stol，则对过程（转向）参数进行优化，使得该部分内所有开挖步骤的预测沉降值仍低于给定容差。图2a说明了这种用于实时转向TBM的基于代理模型的方法。
然而，挖掘过程会影响机械化隧道及其相互作用所涉及的所有模型组件的行为，而这些不能通过替代模型进行量化。因此，第2.2节介绍了一种新的混合方法，该方法结合了基于代理模型的转向和面向过程的有限元模拟。使用代理模型，如果模拟结果Si超过耐受结算Stol，则在每个施工步骤i中优化工艺参数。通过有限元模型评估基于优化参数的最终系统响应（见图2b）。
2.1． 基于RNN的代理模型
为了实时使用，计算上昂贵的有限元仿真模型被隧道项目的预选部分离线生成的替代模型替代。替代模型的培训是在项目的设计阶段进行的，因此对时间要求不高。Ninic#39;s和Meschke（2015）提出了一种自动生成直通道三维有限元模拟输入集的程序，该算法已经提出了数据处理和基于前馈神经网络的替代模型的生成。在本文中，该方法通过使用RNN架构扩展到解决时间相关的过程。RNN能够在不考虑时间的情况下理解数据序列之间的依赖性作为额外的输入参数。它们可以捕捉数据序列中的时间相关现象，并预测（外推）未来的结构响应。
图3说明了Zell（1994）提出的扩展Elman网络的结构。作为前馈神经网络的扩展，上下文层被添加到每个隐藏层和输出层。这些层的处理单元是所谓的上下文神经元，它们由其相应的隐藏/输出神经元的输出激活。在这种类型的神经网络中，从输入节点通过网络的隐藏层处理输入xt，以计算隐藏神经元的输出Ytj：
在等式 （1）中，zti是神经元在时间t的大小; wji和cji分别是输入和上下文神经元的加权系数，theta;j是偏差，alpha;i是记忆因子，lambda;i代表第i个 神经元。alpha;i和lambda;i都是间隔【0; 1】中的确定性值， 并在训练过程开始时随机选择，然后保持固定。该信息在所有隐藏层中由S形激活函数f【·】进行类似处理，并最终传递到网络的输出，将前一层的节点的输出作为当前层的输入。学习过程的目标是调整隐藏和上下文神经元的突触权重，以使给定输入的网络输出与预期（目标）值匹配ttk 。在所提出的模型中，使用所谓的“批量模式”学习，其中在时间步骤t内处理所有输入模式集合P p之后，计算输出节点m的预测值与目标值之间的误差Etot。
学习过程是通过最小化方程式中的误差来完成的。 （2）式中，计算出Etot相对于输入量的梯度，并且对于隐藏神经元和神经元递增地调整权重：
c和b是学习率。 在这项研究中，使用类似于Ninic#39;和Meschke（2015）最近提出的方法的PSO对架构和学习系数进行了优化。 与前馈人工神经网络相比，RNN在相同数量的训练周期中表现出更好的学习属性。
图 1机械化隧道中模拟支持的过程控制的概念
图2. TBM的转向支持策略：（a）基于代理模型的转向（Ninic#39;和Meschke，2015）; （b）混合有限元和基于代理模型的转向
2.2． 混合有限元和基于代理模型的TBM控制
为了实时基于监控数据对计算模型的参数进行反向分析，计算时间应该在几秒至几分钟的量级。在Ninic#39;s和Meschke（2015）中，PSO与计算便宜的替代模型结合使用，取代原有的有限元模型，使模型参数几乎可以瞬时反向分析。解空间用位置为和速度为的粒子初始化。根据公式（4），基于局部和全局最佳位置（;）在每个迭代步骤中更新粒子的位置，通过最大化目标函数F（5） ，这是通过RNN替代模型（公式（2））来评估的。在公式（4）中，r1和r2是均匀分布在alpha;中的随机数，而1和2是认知和社会学习因素。在公式（5）中，TOL是为避免解决方案的奇异而添加的公差。
图3.根据Zell（1994）的RNN结构的示意图
Ninic#39;和Meschke（2015）描述了完整的程序。在附录A（表4）中给出了根据监测点n中的测量沉降值Sn,mes对基于替代模型的土壤材料参数（mp0）进行反向识别的步骤的算法。
在确定TBM推进的当前阶段的土壤材料参数（mpident）之后，具有足够的准确度用来预测定居点的替代模型，可以控制接下来的部分的推进过程，使得定居点（或其他目标 参数）通过优化TBM工艺参数值（如支撑和灌浆压力，提前率等）而降低到所需的值。
图4.混合FE和代理模型 - 支持机械化隧道过程的转向
表格 1机械化隧道中混合有限元和替代模型支持的转向算法
所提出的图4所示的计算策略的特征在于，在施工过程中将全尺寸3D有限元模型与先前描述的替代模型相结合。在这个混合概念中，在3.2节中描述的面向过程的仿真模型ekate在建造过程中使用参数调用，参数根据监测数据通过使用计算上更便宜的RNN-PSO替代模型为被调查的隧道部分。在每个TBM前进步骤i之后，检查从3D有限元模拟（）获得的表面沉降。如果超过了规定的极限值，TBM的转向参数（即面压力和灌浆压力）就会根据上述程序再次通过使用替代模型来优化。这些规定的限制被设定为耐受住区的一定比例stol：slim=vstol。 然后通过采用更新（优化）的转向参数（）的
全文共24208字，剩余内容已隐藏，支付完成后下载完整资料
英语原文共 17 页，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[12074]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
