2024年5月11日发(作者：羊香梅)
基于 BP 神经网络的特殊地质条件盾构
掘进参数预测研究
摘要：为有效控制特殊地质条件下的盾构掘进参数，提高地铁盾构施工效率
与施工质量。文章首先结合土体物理性质，确定关键的地层参数；其次将选定的
地层参数作为输入变量，建立针对掘进参数的BP神经网络预测模型；最后，对
建立的掘进参数预测模型进行验证。以武汉地铁A号线某泥水平衡盾构施工区间
工程监测的实际数据进为例，结果表明：总推力、泥水仓压力、同步注浆压力预
测的平均相对误差分别为10.40%、9.10%、7.14%，误差在11%以内，可为同类型
工程掘进参数的设定提供参考。
关键词：特殊地质；地层参数；掘进参数；BP神经网络模型；盾构
[中图分类号] U231＋.3 [文献标识码] A [文章编号]
Prediction of Shield Boring Parameters in Special Geological
Conditions Based on BP Neural Network
CHANG Gia，HU Yao-yue，MA Hao，
LI Zong-liang
（ Metro Group Co., Ltd, Wuhan 430000,China;2. School of
Civil Engineering and Architecture , Wuhan University of Technology ,
Wuhan 430070 , China;)
Abstract: In order to effectively control the shield tunneling
parameters under special geological conditions, so as to improve the
construction efficiency and quality of subway shield tunneling.
Firstly, the key formation parameters were determined according to the
physical properties of soil. Secondly, the BP neural network
prediction model for driving parameters was established by taking the
1212
selected formation parameters as input variables. Finally, the
prediction model of driving parameters was verified. Taking the actual
monitoring data of A mud-water balanced shield tunneling section of
Wuhan Metro Line A as an example, the results show that the average
relative errors of total thrust, sludge bin pressure and synchronous
grouting pressure are respectively 10.40%, 9.10% and 7.14%, and the
errors are within 11%, which can provide reference for the setting of
driving parameters of the same type of project.
Keywords: special geological conditions; Formation parameters;
boring parameters; BP neural network model; shield
0 引言
近年来，随着我国城市化进程加快，城市规模不断扩大、城市人口不断增加，
城市轨道交通显得越发的重要，地铁已经成为缓解我国交通压力的关键出行工具。
由于地铁项目建设环境的不确定性，特别是在过江隧道工程的地质条件较为复杂
的情况下，地铁隧道工程施工过程中会较大概率地碰到特殊地质环境，而地质条
件的变化直接造成掘进参数的时变性及非线性，盾构施工过程中掘进参数差异过
大会引发施工管理风险，降低施工效率、增加施工成本。因此，为了能更好地在
特殊地质条件下指导施工，实现在该地质条件下对盾构掘进参数进行合理的预测
具有重要的意义。
张爱军 将BP神经网络模型运用到盾构隧道轴线偏移量的影响研究中，得
出了盾构施工参数对姿态控制的影响及其规律。李超等建立BP神经网络模型，
用于预测复合地层条件下的盾构掘进参数。张社荣等将平均影响值算法与BP神
经网络模型相结合筛选出了关键的掘进参数，并为能计算出合理有效的掘进参数
的预警区间，运用了赤池信息准则对其进行最优分布的确定，为在复合地层条件
下盾构施工时设置关键掘进参数提供方案。赵博剑等采用数理统计方法对掘进
[4]
[3]
[2]
[1]
参数与地层之间的相关性进行了分析，为同类型工程在施工过程中参数的选取与
设定提供指导。曲兆宇采用了有限元方法对盾构掘进过程进行了数值模拟，分
析了砂卵石地层中的施工盾构掘进参数对地层沉降的影响规律。以上文献对不同
区域不同地质条件下的盾构掘进参数优化问题进行了研究，但对于含有强风化泥
岩、中风化泥岩等典型特殊地质条件下的地铁盾构掘进参数研究较少。因此，有
必要结合特殊地质条件下地层参数角度对盾构掘进参数进行分析，以更好地满足
施工要求。
鉴于此，本文以武汉地铁A号线某区间工程施工的典型特殊地质条件及掘进
参数为数据基础，选定关键的掘进参数并建立BP神经网络预测模型对掘进参数
进行训练，分析误差值。在此基础上，利用所建立的模型预测在特殊地质条件下
的盾构掘进参数，以期能为同类型工程在特殊地质条件下盾构掘进参数的设定提
供思路。
1 特殊地质分析
武汉地铁A号线区间工程的泥岩X衍射试验报告表明，该区间泥岩矿物主要
由绿泥石、石英、伊利石等组成。其中，伊利石是一种黏土矿物，产于泥质岩中，
常是形成其他黏土矿物的中间过渡性矿物，在注水过程中，容易吸水膨胀。绿泥
石主要是伊利石在成岩过程中演化与高岭石和长石经成岩蚀变的产物，绿泥石的
含量对岩石孔隙度有较大的影响。由于泥岩主要组成成份含有伊利石、绿泥石
等，具有吸水膨胀和吸附刀盘的特性，在盾构掘进过程中，随着盾构刀盘切削形
成的微粒易吸附于金属表面形成刀盘泥饼、泥水仓中心泥饼、堵塞泥水仓门等。
刀盘泥饼使刀具降低甚至失去切削作用，盾构推力虽大而刀盘不能贯入。泥水仓
泥饼不仅加剧恶化刀盘泥饼，还使泥水仓调节容器变小，导致泥水仓压力波动不
稳定等问题。堆积下来的土渣不能及时携带出渣，使得泥水仓舱门堵塞，掘进困
难。盾构机在本特殊地质条件下，掘进时间同比正常段大幅增加，各项设备满负
荷运行，导致造价倍增。
2 BP神经网络预测模型
2.1 模型简介
[6]
[5]
BP神经网络是一种将网络输出误差反向传递而将信号正向传播的多层前馈神
经网络。一般情况下，其网络结构由输入层、一个或多个隐含层和输出层组成。
BP神经网络的相邻两个层之间的神经元之间相互全连接，且不存在同层连接或跨
层连接，基本结构如图1所示。
利用BP神经网络建立模型，可将复杂的数据的信息进行分类，从而发现信
息间的内在规律。其信息传递是从输入层开始，由上一层神经元传递给下一层
神经元，传送通过联结权来实现。当输出层的预测输出值与实际值之间存在误差
时，根据误差梯度下降理论方法对权重值以及阈值进行调整修正，并选取最优权
向量，以最小化网络误差。
[8]
[7]
图1 BP神经网络基本结构
2.2 BP神经网络模型构建
2.2.1 输入及输出参数的设置
在利用BP神经网络模型进行盾构掘进参数预测过程中，需要将所收集的资
料分为两类，一类是体现地层地质条件的输入参数，即地层参数，另一类是体现
盾构施工内部掘进性能的输出参数，即掘进参数。
武汉地铁A号线为过江隧道工程，地质条件复杂，地层中含有大量黏性颗粒
成分，结合土体物理性质，选取土体粘聚力、土体内摩擦角、垂直基床系数、水
平基床系数、地基基本承载力与渗透系数为地层参数，作为神经网络模型的输入
参数。土体粘聚力、土体内摩擦角、垂直基床系数、水平基床系数、地基基本承
载力与渗透系数均根据地勘资料来确定，若同一断面含有不同地层，则依据断面
中各地层含量所占百分比取各地层参数的加权平均值。
本工程盾构掘进参数较多，且各个参数均会受外界环境影响，结合本工程的
特殊性，考虑到掘进效率、地表沉降控制等方面，本文选取总推力、泥水仓压力、
[2]
同步注浆压力为主要掘进参数，作为神经网络的输出参数。总推力、泥水仓压力、
同步注浆压力均根据现场盾构施工实际情况来确定。
由于各参数量纲不同，不适合直接进行模型训练，故需对样本数据进行归一
化处理，处理方法如式1所示：
Y=（ − ）/（
式中，Y为归一化后的数据， 为原始数据，
值和最小值。
2.2.2 建立预测模型
一个3层的BP神经网络从理论上可以逼近任何非线性函数，故本文选用3
层BP神经网络，即输入层、一层隐含层与输出层。设置神经网络的输入层节点
数为6（土体粘聚力、土体内摩擦角、垂直基床系数、水平基床系数、地基基本
承载力与渗透系数），输出层节点数为3（总推力、泥水仓压力、同步注浆压
力）。
隐含层节点数的设置是建立预测模型的关键，节点数过多或过少都会影响模
型的精度，因此需要合理设置隐含层的节点数，本文隐含层节点数根据经验公式
设置，如式2所示：
（2）
其中，M为隐含层节点数，N为输入层节点数。在本预测模型中，选定输入
层节点为6，即隐含层节点数为13，故网络结构为6—13—3。
本预测模型选择的传递函数为logsig函数；学习函数为learngdm函数；迭
代次数取10000，精度目标值取0.01。
3 特殊地质条件下掘进参数预测分析
3.1 工程概况
[9]
） （1）
和 分别为数据组的最大
武汉地铁A号线区间里程为K15+347.909~K17+035.568，采用泥水平衡盾构
机施工，根据会议纪要、地勘报告以及设计施工图，该区间泥岩段里程为
K15+812.23~K16+295.07，长度为482.84m，泥岩段隧道最低点轨面标高-21.688m。
隧道沿线地质条件较为复杂，不仅要穿过圆砾、粉质黏土等地层，还会遇到强风
化泥岩、中等风化泥岩等特殊地质环境。
3.2 模型训练
根据A号线区间工程盾构掘进记录统计表以及施工现场情况，按照该区间地
层分布以及掘进参数设定情况，一共获得了62组有效数据，其中53组数据用于
预测模型训练，并将模型训练输出值与实际值进行对比，总推力、泥水仓压力、
同步注浆压力训练值与实际值的对比曲线如图2~图4所示。
3.2.1 总推力
盾构推力由液压油缸产生，是盾构机向前步进的动力。总推力预测模型训练
值与实际值的对比曲线，如图2所示，其平均相对误差为2.90%，相对误差计算
公式由式2所示：
(2)
式中， 为相对误差，y表示训练样本输出值即训练值，t表示原始值即实际
值。
图
2 总推力训练值与实际值
对比
3.2.2 泥水仓压力
泥水通过输送管道压入泥水仓，待泥水充满泥水仓并具有一定的压力，通过
泥水的压力作用能够维持开挖面的稳定工作。泥水仓压力预测模型训练值与实际
值的对比曲线，如图3所示，其平均相对误差为5.51%。
图3 泥水仓压力训练值与实际值对比
3.2.3 同步注浆压力
在 盾构掘进
过程中，同步注
浆时浆液的压力
主要由来自开挖
面的土压与地下
水压力，并要求浆液的压力大于该点的静止水压及土压之和，做到尽量填补的同
时又不产生劈裂。同步注浆压力预测模型训练值与实际值的对比曲线，如图4所
示，其平均相对误差为3.43%。
图4 同步注浆压力训练值与实际值对比
由各掘进参数的训练值与实际值的对比曲线以及相对平均绝对自己误差可知，
预测模型训练值在实际值周围波动，训练值能较好的反映实际值的变化曲线，但
训练值与实际值之间还是存在一定的差距。
3.3 模型验证
对上文所建立的BP神经网络预测模型进行验证，选取武汉地铁A号线区间
工程泥岩段所收集数据中其余9组数据检验模型，将预测值与实际值进行对比，
总推力、泥水仓压力、同步注浆压力预测值与实际值的相对误差如表1~表3所示，
相对误差计算公式由式3所示：
(3)
其中， 为相对误差，f表示预测值，t表示实际值。
3.3.1 总推力
总推力预测值与实际值相对误差值，如表1所示。
表1 总推力预测值与实际值相对误差
序号
误差
总推力（T）
1
相对误差（%）
2
15.50
16.33
3
4
5
6
7
8
9
最大误差
最小误差
平均误差
3.3.2 泥水仓压力
16.16
11.63
5.59
6.11
1.17
5.08
16.06
16.33
1.17
10.40
泥水仓压力预测值与实际值相对误差值，如表2所示。
表2 泥水仓压力预测值与实际值相对误差
序号
误差
总推力（T）
1
7.43
2
6.04
3
3.97
4
相对误差（%）
5
10.74
9.16
6
8.35
7
11.21
8
9.52
9
15.50
最大误差
15.50
最小误差
3.97
平均误差
9.10
3.3.3 同步注浆压力
同步注浆压力预测值与实际值相对误差值，如表3所示。
表3 同步注浆压力预测值与实际值相对误差
序号
误差
总推力（T）
1
相对误差（%）
2
10.40
8.92
3
4
5
6
7
8
9
最大误差
最小误差
平均误差
11.35
6.38
3.92
5.47
1.80
6.83
9.22
11.35
1.80
7.14
由表1~表3可知，本文所建立的BP神经网络预测模型对总推力、泥水仓压
力、同步注浆压力预测的平均相对误差分别为10.40%、9.10%、7.14%，相对误差
在11%以内，预测精度满足施工要求。
4 结论
以武汉地铁A号线某区间工程相关数据为基础，利用BP神经网络建立针对
特殊地质条件下掘进参数的预测模型，探究了在非线性、高纬度、小样本数据情
况下掘进参数的设定问题，主要结论如下：
（1）总推力、泥水仓压力、同步注浆压力预测模型训练输出值与实际值的
平均相对误差分别为2.90%、5.51%、3.43%，训练输出值与实际值基本一致，表
明该模型有较好的非线性映射能力。
（2）用9组数据验证所建立BP神经网络预测模型，总推力、泥水仓压力、
同步注浆压力预测值与实际值的平均相对误差分别为10.40%、9.10%、7.14%，符
合精度要求，可为类似工程盾构掘进参数的设定提供一定的参考。
参考文献：
[1]张爱军.上软下硬地层盾构掘进姿态施工参数模糊控制研究[J].铁道科学
与工程学报,2018,15(11):2920-2927.
[2]李超,李涛,李正,詹金武.基于BP神经网络的复合地层盾构掘进参数预测
与分析[J].土木工程学报,2017,50(S1):145-150.
[3]张社荣,方鑫,和孙文.基于MIV-BP模型和AIC准则的盾构掘进参数优化
研究[J/OL].铁道标准设计:1-8[2019-07-15].
[4]赵博剑,周建军,谭忠盛,李涛.复合地层盾构掘进参数及其与地层相关性
分析[J].土木工程学报,2017,50(S1):140-144.
[5]曲兆宇. 砂卵石地层中隧道盾构法施工数值分析[D].北京交通大学,2012.
[6]宋婷,徐波,康万东,张鑫君.西峰油田长8储层黏土矿物对储层物性的影
响[J].重庆科技学院学报(自然科学版),2019,21(01):16-20.
[7]陈伟,周曼,叶家军,张季如,付红阳.建筑工程安全施工费费率测算的PSO-
BP模型研究[J].中国安全科学学报,2016,26(05):146-151.
[8]谢小军,邱云兰,时凌.基于ARIMA和BP神经网络组合模型的能源消费预
测[J].数学的实践与认识,2019,49(10):292-298.
[9]任宏,周其明.神经网络在工程造价和主要工程量快速估算中的应用研究
[J].土木工程学报,2005(08):135-138.
1.作者简介及基金项目：
常嘉，女，生于1977年2月，高级工程师，学士，研究方向为隧道工程方
向
基金项目：武汉市城乡建设局科技项目（202034）
2024年5月11日发(作者：羊香梅)
基于 BP 神经网络的特殊地质条件盾构
掘进参数预测研究
摘要：为有效控制特殊地质条件下的盾构掘进参数，提高地铁盾构施工效率
与施工质量。文章首先结合土体物理性质，确定关键的地层参数；其次将选定的
地层参数作为输入变量，建立针对掘进参数的BP神经网络预测模型；最后，对
建立的掘进参数预测模型进行验证。以武汉地铁A号线某泥水平衡盾构施工区间
工程监测的实际数据进为例，结果表明：总推力、泥水仓压力、同步注浆压力预
测的平均相对误差分别为10.40%、9.10%、7.14%，误差在11%以内，可为同类型
工程掘进参数的设定提供参考。
关键词：特殊地质；地层参数；掘进参数；BP神经网络模型；盾构
[中图分类号] U231＋.3 [文献标识码] A [文章编号]
Prediction of Shield Boring Parameters in Special Geological
Conditions Based on BP Neural Network
CHANG Gia，HU Yao-yue，MA Hao，
LI Zong-liang
（ Metro Group Co., Ltd, Wuhan 430000,China;2. School of
Civil Engineering and Architecture , Wuhan University of Technology ,
Wuhan 430070 , China;)
Abstract: In order to effectively control the shield tunneling
parameters under special geological conditions, so as to improve the
construction efficiency and quality of subway shield tunneling.
Firstly, the key formation parameters were determined according to the
physical properties of soil. Secondly, the BP neural network
prediction model for driving parameters was established by taking the
1212
selected formation parameters as input variables. Finally, the
prediction model of driving parameters was verified. Taking the actual
monitoring data of A mud-water balanced shield tunneling section of
Wuhan Metro Line A as an example, the results show that the average
relative errors of total thrust, sludge bin pressure and synchronous
grouting pressure are respectively 10.40%, 9.10% and 7.14%, and the
errors are within 11%, which can provide reference for the setting of
driving parameters of the same type of project.
Keywords: special geological conditions; Formation parameters;
boring parameters; BP neural network model; shield
0 引言
近年来，随着我国城市化进程加快，城市规模不断扩大、城市人口不断增加，
城市轨道交通显得越发的重要，地铁已经成为缓解我国交通压力的关键出行工具。
由于地铁项目建设环境的不确定性，特别是在过江隧道工程的地质条件较为复杂
的情况下，地铁隧道工程施工过程中会较大概率地碰到特殊地质环境，而地质条
件的变化直接造成掘进参数的时变性及非线性，盾构施工过程中掘进参数差异过
大会引发施工管理风险，降低施工效率、增加施工成本。因此，为了能更好地在
特殊地质条件下指导施工，实现在该地质条件下对盾构掘进参数进行合理的预测
具有重要的意义。
张爱军 将BP神经网络模型运用到盾构隧道轴线偏移量的影响研究中，得
出了盾构施工参数对姿态控制的影响及其规律。李超等建立BP神经网络模型，
用于预测复合地层条件下的盾构掘进参数。张社荣等将平均影响值算法与BP神
经网络模型相结合筛选出了关键的掘进参数，并为能计算出合理有效的掘进参数
的预警区间，运用了赤池信息准则对其进行最优分布的确定，为在复合地层条件
下盾构施工时设置关键掘进参数提供方案。赵博剑等采用数理统计方法对掘进
[4]
[3]
[2]
[1]
参数与地层之间的相关性进行了分析，为同类型工程在施工过程中参数的选取与
设定提供指导。曲兆宇采用了有限元方法对盾构掘进过程进行了数值模拟，分
析了砂卵石地层中的施工盾构掘进参数对地层沉降的影响规律。以上文献对不同
区域不同地质条件下的盾构掘进参数优化问题进行了研究，但对于含有强风化泥
岩、中风化泥岩等典型特殊地质条件下的地铁盾构掘进参数研究较少。因此，有
必要结合特殊地质条件下地层参数角度对盾构掘进参数进行分析，以更好地满足
施工要求。
鉴于此，本文以武汉地铁A号线某区间工程施工的典型特殊地质条件及掘进
参数为数据基础，选定关键的掘进参数并建立BP神经网络预测模型对掘进参数
进行训练，分析误差值。在此基础上，利用所建立的模型预测在特殊地质条件下
的盾构掘进参数，以期能为同类型工程在特殊地质条件下盾构掘进参数的设定提
供思路。
1 特殊地质分析
武汉地铁A号线区间工程的泥岩X衍射试验报告表明，该区间泥岩矿物主要
由绿泥石、石英、伊利石等组成。其中，伊利石是一种黏土矿物，产于泥质岩中，
常是形成其他黏土矿物的中间过渡性矿物，在注水过程中，容易吸水膨胀。绿泥
石主要是伊利石在成岩过程中演化与高岭石和长石经成岩蚀变的产物，绿泥石的
含量对岩石孔隙度有较大的影响。由于泥岩主要组成成份含有伊利石、绿泥石
等，具有吸水膨胀和吸附刀盘的特性，在盾构掘进过程中，随着盾构刀盘切削形
成的微粒易吸附于金属表面形成刀盘泥饼、泥水仓中心泥饼、堵塞泥水仓门等。
刀盘泥饼使刀具降低甚至失去切削作用，盾构推力虽大而刀盘不能贯入。泥水仓
泥饼不仅加剧恶化刀盘泥饼，还使泥水仓调节容器变小，导致泥水仓压力波动不
稳定等问题。堆积下来的土渣不能及时携带出渣，使得泥水仓舱门堵塞，掘进困
难。盾构机在本特殊地质条件下，掘进时间同比正常段大幅增加，各项设备满负
荷运行，导致造价倍增。
2 BP神经网络预测模型
2.1 模型简介
[6]
[5]
BP神经网络是一种将网络输出误差反向传递而将信号正向传播的多层前馈神
经网络。一般情况下，其网络结构由输入层、一个或多个隐含层和输出层组成。
BP神经网络的相邻两个层之间的神经元之间相互全连接，且不存在同层连接或跨
层连接，基本结构如图1所示。
利用BP神经网络建立模型，可将复杂的数据的信息进行分类，从而发现信
息间的内在规律。其信息传递是从输入层开始，由上一层神经元传递给下一层
神经元，传送通过联结权来实现。当输出层的预测输出值与实际值之间存在误差
时，根据误差梯度下降理论方法对权重值以及阈值进行调整修正，并选取最优权
向量，以最小化网络误差。
[8]
[7]
图1 BP神经网络基本结构
2.2 BP神经网络模型构建
2.2.1 输入及输出参数的设置
在利用BP神经网络模型进行盾构掘进参数预测过程中，需要将所收集的资
料分为两类，一类是体现地层地质条件的输入参数，即地层参数，另一类是体现
盾构施工内部掘进性能的输出参数，即掘进参数。
武汉地铁A号线为过江隧道工程，地质条件复杂，地层中含有大量黏性颗粒
成分，结合土体物理性质，选取土体粘聚力、土体内摩擦角、垂直基床系数、水
平基床系数、地基基本承载力与渗透系数为地层参数，作为神经网络模型的输入
参数。土体粘聚力、土体内摩擦角、垂直基床系数、水平基床系数、地基基本承
载力与渗透系数均根据地勘资料来确定，若同一断面含有不同地层，则依据断面
中各地层含量所占百分比取各地层参数的加权平均值。
本工程盾构掘进参数较多，且各个参数均会受外界环境影响，结合本工程的
特殊性，考虑到掘进效率、地表沉降控制等方面，本文选取总推力、泥水仓压力、
[2]
同步注浆压力为主要掘进参数，作为神经网络的输出参数。总推力、泥水仓压力、
同步注浆压力均根据现场盾构施工实际情况来确定。
由于各参数量纲不同，不适合直接进行模型训练，故需对样本数据进行归一
化处理，处理方法如式1所示：
Y=（ − ）/（
式中，Y为归一化后的数据， 为原始数据，
值和最小值。
2.2.2 建立预测模型
一个3层的BP神经网络从理论上可以逼近任何非线性函数，故本文选用3
层BP神经网络，即输入层、一层隐含层与输出层。设置神经网络的输入层节点
数为6（土体粘聚力、土体内摩擦角、垂直基床系数、水平基床系数、地基基本
承载力与渗透系数），输出层节点数为3（总推力、泥水仓压力、同步注浆压
力）。
隐含层节点数的设置是建立预测模型的关键，节点数过多或过少都会影响模
型的精度，因此需要合理设置隐含层的节点数，本文隐含层节点数根据经验公式
设置，如式2所示：
（2）
其中，M为隐含层节点数，N为输入层节点数。在本预测模型中，选定输入
层节点为6，即隐含层节点数为13，故网络结构为6—13—3。
本预测模型选择的传递函数为logsig函数；学习函数为learngdm函数；迭
代次数取10000，精度目标值取0.01。
3 特殊地质条件下掘进参数预测分析
3.1 工程概况
[9]
） （1）
和 分别为数据组的最大
武汉地铁A号线区间里程为K15+347.909~K17+035.568，采用泥水平衡盾构
机施工，根据会议纪要、地勘报告以及设计施工图，该区间泥岩段里程为
K15+812.23~K16+295.07，长度为482.84m，泥岩段隧道最低点轨面标高-21.688m。
隧道沿线地质条件较为复杂，不仅要穿过圆砾、粉质黏土等地层，还会遇到强风
化泥岩、中等风化泥岩等特殊地质环境。
3.2 模型训练
根据A号线区间工程盾构掘进记录统计表以及施工现场情况，按照该区间地
层分布以及掘进参数设定情况，一共获得了62组有效数据，其中53组数据用于
预测模型训练，并将模型训练输出值与实际值进行对比，总推力、泥水仓压力、
同步注浆压力训练值与实际值的对比曲线如图2~图4所示。
3.2.1 总推力
盾构推力由液压油缸产生，是盾构机向前步进的动力。总推力预测模型训练
值与实际值的对比曲线，如图2所示，其平均相对误差为2.90%，相对误差计算
公式由式2所示：
(2)
式中， 为相对误差，y表示训练样本输出值即训练值，t表示原始值即实际
值。
图
2 总推力训练值与实际值
对比
3.2.2 泥水仓压力
泥水通过输送管道压入泥水仓，待泥水充满泥水仓并具有一定的压力，通过
泥水的压力作用能够维持开挖面的稳定工作。泥水仓压力预测模型训练值与实际
值的对比曲线，如图3所示，其平均相对误差为5.51%。
图3 泥水仓压力训练值与实际值对比
3.2.3 同步注浆压力
在 盾构掘进
过程中，同步注
浆时浆液的压力
主要由来自开挖
面的土压与地下
水压力，并要求浆液的压力大于该点的静止水压及土压之和，做到尽量填补的同
时又不产生劈裂。同步注浆压力预测模型训练值与实际值的对比曲线，如图4所
示，其平均相对误差为3.43%。
图4 同步注浆压力训练值与实际值对比
由各掘进参数的训练值与实际值的对比曲线以及相对平均绝对自己误差可知，
预测模型训练值在实际值周围波动，训练值能较好的反映实际值的变化曲线，但
训练值与实际值之间还是存在一定的差距。
3.3 模型验证
对上文所建立的BP神经网络预测模型进行验证，选取武汉地铁A号线区间
工程泥岩段所收集数据中其余9组数据检验模型，将预测值与实际值进行对比，
总推力、泥水仓压力、同步注浆压力预测值与实际值的相对误差如表1~表3所示，
相对误差计算公式由式3所示：
(3)
其中， 为相对误差，f表示预测值，t表示实际值。
3.3.1 总推力
总推力预测值与实际值相对误差值，如表1所示。
表1 总推力预测值与实际值相对误差
序号
误差
总推力（T）
1
相对误差（%）
2
15.50
16.33
3
4
5
6
7
8
9
最大误差
最小误差
平均误差
3.3.2 泥水仓压力
16.16
11.63
5.59
6.11
1.17
5.08
16.06
16.33
1.17
10.40
泥水仓压力预测值与实际值相对误差值，如表2所示。
表2 泥水仓压力预测值与实际值相对误差
序号
误差
总推力（T）
1
7.43
2
6.04
3
3.97
4
相对误差（%）
5
10.74
9.16
6
8.35
7
11.21
8
9.52
9
15.50
最大误差
15.50
最小误差
3.97
平均误差
9.10
3.3.3 同步注浆压力
同步注浆压力预测值与实际值相对误差值，如表3所示。
表3 同步注浆压力预测值与实际值相对误差
序号
误差
总推力（T）
1
相对误差（%）
2
10.40
8.92
3
4
5
6
7
8
9
最大误差
最小误差
平均误差
11.35
6.38
3.92
5.47
1.80
6.83
9.22
11.35
1.80
7.14
由表1~表3可知，本文所建立的BP神经网络预测模型对总推力、泥水仓压
力、同步注浆压力预测的平均相对误差分别为10.40%、9.10%、7.14%，相对误差
在11%以内，预测精度满足施工要求。
4 结论
以武汉地铁A号线某区间工程相关数据为基础，利用BP神经网络建立针对
特殊地质条件下掘进参数的预测模型，探究了在非线性、高纬度、小样本数据情
况下掘进参数的设定问题，主要结论如下：
（1）总推力、泥水仓压力、同步注浆压力预测模型训练输出值与实际值的
平均相对误差分别为2.90%、5.51%、3.43%，训练输出值与实际值基本一致，表
明该模型有较好的非线性映射能力。
（2）用9组数据验证所建立BP神经网络预测模型，总推力、泥水仓压力、
同步注浆压力预测值与实际值的平均相对误差分别为10.40%、9.10%、7.14%，符
合精度要求，可为类似工程盾构掘进参数的设定提供一定的参考。
参考文献：
[1]张爱军.上软下硬地层盾构掘进姿态施工参数模糊控制研究[J].铁道科学
与工程学报,2018,15(11):2920-2927.
[2]李超,李涛,李正,詹金武.基于BP神经网络的复合地层盾构掘进参数预测
与分析[J].土木工程学报,2017,50(S1):145-150.
[3]张社荣,方鑫,和孙文.基于MIV-BP模型和AIC准则的盾构掘进参数优化
研究[J/OL].铁道标准设计:1-8[2019-07-15].
[4]赵博剑,周建军,谭忠盛,李涛.复合地层盾构掘进参数及其与地层相关性
分析[J].土木工程学报,2017,50(S1):140-144.
[5]曲兆宇. 砂卵石地层中隧道盾构法施工数值分析[D].北京交通大学,2012.
[6]宋婷,徐波,康万东,张鑫君.西峰油田长8储层黏土矿物对储层物性的影
响[J].重庆科技学院学报(自然科学版),2019,21(01):16-20.
[7]陈伟,周曼,叶家军,张季如,付红阳.建筑工程安全施工费费率测算的PSO-
BP模型研究[J].中国安全科学学报,2016,26(05):146-151.
[8]谢小军,邱云兰,时凌.基于ARIMA和BP神经网络组合模型的能源消费预
测[J].数学的实践与认识,2019,49(10):292-298.
[9]任宏,周其明.神经网络在工程造价和主要工程量快速估算中的应用研究
[J].土木工程学报,2005(08):135-138.
1.作者简介及基金项目：
常嘉，女，生于1977年2月，高级工程师，学士，研究方向为隧道工程方
向
基金项目：武汉市城乡建设局科技项目（202034）