SBAS-InSAR技术融合CNN-LSTM模型的矿区开采沉陷监测与预测

针对传统矿区开采沉陷监测方法耗费人力财力和预测预警模型较少的问题,研究提出一种基于短基线集合成孔径雷达干涉测量(Small Baseline Subset-Interferometry Synthetic Aperture Radar,SBAS-InSAR)技术和卷积神经网络(Convolutional Neural Networks,CNN)与长短期记忆网络(Long Short-Term Memory,LSTM)相结合的矿区开采沉陷监测预测方法。首先,利用SBAS-InSAR技术对建新煤矿进行矿区开采沉陷监测,获取了该矿区的年平均沉降速率和累计沉降值。用GNSS监测数据与SBAS-InSAR结果进行对比验证,其拟合效果较好。其次,在此基础上利用CNN-LSTM模型预测后6期沉降数据,其结果与CNN和LSTM预测结果进行对比。研究显示,CNN-LSTM模型的平均绝对误差(S_(MAE))和均方根误差(S_(RMSE))比单一的CNN和LSTM分别至少降低了44.8%和40.6%,其决定系数均高于98%。最后,进一步预测前6期和中6期沉降数据,验证了CNN-LSTM预测模型在时间上的一致性。因此,SBAS-InSAR融合CNN-LSTM模型在类似矿山开采沉陷监测和预测中有较好的应用前景。

静-动荷载作用下欠固结软土盾构隧道长期沉降与最优埋深计算方法

为研究地表堆载、列车荷载和欠固结软土固结沉降联合作用下的盾构隧道长期沉降数值及其变化规律问题,依托广州市南沙至珠海(中山)城际项目,利用PLAXIS建立有限元模型计算外部作用下的盾构隧道长期沉降值,通过单因素敏感性分析和非线性拟合方法分析各影响因子对长期沉降的影响并确定5种关键影响因子,提出长期沉降与最优埋深计算方法。研究结果表明:1)超固结比与隧道埋深对长期沉降影响最大,上部堆载荷载值、荷载作用宽度和列车荷载影响次之,而荷载距离、列车速度和渗透系数对长期沉降的影响可以忽略不计;2)为求解盾构隧道长期沉降值,提出静-动荷载作用下欠固结软土盾构隧道的长期沉降计算方法,计算值与模拟值吻合良好;3)将国家规范中盾构隧道变形控制值(20 mm)作为隧道沉降控制值,代入长期沉降计算公式,反推得到隧道最优埋深计算公式,其中软土欠固结特性对最优埋深影响最大。为有效控制长期沉降发展,建议将隧道整体置于较好的土层中,如需设置在淤泥及淤泥质土层中,则应进行地基处理、排水固结,以改善土体欠固结程度。

融合SBAS-InSAR和WaOA-LSTM的上海浦东国际机场沉降监测与预测

为了监测上海浦东国际机场(SPIA)的沉降现状并提高长短时记忆(LSTM)网络模型预测精度,本文基于短基线集合成孔径雷达干涉测量(SBAS-InSAR)技术和32景Sentinel-1A影像,获取了上海浦东国际机场2020年9月—2023年8月的时间序列沉降信息;构建了基于海象优化算法(WaOA)优化的WaOALSTM沉降预测模型,并将预测结果与合成孔径雷达干涉测量(InSAR)监测值进行对比分析。结果表明,上海浦东国际机场近三年最大沉降速率为-52.21 mm/a,最大累积沉降量达到-159.30 mm,沉降主要集中在填海区的二号、四号和五号跑道,其中五号跑道北部周围护岸区域及沿海堤坝区域最为严重;WaOA-LSTM模型预测值与监测真实值的均方根误差为2.63 mm,平均绝对误差为2.06 mm,相较于传统LSTM模型分别提升了52.87%和53.29%。研究结果为上海浦东国际机场的安全运营提供了参考。

长期堆载预压处理软土地基效果评价

为评估某园区10 a长期堆载预压后,场地后续沉降对拟建管线的影响,通过室内试验和现场试验对堆载预压处理后的场地进行系统评价,分别采用双曲线法与有限元法对后续沉降进行预测。结果表明:场地堆载预压10 a后各地层物理力学参数明显改善,但其中淤泥层性质相对较差,是场地后续沉降发生的主要地层;经过10 a堆载,场地主固结沉降基本完成,固结度达到95.5%,说明长期堆载预压效果较好;对于堆载多年后的场地,在进行后续沉降数值计算时,采用弹性模型并选用现场试验获得的参数进行计算,计算结果与实测数据较好吻合,场地剩余平均沉降量在15.4 cm左右;园区道路管线可采取常规预防措施。

考虑多能源同台竞价的电力中长期融合交易机制设计与实践

新能源的入市可加速新型电力系统建设,针对新能源发电的随机性和波动性而导致上网电量与市场交易电量偏差较大的问题,设计了一种多能源同台竞价的融合交易机制。通过设计融合交易机制的组织流程与出清方式构建了新能源发电商(NEP)在不同交易模式下的结算模型,以江西电力中长期市场为背景设置算例参数,对NEP在几种交易模式下的收益进行分析,并对采用融合交易机制的江西电力中长期市场运行情况进行了对比分析。结果显示所提交易机制能促进新NEP达成交易,明显提升NEP的经济效益,有效推动新能源的入市进程并显著减少交易偏差率。

农村人居环境整治农民付费制度研究——以河南省为例

建设和运营资金保障不充分是影响农村人居环境整治效果的重要因素。农民作为农村人居环境整治的主要参与者和直接受益人,在农村人居环境整治中处于主体地位。探索农民付费制度是破解农村人居环境整治资金投入不足难题、健全长效管护机制的重要途径。本研究以河南省为例,基于典型案例调研和农户问卷调查,以农村改厕、农村污水处理、农村垃圾处理三大领域为重点,深入研究农村人居环境整治农民付费制度的可行性、实现方式及效果,系统总结农村人居环境整治农民付费制度的经验与问题,为完善农村人居环境整治农民付费制度、健全农村人居环境整治可持续性长效投入机制提供针对性建议。

运营高速铁路桩-筏复合路基现场注浆减沉试验研究

随着我国高速铁路建设事业的迅猛发展,越来越多的铁路路基需要建设在软土地基上。由于软土具有含水率高、孔隙比大、压缩性高、透水性差及承载力低等特点,高铁路基在经过一段时间的运营后出现了局部下沉和不均匀变形等问题。为探索合理有效的软土路基加固减沉措施,结合具体的工程实践,开展运营高速铁路桩-筏复合路基下全断面连续注浆和部分地层分层不连续注浆的现场试验,通过对地表变形、土体侧向变形、孔隙水压力的监测分析,得出注浆施工对地层扰动变形规律及其影响范围,在此基础上,为正式的注浆加固设计和施工提出行之有效的建议,并为今后类似的工程提供借鉴和参考。

软土深层调蓄排水管道长期运营累积沉降规律研究

深层调蓄管道因长期承受充放水循环荷载导致运营期产生较大沉降,并可能进一步引起管道泄漏、损坏等,从而影响深隧调蓄系统正常运营与环境安全。针对长期充放水循环荷载导致的软土地层管道沉降问题,采用拟静力有限元模拟得到管道满流荷载导致的地基应力分布,并基于分层总和法与软土塑性应变、孔压随加载循环累积的经验公式,提出了管道下方软土地基长期沉降的计算方法。将该法用于上海苏州河段深层调蓄管道长期沉降预测,分析得到了管底地基未加固条件下管道-地基系统长期沉降演化规律。结果表明因充放水循环荷载具有低频重载的特点,地基沉降的绝大部分由于软土的循环累积塑性应变导致,而由孔压消散引起的固结沉降几乎可以忽略。研究成果可为软土地区深隧排水系统设计和运维安全保障提供有益参考。

生命历程事件对流动人口居留意愿的影响研究

流动人口生命历程事件是日常生活的重要实践,其对流动人口的影响关乎流动人口切身利益与城镇化可持续发展。利用2018年流动人口动态监测数据,测算流动人口居留意愿,建立logistic回归模型探讨影响机理。结果表明:①在流入地有居留意愿的流动人口占85.10%,其中78.39%的人口有长期居留意愿,各城市差异较大。②毕业使流动人口倾向在流入地短期居留,在流入地生育子女和子女升学会提升流动人口在流入地居留和长期居留意愿,身体状况变差会使得流动人口居留意愿提升但对长期居留意愿无显著影响,结婚、失去工作和退休事件通过家庭和个体作用力提升流动人口长期居留意愿。③流动人口的人口、家庭、流动和城市特征对居留意愿和长期居留意愿的作用力具有差异性。最后,从安居、生育、健康、教育等方面提出流动人口高质量城镇化的建议。

基于优化长短期记忆网络的矿坑遗产沉降预测

工业矿坑遗产以其独特风貌和价值逐步受到广泛关注。针对矿坑遗产易发的沉降地质灾害,积极采取预防措施是降低损失的有效途径。为解决工业矿坑遗产沉降灾害预测问题,提出一种融合蜣螂优化算法(DBO)的优化长短期记忆网络(LSTM)算法,用于构建预警模型。选取阜新市海州露天矿作为实验地点,利用小基线集合成孔径雷达干涉测量(SBAS-InSAR)技术采集55景矿区沉降数据。通过两种去噪方法对采集到的样本数据进行去噪处理,应用DBO算法优化LSTM,建立工业矿坑遗产沉降预测模型。LSTM模型的超参数使用DBO算法优化以实现高精度预测模型,并与其他算法优化LSTM后的模型指标进行对比。结果表明:DBO-LSTM模型在工业矿坑遗产沉降预测优势突出,预测模型的均方根误差、平均绝对误差和决定系数分别为0.045 mm,0.038 mm,0.956,均优于其他预测模型。DBO-LSTM模型在预测工业矿坑遗产沉降方面展现了高精度、快速收敛和强稳定性等特点,为工业矿坑遗产保护工作提供了有力支持。

农民工社会融合水平及城市居留意愿测度

基于全国流动人口动态监测调查中的农民工数据,构建中国农民工社会融合水平评价体系,并借助空间计量模型展示农民工居留意愿在不同地区的分布特征。研究表明:第一,农民工社会融合水平偏低,其中经济融合度最高,而社会接纳度最低。第二,农民工城市长期居留意愿明显高于落户意愿,且空间分布上存在差异。在地区分布上,总体社会融合度越高农民工的长期居留意愿也越强烈,而农民工落户意愿却与总体社会融合度呈现出“相背而行”的特点。第三,从代际视角来看,两代农民工的城市长期居留意愿高低在空间分布上都由西向东呈现出先上升再下降的趋势,但在落户意愿分布上空间特征不明显。

改进粒子群优化LSTM神经网络的基坑地表沉降预测

长短期记忆网络(LSTM)拥有较强的非线性拟合能力,近年来被较多用于基坑变形或沉降预测分析中.针对LSTM存在重要参数确定比较困难的问题,提出采用改进的粒子群算法(IPSO)对LSTM神经网络中的迭代次数、批处理大小、隐含层神经元数量进行寻优.改进的粒子群算法通过引入遗传算法中的变异机制,避免了粒子群算法(PSO)在前期寻优时陷入局部最优,同时利用非线性变化权重和改进学习因子的方法提高了PSO的寻优效率.利用提出的PSO-LSTM方法对实际基坑沉降进行预测分析,并将预测结果与PSO-LSTM、LSTM的预测结果进行对比,发现PSO-LSTM较LSTM、PSO-LSTM的平均百分比误差相对降低了56.47%、11.92%.验证了IPSO-LSTM对基坑地表沉降预测的准确性.

大型地下空间综合交通枢纽中巨型斜柱长期沉降的监测及预测分析

结构及其重要构件的长期沉降是影响地下空间综合交通枢纽施工安全的关键因素之一,对其开展监测与预测具有重要的工程意义。以深圳市黄木岗大型地下空间综合交通枢纽为研究背景,采用自动化监测系统,首先监测了12轴巨型斜柱施工后的119期长期沉降,分析其长期沉降规律,并评判其预警状态。监测结果表明,斜柱施工后,长期的沉降规律为先在安全状态内小幅波动,再增大至黄色预警状态,最后在安全状态与预警状态之间小幅波动。然后,利用109期监测数据分别构建斜柱沉降的反向传播(back propagation,BP)神经网络模型和遗传算法-BP(genetic algorithm-BP,GA-BP)神经网络模型,并预测之后10期的斜柱累计沉降量以对比验证两种模型效果。结果表明,相比BP神经网络模型,GA-BP神经网络模型的预测值与实测值更吻合。

考虑孔压积累-消散耦合的等效有限元方法

交通荷载往复作用下饱和软土路基会发生显著的工后沉降,并引起不均匀沉降。采用基于室内循环三轴或空心圆柱扭转试验建立的经验显式模型与等效有限元相结合方式,在预测路基长期沉降方面取得了较好的效果。然而,其采用的瞬时积累、逐步消散的孔压模型与实际工程中孔压积累与消散同时进行有着明显的差异。忽略这种差异将会使得计算结果低于实际值。采用能反映自然排水条件下震动孔压长消规律的解析公式,对以上的不足作出改进,并用改进的孔压模型计算了上海浦东国际机场第一跑道的长期运营沉降。分析表明,与瞬时积累、逐步消散的孔压模型相比,考虑孔压积累与消散耦合效应的孔压模型,计算结果更接近实测资料。

欠固结地层盾构施工土体长期沉降分析

为研究欠固结地层中盾构隧道施工后周边地层的长期沉降特性,以及双曲线和指数曲线数学模型预测周边地层长期沉降的适应性,依托广州市某地铁隧道项目进行长期监测。结果表明:欠固结地层盾构施工后的实测沉降数据包含欠固结地层自身沉降和盾构施工引起的地层沉降。以各测点的增量沉降值绘制曲线,当横向土体增量沉降曲线不成槽后,实测沉降基本为欠固结地层的自身沉降。同一平面位置处,埋深越大的测点,其总长期沉降量越小,相对于盾构隧道施工前的地层原始状态,盾构施工后的隧道周边土体呈现密实化趋势。

武汉软土地区地铁隧道长期沉降规律及原因分析

以武汉地铁8号线出入段线矩形隧道为分析对象,将近5年的地铁运营监测沉降数据与隧道沿线工程地质条件、地下水及周边施工进行对比分析,系统研究地铁隧道长期沉降规律。结果表明,出入段线隧道最大累计沉降106.1 mm,且沿线形成了三个大的沉降槽。隧道结构下卧软弱土层较厚且分布不均、地下水位及上盖物业开发是导致出入段线长期沉降的主要原因。轨道交通结构的长期沉降问题,需要结合“设计—施工—运营”统筹考虑。

有轨电车路基板-疏桩基础长期沉降现场实测与数值分析

有轨电车路基板‒疏桩基础的目的在于避免长期轮压循环荷载造成软土路基显著沉降。为掌握其长期沉降特性,基于南方某实际有轨电车工程开展长达两年的工后沉降监测。结果表明:在运行初期路基沉降发展迅速,运营约一年后沉降速率变缓并于两年后趋于稳定,且绝对沉降量远小于容许值。该研究又基于土体累积应变显式模型提出了黏土中路基板‒疏桩基础的长期循环累积沉降等效有限元分析方法,经与监测值对比验证其合理性,并采用等效有限元探讨路基板‒疏桩基础的承载力机理。

基于机器学习的某河道路堤沉降预测

本研究旨在探讨机器学习技术在河道路堤沉降预测中的应用,特别是采用长短期记忆神经网络(LSTM)对河道路堤的沉降行为进行建模和预测。系统地收集河道路堤的历史沉降监测数据,随后对数据进行严格的预处理,以消除异常值和噪声,确保数据质量。在此基础上,构建基于LSTM的沉降预测模型,并利用优化算法对模型进行训练和参数调优。通过交叉验证和性能评估指标,对模型的预测能力进行验证。结果显示,LSTM模型在预测河道路堤沉降方面表现出了较高的准确性,能够有效地捕捉沉降数据的时序特征,并具有较强的泛化能力。研究旨在为河道路堤的工程设计、施工和维护提供依据。

基于Bayes和LSTM神经网络模型的基坑变形值预测研究

为了提高基坑变形预测的准确性和可靠性,提出了一种基于贝叶斯方法(Bayes)和长短期记忆(Long Short-Term Memory,LSTM)神经网络的复合模型,并结合杭州市文一西路改造工程现场监测数据,比较了Bayes-LSTM模型与其他预测模型在大跨度基坑上方的地表沉降与水平位移数据预测误差。研究结果表明:与LSTM模型和支持向量机(SVM)模型相比,Bayes-LSTM模型对基坑上方地表沉降的预测精度分别提高了1.0和1.26,证明了Bayes-LSTM模型在地表沉降预测方面表现出较高的预测精度和泛化能力。该研究成果可为大跨度基坑施工安全管理提供决策与支持。

基于Bi-LSTM的非等时距路基工后沉降滚动预测

为了实现路基工后沉降的早期、精准预测,提出基于双向长短期记忆网络(Bi-LSTM)的路基沉降预测技术.采用Akima法将观测数据内插为适应时序分析法的等时距序列,提取“填土高度-时间-地基沉降”曲线中的6个影响因素作为变量训练Bi-LSTM模型,结合滚动迭代方法实现沉降预测的后延更新.研究表明,利用深度学习技术可以有效地利用路基施工期信息,增加训练样本量,提升沉降早期预测的可靠性.Bi-LSTM模型对观测信息进行双向特征提取,同等样本量下的预测效果更精确.依托6个中等压缩性土地基和1个复合地基监测断面信息,仅利用路堤填筑期及工后3个月数据,沉降预测的均方根误差(RMSE)和平均绝对百分误差(MAPE)平均值可以控制为1.19 mm、1.04%.