基于机器学习算法的盾构掘进地表沉降预测及控制

论文摘要

土压平衡盾构掘进会对周围地层产生扰动,影响隧道周围建筑物和构筑物的使用性能和结构安全,隧道几何参数、掘进参数以及地质参数都会影响扰动的程度,但现有的理论和模型难以综合考虑这些因素的共同作用并准确地预测出地层响应。本研究针对以上问题,基于机器学习算法构建盾构掘进引起的地层沉降特性预测模型,为实时预测盾构掘进引起的地层响应以及降低风险提供了一种新思路。本研究的主要成果如下:(1)建立地表沉降及其影响因素的数据库:影响因素考虑隧道几何参数、掘进参数、地质参数以及停机的异常工况,提出地质参数量化新方法,输出参数考虑地表沉降最大值和沉降槽宽度。通过评价不同参数对地表沉降的影响程度,进而选择对地表沉降影响最明显的参数作为模型的输入参数。结果表明:提出的地质参数量化方法可以综合考虑岩土层的物理力学性质以及深度和厚度的几何特性。隧道几何参数(隧道埋深),盾构机掘进参数(推力、扭矩、土仓压力、贯入度和注浆量),地质参数(地下水深度、掌子面岩土体类型、修正标贯次数、修正动探次数以及修正的单轴抗压强度),异常工况(停机),这12个参数对地表沉降的影响显著,可以作为机器学习模型的输入参数预测地表沉降。(2)对比研究不同机器学习算法的沉降预测性能:基于选定的性能评价指标(平均绝对误差(MAE)、均方根误差(RMSE)和决定系数R~2),对比研究BP神经网络、小波神经网络、广义回归神经网络、极限学习机、支持向量机以及随机森林6种机器学习算法在预测盾构掘进引起的地表沉降问题上的性能差异,采用k折交叉验证的方法增强模型的鲁棒性。结果表明:BP神经网络的预测结果波动性较大,在部分监测点上失真严重。小波神经网络、广义回归神经网络、极限学习机和支持向量机3种算法不能准确地预测盾构掘进引起的地表沉降发展进程。随机森林算法的预测结果和实测沉降值基本一致,并且能够捕捉到盾构掘进引起的地表沉降发展趋势。(3)基于随机森林算法的预测沉降槽及识别沉降异常状态:最优的随机森林机器学习算法用于构建预测盾构掘进引起的地表最大沉降和地表横向沉降槽宽度预测模型,结合Peck公式预测盾构掘进引起的地表横向沉降槽形态。同时基于该算法建立盾构掘进引起的异常沉降识别模型(是否超过警戒值10 mm)。结果表明基于随机森林算法建立的模型能较为准确地预测出盾构掘进引起的地表横向沉降槽,并能识别出盾构掘进引起的地表沉降状态。(4)提出混合的启发式优化算法粒子群和随机森林算法建立盾构掘进一体化智能控制模型:通过收集工程中盾构掘进参数设置合理的数据(即地表沉降小于10 mm施工参数)建立数据库,用于构建盾构掘进参数预测模型。通过输入地质参数和隧道几何参数,该预测模型能在设计阶段给出合理的掘进参数建议值。当掘进参数建议值不能将沉降控制在10 mm之内时,混合算法则对掘进参数进行进一步优化,实现对地表沉降的控制。结果表明:基于预测的掘进参数产生的地表沉降大大小于基于实测的掘进参数产生的地表沉降,提出的混合算法能实现实时地、智能地、有效地控制盾构掘进过程。

论文目录

摘要

Abstract

第1章绪论

1.1 研究背景

1.1.1 我国城市轨道交通发展概况

1.1.2 盾构施工技术及其环境影响

1.2 盾构施工引起地表沉降研究现状综述

1.2.1 盾构隧道施工引起的地表沉降发展过程

1.2.2 盾构掘进过程地表沉降量的预测方法

1.2.3 盾构掘进引起的地表沉降影响因素

1.3 研究目的

1.4 研究内容

1.5 技术路线

第2章依托工程及现场监测基本情况及数据统计分析

2.1 长沙市轨道交通4号线土建一标一期工程概况

2.1.1 区间概况

2.1.2 工程地质条件

2.1.3 隧道施工方法

2.1.4 现场监测方案

2.2 盾构掘进参数分析

2.2.1 先行线掘进参数统计分析

2.2.2 后行线掘进参数统计分析

2.3 地表沉降统计分析

2.3.1 先行线沉降统计分析

2.3.2 后行线沉降统计分析

2.4 本章小结

第3章六种机器学习算法预测地表沉降性能对比

3.1 引言

3.2 六种机器算法原理介绍

3.1.1 Back-propagation神经网络

3.1.2 小波神经网络

3.1.3 广义回归神经网络

3.1.4 极限学习机

3.1.5 支持向量机

3.1.6 随机森林

3.3 数据库搭建

3.3.1 参数选取

3.3.2 地质参数量化新方法

3.3.3 参数归一化处理

3.4 机器算法模型框架构建

3.4.1 输入输出参数

3.4.2 交叉验证方法

3.4.3 性能评估指标

3.4.4 模型框架

3.5 不同机器算法预测沉降效果分析

3.5.1 验证集结果

3.5.2 测试集结果

3.6 本章小结

第4章基于随机森林算法的沉降槽预测及异常沉降识别

4.1 引言

4.2 沿线异常沉降特征及原因分析

4.2.1 地铁4 号线5 区间沿线异常沉降特征

4.2.2 异常沉降原因分析

4.3 异常沉降预测模型框架构建

4.3.1 输入输出参数

4.3.2 参数相关性分析

4.4 地表异常沉降预测结果

4.4.1 地表沉降状态预测

4.4.2 地表最大沉降值预测

4.4.3 地表横向沉降槽预测

4.5 本章小结

第5章基于PSO-RF混合算法的盾构掘进参数智能化控制

5.1 引言

5.2 基于随机森林算法的盾构掘进参数预测模型

5.2.1 参数相关性分析

5.2.2 掘进参数预测模型

5.3 智能化掘进参数控制新方法

5.3.1 基于粒子群和随机森林算法的混合算法

5.3.2 掘进参数相关性分析

5.3.3 掘进参数控制结果

5.4 本章小结

结论与展望

参考文献

致谢

附录A 攻读学位期间所发表的学术论文及科研情况

文章来源

类型: 硕士论文

作者: 张品

导师: 陈仁朋,吴怀娜

关键词: 土压平衡盾构,沉降预测,掘进参数,机器学习,人工智能,优化

来源: 湖南大学

年度: 2019

分类: 基础科学,工程科技Ⅱ辑

专业: 地质学,地质学,工业通用技术及设备,公路与水路运输

单位: 湖南大学

分类号: U455.43;P642.26

DOI: 10.27135/d.cnki.ghudu.2019.000005

总页数: 100

文件大小: 5354K

下载量: 178

基于机器学习算法的盾构掘进地表沉降预测及控制

论文摘要

论文目录

文章来源

相关论文文献

猜你喜欢