基于驱替效应的盾构壁后注浆微观模型分析

叶飞; 秦楠; 梁兴; 韩兴博; 韩鑫

doi:10.3969/j.issn.0258-2724.20200344

摘要:

当盾构隧道位于水位线以下时，为了分析壁后注浆浆液驱动地下水体过程，基于毛细管组渗透理论，将浆液的渗流路径概化为毛细管，考虑牛顿流体浆液驱动地下水（牛顿流体）进行扩散，推导了半球形及柱形模型浆液渗流扩散半径计算式，并讨论了注浆压力、浆液水灰比、地层渗透系数的影响. 研究结果表明：浆液扩散半径主要与注浆压力、渗透率、注浆时间、孔隙率、浆液和地下水黏度等因素有关，浆液水灰比对于浆液扩散半径影响最为显著，浆液的黏度由0.004 7 Pa•s降至0.001 9 Pa•s时，浆液扩散半径在注浆时间为1 h时降低幅度为46.7%，相同注浆条件下可增大水灰比来增大浆液扩散半径；浆液扩散半径随渗透系数的增大而增大，地层的渗透系数大小一定程度上反映了浆液扩散的难易程度；在计算出浆液扩散半径（浆液加固范围）的基础上提出了注浆压力下限值计算方法，用以指导盾构隧道壁后注浆工程施工.

关键词:

Abstract:

When a shield tunnel under construction is below the water level, the shield backfill grouting slurry will drive the groundwater. In order to analyze this driving process, the seepage path of slurry in the soil is generalized to a capillary by capillary group penetration theory, the grout diffusion radius of hemispherical and cylindrical models are deduced considering the diffusion by Newtonian fluid slurry-driven water (Newtonian fluid), and the effects of grouting pressure, water-cement ratio, and formation permeability coefficient are discussed. Results show that the grout diffusion radius is mainly related to the grouting pressure, permeability, grouting time, porosity, and grout and groundwater viscosity. Especially, the grout water-cement ratio has the most significant effect on the grout diffusion radius. When the viscosity of the grout decreases from 0.004 7 to 0.001 9 Pa•s, the spreading radius of grout decreases by 46.7% at 1 h after grouting, indicating that the spreading radius of grout can be increased by adopting a higher water-cement ratio under the same grouting condition. Besides, the grout diffusion radius increases with an increase in the permeability coefficient, and the formation permeability coefficient reflects the difficulty of grout diffusion to a certain extent. Based on the calculation of grout diffusion radius (grout reinforcement range), a calculation method for the lower limit of the grouting pressure is proposed to guide the construction of backfill grouting of shield tunnel.

Key words:

有许多山区铁路项目已纳入规划或是正在建设，山区干线铁路、高速铁路等的规划与建设将为我国优化干线铁路网布局，推进高速铁路“八纵八横”主通道建设，拓展铁路网覆盖范围以及拉动山区经济增长打下坚实基础.

山区地形困难、地质复杂、生态脆弱且城镇经济据点稀少，因此山区铁路线路方案比选更加注重工程的安全性、地质选线原则、绿色环保理念以及对沿线经济发展的带动效果等^[1]. 在此之前，国内已有众多学者就山区铁路线路方案比选做了大量研究：罗圆^[2]将铁路选线视为带有不确定性的多目标决策过程，分别将可靠性数学理论、风险分析理论和效用理论等运用于山区铁路线路方案评价，提出基于不确定性分析的山区铁路线路方案评价方法；邓汉轩^[3]突出山区铁路线路方案优选过程中的环境因素，在运用西部山区铁路选线工程实例的基础上，比较模糊综合评价和人工神经网络评价两种方法，最终得出人工神经网络评价法的效果更好；林凯^[4]在进行困难艰险山区高速铁路线路方案综合优化研究时，将防灾救援部分考虑进去，建立考虑防灾救援的困难艰险山区高铁线路方案综合优化模型；张明威^[5]分析了多岭和强震山区的铁路建设风险，归纳出强震山区越岭铁路的选线策略，同时结合层次分析法与熵权法，构建强震山区越岭段铁路线路方案风险评价模型.

TOPSIS （technique for order of preference by similarity to an ideal solution）是由Hwang和Yoon在1981年提出的一种用于解决单一型或混合型多属性决策问题的方法^[6]，其主要优点是便于理解、计算较简单、适用范围广、几何意义直观等. 但TOPSIS有两个较为突出的不足之处：无法消除决策问题中属性指标间的相关性影响；计算虽简单，但需额外的规范化和赋权手段来分别解决属性指标量纲不一致和权重分配的问题，这不免会使决策过程复杂化. 而且当采用主观赋权手段时，决策结果的可信度将降低，当采用主客组合赋权手段时，决策过程将进一步复杂化. 近年来，国内外学者对TOPSIS的改进研究非常多样化：Jahanshahloo等^[7]运用区间数来改进TOPSIS，并提出一种基于区间数的TOPSIS决策问题扩展算法；Dymova等^[8]采用区间2型模糊值的alpha分割来弥补TOPSIS在进行2型模糊扩展时的不足，且经实例证明此2型模糊扩展不受已知方法的限制；王先甲等^[9]以马氏距离代替欧氏距离来改进TOPSIS，最终达到消除变量间相关性干扰的目的；Wang等^[10]将基于五级法改进的AHP （analytic hierarchy process）作为TOPSIS的额外赋权工具，由此构建油气管道客观风险综合评估模型.

就多数对TOPSIS的改进研究而言，一些将改进重点放在决策环境的拓展上，一些注重对赋权方式的完善，另一些从属性指标中的不确定性信息着手加以改进，还有一些就方法本身的单个缺陷做相应改进，但鲜有学者同时兼顾上述4个方面，并且弥补TOPSIS的两个不足. 本文先以马氏距离代替TOPSIS中的欧氏距离，以相关系数矩阵代替马氏距离中的协方差矩阵，实现TOPSIS的二次改进，既弥补了TOPSIS的两个不足，完成对属性指标的客观赋权，又解决了协方差可能导致的问题；然后运用区间数和云模型实现从定性语言到定量表示的过渡，既充分考虑了属性指标的不确定性和离散性，又很好地克服了评价方法在处理模糊性和随机性方面的不足；最后将上述方法及模型应用于山区铁路选线决策环境，决策结果表明该方法及模型科学、有效，可为日后解决类似决策问题提供一定的参考.

1. TOPSIS及其改进分析

1.1 TOPSIS的步骤

假设有m个备选方案A₁、A₂、···、A_m和n个属性指标C₁、C₂、···、C_n. x_ij为A_i在C_j下的指标值（i=1，2，···，m； j=1，2，···，n）. TOPSIS的步骤如下：

步骤1　根据属性指标值构造的决策矩阵为

${\boldsymbol{X}}{\text{ = }}\left[ {\begin{array}{*{20}{c}} {{x_{11}}}&{{x_{12}}}& \cdots &{{x_{1{{n}}}}} \\ {{x_{21}}}&{{x_{22}}}& \cdots &{{x_{2{{n}}}}} \\ \vdots & \vdots & & \vdots \\ {{x_{{{m}}1}}}&{{x_{{{m}}2}}}& \cdots &{{x_{{{mn}}}}} \end{array}} \right].$

(1)

步骤2　进行规范化处理，消除决策矩阵中数据量纲不同带来的影响，处理后得到的标准化矩阵为

${\boldsymbol{R}}{\text{ = }}\left[ {\begin{array}{*{20}{c}} {{r_{11}}}&{{r_{12}}}& \cdots &{{r_{1{{n}}}}} \\ {{r_{21}}}&{{r_{22}}}& \cdots &{{r_{2{{n}}}}} \\ \vdots & \vdots & & \vdots \\ {{r_{{{m}}1}}}&{{r_{{{m}}2}}}& \cdots &{{r_{{{mn}}}}} \end{array}} \right].$

步骤3　确定权重W=diag(w₁，w₂，···，w_i，···，w_n)，权重满足w_i > 0， $\displaystyle\sum\limits_{{i = }1}^{{n}} {{w_{{i}}}{\text{ = }}1}$ ，W与标准化矩阵相乘，得到的价值矩阵为

${\boldsymbol{V}}{\text{ = }}{\boldsymbol{R}} {\boldsymbol{W}}{\text{ = }}\left[ {\begin{array}{*{20}{c}} {{v_{11}}}&{{v_{12}}}& \cdots &{{v_{1{{n}}}}} \\ {{v_{21}}}&{{v_{22}}}& \cdots &{{v_{2{{n}}}}} \\ \vdots & \vdots & & \vdots \\ {{v_{{{m}}1}}}&{{v_{{{m}}2}}}& \cdots &{{v_{{{mn}}}}} \end{array}} \right].$

(2)

步骤4　确定正理想方案S⁺和负理想方案S⁻： ${S}^{\text{ + }} \text{=} \left\{{s}_{1}^{\text{ + }},{s}_{2}^{\text{ + }}, \cdots , {s}_{{n}}^{\text{ + }}\right\}$ ， ${S}^{-} \text{=} \left\{{s}_{1}^{-},{s}_{2}^{-}, \cdots , {s}_{{n}}^{-}\right\}$ . 求解方法如下：

当C_j为效益型指标时：

$\left\{ \begin{gathered} s_{{j}}^ + {\text{ = }}\max \left\{ {{v_{{{ij}}}}\left| {1 \leqslant {{i}} \leqslant {{m}}} \right.} \right\} ,\hfill \\ s_{{j}}^ - {\text{ = }}\min \left\{ {{v_{{{ij}}}}\left| {1 \leqslant {{i}} \leqslant {{m}}} \right.} \right\} .\hfill \\ \end{gathered} \right. \tag{3a}$

当C_j为成本型指标时：

$\left\{ \begin{gathered} s_{{j}}^ + {\text{ = }}\min \left\{ {{v_{{{ij}}}}\left| {1 \leqslant {{i}} \leqslant {{m}}} \right.} \right\} ,\hfill \\ s_{{j}}^ - {\text{ = }}\max \left\{ {{v_{{{ij}}}}\left| {1 \leqslant {{i}} \leqslant {{m}}} \right.} \right\} .\hfill \\ \end{gathered} \right.\tag{3b}$

当无步骤2和步骤3时，将式（2）、（3）中的v_ij替换成x_ij即可.

步骤5　分别计算A_i到S⁺的欧氏距离D_i⁺，A_i到S⁻ 的欧氏距离D_i⁻. 如式（4）.

$\left\{ { \begin{array}{l} D_{{i}}^ + {\text{ = }}\sqrt {\displaystyle\sum\limits_{{{j = }}1}^{{n}} {{{\left( {{v_{{{ij}}}} - s_{{j}}^ + } \right)}^2}} },\\ D_{{i}}^ - {\text{ = }}\sqrt {\displaystyle\sum\limits_{{{j = }}1}^{{n}} {{{\left( {{v_{{{ij}}}} - s_{{j}}^ - } \right)}^2}} }. \end{array} } \right.$

(4)

步骤6　计算各备选方案的相对贴近度. 求解方法如下：

$C_{{i}}^ * {\text{ = }}\dfrac{{D_{{i}}^ - }}{{D_{{i}}^ + + D_{{i}}^ - }}， \tag{5a}$

(5)

$C_{{i}}^ * {\text{ = }}\dfrac{{D_{{i}}^ + }}{{D_{{i}}^ + + D_{{i}}^ - }}. \tag{5b}$

(5)

步骤7　根据C_i^*的大小进行相对优劣排序，显然C_i^*∈[0，1.0]. 对式（5a），C_i^* 越大越优；对式（5b），C_i^* 越小越优.

1.2 TOPSIS第一次改进

1.2.1 TOPSIS的局限性分析

1）由于欧式距离本身的局限性，当指标间存在相关性，指标所包含的信息重叠，欧式距离失效，决策结果不准确. 而现实决策问题的属性指标几乎都存在相关性，所以这一问题必须得到解决.

2）属性指标的量纲通常不一致，TOPSIS会因量纲不一致而失效，而欧氏距离不能消除量纲不一致带来的影响，需要借助额外的规范化手段来消除，使决策过程复杂化. 1.1节中的步骤3是各属性指标的赋权过程，需要借助额外的赋权手段才能完成，如果采用主观赋权手段确定权重，决策结果的可信度会降低，如果采用主客组合赋权手段确定权重，由于组合赋权过程本身就很繁复，决策过程将进一步复杂化. 因此，上述两个方面是亟须改进的^[11].

1.2.2 TOPSIS的改进思路

马氏距离是由印度统计学家Mahalanobis在1936年提出的一种统计距离. 相对于欧氏距离，马氏距离对属性指标的变化敏感，独立于测量尺度，更能体现各状态或特征间的关系，并且还能排除指标间不同程度的相关性干扰. 同时马氏距离是以标准差函数计算指标权重的，指标值变化大的内化权重赋值小，克服了在计算距离时指标变化程度不同但起相同作用的缺点.

本文利用马氏距离本身能有效排除指标间的相关性干扰、不受量纲影响以及内化于公式的客观赋权方式的优良特性，以马氏距离代替欧氏距离来实现TOPSIS的第一次改进. 改进后的TOPSIS不仅可以排除指标间的相关性干扰，而且可以省略1.1节中的步骤2和步骤3.

1.3 TOPSIS第二次改进

1.3.1 马氏距离的局限性分析

马氏距离考虑的是属性指标间的协方差，协方差是依赖量纲的量，且其大小代表的是两属性对各自均值偏差的综合程度，故协方差可能导致计算结果不稳定，极易放大属性间的影响，不能准确代表属性间的关联程度的问题^[12]. 马氏距离在TOPSIS中的表达式为

$\left\{ { \begin{array}{l} D({A}_{i},{S}^{ + })\text=\sqrt{\left({X}_{i}-{S}^{ + }\right){{\boldsymbol{\varSigma}} }^{-1}{\left({X}_{i}-{S}^{ + }\right)}^{\text{T}}}, \\ D({A}_{i},{S}^-)\text=\sqrt{\left({X}_{i}-{S}^-\right){{\boldsymbol{\varSigma}} }^{-1}{\left({X}_{i}-{S}^-\right)}^{\text{T}}}, \end{array}} \right.$

(6)

式中：D(A_i，S⁺)和D(A_i， ${S^ - }$ )分别为备选方案A_i到正理想方案S⁺与负理想方案 ${S^ - }$ 的马氏距离；Σ为决策矩阵X的协方差矩阵，Σ⁻¹为协方差矩阵的逆矩阵，X_i=[x_i1 x_i2 ··· x_in].

1.3.2 TOPSIS的改进思路

任意两个随机变量x、y的相关系数ρ_xy与协方差cov(x，y)的根本区别在于，当描述其关联程度时前者不受量纲的影响，后者受量纲的影响，而且前者的描述过程更稳定，结果更准确^[13]. 因此，以相关系数矩阵 $\boldsymbol{Q}$ 代替协方差矩阵Σ来改进马氏距离，能解决协方差可能导致的问题. 将对马氏距离的改进作为对TOPSIS的第二次改进，再次改进后的TOPSIS相比第一次改进更具科学性和有效性.

2. 方案比选指标探讨

2.1 指标选用

山区铁路线路方案比选需要考虑的指标多而涉及面广，指标选用时的侧重点和标准均有所不同. 本文确定指标体系的递阶结构由总目标层、宏观目标层和微观目标层组成，在总结众多其他学者研究成果的基础上，秉承系统性、实用性以及定性与定量相结合等指标体系构建原则，从山区铁路线路方案与技术经济条件、周遭环境以及社会意义等大系统的协调发展出发，构建如表1所示的山区铁路线路方案比选指标体系. 表1中的指标主要用于原则方案的比选，在进行实际方案比选时，可根据具体情况选择相应的指标重新构建指标体系^[14-15].

2.2 定性指标处理

山区铁路线路方案比选指标体系中既有定量指标，又有定性指标. 定量指标直接采用精确数量化，定性指标的常用量化方式有区间数、三角模糊数和云模型，其中区间数只能部分考虑定性语言的不确定性特征，三角模糊数中3个变量的权重值相等，故其并未体现出变量的重要性. 本文先采用语言类模糊数表示定性指标，然后采用区间数作为语言类模糊数的转化形式，最后运用云模型将区间数转化为精确数，该精确数即作为定性指标值.

2.2.1 区间数

Moore在1965年首次提出区间数的概念. 区间数的获得无需较多的假设和先验知识，能便捷地表示数据中的不确定信息，而且在求解不确定性问题时能减少主观因素的影响. 当某个问题的原始特征存在不确定性，且在给定的范围内时，就可以用区间数来表示^[16].

$a=\left[{a}^{\text{L}},{a}^{\text{U}}\right]=\left\{x|0 < {a}^{\text{L}}\,\leqslant\, x\,\leqslant\, {a}^{\text{U}}，{a}^{\text{L}}，{a}^{\text{U}}\in {\bf{R}}\right\}\;$ 为一个区间数. 当a^L = a^U时，区间数退化为普通实数，a^L和a^U分别为区间数的下界和上界^[17].

S={很好，好，较好，一般，较差，差，很差}或{很大，大，较大，一般，较小，小，很小}为语言类模糊数集. 定性语言“很好或很大”即为语言类模糊数，其本身存在一定的不确定性特征^[17]. 区间数与语言类模糊数的转化关系如表2所示.

表 1 山区铁路线路方案比选指标体系

Table 1. Index system of optimal selection of mountain railway location design

总目标层	宏观目标层	微观目标层
山区铁路线路方案比选	技术可行性	线路长度输送能力通过能力最小曲线半径展线系数桥隧总长桥隧占比工程工期最大坡度拔起高度土石方工程量征地量拆迁建筑物数量
	经济合理性	土建工程投资费与列车有关的运营费固定设备维修费机车车辆购置费预备费及其他费用年换算工程运营费净现值投资回收期内部收益率
	施工条件及环境影响	工程对自然生态环境的影响工程对历史文化名胜的影响噪音对沿线居民的影响江河湖泊等对工程的影响不良地质条件对工程的影响
	社会经济政治意义	促进周边地区经济发展的能力吸引客货流的能力改善路网布局的意义满足地方需求的能力对城市规划布局的影响

下载: 导出CSV

| 显示表格

表 2 语言类模糊数与区间数的转化

Table 2. Conversion between linguistic fuzzy number and interval number

语言类模糊数	区间数
很差或很小	[0，1.0]
差或小	[1.0，3.0]
较差或较小	[3.0，4.5]
一般	[4.5，5.5]
较好或较大	[5.5，7.0]
好或大	[7.0，9.0]
很好或很大	[9.0，10.0]

下载: 导出CSV

| 显示表格

2.2.2 云模型概述

云模型是由李德毅院士以概率统计和模糊数学为基础提出的一种定性语言与定量表示间不确定性的转换模型. 云模型不仅能充分考虑定性语言的不确定性和离散性，实现其与定量数值间的相互转换，而且克服了评价方法在处理模糊性和随机性方面的不足. 正态云模型是最基本也是最常用的云模型^[18]. 设

$\mu \left(x\right)：U\to \left[0,1.0\right]\text{，}\forall x\in X\left(X\subseteq U\right)\text{，}x\to \mu \left(x\right),$

(7)

为论域U中的任意一个元素x对定性概念T的隶属度，云即μ(x)在U上的分布. 其中，x为云滴，是云的最基本组成元素，也是定性概念T的一个量化值.

每个定性概念都可以用云的期望E_x、熵E_n与超熵H_e来定量表示，这3个数值称为云模型的数字特征，记作C(E_x，E_n，H_e). 其中：期望E_x表示定性语言量化为云滴群的中心点，是最能代表某一定性语言的取值；熵E_n反映了云滴群分布的不确定性；超熵H_e表示定性语言量化为云滴群的离散性^[19].

2.2.3 正向云、条件云发生器

云模型发生器包括正向云发生器、逆向云发生器和条件云发生器. 正向云发生器是由定性语言向定量数值转换的映射，即对定性语言的量化算法. 正向云发生器输入的是需要转换的定性语言的3个数字特征，输出的是 $n$ 个云滴—— ${\rm{drop}}\left({x}_{{t}},{\mu }_{{t}}\right)$ . 正向云发生器算法如下：

步骤1　生成正态随机数 ${E}{'}_{{n}_{{t}}}\text{=}{\rm{NORMRND}} ({E}_{n}， {\left({H}_{e}\right)}^{2})$ ，其中 ${E_n}$ 和 ${\left( {{H_e}} \right)^2}$ 分别为期望和方差；

步骤2　生成正态随机数 ${x}_{{t}}\text{=}{\rm{NORMRND}} \bigg({E}_{x}，\bigg. \left.{\left({E}{'}_{{n}_{{t}}}\right)}^{2}\right)$ ，其中 $\left({E}{'}_{{n}_{{t}}}\right)$ 为方差；

步骤3　计算 ${\mu _{{t}}}{\text{ = }}\exp \left( - \dfrac{{{{\left( {{x_{{t}}} - {E_x}} \right)}^2}}}{2{\left({E}{'}_{{n}_{{t}}}\right)}^{2}}\right)$ ， $\left({x}_{{t}},{\mu }_{{t}}\right)$ 即为数域中任意一个云滴；

步骤4　重复前面3个步骤，直到产生满足条件的云滴或者设定的 $n$ 个云滴为止.

条件云发生器分为 $X$ 条件云发生器和 $Y$ 条件云发生器，均以云模型的不确定性推理为基础，结合正向云发生器实现由定性语言向定量数值的转换. 由于通过发生器产生的云滴与输出值均不唯一，也即不确定，故形成不确定性推理. 当定性规则描述成“如果C₁，那么C₂”，则C₁和C₂均为U中的定性概念，也是不确定性推理规则的前件云与后件云，该定性规则即为单条不确定性推理规则. 不确定性推理算法如下：

输入：前件云 ${C_1}$ 的期望 ${E_{{x_{{C1}}}}}$ 、熵 ${E_{{n_{{C1}}}}}$ 、超熵 ${H_{{e_{{C1}}}}}$ 和特定数值 ${x_0}$ 以及后件云 ${C_2}$ 的期望 ${E_{{x_{{C2}}}}}$ 、熵 ${E_{{n_{{C2}}}}}$ 、超熵 ${H_{{e_{{C2}}}}}$ . 输出：对应于前件云生成确定度为 ${\mu _{{t}}}$ 的后件云定性语言的定量数值y₀₁. 具体步骤为

步骤1　由 $X$ 条件云发生器生成正态随机数 ${E}{'}_{{C}_{1}}\text{=}{\rm{NORMRND}}\left({E}_{{n}_{{C1}}},{\left({H}_{{e}_{{C1}}}\right)}^{2}\right)$ ，其中 ${E_{{n_{{C1}}}}}$ 和 ${\left( {{H_{{e_{{C1}}}}}} \right)^2}$ 分别为期望和方差；

步骤2　由 $X$ 条件云发生器计算 ${x_0}$ 在定性语言 ${C_1}$ 上的确定度， ${\mu _t} = \exp \left( { - \dfrac{{\left( {{x_0} - {E_{{x_{{C1}}}}}} \right)}}{{2\left( {E{'}_{{c_1}}} \right)}}} \right)$ ；

步骤3　由 $Y$ 条件云发生器生成正态随机数 ${E}{'}_{{C}_{2}}\text{=}{\rm{NORMRND}}\left({E}_{{n}_{{C2}}},{\left({H}_{{e}_{{C2}}}\right)}^{2}\right)$ ；

步骤4　在 $Y$ 条件云发生器内，如果 ${x_0}$ 激活 ${C_1}$ 的上升沿，则 ${C_2}$ 用上升沿计算y₀. 即当 ${x_0} \leqslant {E_{{x_{{C1}}}}}$ 时， ${y_0}={E_{{x_{{C2}}}}} - E{'}_{{C_2}} \sqrt { - 2{\text{ln}}\;{\mu _{{t}}}}$ ；

步骤5　在 $Y$ 条件云发生器内，如果 ${x_0}$ 激活 ${C_1}$ 的下降沿，则 ${C_2}$ 用下降沿计算y₀. 即当 ${x_0} > {E_{{x_{{C1}}}}}$ 时， ${y_0}{\text{ = }}{E_{{x_{{C2}}}}} + E{'}_{{C_2}} \sqrt { - 2{\text{ln}}\;{\mu _{{t}}}}$ .

3. 基于二次改进的TOPSIS的山区铁路线路方案比选步骤

步骤1　确定参与比选的m个山区铁路线路方案A₁，A₂，···，A_m和n个属性指标C₁，C₂，···，C_n中，C_j （j=1，2，···，k）为定量指标，C_j （j=k + 1，···，n）为定性指标. x_ij为A_i在C_j下的指标值，定量指标值取用各方案提供的精确数.

步骤2　先聘请专家用语言类模糊数给定性指标赋值；接着对照表2选取相应的区间数；然后由式（8）将区间数转化为云模型的数字特征（云模型数），如表3所示，其中7个云模型数为不确定性推理算法中前件云的定量表示；最后采用百分制数值来表征定性指标因子水平的高低，水平越高，因子分值就越大. 分值大小的定性评语与相应的百分制云模型描述如表4所示，其中7个云模型描述为不确定性推理算法中后件云的定量表示.

$\left\{ \begin{gathered} {E_x}{\text{ = }}\left( {{a^{\text{U}}} + {a^{\text{L}}}} \right)/2 ,\hfill \\ {E_n}{\text{ = }}\left( {{a^{\text{U}}} - {a^{\text{L}}}} \right)/6 ,\hfill \\ {H_e}{\text{ = }}c ,\hfill \\ \end{gathered} \right.$

(8)

式中：c为常数，与语言类模糊数的本身离散程度和模糊度有关，一般取0.02.

以定性指标“改善路网布局的意义”为例，由专家知识构建语言类模糊数、定性评语和云模型描述间的不确定性推理规则. 当改善路网布局的意义“很小”，则定性评语为“很低”，云模型描述为（10，5/3，0.02）；当改善路网布局的意义“小”，则定性评语为“低”，云模型描述为（30，5/3，0.02）. 以此类推.

步骤3　运用云模型发生器获得由精确数表示的定性指标值，具体操作如下：

表 3 语言类模糊数、区间数与云模型数的转化

Table 3. Conversion among linguistic fuzzy number, interval number and cloud model number

语言类模糊数	区间数	云模型数
很差或很小	[0，1.0]	(1/2，1/6，0.02)
差或小	[1.0，3.0]	(2，1/3，0.02)
较差或较小	[3.0，4.5]	(7.5/2，1.5/6，0.02)
一般	[4.5，5.5]	(5，1/6，0.02)
较好或较大	[5.5，7.0]	(12.5/2，1.5/6，0.02)
好或大	[7.0，9.0]	(8，1/3，0.02)
很好或很大	[9.0，10.0]	(9.5，1/6，0.02)

下载: 导出CSV

| 显示表格

表 4 定性评语与云模型描述的转化

Table 4. Conversion between qualitative comment and cloud model description

定性评语	云模型描述
很低	(10，5/3，0.02)
低	(30，5/3，0.02)
较低	(45，5/3，0.02)
中等	(55，5/3，0.02)
较高	(65，5/3，0.02)
高	(80，5/3，0.02)
很高	(90，5/3，0.02)

下载: 导出CSV

| 显示表格

首先由表3中的7个云模型数驱动正向云发生器，将生成的7个正态随机数 ${x_{\text{t}}}$ 的均值作为 $X$ 条件云发生器的特定数值 ${x_0}$ ；随后将 ${x_0}$ 和实际方案 ${A_{\text{i}}}$ 的某一定性指标的对应云模型数代入 $X$ 条件云发生器，即执行2.2.3节中不确定性推理算法的步骤1、2，得到相应的确定度 ${\mu _{{t}}}$ ；最后将 ${\mu _{{t}}}$ 和通过不确定性推理规则确定的云模型描述作为 $Y$ 条件云发生器的输入，激活后随机产生云滴 ${\rm{drop}}\left({y}_{0},{\mu }_{{t}}\right)$ ，即执行不确定性推理算法的步骤3、4或5，精确数 ${y_0}$ 即作为该定性指标的取值.

步骤4　由上述步骤确定的所有指标值构造方案比选的决策矩阵，如式（1）.

步骤5　根据二次改进的TOPSIS求得相对贴近度，并根据相对贴近度的大小进行方案的相对优劣排序. 对式（9a）， $C_{{i}}^ {*}$ 越大越优；对式（9b）， $C_{{i}}^ {*}$ 越小越优.

${C}_{{i}}^{\ast }\text=\dfrac{D({A}_{{i}},{S}^-)}{D({A}_{{i}},{S}^{ + }) + D({A}_{{i}},{S}^-)} ,\tag{9a}$

(9)

${C}_{{i}}^{\ast }\text=\dfrac{D({A}_{{i}},{S}^{ + })}{D({A}_{{i}},{S}^{ + }) + D({A}_{{i}},{S}^-)} . \tag{9b}$

(9)

4. 实例分析

结合某山区铁路巴塘至昌都段局部线路走向方案，对比分析由本文方法及模型得到的比选结果与实际工程的优选结果，以说明该方法及模型的科学性与有效性.

该铁路巴塘至昌都段位于横断山脉中部，线路起于海子山西麓，在跨金沙江、穿芒康山脉、跨澜沧江后，止于昌都市. 区域交通主要由G214、G317、S501、巴白路等组成. 沿线政治经济据点坐落不一，交通状况错综，地形地质复杂，自然环境自我修复能力较弱. 根据沿线政治经济据点分布、交通状况以及地形地质条件等因素，研究了经白玉、江达，经白玉、贡觉、江达，经白玉、贡觉，经贡觉、江达和经贡觉取直五大线路走向方案.

通过综合分析，选用表5所示的9个指标进行线路方案综合比选（取值根据该山区铁路的预可行性研究报告的相关内容确定）. 其中：A₁～A₅依次代表经白玉、江达，经白玉、贡觉、江达，经白玉、贡觉，经贡觉、江达和经贡觉取直五大线路走向方案；C₁～C₉依次为线路长度、桥隧总长、工程静态投资、年换算工程运营费、对自然生态环境的影响、不良地质条件对工程的影响、促进周边经济发展的能力、改善路网布局的意义、满足地方需求的能力9个指标，前6个为成本型指标，后3个为效益型指标.

运用正向云发生器、条件云发生器以及不确定性推理机制，将给定性指标赋值的语言类模糊数转化为百分制数值，也即获得由精确数表示的定性指标值. 运算过程由MATLAB实现，结果如表6所示.

由5个方案的所有指标值构造方案比选的决策矩阵X，并确定正理想方案 ${S^ + }$ 和负理想方案 ${S^ - }$ ， ${S^ + }$ ={204.711，188.375，254.251，318.326，55.0107，8.7623，88.7622，88.7558，88.7634}； ${S^ - }$ ={274.562，242.171，330.298，416.236，81.6858，55.0107，45.5362，55.0107，64.4946}

由式（9a）计算5个方案的相对贴近度，结果为C₁^*=0.506 73，C₂^*=0.453 37，C₃^*=0.452 36，C₄^*=0.263 36，C₅^*=0.383 28

式（9a）计算值越大，则方案越优，因此不难得出方案A₁最优. 对表5中的指标进行分析可知，虽然经白玉、江达方案线路长度较长，工程投资较多，但地质条件、交通条件、设站条件最好，而且该方案经过了玉龙铜矿，同时辐射范围最广、能更好地带动地方经济发展，满足地方意见及其他要求. 如以所选择的9个指标作为线路方案综合比选的主要依据，则由本文方法及模型得到的比选结果与该项目的预可行性研究报告中建议选择的结果较为一致，说明该方法及模型具有较好的科学性与有效性.

表 5 线路走向方案及其属性指标取值

Table 5. Route direction scheme and its attribute index value

指标	A₁	A₂	A₃	A₄	A₅
C₁/km	274.562	267.808	243.229	234.100	204.711
C₂/km	242.171	222.648	209.870	203.772	188.375
C₃/亿元	330.298	324.048	297.469	287.943	254.251
C₄/亿元	416.236	407.872	373.600	361.216	318.326
C₅	小	一般	较小	一般	小
C₆	一般	较大	大	大	很大
C₇	很好	好	较差	一般	较差
C₈	很大	较大	一般	较大	一般
C₉	很好	很好	较好	较好	较好

下载: 导出CSV

| 显示表格

表 6 由精确数表示的定性指标值

Table 6. Qualitative index value represented by exact number

方案	C₅	C₆	C₇	C₈	C₉
A₁	81.685 8	55.010 7	88.762 2	88.755 8	88.763 4
A₂	55.010 7	44.495 9	78.354 8	64.495 7	88.760 5
A₃	65.538 2	28.356 3	45.537 2	55.010 7	64.495 2
A₄	55.010 7	28.355 4	55.010 8	64.494 7	64.494 6
A₅	81.683 1	8.762 3	45.536 2	55.010 7	64.496 3

下载: 导出CSV

| 显示表格

5. 结　论

1）现实决策问题的指标间几乎都会存在相关性，指标的量纲会有差别，指标的赋权过程或不够科学或过于复杂，这要么使TOPSIS的决策过程复杂化，要么使TOPSIS的决策结果不够准确. 鉴于马氏距离本身带有能有效排除指标间相关性干扰等优良特性，以马氏距离代替欧氏距离来改进TOPSIS，改进后的TOPSIS既能保证决策结果的科学性与准确性，又能使决策过程简单化.

2）马氏距离在TOPSIS中的表达要考虑协方差. 在计算马氏距离时，可能会因考虑协方差而导致不能准确代表属性间的关联程度等问题的出现. 任意两变量的相关系数能够弥补协方差的不足，能准确地描述变量间的关联程度，而且描述过程稳定，描述结果准确. 故以相关系数矩阵代替协方差矩阵来改进马氏距离，把对马氏距离的改进作为TOPSIS的第二次改进，再次改进后的TOPSIS更加科学、客观.

3）语言类模糊数本身带有一定的不确定性特征. 区间数的运算过程虽简单、直观，但其不足之处在于不能充分考虑定性语言的不确定性特征. 而云模型既能充分考虑定性语言的不确定性和离散性，又克服了评价方法在处理模糊性和随机性方面的不足，还能实现由定性语言向定量表示的有效转换. 所以本文选用云模型实现语言类模糊数的精确数化.

4）针对二次改进的TOPSIS，在求算马氏距离时需计算相关系数矩阵的逆. 本文实例分析中的相关系数矩阵存在逆矩阵. 但在极少数情况下，当属性指标线性强相关时，相应的相关系数矩阵可能不可逆，此时马氏距离将无法求算，进而无法得到决策结果. 要求相关系数矩阵一定可逆不太现实，但如何确保在推进决策工作时能求算出相关系数矩阵的“逆矩阵”是值得进一步研究的. 例如当相关系数矩阵不可逆时，可采用奇异值分解法求算其正定的“广义”逆矩阵，以其代之.

5）结合某山区铁路巴塘至昌都段局部线路走向方案，由本文方法及模型得到的比选结果同实际工程的优选结果基本一致，说明该方法及模型具有较好的科学性与有效性，并为今后类似决策问题的解答提供一定的参考.

图 1 毛细管中牛顿流体受力示意

Figure 1. Force schematic of Newtonian fluid in capillary

下载: 全尺寸图片幻灯片

图 2 毛细管中浆液流动示意

Figure 2. Schematic of grout flow in capillary

下载: 全尺寸图片幻灯片

图 3 不同水灰比下浆液扩散半径变化规律

Figure 3. Variation law of grout diffusion radius with different water cement ratios

下载: 全尺寸图片幻灯片

图 4 不同注浆压力下浆液扩散半径变化规律

Figure 4. Variation law of radius with different grout pressures

下载: 全尺寸图片幻灯片

图 5 不同渗透系数下浆液扩散半径变化扩散规律

Figure 5. Variation law of grout diffusion radius with different infiltration coefficients

下载: 全尺寸图片幻灯片

图 6 模型对比

Figure 6. Model comparison

下载: 全尺寸图片幻灯片

图 7 盾尾注浆示意

Figure 7. Schematic of shield tail grouting

下载: 全尺寸图片幻灯片

图 8 管片示意

Figure 8. Schematic of segment

下载: 全尺寸图片幻灯片

表 1 不同水灰比浆液对应的流变方程^[16]

Table 1. Rheological equations for different water-cement ratios^[16]

水灰比	流变方程	浆液黏度/（Pa•s）
2	$\tau {\text{ = } }0.037\;2{\text{ + } }0.004\;7\gamma$	0.00470
5	$\tau {\text{ = } }0.088\;0{\text{ + } }0.002\;7\gamma$	0.00270
10	$\tau {\text{ = } }0.045\;4{\text{ + } }0.001\;9\gamma$	0.00190

下载: 导出CSV

表 2 注浆压力

Table 2. Values of grouting pressure

渗透系数/（cm•s⁻¹）	t/min	P₀/MPa
渗透系数/（cm•s⁻¹）	t/min	盾尾注浆	管片注浆
0.02	30	0.147	0.115
0.02	60	0.104	0.089
0.03	30	0.118	0.097
0.03	60	0.089	0.078
0.04	30	0.104	0.087
0.04	60	0.082	0.074

下载: 导出CSV

[1]	张凤祥, 朱合华, 傅德明. 盾构隧道[M]. 北京: 人民交通出版社, 2004.
[2]	GUGLIELMETTI V, GRASSO P, MAHTAB A, etal. Mechanized tunnelling in urban areas[M]. London: CRC Press, 2008
[3]	《岩土注浆理论与工程实例》协作组. 岩土注浆理论与工程实例[M]. 北京: 科学出版社, 2001.
[4]	李志明,廖少明,戴志仁. 盾构同步注浆填充机理及压力分布研究[J]. 岩土工程学报,2010,32(11): 1752-1757. LI Zhiming, LIAO Shaoming, DAI Zhiren. Theoretical study on synchronous grouting filling patterns and pressure distribution of EPB shield tunnels[J]. Chinese Journal of Geotechnical Engineering, 2010, 32(11): 1752-1757.
[5]	白云,戴志仁,张莎莎,等. 盾构隧道同步注浆浆液压力扩散模式研究[J]. 中国铁道科学,2011,32(4): 38-45. BAI Yun, DAI Zhiren, ZHANG Shasha, etal. Study on the grout pressure dissipation model in simultaneous backfill grouting during shield tunneling[J]. China Railway Science, 2011, 32(4): 38-45.
[6]	张莎莎,戴志仁,白云. 盾构隧道同步注浆浆液压力消散规律研究[J]. 中国铁道科学,2012,33(3): 40-48. doi: 10.3969/j.issn.1001-4632.2012.03.07 ZHANG Shasha, DAI Zhiren, BAI Yun. Research on the dissipation law of grout pressure during the simultaneous grouting of shield tunnel[J]. China Railway Science, 2012, 33(3): 40-48. doi: 10.3969/j.issn.1001-4632.2012.03.07
[7]	叶飞,朱合华,何川. 盾构隧道壁后注浆扩散模式及对管片的压力分析[J]. 岩土力学,2009,30(5): 1307-1312. doi: 10.3969/j.issn.1000-7598.2009.05.020 YE Fei, ZHU Hehua, HE Chuan. Back-filled grouts diffusion model and its pressure to segments of shield tunnel[J]. Rock and Soil Mechanics, 2009, 30(5): 1307-1312. doi: 10.3969/j.issn.1000-7598.2009.05.020
[8]	叶飞,陈治,贾涛,等. 盾构隧道管片注浆幂律流型浆液渗透扩散模型[J]. 岩土工程学报,2016,38(5): 890-897. doi: 10.11779/CJGE201605014 YE Fei, CHEN Zhi, JIA Tao, etal. Penetration diffusion model of exponential fluid for backfill grouting through segments of shield tunnel[J]. Chinese Journal of Geotechnical Engineering, 2016, 38(5): 890-897. doi: 10.11779/CJGE201605014
[9]	袁小会,韩月旺,钟小春. 盾构隧道壁后注浆压力分布模型[J]. 西南交通大学学报,2011,46(1): 18-23. doi: 10.3969/j.issn.0258-2724.2011.01.003 YUAN Xiaohui, HAN Yuewang, ZHONG Xiaochun. Pressure distribution model of simultaneous backfill grouting of shield tunnel[J]. Journal of Southwest Jiaotong University, 2011, 46(1): 18-23. doi: 10.3969/j.issn.0258-2724.2011.01.003
[10]	王明年,黄海斌,汤渊,等. 盾构施工对盾尾浆液压力波动变化的影响[J]. 西南交通大学学报,2019,54(3): 461-467,586. doi: 10.3969/j.issn.0258-2724.20170199 WANG Mingnian, HUANG Haibin, TANG Yuan, et al. Influence of shield construction on pressure fluctuation of segment grout[J]. Journal of Southwest Jiaotong University, 2019, 54(3): 461-467,586. doi: 10.3969/j.issn.0258-2724.20170199
[11]	宋天田,周顺华,徐润泽. 盾构隧道盾尾同步注浆机理与注浆参数的确定[J]. 地下空间与工程学报,2008,4(1): 130-133. SONG Tiantian, ZHOU Shunhua, XU Runze. Mechanism and determination of parameters of synchronous grouting in shield tunneling[J]. Chinese Journal of Underground Space and Engineering, 2008, 4(1): 130-133.
[12]	张凤祥, 傅德明, 杨国祥, 等. 盾构隧道施工手册[M]. 北京: 人民交通出版社, 2005.
[13]	陈湘生, 李兴高. 复杂环境下盾构下穿运营隧道综合技术[M]. 北京: 中国铁道出版社, 2011.
[14]	王江涛, 陈建军, 吴庆红, 等. 南水北调中线穿黄工程泥水盾构施工技术[M]. 郑州: 黄河水利出版社, 2010.
[15]	YE F, QIN N, HAN X, etal. Displacement infiltration diffusion model of power-law grout as backfill grouting of a shield tunnel[J]. European Journal of Environmental and Civil Engineering, 2020, 24(1): 1-14. doi: 10.1080/19648189.2017.1363664
[16]	阮文军. 注浆扩散与浆液若干基本性能研究[J]. 岩土工程学报,2005,27(1): 69-73. doi: 10.3321/j.issn:1000-4548.2005.01.011 RUAN Wenjun. Research on diffusion of grouting and basic properties of grouts[J]. Chinese Journal of Geotechnical Engineering, 2005, 27(1): 69-73. doi: 10.3321/j.issn:1000-4548.2005.01.011

期刊类型引用(1)

1.

秦鹏飞，钟宏伟，刘坚，苏丹娜，孙卓宇. 考虑浆土应力耦合作用的劈裂注浆机理分析. 西南交通大学学报. 2023(03): 584-591 .

本站查看

其他类型引用(7)

基于驱替效应的盾构壁后注浆微观模型分析

doi: 10.3969/j.issn.0258-2724.20200344

作者简介:
叶飞（1977—），男，教授，博士，研究方向为隧道及地下工程，E-mail：xianyefei@126.com

计量