基于SVM模型的基坑监测数据预测

随着不敏感损失函数ε在支持向量机(Support Vector Machine,SVM)中的引进,这一机器学习模型在非线性领域中得到有效运用.SVM在工程领域主要用于进行回归分析、模式识别以及分类,这些应用逐渐成为工程领域的热点.笔者基于SVM构建立模型,对郴州某紧邻边坡条件下的基坑支护桩位移与锚索拉力监测数据进行分析后,建立基于两者施工过程中的监测数据的预测模型.通过与后期所得监测数据对比,检验预测的准确率.之后利用模型对将来某段时间基坑支护桩的位移进行预测,用于评价基坑在预测时间内的稳定性.经模型计算后发现,在对紧邻边坡的基坑支护桩不同深度变形的预测上,在短期内具有较好的一致性,最大误差不超过9%.但随着时间的增长,预测值越来越偏离实际情况,预测周期超过3d误差陡增,预测值不再具有参考意义.预测模型可用于类似工程中对基坑的稳定性作出判断.

运营期地铁隧道底板结构渗漏水治理技术

针对某城市地铁线路运营期的大断面暗挖隧道道床下底板结构渗漏水问题,分析渗漏水产生的部位和原因,及可能造成的危害,探索防止道床变形前提下的隧道底板渗漏水控制性定点注浆治理技术。通过成功应用,隧道底板结构渗漏水问题已大大减少,取得了良好的效果,同时通过对道床的实时监测数据分析,表明道床沉降量在控制范围内,证明了该项技术能有效解决在地铁已运营工况下,保护道床的同时成功治理隧道底板渗漏水病害的难题,可为类似工程提供参考。