浅埋暗挖地铁隧道施工地表沉降规律分析

为了研究大连地铁202标段促进路站—春光街站暗挖区间人工素填土地段单双线隧道施工地表沉降规律,通过现场实测和数据分析整理的方法,在地铁隧道开挖期间建立了地表沉降监控量测测站,运用精密水准仪进行3个月的监测,监测结果表明浅埋暗挖隧道在开挖期间地表沉降最大位置处于隧道中心线的正上方,沉降量约为25.66～31.82 mm.提出了距跨比β的概念,距跨比β的有效工程取值范围-4＜β＜4,地表沉降与距跨比β密切相关,其中-2＜β＜2地表沉降剧烈阶段,约占整体变形的67.5～77.6％,沉降速率约达0.84～0.93 mm/d.建议应加强监测频率,增加现场巡视.现场测试结果与文克尔地表沉降计算模型相吻合,监测成果对大连地铁及类似的浅埋暗挖隧道建设有借鉴作用.     

基于弹塑性分析的浅埋盾构隧道地表沉降控制

目的为更准确地预测浅埋盾构隧道引起的地表沉降,探求相应的沉降控制措施．方法基于均质半无限空间假定,将浅埋单孔盾构隧道二向非等压初始地应力场分解为均匀应力场和单向应力场。利用弹塑性力学的Lame公式和Kiersch公式及摩尔一库仑屈服准则,定义了弹塑性解的位移边界条件．将控制地表沉降两大措施成功地应用于北京地铁十号线浅埋盾构隧道地表沉降预测及控制．结果得出适合浅埋隧道地表沉降预测的弹塑性计算式,对弹塑性计算式的分析显示,隧道围岩的弹性模量E和黏聚力c越大,地表沉降越小;泊松比纵内摩擦角φ和膨胀角沙越大,地表沉降也越大．提出通过减少围岩扰动和提高围岩性质两种控制盾构隧道地表沉降的方法．结论研究成果能较好地应用于浅埋盾构隧道的地表沉降预测及控制．     

基于时空关系的盾构开挖地表沉降规律

基于武汉地铁四号线某区间隧道盾构开挖引起的地表沉降数据分析,考虑地表沉降的时空关系,将地表沉降划分为无影响阶段、前期沉降阶段、通过阶段、盾尾空隙沉降阶段、工后沉降阶段,并给出了各个阶段的大致范围及其地表沉降占总沉降的比值。通过对Mindlin解引入时间参数,针对不同阶段地表沉降影响因素进行分析,在前影响距离范围内,盾构机与土体的摩擦力和地层损失对地表沉降的影响占优,在后影响距离范围内,地层损失对地表沉降起到了绝对的控制作用,前期沉降阶段的土层隆起与正面附加推力、摩擦力有关,而正面附加推力、摩擦力和注浆压力导致了工后沉降阶段的土体回弹,由此获得了实时地表沉降预测的理论公式。研究结果表明：理论预测值与实测值能较好的吻合,该公式能够较为准确地实时预测地表沉降。     

地铁隧道开挖引起地表沉降的数值模拟研究

大中型城市修建地铁是未来城市建设的一个重要方向,但是城市中环境复杂,地表沉降控制要求严格。因此,研究隧道开挖地表沉降变化规律,对沉降控制具有重要的实践意义。文章运用有限元数值模拟方法对青岛某标段地铁隧道工程进行分析,结合数值计算结果与现场实测数据,研究隧道在由断面开挖对地面沉降变化规律的影响,对比实际隧道开挖的监控数据,模拟结果表明,地表沉降仍在安全范围内,可以为类似工程沉降控制提供参考。     

隧道开挖地表移动参数选取的自适应遗传算法

针对某地铁车站开挖引起地表沉降较大的问题,基于车站开挖引起地表沉降的实测数据,利用随机介质理论方法反演地铁车站初步开挖引起的地表移动参数,包括沉降槽影响范围以及断面收缩率,并利用所得的参数对该车站下一步开挖进行地表沉降预测;通过类似地层条件的地表沉降实测数据,利用数值模拟正交反分析法确定主要模型参数,预测了该地铁车站各施工阶段引起的地表沉降值。并结合洞内特征点的收敛发展规律,将地表沉降理论预测结果与数值模拟结果进行对比。结果表明:由于2种预测方法的不同导致最终的地表沉降值存在差异,但主要开挖阶段引起的地表沉降基本一致;主要的差异来源于数值模拟方法考虑了更为具体的衬砌施工工序,导致开挖过程中洞内收敛特征与理论预测方法明显不同。     

基于Logistic预测模型的地铁隧道地表沉降预测研究

以武汉地铁二号线虎泉站至名都站区间施工监测数据为基础,运用Logistic时间函数模型,对由地铁区间隧道开挖引起的地表沉降曲线随时间变化规律进行拟合分析。根据拟合结果,确定了该区间隧道开挖过程中沉降量Logistic时间曲线的5个关键点及3个未知参数,从而建立了针对该区间隧道地面沉降的Lo-gistic时间预测经验模型,将该模型用于预测得到了很好的预测结果。     

隧道开挖引起地表位移的数值模拟研究

隧道开挖扰动隧道上覆岩土层,原有的应力平衡状态发生破坏,导致地表发生移动和变形从而对周边建筑物产生影响.以某地铁隧道为例,应用ANSYS计算隧道开挖这一动态过程引起的地表沉降,分析地表沉降对周围环境尤其是建筑物的影响,并提出相应的防御解决措施,以此来减少隧道开挖对建筑物的影响.     

浅埋暗挖法地铁施工地表沉降的分析与研究

本文以在建的浅埋暗挖法施工的北京地铁五号线某标段的双线隧道为例,通过现场各实验断面实测数据的分析研究,得到在第四纪覆盖层,主要为粉质粘土的地质条件下隧道开挖过程中地表沉降、速率和拱顶沉降变化趋势。并指出在掌子面0．5D～0．75D范围内,地表沉降速率增长较大,施工中应在该范围内及时进行初期衬砌的支护。通过监测数据的统计分析,地表累计沉降主要发生在掌子面2D范围内,在此区域内地表变形速率较大,超出3D后,地表变形速率趋于平缓;沿隧道纵向地表沉降最大值超前发生于主断面。其影响最大的范围是在4D～4．5D的范围内。在施工中适时用小导管注浆法加固土体效果显著。分析结果对北京地铁后期建设和同类地层地铁施工环境控制具有重要借鉴和参考价值。     

绍兴软土地层盾构隧道地表沉降效应研究

以绍兴市轨道交通2号一期工程的两个典型区间为例,从两个区间典型断面实测值的Peck和Sagaseta公式及其修正公式的角度进行研究,揭示了绍兴软土地层单、双线盾构隧道施工横向地表最大沉降量、沉降槽的宽度和形状以及对应的影响范围,分析了地表监测点纵向地表沉降量与盾构掘进距离之间的关系。研究表明：Peck、Sagaseta修正公式的地表最大沉降量的拟合效果较未修正前均有较大提高,更符合工程实际。     

BP神经网络预测方法的改进及其在隧道长期沉降预测中的应用

对已有的BP神经网络预测方法做了进一步的改进,通过对比选取了最优的网络训练模式和传递函数;利用反复训练和统计学原理推导了适用于确定单个隐含层神经元个数的解析式,并提出了与其相适应的归一化方法、最优归一区间和最优隐层神经元个数的取值范围;指出当输入神经元大于3个时,采用具有双隐含层结构的BP神经网络进行预测的效果远好于单个隐含层结构.对隧道结构整体沉降进行了预测,效果满意,为合理选择后续施工工艺提供了依据.     

改进遗传神经网络在储层解释中的应用

对遗传算法中的编码机制进行了研究并与前馈神经网络ＢＰ算法相结合,从而提高了网络收敛速度,实例表明,改进后的算法是有效的。     

用遗传-神经网络方法进行图像分割的研究

目标图像因其背景复杂、照度不均而难以通过常规分割方法得到有效分割，本文使用一种遗传-神经网络算法来分割图像，即对神经元网络引入遗传算法进行训练，并且采用了自适应的遗传参数，提出了分两个级别加以训练．实验表明，该算法可以正确分割图像，能够大幅度提高分割效率，有效提高图像分割的鲁棒性和精度，对具有不同目标大小和信噪比的图像也能得到较好的分割效果．     

基于遗传算法的模糊神经网络控制

在研究遗传算法、模糊神经网络及两者之间融合技术的基础上，设计了基于遗传算法的模糊神经网络控制系统。并通过仿真模拟实例对其功能特性进行了分析。     

基于遗传神经网络的GPS高程转换方法

将遗传算法和神经网络智能技术相结合,利用神经网络作为模型,以遗传算法作为权值进化算法进行GPS高程转换,提出了该算法的基本思想和算法实现过程,并通过实例进行计算,结果表明该算法用于GPS高程转换具有较好的精度。     

一种遗传算法的神经网络模型

提出了应用神经网络实现遗传算法的模型,将普通遗传算法中交叉操作和突变操作的概念进行推广,并提出了全交叉和多点突变的概念以及实现这两种操作的人工神经元模型。通过一组著名的测试函数将该算法与典型遗传算法就求解优化问题的性能作了比较研究。此研究对用硬件执行遗传算法,显式地实现遗传算法的内在并行性,从而提高遗传算法的实时性,拓宽遗传算法的应用领域具有重要的意义。     

基于遗传优化的神经网络盲均衡算法

传统前馈神经网络盲均衡中神经网络的初始权重的确定缺乏理论依据,收敛速度慢,容易陷人局部极小值.为有效克服这些缺陷,提出了遗传优化神经网络的盲均衡算法.算法用遗传算法对前馈神经网络的网络权重进行优化,为神经网络提供一个全局较优的局部搜索空间;再利用传统神经网络在这个局部空间进行更精确地搜索,最终实现盲均衡.计算机仿真结果表明:与传统神经网络算法相比,新算法达到了更好的收敛特性和均衡效果,剩余稳态误差减少30%以上,收敛速度加快约20%,误码率也有明显降低.     

遗传算法优化模糊神经网络的入侵检测模型

针对目前大多数的入侵检测系统存在的局限性,依据通用入侵检测框架CIDF,提出了一种利用遗传算法优化网络参数的基于模糊神经网络的入侵检测模型,分析了入侵模糊特征、模糊神经网络的学习优化问题,给出了此模型中模糊神经网络模块的训练算法．仿真实验结果表明,该检测算法可以有效地进行入侵检测,检测效率达到95％以上．     

GA-BP神经网络在隧道监测数据处理中的应用

隧道施工中围岩的变形监测直接关系到隧道施工安全和工程质量,隧道变形监测是现代隧道施工中必不可少的环节,选择合理数据处理方法对现场所测到的数据进行处理显得尤为重要.用遗传算法优化了BP神经网络,克服了BP神经网络易陷于局部极值、收敛速度慢、依赖初值选择等缺陷,并将优化后的GA-BP神经网络运用于现场监测的隧道断面水平收敛时间序列数据的处理,提高了预测精度和计算效率.     

改进自适应遗传算法在BP神经网络学习中的应用

针对遗传算法容易产生局值的问题,提出一种新的自适应遗传算法,改进遗传算子,通过比较两代之间的适应度评估值,选取适合的交叉率和变异率,保证了优秀个体进入下一代,而且避免了种群中最大适应度值的个体的交叉率和变异率为0的情况.最后,将改进后的算法应用于库存控制模型,实验表明,改进后的自适应遗传算法能避免局值,提高网络的收敛速度,改善了网络的学习性能.