基于多域物理信息神经网络的复合地层隧道掘进地表沉降预测

复合地层中盾构掘进诱发地表沉降的准确预测是隧道工程安全建设与施工决策的关键问题。基于隧道施工诱发地层变形机制构建隧道收敛变形与掘进位置的联系,并将其耦合至深度神经网络(deep neural network,简称DNN)框架,建立了预测盾构掘进诱发地层变形的物理信息神经网络(physics-informed neural network,简称PINN)模型。针对隧道上覆多个地层的地质特征,提出了多域物理信息神经网络(multi-physics-informed neural network,简称MPINN)模型,实现了在统一的框架内对不同地层的物理信息分区域表达。结果表明:MPINN模型高度还原了有限差分法的计算结果,可以准确预测复合地层中隧道开挖诱发的地表沉降;由于融入了物理机制,MPINN模型对隧道施工诱发地表沉降的问题具有普适性,可应用于不同地质和几何条件下隧道诱发地表沉降的预测;基于工程实测数据,提出的MPINN模型准确预测了监测断面的地表沉降曲线,可为复合地层下盾构掘进过程中地表沉降的预测预警提供参考。

飞机荷载引起隧道地表沉降数值模拟研究

为研究飞机起飞对隧道施工过程中地表沉降的影响,依托某机场隧道工程实例,利用MIDAS GTS NX软件进行数值模拟,分析了飞机荷载对单线隧道和双线隧道地表沉降的影响规律。研究结果表明,飞机由单线隧道左侧滑行至右侧时,地表沉降最大值由左侧移至中间偏右位置,且最大值不断增大。飞机滑行经过双线隧道工程上方时,地表沉降最大值由先行隧道上方逐渐转移至后行隧道上方;当飞机经过两隧道中间滑行至后行隧道拱肩上方时,地表沉降值最大且超过30 mm。单线隧道和双线隧道的最大沉降均位于拱顶位置处,向周围方向沉降值逐渐减小,因此,在施工过程中,除了应定时进行监测外,需重点关注拱顶处沉降情况,保证施工安全。

基于柱孔收缩理论的含气土盾构施工引起地表沉降研究

依托杭州地铁塘青线盾构穿越含气地层的实际工程,对柱孔收缩理论进行修正,首次提出基于柱孔收缩理论的含气地层盾构施工引起地表沉降理论计算公式,并结合实际工程参数,分析隧道埋深、开挖半径、基质吸力等因素对含气地层盾构施工引起地表沉降的影响。研究表明:柱孔收缩理论计算结果与实测数据较为吻合,能较好地反映出含气地层盾构掘进引起的地表沉降特征;与饱和土工程不同,双线盾构穿越含气地层时,先行线引起的地表沉降更大;含气土等非饱和土中基质吸力通过改变土体内摩擦角和黏聚力进而影响土体特性,但较之于土体黏聚力,土体内摩擦角的变化对盾构穿越含气地层引起地表沉降的影响更大。

基坑开挖引起地表沉降的计算方法

通过分析基坑开挖引起地表沉降的主要原因,梳理了地表沉降的影响因素,进而对不同工况下地表沉降的形态进行深入分析。对于地表沉降的计算方法,研究了Peck曲线法、地层损失法、数值模拟法以及监控量测法的应用特点及适用条件,最后以南京某地铁基坑工程为例对基坑开挖引起的地表沉降进行计算分析。

基于皮尔逊相关系数法的盾构掘进参数对地表沉降影响分析

为研究盾构掘进参数对地表沉降的影响,结合北京地铁19号线某盾构工程的现场监测结果,运用皮尔逊相关系数法对盾构掘进参数对地表沉降影响进行线性回归的相关性分析,检验了线性相关的显著性水平,并针对盾构掘进参数的波动范围和造成的地表沉降规律进行统计分析,继而通过控制参数来实现地表沉降的精细化控制。结果表明:皮尔逊相关系数法在本工程中应用是可靠的,影响地表沉降的两个关键控制参数为同步注浆量、土压力,相关系数分别为0.52和0.41,其他参数与地表沉降表现为极弱相关;右线盾构的掘进参数较左线进行了更加精细化的控制,最优参数控制范围为平均值95%置信区间,最终使右线上方地表沉降较左线大幅度减小,稳定在6mm以内,通过参数精细化控制取得了良好的沉降控制效果。

不同盾构施工参数对地表沉降影响的数值分析

为研究盾构隧道施工阶段不同施工参数对地表沉降的影响规律,文中依托杭州某盾构隧道工程,运用Midas GTS NX数值软件建立盾构隧道施工三维模型,分析施工阶段注浆体弹性模量、注浆压力、掌子面推力等施工参数对地表沉降的影响。结果表明,不同施工参数工况下地表横向沉降曲线皆呈现倒V形,且最大值均位于隧道拱顶正上方;适当增大注浆压力、掌子面推力可以减小地表沉降量;注浆体弹性模量大小与地表沉降量成反比;不同施工参数对地表沉降量的影响作用由大到小排列依次为注浆压力、注浆体弹性模量、掌子面推力,研究成果可为相关工程提供参考借鉴。

软土地区沉井施工引起地表沉降预测计算方法

沉井已被广泛应用于软土区的地下空间建设,但其下沉过程引起的地表沉降大小及分布不清,缺乏预测方法。本文以上海地区某沉井工程为背景,基于上海典型土层的HSS模型计算参数,采用有限差分法模拟圆形沉井下沉,基于对96个数值结果的系统分析和归一化研究,提出了一套沉井施工引起的地表沉降快速预测方法。该方法能够综合考虑沉井直径B、下沉深度H和井内留土高度h对地表沉降的影响。最后采用该计算方法预测了5个工程的地表沉降并同实测数据进行了对比,结果表明,该方法能够很好地预测软土区的沉井施工引起的地表沉降,可为快速评估沉井施工的环境效应提供有效方法。

基于物理信息神经网络的盾构隧道诱发地表沉降预测

地表沉降是城市复杂环境下盾构隧道施工重点关注的问题。传统机器学习方法在预测隧道施工诱发地表沉降时忽略了其内在的物理机理,存在对训练样本需求量较大的弊端。基于深度神经网络(deep neural networks, DNN)对Verruijt-Booker解的围岩位移因子进行修正,构建地表沉降与隧道开挖面空间位置的关联。将修正后的Verruijt-Booker解的物理方程耦合至另一并行的DNN框架中,构建数据-物理双驱动的物理信息神经网络模型(physics-informed neural networks, PINN),从而约束神经网络在满足物理机制的空间中进行训练。算例分析的结果表明:在同等配置的条件下,提出的PINN模型的预测效果显著优于单一数据驱动的传统DNN模型,其外推泛化性能得到显著提升。工程应用的结果表明:PINN模型可以利用施工前期的实测数据,准确预测后续施工过程中开挖面在不同位置时监测断面的地表沉降值。提出的方法有助于提高盾构隧道施工过程中地表沉降控制的智慧化程度,可为工程的潜在风险及施工决策提供预警和指导。

大断面浅埋隧道地表沉降Peck修正公式及其应用

针对经典Peck公式未考虑隧道断面形状、埋深对大断面浅埋隧道地表沉降影响的不足,考虑断面形状与隧道埋深修正系数改进Peck公式。利用白塔山隧道地表沉降实测数据对修正公式进行验证,两个监测断面预测值与实测值平均相对误差8.3%,最大相对误差18.4%。进而采用修正Peck公式对不同断面形状、不同埋深隧道开挖引起的地表沉降进行预测。结果表明:地表最大沉降与断面形状修正系数成正相关,地表最大沉降依次为矩形-1(Ⅰ)>马蹄形-1(Ⅱ)>圆形(Ⅴ)>矩形-2(Ⅲ)>马蹄形-2(Ⅳ);随着大断面浅埋隧道埋深增加,地表最大沉降减小而地表沉降槽宽度相应增大。地表沉降曲线形态由窄而深过渡到宽而浅,地表核心沉降区面积也逐渐减小。研究成果可为类似工程提供理论支持和技术参考。

临近既有河道的隧道掘进引起的地表沉降

传统的隧道施工诱发地面沉降问题的研究通常假定地面为水平,目前针对大直径盾构或顶管隧道工程在既有河道附近的复杂边界条件下掘进所引起的地面沉降的研究不足.以杭州某泥水平衡掘进顶管法隧道工程实例为背景,基于影像源法,考虑土体非均匀收敛,采用叠加原理给出临近既有河道条件下隧道施工引起地表沉降的解析解,并与工程实测数据进行对比.参数分析表明,隧道与河道间的水平距离越小,地表沉降槽的非对称性越显著,由隧道掘进引起的地表沉降越大;与无河道情况相比,沉降槽峰值的增幅最大可超过30%,从环境保护和施工安全的角度出发,在实际工程中隧道施工时应尽量远离河道;随着隧道埋深的增大,由隧道掘进引起的地表沉降越小,而当隧道拱腰深度大于邻近既有河道深度时,靠近河道附近的地表沉降明显大于无河道情况下的,此时更应重视既有河道的影响.

基坑地表沉降的偏态分布函数应用

城市深基坑工程施工不可避免会引起周围地层变形尤其是坑外地表沉降,而过大的地表沉降会对周围建(构)筑物造成严重威胁,因此有必要开展基坑地表沉降方面的研究。针对目前在基坑地表沉降变形表征函数和表征指标方面研究的不足,利用偏态分布函数描述坑外地表沉降规律,并对沉降曲线的变形表征指标进行研究,形成一套适用于地表偏态沉降形式的变形表征指标体系,继而提出坑外地表沉降的偏态分布函数预测方法。在此基础上,依托2个工程实例,验证偏态分布函数及其指标体系和预测公式的适用性,主要得到了以下结论:利用偏态分布函数来描述坑外地表沉降曲线更为合理;结合沉降曲线包络面积、最大地表沉降及其位置等指标,提出以显性表征指标和隐性表征指标为核心的坑外地表沉降曲线表征指标体系;利用偏态分布函数展开回归分析和预测研究,发现地表沉降曲线与实测数据总体上较为接近,说明偏态分布函数在基坑地表沉降研究中的合理性和适用性。

基于深度学习的盾构隧道施工地表沉降预测方法

针对现有盾构隧道施工引发地表沉降预测方法中存在的难以同时挖掘数据之间的非线性特征关系和双向时序信息的问题,通过融合卷积神经网络(CNN)、双向长短期记忆(BiLSTM)与自注意力机制(SA)提出一种基于深度学习的地表最大沉降预测方法(CNN-BiLSTM-SA)。该方法首先利用CNN提取网络输入数据之间的非线性特征关系,利用BiLSTM网络提取输入数据的双向时序信息,然后引入SA机制为CNN提取的特征分配相应的权重,有效捕获时间序列中的关键信息,最后通过全连接层输出最终地表沉降预测结果。以湖南万家丽路电力盾构隧道工程为依托构建地表沉降数据集,并选用ANN、RNN、LSTM、BiLSTM模型开展对比分析。研究结果表明:评估指标CNN-BiLSTM-SA的平均绝对误差(MAE)、均方根(RMSE)、决定系数(R2)、平均绝对百分误差(MAPE)均为最优,具有更好的地表沉降预测性能。

基于SBAS-InSAR和PSO-BP模型的鲁南高铁沿线地表沉降监测与预测

选取38景Sentinel-1A SAR影像,利用SBAS-InSAR技术获取2019-02~2022-11鲁南高铁曲阜-菏泽段沿线5 km区域的地表沉降结果,分析其分布特征和规律,并利用PSO-BP模型对若干特征点进行沉降预测。结果表明,高铁沿线0.1 km范围内地表年均形变速率为-20~15 mm/a,最大沉降速率为25.46 mm/a,最大抬升速率为17.43 mm/a;PSO-BP模型得到的沉降预测值的RMSE为5.8~12.4 mm,可对地表沉降进行较好的预测。

软黏土基坑开挖诱发坑外地表沉降的时效解

对比理论和实测研究成果,发现既有坑外地表沉降计算方法不适用于蠕变效应显著的软土基坑。借助Lame方程和三参量黏弹性地基模型,推导得到柔性挡墙任意变位诱发坑外地表沉降的时效半解析解;将理论计算方法应用于杭州软土地区的两个深基坑工程实例,分析了从基坑开挖到地下室回筑的施工全过程中坑外地表沉降的发展规律。结果表明:(1)软土蠕变诱发不依赖于挡墙附加侧移的地表沉降,不仅导致软土基坑开挖期间的地表最大沉降与挡墙最大侧移之比远大于非软土基坑,而且引起坑外土体在地下室回筑期的持续沉降;(2)软土蠕变诱发的地表沉降随挡墙侧移的增大而增大,表现为凹槽沉降模式;(3)深厚软土深基坑的地表最大沉降与挡墙最大侧移之比主要受软土蠕变性和施工时间等因素的影响,与挡墙侧移量的关系不明显。

基于响应面试验设计的深基坑降水开挖地表沉降特性

受降水与开挖作用的共同影响,基坑周边土体会持续发生地表沉降变形,对基坑稳定以及周边环境都产生显著影响。为厘清基坑工程降水开挖过程中地表沉降的影响工况因素,并在此基础上建立经验模型,选取杭州地区典型江河阶地二元结构地层组合的深基坑为案例,开展了系统研究。首先,基于降水开挖作用下的土体变形机理,结合变形实测数据,提出了一种结合摩尔库伦(MC)与修正剑桥(MMC)本构关系开展基坑降水开挖沉降过程的数值分析方法。进一步采用响应面试验设计方法(RSM),考虑多种工况因素及其交互作用,建立了研究区内二元地质结构条件下基坑降水开挖地表沉降的经验模型,并分析了地表沉降分区特征。结果表明,地下水位降深(H_d)对地表沉降影响最为显著,其次为地下连续墙深度(H_w)与开挖宽度(B),其中B与H_d交互作用也较为显著。据此建立的回归模型可以较为准确地预测地表最大沉降量。本研究不仅为类似地层条件的基坑工程提供了经验模型,也为基坑设计、施工和监测提供了实用框架,对有效控制基坑及周边环境的沉降变形具有重要价值。

上软下硬地层隧道盾构施工地表沉降影响因素及规律研究

为研究盾构隧道穿越上软下硬地层时,开挖面内不同土岩厚度比对地表沉降的影响,以贵阳轨道交通3号线某区间隧道为工程背景,保持隧道埋深和双线隧道间距不变,建立7种工况下的三维有限元模型,通过与实测数据对比分析得到沉降规律,并利用双线隧道的44组地表沉降数据,拟合出适用于当地复合地层的Peck分段公式。研究结果表明:从整体看,数值模拟的沉降曲线均为W形,地表最大沉降位于先行隧道上方;穿越红黏土层时地表更易受到扰动而产生不均匀沉降,随着土岩厚度比的减小,模拟曲线对称性增强,左右隧道的沉降差缩小,整体沉降值基本表现为减小趋势;总结土岩厚度比与修正系数的关系,图表显示Peck分段公式能较好地预测贵阳上软下硬地层的沉降规律。

软土地层双线隧道地表沉降计算公式修正

由于双线隧道存在复杂的耦合作用,盾构施工引起的地表沉降规律极为复杂,所以准确计算地表沉降较为困难。基于Peck公式和Chapman修正参数,考虑先行隧道的施工影响和双线隧道的相对位置关系,通过参数的经验量化,建立双线隧道地表沉降的计算公式。此外,依托苏州市轨道交通S1号线工程,讨论公式在不同土层中的适用性及参数取值范围,在此基础上采用PLAXIS 3D有限元软件对双线隧道盾构施工进行了数值模拟。结果表明:在软土地层中进行盾构施工,应用所建修正公式计算得到的地表沉降值与数值模拟和现场实测结果均较为吻合。所建修正公式考虑了双线隧道的位置信息,可以定量反映隧道埋深和双线隧道间距对地表沉降的影响。研究成果可为软土地区双线隧道盾构施工沉降计算提供参考。

黄土地层地铁隧道水环境变化对地表沉降影响研究

黄土地层中城市地铁隧道水环境变化主要体现在地下水位升降和盾构衬砌管片渗水,地层中水位的变化及管片渗漏会进一步影响地表沉降。以某地铁区间隧道为背景,采用修正摩尔库仑模型(MM-C模型)和DP模型来描述复杂加卸载条件下的地层隆沉问题,并深入研究水环境变化下地表沉降规律。结果表明:盾构管片渗漏比从0.1增大到10期间,地表沉降增加了24%;管片渗漏块数从1增大到6块时,地表最大沉降增大了77%;地下水位下降5 m期间,地表最大沉降增大了1.2倍,水位降深每增加1 m,地表下沉量增加约7 mm;初始水位高度抬升5 m期间,地表最大沉降减小了37%。为了控制地表不发生过量隆沉,渗漏块数不宜超过3块,并应避免拱底管片发生破坏或渗漏,地下水位的回灌抬升高度及降水深度宜分别控制在3.0 m和2.0 m以内。

基于循环神经网络的超大直径盾构掘进地表沉降预测方法研究

为了研究超大直径盾构掘进过程地面沉降规律,以武汉市和平大道南延线盾构工程为研究对象,首先收集了超大直径盾构下穿过程掘进参数和地层地质参数,并使用盾构掘进过程深跨比描述超大直径盾构影响特征;其次,通过收集现场沉降测点数据分析盾构隧道施工阶段地表沉降的影响范围,计算了90%、95%、99%三种置信区间下地表沉降影响范围;最后,选取不同范围内的多元时序数据作为输入参数,分别建立了基于贝叶斯优化算法(BO)的长短期记忆(LSTM)、BP神经网络和随机森林(RF)大直径盾构地面沉降预测模型.模型运行过程中,通过贝叶斯优化算法分别寻找三种不同模型下的最优超参数,并通过四种评价指标对比模型精度.结果如下:①在90%置信水平下三种算法均表现出最高精度,通过区间计算筛选有效输入参数能有效提高模型预测精度;②LSTM对隧道沉降的预测结果优于传统机器学习算法模型,MAPE最低达到8.91%,R^(2)达到90%.

基于粒子群优化极限学习机的隧道地表沉降预测

为了提高地表沉降预测的精度和速度,提出了一种改进的极限学习机模型用于预测地表沉降。引入粒子群算法优化极限学习机的权值和阈值,提高极限学习机的预测效果。以济南轨道交通4号线燕山立交桥站为例,进行模型实证分析,利用改进的极限学习机进行盾构隧道地表沉降预测,并与传统的极限学习机模型进行对比。经过粒子群算法改进的极限学习机模型MSE降低了22%,RMSE降低了28%,MAPE降低了5.3%,验证了经粒子群算法改进后的极限学习机具有较好的预测精度和预测速度。对改进的极限学习机进行了泛化能力实证,验证了该模型具有较好的泛化能力。