基于Pareto最优的地基沉降多目标反分析

在公路地基工程中,软土地基沉降预测非常困难。目前广泛采用的单目标反分析算法,只采用沉降监测数据进行反演计算,不能考虑周围复杂环境变化,反分析得到的土体参数不够准确,沉降预测效果较差;基于非饱和土固结理论及Pareto最优理论,以地基沉降和超孔压为双目标的反分析方法能同时利用沉降和孔压监测数据,信息量全面,反分析得到的土体参数更为合理,对地基沉降的预测也更为精确,对公路地基工程有一定的指导意义。     

基于GA-Bi-LSTM的盾构隧道下穿既有隧道沉降预测模型

为了对盾构隧道下穿既有隧道的安全控制提供支撑，以既有地铁隧道的沉降预测误差为目标，采用遗传算法(GA)对双向长短期记忆网络(Bi-LSTM)结构中的时间序列的长度、隐藏层的单元数、隐藏层层数、LSTM的层数以及dropout进行参数优化，并在综合考虑工程地质参数、空间参数和盾构施工参数的基础上，构建GA-Bi-LSTM既有隧道沉降预测模型。以长沙轨道交通3号线平行下穿长沙轨道交通1号线区间工程为依托，基于该区间内的既有隧道沉降监测值以及对应的输入参数数据，对模型进行训练和测试。研究结果表明：提出的GA-Bi-LSTM模型对既有隧道沉降预测的平均绝对误差(MAE)、均方根(RMSE)、样本回归值(R²)分别为0.42,0.45,0.90，平均相对误差仅为10.78%，相较于BP,SVM,LSTM,Bi-LSTM神经网络模型拥有更好的预测精度，说明该模型具有较好的可靠性和实用性，可为新建隧道下穿既有隧道的沉降预测提供一种新的思路和方法。     

边坡岩体力学参数反分析遗传-神经网络算法

基于均匀设计、有限元法、人工神经网络和遗传算法建立了新的边坡岩体力学参数反分析方法.按照均匀设计要求,确定数值模拟方案;用有限元程序计算出相应的神经网络训练样本,建立边坡变形的神经网络预测模型,再利用遗传算法进行反演分析,其中反演过程适应度的计算则采用已训练好的神经网络预测来替代有限元数值仿真,这样大大缩短了计算时间.通过算例分析,反演结果比较理想,表明该反分析方法是可行性和精确的.     

基于过程响应的基坑开挖诱发临近隧道变形智能预测

对既有隧道的保护是城市地区深基坑施工的关注重点,土体、支护结构和隧道结构等多种因素之间的复杂相互作用,使得预测基坑开挖引起的隧道变形极为复杂和困难。首先利用神经网络学习土体、支护结构以及隧道之间复杂相互作用,形成基坑围护墙最大水平变形的预测模型。将围护墙最大水平位移输入基坑开挖诱发临近隧道变形的位移控制两阶段分析方法,得到基坑开挖诱发的隧道变形。在此基础上,结合开挖过程产生的数据,通过反演分析综合考虑施工过程不可控因素逐步减少土体参数不确定性,优化变形预测结果,实时预测后续隧道变形。通过数值模拟和现场测量,对所提出的预测模型的有效性进行了评估。结果表明,基于开挖过程产生的信息,将人工智能技术与基本预测模型相结合的策略可以有效的对基坑开挖诱发的隧道变形进行实时的高精度预测。     

既有地下结构受下穿施工影响的力学响应与安全控制研究

北京地区下穿工程中,新建隧道断面及施工方法种类众多、地层条件复杂、既有结构形式多样,有极其复杂的组合关系,目前尚无对既有结构力学响应的系统分析。通过北京地区13个下穿工程案例,总结了新建隧道结构形式及施工措施,明确既有地下结构变形特点,采用两阶段法分析及预测了各因素影响下既有地下结构的力学响应。研究表明:(1)新建隧道包括市政管道、地铁区间及车站,常见的施工方法有多导洞法、台阶法,洞桩托换法和中洞法,新建隧道开挖面积与施工方法有较明确的对应关系。(2)既有地下结构实测最大沉降概率分布符合数学期望4.89,方差16.4的正态分布。其中,新建市政管道、地铁区间和地铁车站下穿施工引起的既有地下结构平均最大沉降分别为2.56,3.82,11.07 mm。(3)根据新旧隧道空间位置关系的不同,穿越工程可分为7种组合,其中,既有地下结构力学响应有V,U,W 3种模式。(4)严格控制新建隧道开挖面积,不留或少留间隔土,尽可能选择W型穿越模式,以此减小对既有地下结构的扰动。     

盾构穿越砌体建筑的模拟预测与监控量测

针对盾构穿越既有砌体建筑的施工全过程,建立考虑既有建筑的初始地应力场,采用均布荷载模拟千斤顶推力,施工过程中考虑注浆体材料性质随施工过程的演化和土体应力释放,采用流固耦合模型对工后固结沉降进行预测。选用小应变硬化土(HS-Small)模型模拟土层材料,采用均化模型模拟既有砌体建筑。结合上海轨道交通11号线下穿越徐汇中学崇思楼工程,采用相应的模拟方法建立三维有限元模型,对盾构穿越的施工全过程进行模拟,对地表沉降进行计算,并结合既有建筑沉降监测数据进行对比分析。     

盾构近距离下穿矩形顶管隧道施工变形规律研究

呼和浩特地铁2号线盾构隧道下穿海亮广场人行过街通道是全国首个盾构下穿矩形顶管隧道的工程案例,没有相关工程经验可以借鉴,下穿引起的矩形顶管隧道纵向变形等理论问题尚不清楚,有待进一步研究。为此,本文以该工程为背景,通过现场监控量测和数值模拟,对盾构隧道近距离下穿施工引起的矩形顶管隧道纵向变形规律进行研究。主要得到以下成果:新建盾构隧道施工引起的既有矩形顶管隧道结构沉降,单一隧道穿越后,用Peck公式拟合得到的沉降槽曲线符合高斯分布,两条隧道穿越后,用双Peck公式拟合得到的沉降槽曲线接近"W"型;矩形顶管隧道结构最大沉降值为17.02 mm,最大沉降点的位置位于盾构隧道正上方;对矩形顶管隧道管节错台影响最大的部位是盾构下穿位置,距离盾构隧道越近,错台量越大;管节张开主要发生于沉降槽曲线的反弯点与最大沉降点,在"W"型沉降槽曲线中存在多处张开量较大的情况,因此,在新建盾构隧道施工过程中应准确确定既有结构沉降槽曲线的反弯点和极值点,并进行及时加固处理,确保既有矩形顶管隧道结构安全。     

基于改进遗传算法的拱坝位移反分析

利用遗传算法对拱坝地质力学参数位移反分析的方法进行了研究。针对简单遗传算法的早熟现象，引入了小生境技术与自适应杂交变异概率的方法，并结合拱坝地质力学模型试验与三维有限元方法，给出了适合推求拱坝地质力学参数的反分析方法。结合实际工程，反演了拱坝基岩的弹性模量和泊松比。结果表明，该算法适用于拱坝地质力学参数的位移反分析，可以有效地解决简单遗传算法的早熟现象，而且收敛效率也有明显提高。     

基于模式-遗传-神经网络的流变参数反演

介绍了一种岩石流变多参数反演的智能方法。该方法把遗传算法和神经网络有机结合起来,并在遗传算法中嵌入模式搜索加速优化进程;该方法基于均匀设计获得的样本进行神经网络学习,用模式–遗传–神经网络进行岩体流变参数的最优辩识。该方法用经过最佳预测学习算法训练的神经网络来表达岩体流变参数和位移之间的映射关系,除具有一般遗传算法的优点外,还提高了参数反演的精度,节省了参数反演的计算时间,使得某些原来用传统优化方法在时间上几乎无法进行的参数反演如今变为可能,并用工程实例验证了此方法的可行性与优越性。     

地铁车站施工过程中地表沉降的NARXNN时间序列预测模型

准确预测地铁车站开挖过程中的地表沉降已成为城市地下工程风险控制的重点和难点。针对传统时间序列预测模型预测时的单一线性和忽略施工因素影响的静态局限性,提出了带外部输入的非线性自回归神经网络(NARXNN)时间序列预测模型。该模型本身具有延迟单元和反馈结构,且通过引入施工影响因子作为外部输入的一部分,可以非线性动态地考虑地铁车站施工过程。运用NARXNN时间序列预测模型对北京地铁六号线北海北站开挖过程的地表沉降进行预测,结果表明:(1)与传统的ARMA时间序列预测模型相比,NARXNN时间序列预测模型适应性更好、准确性更高;(2)通过引入施工影响因子,NARXNN时间序列预测模型能够准确预测沉降历时曲线突变点处的变化趋势;(3)可以通过引入多组施工影响因子或优化施工影响因子的取值方法来进一步提高NARXNN时间序列预测模型的预测精度。     

浅埋暗挖隧道穿越既有地铁施工方案分析

结合北京地铁4号线角门西站下穿既有地铁区间隧道工程,对穿越既有断面的浅埋暗挖隧道断面形式进行了比选,通过有限元方法对合适断面形式下新建隧道施工对既有地铁影响进行预测分析,并以数值分析和现场实测手段对辅助措施进行了验证分析。研究结论可为类似工程提供借鉴与参考。     

新建地铁车站下穿既有车站土建措施研究

轨道交通网络化发展导致线路之间的交叉穿越日益增多,地铁新建车站下穿既有车站土建技术尚无统一认识.在国内工程案例分析的基础上,系统归纳了现有穿越技术措施,并以国内目前穿越规模最大的北京地铁6号线苹果园站下穿1号线苹果园站工程为例,介绍了各类土建技术措施在该工程中的应用.研究表明:(1)可从既有车站沉降的影响来源、传播路径...     

超近距离基坑施工对交叠地铁的影响及响应

随着城市发展,既有地铁车站及隧道结构不可避免地会与邻近新建工程相互影响。针对此问题,本文以北京某邻近地铁6号线车站及区间隧道的超近距离基坑工程实测资料为基础,运用MIDAS/GTS软件建立了三维数值分析模型,对基坑施工进行了全过程动态模拟。通过数值分析和实测分析等手段,研究了既有交叠地铁车站及隧道对超近距离基坑施工的影响及响应。结果表明:由于既有结构刚度大于土体刚度,会影响基坑开挖产生的土体位移场,使既有结构侧土体隆起明显小于无结构侧、隆起减小速度明显大于无结构侧;既有结构的存在同样会影响围护桩的变形,使既有结构侧的桩侧移量小于无结构侧;随着平面内与基坑距离和平面外与基坑竖向距离的变化,既有结构的位移响应会有所不同;平面内与基坑距离和截面刚度变化,既有道床和轨道也会有不同的响应。研究成果可为类似超近距离施工及交叠隧道工程提供参考。     

下穿既有地铁车站方案设计

以北京地铁四号线宣武门车站下穿既有地铁车站工程为例 ,介绍了其具体工程概况 ,提出了相应的设计方案。经采用该方案托起既有地铁车站 ,确保了既有线运营和施工安全。     

地铁十字换乘车站施工关键技术研究

 随着轨道交通网络逐步形成,地铁枢纽换乘车站日益增多,经常遇到车站埋深增加、已运营车站近旁开挖、结构改建等技术难题。以上海市轨道交通大连路四平路枢纽换乘车站为依托,结合现场已有监测数据,确定各土层的计算参数,采用土体横观各向同性弹塑性模型和薄层单元接触面模型,对车站设计施工中新建车站穿越已建车站两侧基坑开挖、地下封堵墙凿除及换乘段结构受力体系转换等关键技术进行数值模拟。着重比较了运营车站两侧基坑对称开挖与非对称开挖对车站结构的不同作用,研究了换乘段两侧地下封堵墙凿除对运营车站轨道的影响,分析了上述关键工况引起的新、旧车站结构变形和内力变化的规律。研究结果表明,采用对称开挖、对称凿除封堵墙对运营车站结构更为有利。最后提出了对已运营线路和周边环境的保护建议。     

基于HSS模型的上海地铁深基坑开挖变形分析

为研究上海软土地区地铁深基坑开挖的变形性状,选取上海地区一典型软土地铁深基坑,基于土体小应变硬化模型(HSS模型)和相应的模型参数,采用PLAXIS 3D软件对该基坑的开挖过程进行了三维有限元数值模拟,并结合现场监测的数据对基坑围护结构的侧移和坑外地表沉降进行了对比。结果表明:使用HSS模型和合适的模型参数可以有效地模拟基坑开挖过程中的变形性状,实测结果与有限元分析结果相吻合,具有很好的工程实用价值; 该上海地铁深基坑的最大地表沉降与围护结构最大侧移间的关系符合上海地区最大地表沉降与围护结构最大侧移间的统计关系; 围护结构的最大侧移深度发生在基坑的开挖面处; 长窄型地铁深基坑仍存在较明显的空间效应,基坑长边中部的变形大于基坑角部,在长窄型基坑的设计和施工中应采取针对性措施。     

复杂环境条件上跨下穿同一既有地铁隧道的变形控制分析及施工方案优化

 首都机场线东直门站C区下穿并上跨北京地铁13号线东直门站站后折返线,该工程东、西两端和西北角各有一个紧邻基坑,其中西北角基坑为北京市目前最深的基坑,深达28 m。以上所述的施工都可能会引起折返线结构的剧烈变形,且折返线隧道结构在施工范围内有两条变形缝,变形缝是折返线结构最薄弱的部位,变形缝两侧结构差异变形过大会使折返线轨道悬空变形乃至折裂,严重威胁折返线的正常运营,如此复杂的施工环境给控制折返线结构变形控制带来很大的困难。国内外鲜有类似工程可供参考,为确保施工过程对折返线结构的影响在可控范围内,运用FLAC3D非线性大变形分析软件对该工程进行施工过程数值模拟分析和方案优化,提出采用上垮基坑分层开挖和下穿暗挖结构施工分步交替施工,用基坑卸载引起的隆起量抵消部分暗挖施工引起的沉降的方案,并把沉降缝处的结构差异沉降控制在1.1 mm内,为设计、施工提供依据。     

天津Z2线地铁运营对沿线地面振动的影响分析

天津滨海新区Z2线为新型地铁线路,有着列车运行速度快、发车频次高等特点,其地铁运营时速最高可达120km,而中国现阶段城市中运行的普通地铁列车时速一般在60～80km。高速地铁荷载与普通列车荷载相比,有着频率高、幅值大的特点,所造成的环境振动规律也有所不同。以天津市Z2地铁线一期工程作为实例,依托实际工程数据,利用大型通用有限元软件ABAQUS建立隧道–土层三维有限元模型,采用动力隐式分析模拟地基土高速移动地铁列车荷载下的地表振动强度衰减规律,比较不同盾构隧道埋深、不同地铁列车行车速度以及不同隧道上覆土层性质工况下的地表振动变化规律,并结合相关城市环境振动评估标准,对地铁造成的环境振动进行评价,初步得到了地铁线路环境振动防护距离随以上三种因素的变化规律。研究结论可为今后高速地铁线路工程建设选线以及运营沿线振动预测、地铁沿线规划提供一定指导。     

地铁隧道开挖过程三维物理模型动态试验研究

据相似材料大比尺三维概念物理模型理论,高仿真度制作了成型盾构隧道地铁站厅隧道开挖试验物理模型。模拟了双盾构隧道之间开挖站厅隧道的全过程,研究了站厅隧道、横通道开挖过程中模型地表沉降,土体的变形,盾构隧道及站厅隧道洞周特征点的位移。模拟并研究了混凝土加固桩对土体位移的影响,总结出土体的动态力学特征和变形规律,得出一些有益的认识和结论。对指导地铁施工、研究在已建成双隧道间拓展开挖站厅空间具有十分重要的意义。     

基于BP神经网络的复合地层盾构掘进参数预测与分析

复杂地质条件下盾构机掘进参数的有效预测可以对盾构施工进行针对性的指导。基于深圳地铁11号线车公庙站～红树湾站和南山站～前海湾站两个区间Φ7m盾构施工现场监测的掘进参数,首先采用BP人工神经网络方法建立了复合地层条件下盾构掘进参数的预测模型|其次,以地层参数为输入组和盾构掘进参数为输出组,通过对数据样本进行训练,得到的输出值基本与原始数据一致,说明该预测模型具有很好的非线性映射能力;最后,采用盾构区间典型地段的地层参数,利用所建立的模型预测了复合地层条件下的盾构掘进参数,预测值与实际数据变化规律相近,平均误差在15%以内。本文建立的BP神经网络模型可用于复合地层条件下同类型盾构掘进参数的预测。