盾构施工地表沉降的无监督学习预估方法_阮永芬.pdf

文章编号:1009-6094(2023)07-2270-10盾构施工地表沉降的无监督学习预估方法*阮永芬1，张虔1，乔文件2，闫明2，郭宇航2(1 昆明理工大学建筑工程学院，昆明 650500;2 中铁二十局集团第五工程有限公司，昆明 650000)摘要:随着城市轨道交通建设的逐年增多，盾构施工引发的地表沉降问题愈发突出，传统方法难以对高原湖相沉积软土场地盾构施工沉降进行准确预测。基于无监督学习思想，结合工程经验优选 10 项表征指标作为输入集，据主成分分析(Principal Component Analysis，PCA)处理多参交互、非线性问题的能力，实现样本多参数去耦合的降维处理，得出表征指标敏感性序列，以指导控制措施的实施。利用 K means算法搜寻最优初始聚类中心，并采取多种内部评价指标优化模糊 C 均值聚类(Fuzzy C Means clustering，FCM)中心数，旨在缩短模型收敛时间并提升预测准确率。基于此优化聚类算法建立盾构施工地表最大沉降的无监督预估模型，度量样本数据的空间相似性并进行沉降值类别划分，实现工后沉降等级精准预估与施工参数调整，从而有效控制地表沉降。应用该模型对昆明地铁 5 号线高原湖相沉积软土场地不同里程段盾构工后沉降进行预测，并与多种算法结果进行对比分析，结果显示该模型对测试样本适应性更强，算法收敛快，预估结果精准可靠，具有较好的工程应用价值，所得研究成果与结论可为近似工程提供借鉴与参考。关键词:安全工程技术科学;隧道施工;地表沉降预估;无监督学习;主成分分析;聚类算法中图分类号:X947文献标志码:ADOI:10.13637/j issn 1009-6094.2022.0351*收稿日期:2022 03 09作者简介:阮永芬，教授，博士，从事岩土与地下工程研究，。基金项目:云南省科技厅科技计划项目(2018BC008)0引言盾构法施工因安全高效已成为地铁隧道最主要的施工方法，具有广阔的发展前景。但盾构施工过程中因地层扰动、地下水影响、施工参数与地层不匹配等问题不可避免地造成地表沉降，使其临近建(构)筑物发生不可逆变形甚至造成严重灾害。昆明市多次填湖造陆使环滇池流域广泛分布由泥炭质土、粉质黏土、黏土、粉土互层组成特殊的高原湖相沉积软土，其物理力学指标极低，富含有机质胶体，含水率高，工程性质极其复杂1 3。因此，探究该地区盾构作用的沉降机理并实施精准预估成为亟待解决的问题。目前，盾构施工地表沉降预测主要有经验公式、数值模拟、模型试验与机器学习等方法。2017 年，朱才辉等4 总结了 5 大类盾构诱发地表沉降的经验公式，并以大量实测资料为依据，全面分析了各公式的适用性与准确率并给出了应用建议。2019 年，周健等5 率先在研究了盾构施工参数与地层损失率间关系后利用地层损失理论将地层损失率与地表变形联系起来，构建了基于参数 地层损失 沉降关系的盾构沉降预测与动态调控体系。2020 年，赵胤翔等6 在对富水粉砂地层盾构施工引起地表沉降的研究中发现传统经验公式在该地区适用性低，而后进行修正以提高预测效果。同年，王海涛等7 在对盾构地表沉降的研究中发现 Verriujt 理论公式并不适用于软岩地层，基于该公式进行修正后取得了良好的工程应用效果。王智德等8 将时空关系引入盾构沉降的预测中，将沉降过程分为 5 个阶段后在明德林解的基础上引入时间参数，由此建立出考虑多参耦合的盾构地表沉降实时预测模型。在机器学习兴起的大背景下，2018 年，周爱红等9 将监督学习思想引入盾构沉降预测中，利用主成分分析法与粒子群优化支持向量机算法，大幅度提升了盾构沉降预测精确度。2019 年，Zhang 等10 首次提出了一种基于随机森林(andom Forest，F)的盾构沉降预测模型，得出土压与注浆量为最重要参数。2020 年，李洛宾等11 将循环神经网络算法(ecurrent NeuralNetworks，NN)应用于预测盾构地表沉降中并与传统 BP(Back Propagation)神经网络进行对比分析，结果表明 NN 模型相较于 BP 模型准确率更高，算法运行更加稳定。2021 年，陈仁朋等12 将多种监督学习算法应用于沉降预测中，综合对比后发现随机森林算法预测结果最优，BP 神经网络算法使用效果最差这与文献 11 所得结果一致。归纳现有研究成果可看出，传统经验公式是基于大量工程沉降资料利用数学手段进行拟合得出的数学公式，故从原理上就决定了其在不同场地条件下的适用性千差万别，此类研究方向主要是通过修正其他场地的经验公式以提高预测效果。数值模拟等手段由于模拟软件或计算假定限制，考虑的影响参数较少，不能真实反映工程状况，模拟结果一般仅可得出影响参数的敏感性关系与沉降产生的内部机理，并不能对沉降值进行准确预测。相比之下，机器学习算法可快速有效地处理多参耦合问题，可用于0722第 23 卷第 7 期2023 年 7 月安全 与 环 境 学 报Journal of Safety and EnvironmentVol 23No 7Jul，2023盾构工中实时准确预测地表沉降。但因底层架构不同，各算法对数据类型较为敏感，监督学习严重依赖外部标签的准确性，难以处理噪声样本，也存在对特殊场地适用性差等问题。为解决以上问题，本文据已有研究与工程经验优选包括隧道几何、盾构掘进、地质参数等 10 项可真实全面反映盾构工后地表沉降的表征指标。引入无监督学习理论，将昆明地铁 5 号线的 200 组数据样本剥离外部标签(沉降值)后利用主成分分析(PCA)实现数据降维，缩短模型收敛时间并得出指标敏感性序列以实现工程实时预测。改进模糊 C 均值聚类算法(FCM)衡量主成分数据的空间相似性，并利用 K means 与多种内部指标优化初始聚类中心与聚类数，以期在保证预测精度的同时提高准确度。计算待测样本所属指标簇即可知相应沉降值所属类别，由此构建盾构工后地表最大沉降无监督实时预估模型，指导控制措施的实施。应用该模型对 5 号线不同里程段进行测试并与多种算法准确率与泛化性能综合对比，计算结果可表明各模型准确率、算法稳定性及其对软土场地的适用性。研究成果及结论对滇池流域湖相沉积软土场地盾构施工有较高的应用价值与指导意义。表 1样本表征指标Table 1Sample characterization indicators编码x1x2x3/mx4/kPax5/kN x6/(mmmin1)x7/m3x8/(kNm)x9/hx10/m3表征指标土层类型土层复杂度埋深土压推力掘进速度出土量刀盘扭矩拼装时间注浆量1预估模型的建立1.1问题的数学描述机器学习广义上是使用者推理思维的延伸，可据输入样本的自变量与因变量按特定的目标函数构建变量关系模型，利用这种规律，模型可完成对新样本的结果预测10 13。即利用计算机构建问题与变量的相关规律得出输出值 F(x)=f(x1，x2，xn)，(x1，x2，xn)为变量。据输出值的不同机器学习可分为分类与回归模型，分类模型 F(x)建立后可利用 softmax 函数寻找决策边界以输出离散值，回归模型 F(x)可寻找最优拟合输出连续值，尽管两者底层算法架构不同，但本质上并无区别，当逐渐增大分类模型类别 n 时，其与回归模型间差别会进一步减小。若问题所需精度不高或样本较小，分类预测模型运行速度与准确性势必优于回归模型。监督学习如支持向量机(Support Vector Machine，SVM)、人工神经网络(Artificial Neural Network，ANN)等算法对于样本的分类与预测依赖于样本标签即样本分类结果对预测模型进行修正，其对异常数据标签十分敏感。如层次聚类、K 均值聚类为代表的无监督学习并不需要输入数据样本标签，仅据因变量间相似性将样本进行分类，可有效规避外界异常标签的影响14 15。当表征指标(x1，x2，xn)空间相近时，输出值F(x)则天然相近。据此，引入无监督学习原理，构建不依赖人为预先分类仅分析表征指标间相关性的分类模型，真实反映表征指标与地表沉降间映射关系。1.2表征指标的选取综合 现 有 研 究 并 结 合 高 原 软 土 的 工 程 特性4 5，9 11，选取隧道几何参数、盾构掘进参数、地质参数 3 个部分的表征指标作为输入数据样本。其中，隧道几何参数中对盾构工后地表沉降影响较大的有盾构直径、盾尾间隙、隧道埋深。因盾构机直径固定，盾尾间隙相差不大，故几何参数仅选择隧道埋深。盾构掘进参数包括盾构机姿态、刀盘状态及注浆状态在内的 22 项参数，优选主要指标为表 1 中 x4至 x10，参数由传感器在盾构掘进过程中每隔一段时间自动记录。盾构机每一环生成一则记录，沉降观测点为 5 m 间隔布置，故将观测点里程处前后两环(每环 1.25 m)掘进参数取均值作为输入集。盾构穿越区主要为泥炭质土、粉土、粉砂及粉质黏土组成的湖相沉积软土，工程性质复杂。选取盾构掌子面土层类型及隧道顶部土层复杂度为地质参数表征指标，如表 1 中 x1、x2。土层复杂度据 9 标度法综合考虑上覆土层数、物理力学性质、围岩等级、压缩性、软土层厚度、相对位置等因素定性打分。当地质条件极优时赋值为 1，极差时为 9，其余视地质情况相应赋值。按研究区地层特性，将盾构穿越区掌子面主要土层类型划分并编码为粉土+黏土(1)、粉土+黏土+泥炭质土(2)、黏土(3)、黏土+粉砂(4)。3 部分表征指标共计 10 项，输入数据集见表 1。1.3主成分分析(PCA)由于表征指标众多，各指标间反映的性质相近17222023 年 7 月阮永芬，等:盾构施工地表沉降的无监督学习预估方法Jul，2023并存在一定交互作用，其对沉降的影响也各不相同，本文引入主成分分析算法(PCA)对数据样本进行处理。PCA 作为一种解决多元问题的有效手段被广泛应用16 17，在信息损失可接受的范围内，PCA 算法将 m 维特征映射到相互正交的 k 维，新坐标空间中相互正交的特征称为主成分，从而实现多元问题降维处理，节省时间成本并消除原始指标间交互作用影响。为消除指标量纲的影响先对原始数据样本进行 Z score 标准化处理，具体如下。xij=xij xjji=1，2，n;j=1，2，m(1)式中xij、xij分别为第 i 个样本的第 j 个指标实测值与标准值，xj、j分别为样本第 j 个指标均值与标准差，n 为样本数，m 为表征指标空间维数。标准化处理后构建协方差矩阵 C 如下。C=cov(x1，x1)cov(x1，xm)cov(xm，x1)cov(xm，xm)(2)cov(xj，xj)=ni=1(xij xj)(xij xj)n 1(3)式中cov(xj，xj)为第 j 个与第 j表征指标的协方差，当其值 0 时，两指标成正相关，其值 0 时，两指标成负相关，其值为 0 时，则相互独立;其余符号同前。计算 C 的特征值与特征向量，将特征值 由大到小排列为 1、2、m，相应特征向量为(1，2，m)，计算分类判据指标贡献率 bj，取累计贡献率 ak85%时的前 k(km)项分类判据代表原表征指标样本18 20。贡献率 bj及累计贡献率 ak按下式计算。ak=mj=1bj，bj=jmj=1j(4)则在新坐标空间下，选定的前 k 个分类判据指标 y 则可表示为y=y1y2yk=111mm1kmx1x2xm(5)式中yk为第 k 个分类判据，其为 n 维列向量;(1，2，k)T为主成分得分系数矩阵，其余符号同前。1.4模糊 C 均值聚类算法(FCM)uspini21 于 1969 年提出模糊 C 均值聚类算法简称 FCM，后经 Bezdek22 不断改进逐渐形成一种设计简单，计算过程便于实现，收敛速度快的软聚类算法，被广泛应用于图像识别、数据挖掘与模式开发等众多领域，取得了很好的使用效果14 16。算法的具体实施步骤为:设样本集为 V，V 中包含 n 组数据X，数据 Xi由多个表征指标值组成。将样本集 V 划分为 c(2cn)类，每类至少包含 1 组数据且互不相交称为簇，则相应有 c 个聚类中心构成中心矩阵C=(c1，c2，cc)T。设 ij为第 i 组数据 Xi对第 j类的隶属度，则有 ij构成样本隶属度矩阵 U，则可定义目标函数 J(U，V，C)与约束条件如下。J(U，V，C)=ni=1cj=1aij(Xi，cj)(6)cj=1ij=1i=1，2，n(7)式中ij为第 i 组数据 Xi对第 j 类的隶属度，0 ij 1;(Xi，cj)为数据 Xi与第 j 个聚类中心 cj的空间距离;a 为模糊加权指数，a 取值大小代表样本模糊关系，本文取 a=2。当目标函数取极小时，样本空间内各簇中样本点距聚类中心最近，样本集划分结果最优。运用拉格朗日乘数法将式(2)展开至式(1)，并对式(1)中ij、cj求导可得迭代公式，可通过 K means 聚类预估初始聚类中心空间范围后给定初始聚类中心矩阵C 与隶属度矩阵 U，不断迭代至算法收敛，对最终隶属度矩阵按最大隶属度原则输出划分结果。算法中ij、cj迭代转换公式如下。ik=cj=1(Xi，ck)(Xi，cj()2a1(8)ck=ni=1aikXi/ni=1aik(9)式中ik，ck分别为每次迭代后的 ij，ck。综上，本文基于 PCA FCM 无监督学习源算法提出一种盾构地表最大沉降预估程序与优化流程如图 1 所示，预估模型依靠软土区数据样本特异性进行检验与针对性优化，具体过程置于第 2 节。2模型检验与优化研究数据样本取自在建昆明轨道交通 5 号线青怡广区间(DK12+250)(DK13+250)正常掘进里程段，共计 800 环，区间段地面沉降点 5 m 间隔布置，共 计 200 组。测 试 样 本 于(DK11+650)(DK11+400)里程段间隔取样 40 组，样本区间示意图及地质构造如图 2、3 所示。据文献 1，4，6，10 的研究结论，将掌子面后方 30 m 轴线稳定沉降值作为2722Vol 23No 7安全 与 环 境 学 报第 23 卷第 7 期图 1无监督沉降预估算法流程图Fig 1Flow chart of unsupervised settlement prediction method软土场地施工引起地表最大沉降输入外部标签。提取 200 组数据表征指标集输入无监督沉降预估基算法程序并对算法模型进行检验与优化，以 40 组测试样本对模型进行外部标签分类检验。2.1PCA 合理性检验利用式(1)对样本表征指标集进行标准化处理后进行 KMO 及 Bartlett 球形度检验23，得出 KMO取样适切性量数为 0.661(0.5)，显著性概率为0.000(0.05)，检验结果显示数据存在一定独立性，满足主成分分析法基本要求。由式(2)、(3)求得表征指标协方差矩阵 C，由 C 阵元素值可得对应表征指标间相关性如表 2 所示。计算 C 阵特征值与特征向量，并由式(4)、(5)计算主成分贡献率、累计贡献率与主成分得分系数矩阵。计算结果如图 4，当主成分数 k=4 时，累计贡献率为 0.851(0.85)，信息损失在允许范围内。前4 个主成分即为降维后的分类判据指标 y，用以代表原始数据样本的全部信息参与计算。由得分系数矩阵计算各表征指标参与度，按其大小排序可得对地表沉降敏感性大小的计算式(10)及排序结果如表 3 所示。由表 3 可知，工后沉降表征指标敏感性排序为由大到小为埋深、注浆量、推力、掌子面土层、土压力、出土量、刀盘扭矩、拼装时间、土层复杂程度、掘进速度，当工后沉降或隆起较大时应优先考虑调整注浆量与千斤顶推力或进行二次注浆。pj=ck=1kjkck=1mj=1kjk(10)图 2盾构样本区间概况Fig 2Sample shield interval overview图 3盾构地层构造示意图Fig 3Schematic diagram of shield formation structure2.2有效性检验与优化将 PCA 转化后的主成分数据作为分级判据指标输入 FCM 算法时，需设置聚类中心数与初始聚类中心，聚类中心数即分类数 c 一般取为 2 10，其直接影响到聚类效果与沉降预测精度。聚类有效性一般以戴维森堡丁指数 IDB及有效性指标分离熵 VPE、X B 指标 VXB进行衡量，IDB用以衡量任意两簇的内部距离与簇间距离之比，并仅考虑最大值的影响，其37222023 年 7 月阮永芬，等:盾构施工地表沉降的无监督学习预估方法Jul，2023表 2表征指标相关性Table 2Correlation of characterization indexes表征指标相关性表征指标相关性表征指标相关性表征指标相关性表征指标相关性x1 x2无x2 x3正x3 x5负x4 x8正x6 x8负x1 x3负x2 x4负x3 x6正x4 x9正x6 x9无x1 x4正x2 x5负x3 x7正x4 x10正x6 x10负x1 x5正x2 x6正x3 x8负x5 x6负x7 x8负x1 x6无x2 x7正x3 x9负x5 x7负x7 x9负x1 x7负x2 x8负x3 x10负x5 x8正x7 x10负x1 x8正x2 x9负x4 x5正x5 x9正x8 x9正x1 x9正x2 x10负x4 x6负x5 x10正x8 x10正x1 x10负x3 x4负x4 x7负x6 x7负x9 x10正表 3表征指标敏感性排序Table 3anking of sensitivity of characterization indexes表征指标x1x2x3x4x5x6x7x8x9x10参与度0.100 10.093 20.118 40.098 80.101 20.093 10.098 20.098 40.094 70.106 7敏感性x3 x10 x5 x1 x4 x7 x8 x9 x2 x6图 4主成分累计贡献率Fig 4Cumulative contribution rate of principal component值越小则表明簇内样本间距越小，簇间距离越大，聚类效果越优。分离熵 VPE与 X B 指标综合考虑了样本分类信息与隶属度关系，对 FCM 算法适用性更强，值越小簇内离散性越小，聚类效果越优。3 种有效性检验计算公式如下所示。avg=2n(n 1)1i inmj=1(xij xij)槡2IDB=1cck=1max(avg(ck)+avg(ck)(ck，ck)(11)VPE=1nck=1ni=1ikln(ik)(12)VXB=1nmin(ck，ck)ck=1ni=12ik(Xi，ck)(13)式中avg为簇内样本平均距离，i 为一个簇内除第i 个样本的任一样本，xij为第 i 个样本的第 j 个指标值，(ck，ck)为任一两簇间距离，ik为第 i 个样本Xi所属第 k 簇的隶属度，(Xi，ck)为样本 Xi与第 k个聚类中心空间距离。输入的聚类中心数应在保证有效性增益尽可能大的情况下，类别越多则最终预测范围越小，预估结果越准确。综合考虑算法收敛速度与聚类预估效果，将聚类中心数 c 分别设置为 4、5、6、7、8。依次将c 与利用 K means 聚类得到的相对较优初始聚类中心输入 FCM 算法，对聚类输出结果进行有效性检验并添加外部标签(沉降值)，当样本相近但沉降值相差较大时可认为该样本为噪声数据，以所属簇均值沉降代替原标签，实现样本降噪。有效性检验结果如图 5 所示，由图 5 可知，当 c 为 5 时各指标综合值最优，为 6 时次之。据 5 号线施工经验，盾构沉降一般为 20 10 mm，若 c 取 5 则预测范围为 6 mm，预测精度过低。因此，综合考虑将最佳聚类数 c 设为 6。将输出结果添加外部标签，以聚类中心的外部标签由小至大将输出簇进行规范化排列。计算结果及分类判据指标投影图如图 6、7 所示。由图 6 可知，无监督学习分类结果与外部标签相关性较优，外部标签虽存在相交但混淆区样本较少，存在混淆样本点的原因主要是由于人为外界因素导致沉降数据产生的不可规避误差。据沉降值分布特征并参考工程特性可将外部标签簇规范化排列为一4722Vol 23No 7安全 与 环 境 学 报第 23 卷第 7 期图 7判据指标聚类结果Fig 7Clustering results of criteria indicators图 5不同 c 时有效性指标值Fig 5Validity index values with different c类(14)mm，二类(14，9mm，三类(9，4mm，四类(4，2mm，五类(2，7mm，六类(7)mm。观察图 7 可知，数据样本在三维空间中基本不存在混淆空间，聚类效果较好。同时改变初始聚类中心多次运行 PCA FCM 算法，其输出的分图 6外部标签分组结果Fig 6Grouping results of external labels组结果虽簇排序有变化但簇内样本未见变化，算法稳定性较好。由此，可将聚类中心、数据簇与外表标签簇对应关系作为输入参数以实现盾构工后最大沉57222023 年 7 月阮永芬，等:盾构施工地表沉降的无监督学习预估方法Jul，2023降值预估。3应用分析3.1工后地表沉降预估对 40 组测试样本进行沉降预估的基本程序为首先据式(1)进行数据标准化，式中计算参数按训练样本取值;据式(5)将表征指标向分类判据指标做正交投影得测试样本得分类判据数据;然后按式(8)隶属度函数计算式计算样本点对各簇的隶属度并按最大隶属度原则确定所属簇类;最终由数据簇与外表标签簇对应关系确定工后沉降值预估范围。预估结果如表 4 所示。表 4工后沉降预估结果Table 4Estimated results of post-construction settlement样本实测值预估簇样本实测值预估簇样本实测值预估簇样本实测值预估簇113.98 14119.84(14，9)214.62(9，4)319.95(14，9)20.11(4，2)120.99(4，2)227.71(9，4)3212.41(14，9)38.84(9，4)131.65(4，2)2314.19 14334.69(9，4)415.75 14144.3(9，4)2417.38 14345.02(9，4)518.49 14151.46(14，9)2516.07 14359.627610.25(14，9)163.66(2，7)269.19(14，9)3614.35 1472.25(2，7)171.12(2，7)2710.33(14，9)3710.17784.99(2，7)181.75(4，2)2810.58(14，9)3817.73 1494.43(2，7)191.52(4，2)298.58(9，4)396.927100.54(14，9)202.92(2，7)307.51(14，9)407.8773.2预估结果分析可将有监督机器学习的泛化性能评价指标用于无监督学习算法，泛化性能指算法在对数据样本学习的过程中存在过拟合或欠拟合现象从而影响对测试样本的适用度。将二分类混淆矩阵拓展至多分类问题，可设对于两个样本点(Xi，Xi)存在 C 为预估簇，P 为外部标签给出的分类结果。则可定义 SS为(Xi，Xi)在 C、P 中属于相同簇，SD为(Xi，Xi)在 C中属于相同簇、P 中属于不同簇，DS为(Xi，Xi)在 C中属不同簇、P 中属于同簇，DD表示(Xi，Xi)在 C、P中属不同簇，则有两样本点必符合其中一项且仅有一项关系，值得注意的是多分类混淆矩阵各元素表示含义与二分类不同，因此各元素相加并不等于样本总数。基于多分类混淆矩阵可采用如下 5 种度量指标对模型算法进行评价，即准确率 Acc、精确率 Pre、召回率 ec、F1 S、FM 指数 IFM，计算公式如式(14)(16)。其中 Acc反映模型整体预估性能，其余指标可表示模型对新样本的适应能力，各度量指标值越大则模型性能越好。利用度量指标对模型性能进行评价，结果统计如下:SS=79，SD=46，DS=43，DD=340，Acc=0.825，Pre=0.632，ec=0.648，F1 S=0.641，IFM=0.639。为了证明模型的优越性，将本模型预测结果与多层感知人工神经网络(Multi-Layer Perceptron Neural Network，MLPNN)、多 元Logistic 回归(Multiple Logistic egression，ML)、决策树(Decision Tree，DT)算法、K means、K 近邻(KNearest Neighbor，KNN)算法进行横向对比，结果如表 5 所示。ACC=SS+DDSS+SD+DS+DD(14)IFM=SSSS+SDSSSS+D槡S=Pre槡ec(15)F1S=(2+1)Preec2Pre+ec，=1(16)由表 5 可知，无监督学习算法平均准确率超出监督学习算法约 7.3%，F1 S超出约 17.3%，IFM超出约 12.4%。其中，本文模型所得结果准确率 Acc由监督学习的 0.675 0.725 提升至 0.825，为 10%15%，F1 S由0.256 0.507 提升至0.641，为13.4%38.5%，IFM由 0.347 0.506 提升至 0.639，为13.3%29.2%。这说明无监督学习总体上对预测样本的适应性更优，预测效果更好，泛化性能更高。同时，本文模型相较传统监督模型准确率与稳定性均有大幅提升，对盾构施工地表沉降预测问题的适用性更高。监督学习算法的构建过程对于外部标签6722Vol 23No 7安全 与 环 境 学 报第 23 卷第 7 期表 5机器学习算法性能对比Table 5Performance comparison of machine learning algorithms算法类型监督学习无监督学习MLPNNMLDTK meansKNN本文模型Acc0.6750.7250.7050.7000.7750.825F1 S0.2560.5070.4150.4770.5870.641IFM0.3470.5060.4920.4910.5870.639存在依赖的特性，不能很好地处理噪点数据，对训练样本很容易出现过拟合现象。相反，无监督学习对于训练样本的分类仅依靠自变量本身的空间相似性，从而可有效处理噪点数据，弱化异常标签的影响，从而对预测样本的适应性更高，预测效果更佳明显。同时，本文提出的模型与其他无监督学习算法相比准确率提高了 5%12.5%，F1 S提高 5.4%16.4%，FM 指数提高 5.2%14.8%。此外，多次运行各算法，可发现 K means 算法输出结果相差较大稳定性不佳。本文模型优势在于，首先对原始指标数据进行了 Z score 标准化去除了指标量纲的影响，将原始数据转为正态分布，而后对标准化数据集进行主成分分析，将各表征指标向主成分坐标进行正交投影，剖离各指标间交互作用，并得出各指标敏感性序列对工中控制起到参考作用。此后，利用模糊 C 均值聚类算法对数据样本进行软聚类，以隶属度衡量样本所属簇的模糊关系，更加符合工程实际，算法收敛速度更快，稳定性更佳。4结论基于无监督学习思想，通过研究昆明湖相沉积软土场地盾构沉降数据，本文提出了一种盾构工后地表最大沉降预估模型，具体可得出以下结论。1)从数学原理角度出发统计分析不同预估算法的特性，得出无监督学习算法对盾构工后地表最大沉降预估是可行、适用及可靠的。结合工程经验选取 10 个对盾构沉降影响较大的表征指标，据指标与沉降间相关性进行 Z score 标准化正态预处理，从数据源上提升模型的预估效果。2)利用主成分分析算法(PCA)将表征指标向分类判据空间维度做正交投影，以实现数据降维，缩短模型收敛时间，减小人工与时间成本，并得出了各表征指标敏感性排序，可为盾构工中调整提供参考。采用模糊 C 均值聚类算法(FCM)对数据样本进行软聚类，真实反映样本空间分布特征。采用多种评价指标，优化初始聚类中心并调整聚类中心数以达到最佳分组效果，保证预估精度并提升算法运行速度与稳定性。3)应用该模型对昆明轨道交通 5 号线不同里程段监测截面进行工后地表最大沉降预估，所得结果准确率超出监督学习与其他无监督学习算法约 5%15%，预测结果分组更加精准，模型算法运行稳定。对比结果表明该模型是一种合理、可靠、精准的无监督预估算法，具有较好的工程应用价值。研究成果及结论可为近似工程设计及施工提供参考与依据。参考文献(eferences):1周佳媚，蒙国往，严启，等 泥炭质地层盾构掘进地表及建筑物沉降研究J 现代隧道技术，2015，52(3):160 167.ZHOU J M，MENG G W，YAN Q，et al A study on thegroundandbuildingsettlementcausedbyshieldtunnelling in a peat soil stratumJ Modern TunnellingTechnology，2015，52(3):160 167.2 阮永芬，魏德永，杨均，等 用 Bayes 法及后验分布极限确定土力学参数 J 岩土工程学报，2019，42(3):438 446UAN Y F，WEI D Y，YANG J，et al Determination ofsoil mechanics parameters based on Bayes method andposterior distributionlimit J ChineseJournalofGeotechnical Engineering，2020，42(3):438 446.3 阮永芬，魏德永，高骏，等 K means 聚类分析高原湖相沉积软土参数 J 昆明理工大学学报(自然科学版)，2020，45(1):85 91.UAN Y F，WEI D Y，GAO J，et al K means clusteranalysis of soft soil parameters of plateau sedimentary J Journal of Kunming University of Science and Technology(Natural Sciences)，2020，45(1):85 91.4 朱才辉，李宁 地铁施工诱发地表最大沉降量估算及规律分析J 岩石力学与工程学报，2017，36(增77222023 年 7 月阮永芬，等:盾构施工地表沉降的无监督学习预估方法Jul，20231):3543 3560.ZHU C H，LI N Estimation and regularity analysis ofmaximalsurfacesettlementinducedbysubwayconstruction J Chinese Journal of ock Mechanics andEngineering，2017，36(S1):3543 3560.5周健，柴嘉辉，丁修恒，等 盾构隧道施工预测与动态调控方法研究J 岩土工程学报，2019，41(5):821 828.ZHOU J，CHAI J H，DING X H，et al Constructionprediction and dynamic control of shield tunnelJ Chinese Journal of Geotechnical Engineering，2019，41(5):821 828.6赵胤翔，赵金昌，郭治铁，等 富水粉细砂地层盾构施工引起地表沉降研究J 地下空间与工程学报，2020，16(增 2):918 924.ZHAO Y X，ZHAO J C，GUO Z T，et al Study onsurface settlement caused by shield tunneling in water-richfine sand stratumJ Chinese Journal of UndergroundSpace and Engineering，2020，16(S2):918 924.7王海涛，苏鹏，孙昊宇，等 软岩地层盾构隧道施工引起的地层沉降预测J 岩石力学与工程学报，2020，39(增 2):3549 3556.WANG H T，SU P，SUN H Y，et alPrediction ofground settlement caused by shield construction in softrock ground J Chinese Journal of ock Mechanics andEngineering，2020，39(S2):3549 3556.8 王智德，江俐敏，饶宇 基于时空关系的盾构开挖地表沉降规律J 土木与环境工程学报(中英文)，2019，41(1):62 69.WANG Z D，JIANG L M，AO Y Surface settlementlaw of shield excavation based on temporal and spatialrelationshipJ Journal of Civil and EnvironmentalEngineering(Chinese and English)，2019，41(1):62 69.9周爱红，倪莹莹，尹超，等 一种盾构施工引起的地面沉降预测方法J 测 绘 科 学，2018，43(3):167 172.ZHOU A H，NI Y Y，YIN C，et al A PCA PSO SVM method for predicting land settlement caused byshield construction J ScienceofSurveyingandMapping，2018，43(3):167 172.10ZHANG P，CHEN P，WU H N eal-time analysisand regulation of EPB shield steering using andomForest J AutomationinConstruction，2019，106:102860.11 李洛宾，龚晓南，甘晓露，等 基于循环神经网络的盾构隧道引发地面最大沉降预测J 土木工程学报，2020，53(增 1):13 19.LI L B，GONG X N，GAN X L，et al Prediction ofmaximum ground settlement induced by shield tunnelingbased on recurrent neural networkJ China CivilEngineering Journal，2020，53(S1):13 19.12 陈仁朋，戴田，张品，等 基于机器学习算法的盾构掘进地表沉降预测方法 J 湖南大学学报(自然科学版)，2021，48(7):111 118.CHEN P，DAI T，ZHANG P，et alPredictionmethod of tunneling-induced ground settlement usingmachine learning algorithmsJ Journal of HunanUniversity(NaturalSciences)，2021，48(7):111 118.13 李明亮，李克钢，秦庆词，等 岩爆烈度等级预测的机器学习算法模型探讨及选择 J 岩石力学与工程学报，2021，40(增 1):2806 2816.LI M L，LI K G，QIN Q C，et al Discussion andselectionofmachinelearningalgorithmmodelforrockburst intensity grade prediction J 2021，40(S1):2806 2816.14 柏成浩 基于机器学习的岩溶隧道突水突泥灾害风险智能预测方法研究 D 济南:山东大学，2021.BAI C H