基于BP神经网络改进算法在地铁隧道施工中的沉降预测

为使地铁隧道在施工中沉降监测数据具有一定的预见性,分别采用了BP神经网络改进算法的预测模型、传统BP神经网络预模型以及基于时间序列的三次指数平滑法预测模型对地铁隧道施工中的沉降监测数据进行了预测。对其预测结果进行分析,得出了BP神经网络改进算法模型预测精度优于传统BP神经网络模型以及基于时间序列的三次指数平滑法模型预测精度的结论。     

基于LSTM网络的地铁隧道运营期间沉降预测研究

为提高地铁隧道运营期间沉降变形预测的精度,本文提出了采用长短期记忆网络（LSTM网络）对运营期间的地铁隧道进行沉降预测。通过利用传统的反向神经网络（BP神经网络）和LSTM神经网络建立机器学习模型,通过2组深圳市某地铁隧道实测数据,对机器学习模型的预测精确度进行对比分析。实验结果表明：相比于传统的BP神经网络,LSTM网络模型预测误差较低,可降低20%左右;LSTM网络的预测结果与实测沉降值更为接近。研究成果表明将循环神经网络之一的LSTM网络引入运营期间地铁隧道的沉降预测中,可大幅度提升预测效果。     

基于LSTM的盾构掘进轨迹预测研究

盾构隧道建设过程中需要对盾构机的行进轨迹进行控制,使得盾构实际掘进线路与隧道设计轴线相吻合.文章利用长短期记忆循环神经网络(LSTM)处理时间序列数据的优势,提出了一种盾构机掘进轨迹预测模型.模型利用LSTM层代替传统神经网络中的隐含层,综合考虑了盾构操作参数、地质参数以及几何参数对盾构掘进轨迹误差的影响.结果 显示模型输出与实际测量值较为吻合,绝对误差总体上位于4mm之内,表明所提出的LSTM神经网络模型可以有效地对盾构行进路线进行预测.     

基于神经网络的盾构机掘进隧道地表沉降预测

人工神经网络具有极强的非线性映射能力。文章利用神经网络的特性,建立基于神经网络的盾构机掘进隧道地表沉降预测模型,并选取实际的工程数据作为学习训练和预测样本,利用该模型进行学习和预测。研究结果表明,在盾构机掘进隧道地表沉降预测问题上,该方法具有很好的适应性和较高的精度。     

复杂环境下地铁隧道盾构施工诱发地表土体变形的智能预测

在复杂地质环境下,地铁盾构施工参数会有较大不同,使得施工过程中的地表沉降难以控制.常规的监测手段具有滞后性,难以应对突发情况.基于此,本文提出基于BP神经网络地铁隧道盾构施工诱发地表土体变形智能预测模型,通过与杭富城际铁路11标段盾构施工时的地表沉降、右线沉降和左线沉降的实测数据对比发现,BP神经网络能够准确预测复杂环...     

基于BP神经网络的大跨软岩隧道地表沉降预测

基于金盆湾隧道地表沉降监测数据,结合BP神经网络预测模型,分析了隧道施工对地表沉降的影响,研究了在不同的样本下预测结果的可信度,结果表明,BP神经网络预测的地表沉降精度与监测数据的准确度、预测的长度与隧道施工方案相关,隧道开挖工艺发生改变时,应及时分析实时监测数据,建立新的BP神经网络预测模型进行地表沉降预测,以保障预测结果的可靠。     

明挖隧道基坑周边建筑物沉降预测研究

基于济南市济泺路穿黄隧道工程,研究了BP神经网络和灰色GM(1,1)模型分别对隧道开挖影响周边建筑物沉降的预测。BP神经网络模型和灰色系统模型预测深基坑周围建筑物沉降,均能够取得较好的预测结果;对建筑物的沉降量进行中长期预测时,BP神经网络模型更适合进行预测;灰色GM(1,1)模型的特点需使用的实测数据少,该模型适用于短期预测,在监测数据较少时能够发挥较好作用。     

基于机器学习的电力隧道施工工法预测

在电网的建设中，合理的施工方法不仅能够有效地降低成本、减少工期，并可在很大程度上减少施工过程中的风险，因此，提供一个能够合理预测电力隧道施工工法的系统显得尤为重要。本研究采用决策树、随机森林、XGBoost、KNN和BP神经网络5种机器学习算法对电力隧道开挖工法进行预测。以全国10余个省、市电网所提供的电力隧道工程工法应用情况为基础，整理出855条数据集，包括7个影响开挖工法的参数，并将75%的数据用于训练预测模型，25%用于验证。最后将预测结果和真实值进行比较，发现决策树、XGBoost与BP神经网络在电力隧道开挖工法方面的预测效果要优于随机森林和KNN算法。最终在此基础上设计出可以智能推荐开挖工法的软件。     

基于PSO-BP神经网络盾构掘进参数预测研究

以珠海某城际铁路盾构隧道施工建设为背景,结合已采集的盾构施工数据,采用粒子群优化算法对BP神经网络算法中的连接权值和阈值进行优化,建立了PSO-BP神经网络盾构掘进参数预测模型,并对建立的模型和预测结果进行验证,为后续复合地层盾构掘进参数的选取提供一定参考。     

泥水气压平衡盾构沉降智能预测技术

提出了一个基于对抗神经网络(GAN)的隧道施工过程中地表沉降预测技术,使用隧道沉降历史数据,通过训练2个不同的神经网络:生成网络(G)和判别网络(D),融合盾构机多个实时施工参数,来预测当前施工位置90 d后的沉降数值,而无需等待90 d。该技术的成果应用于上海北横通道项目部分地下施工段,并验证了其有效性。     

基于地层损失的盾构隧道地面沉降控制

依据盾构推进各阶段特征,分析了盾构推进引发地面沉降的机理。基于地层损失,建立了盾构隧道地面沉降控制体系。该体系综合了土层特性和盾构隧道设计参数,通过设定地层损失率,利用经验公式对隧道纵横两个方向的地面沉降做出预测,基于沉降控制指标反算需要控制的地层损失率,用于控制沉降;利用数值模拟分析隧道施工过程,基于地面沉降三维曲面,分析地层损失及施工控制参数对地面沉降的影响。对比分析设定地层损失率计算结果与现场监测数据,建立地面沉降—地层损失率—施工参数之间的联系,通过施工参数控制实现地面沉降的控制。     

盾构施工引起地基变位的神经网络预测

通过分析盾构施工引起地基变位的影响因素,在盾构试掘进基础上,提出应用人工神经网络建立地层条件及施工参数与盾构施工引起周围地基变形之间的关系,并分析了人工神经网络技术应用于盾构隧道地表变形预报中的一些关键技术,为盾构法施工中人工神经网络的应用提出一些意见和建议。并对某一地铁工程中实测资料,应用简单的 BP 神经网络进行地表变形预测。     

Soil deformation induced by Double-O-Tube shield tunneling with rolling based on stochastic medium theory

The prediction of soil deformation during tunneling is very difficult for Double-O-Tube (DOT) shield tunnel construction, especially for the shield rolling. According to the characteristics of DOT shield tunneling and rolling, a calculation model of soil deformation due to tunneling-induced ground loss was established. Based on the stochastic medium theory, the theoretical solutions of soil deformations considering the rolling of DOT shield machine were derived by polar coordinate transformation and multi-subdomain integral method. The predicted surface settlement from the proposed solution is better agreement with the observed data than those obtained by the two previous methods (namely the equivalent excavated-area method (EAM) and the simple superstition method (SM)). In addition, only ground surface settlement can be estimated under no rolling of DOT shield machine using the two previous methods, while this proposed solution owns great progress in solving the subsoil deformation and the influences of rolling. In order to further study the influence of DOT shield rolling angle on soil deformation under different engineering conditions, the parameter sensitivity analyses regarding the tunnel depth h, the ground loss parameter ɛ and the influence zone angle β₀ were extensionally discussed.     

基于BP神经网络的水下岩溶地层#br# 盾构掘进参数预测与分析

随着我国城市地铁网的建设,越来越多的隧道将不可避免的穿越水下岩溶区,受制于岩溶地层的复杂性、注浆加固后地层的诸多不确定性,盾构穿越该类地层施工风险极大,而选取合理的盾构掘进参数是确保盾构安全与高效掘进的关键。以长沙地铁三号线盾构穿越水下岩溶段为工程依托,首先通过统计与分析钻探数据,明确了岩溶分布特征;其次,通过输入地层特征参数和隧道特征参数,建立了可输出盾构掘进速度、推力、刀盘扭矩、开挖仓压力、气垫仓压力和同步注浆量等掘进参数的BP神经网络水下岩溶盾构掘进参数预测模型;最后,对样本数据进行了训练,并成功应用于工程实践。研究结果表明：训练的输出值与期望值吻合度较高,构建的BP神经网络模型具有较好的适应性;输出的预测结果能有效反映实际盾构掘进参数的变化趋势,预测值与实际期望值的平均误差均低于13%,在误差可接受范围内。现场应用结果表明,地表沉降在安全范围内,盾构掘进过程中未发生工程事故,盾构掘进参数选取合理,姿态控制较好。研究成果可用于指导水下岩溶盾构隧道工程施工,且该方法的提出也为其他复杂地层盾构掘进参数合理选取提供了新思路。     

EPB盾构信息化管理系统在广州地铁的应用

针对广州地铁二号线赤岗-鹭江区间盾构隧道工程,在分析盾构法隧道施工过程以及工程特点、施工扰动引起周围土体变形的规律、土压平衡盾构各种施工参数对施工变形的影响程度、盾构隧道土体及相关构筑物的沉降监测方法的基础上,对盾构隧道工程数据进行合理的分类,开发了“盾构隧道施工多媒体监控与仿真系统”软件。建立了工程信息数据库、施工监控与施工参数自动采集、地面沉降预测、盾构施工参数控制和地表沉降三维可视化显示等功能,通过多种数据查询器对工程信息实行集中维护和查询,进行地层及相关构筑物和管线沉降的预测、报警,并根据监测数据对盾构施工参数进行控制。     

Prediction of shield tunneling-induced ground settlement using machine learning techniques

Predicting the tunneling-induced maximum ground surface settlement is a complex problem since the settlement depends on plenty of intrinsic and extrinsic factors. This study investigates the efficiency and feasibility of six machine learning (ML) algorithms, namely, back-propagation neural network, wavelet neural network, general regression neural network (GRNN), extreme learning machine, support vector machine and random forest (RF), to predict tunneling-induced settlement. Field data sets including geological conditions, shield operational parameters, and tunnel geometry collected from four sections of tunnel with a total of 3.93 km are used to build models. Three indicators, mean absolute error, root mean absolute error, and coefficient of determination the (R²) are used to demonstrate the performance of each computational model. The results indicated that ML algorithms have great potential to predict tunneling-induced settlement, compared with the traditional multivariate linear regression method. GRNN and RF algorithms show the best performance among six ML algorithms, which accurately recognize the evolution of tunneling-induced settlement. The correlation between the input variables and settlement is also investigated by Pearson correlation coefficient.     

考虑盾构隧道埋深影响和岩土特性影响的地表变形计算

盾构施工引起地层变形的众多计算方法中,随机介质理论法和Peck法是我国应用较为广泛的两种实用方法,但这两种方法的计算参数均不太容易确定。根据46例工程实测资料,绘制出地表最大沉降与隧道相对埋深的关系图。结果表明:当盾构隧道相对埋深小于5时,盾构施工引起的地表最大沉降值变化较大;当盾构隧道相对埋深大于5时,其对地表最大沉降的影响较小。对于大部分浅埋城市地铁隧道而言,应该考虑盾构隧道相对埋深对地层变形的影响。基于盾构施工引起地层移动不均匀模型的地表最大沉降计算式,依据随机介质理论法和Peck法,推导出考虑土质软硬、隧道半径和埋深影响的地层变形实用计算方法,并通过对5个工程实例的分析,验证此计算方法的合理性。     

Investigation of feature contribution to shield tunneling-induced settlement using Shapley additive explanations method

Accurate prediction of shield tunneling-induced settlement is a complex problem that requires consideration of many influential parameters. Recent studies reveal that machine learning(ML) algorithms can predict the settlement caused by tunneling. However, well-performing ML models are usually less interpretable. Irrelevant input features decrease the performance and interpretability of an ML model. Nonetheless, feature selection, a critical step in the ML pipeline, is usually ignored in most stu...     

超大直径盾构下穿棚户区沉降控制技术研究

超大直径盾构下穿老旧棚户区微扰动施工控制是地下工程实践中面临的重要难题。本文以武汉地铁8号线黄浦路站—徐家棚站区间盾构下穿棚户区项目为工程背景,首先对提出全断面粉细砂层注浆加固工艺并进行浆液配比实验给出最佳浆液配比,并对盾构施工过程进行实时监测监控,根据工程具体情况对盾构机下穿掘进参数进行分析,最后提出超大直径泥水盾构穿越棚户区施工的控制措施。研究结果表明:袖阀管注浆加固工艺对超大直径盾构下穿的老旧棚户区具有较好的保护作用,现场试验确定最佳水灰配比为0.8∶ 1;盾构穿越过程中地表沉降纵向变化呈近似U型分布,横向变形出现明显沉降槽,加固棚户区老旧结构基础最大隆起值为15 mm,建筑结构整体先隆起后减弱,且沉降值控制在15 mm以内;盾构机总推力和刀盘扭矩、盾构机总推力和土舱压力、出土率和土舱压力具有变化规律一致性。研究结果为揭示超大直径盾构下穿老旧棚户区施工过程对地层和地面建筑结构的影响规律提供参考和依据。     

黏土地层盾构掘进速度对地表沉降影响研究

对盾构掘进速度的控制是盾构施工控制的重要环节,但针对盾构掘进速度与地表沉降关系的研究较少,文章以常州地铁2号线盾构区间施工为背景,分析了常州黏土地层下盾构掘进速度对表沉降的影响特点。通过对其地表监测数据的整理分析,结合盾构掘进施工日志,提出一种可对同步注浆、二次注浆、土舱压力、盾构掘进速度等进行定量分析的数值模拟方法,设计模拟工况对盾构全过程进行模拟研究,得到STEP计算步数与盾构掘进速度之间的对应关系,建立常州黏土地层下盾构掘进施工的掘进速度造成地表沉降预测曲线。研究结果表明：掘进速度较快时其造成的地表沉降更小,且当掘进速度在20～50mm/min时利用数值模拟得到黏土地层下掘进速度v—地表沉降h关系的预测曲线：h=6.5/{1+86.2［(v-19.5)/27842.7］0.464},其预测效果较好。