基于高频组合片段-基因表达式编程算法的轨道交通地面沉降预测模型

[目的]地面沉降预测和控制是轨道交通盾构法隧道施工中最为关注的问题之一。为了解决现有地面沉降预测和控制中存在的模型表达过于复杂且缺乏解释性的问题,需要一种既简洁清晰,又能够描述复杂问题的可解释模型,GEP(基因表达式编程)算法提供了这种可能性,因此需对基于HFS(高频组合片段)-GEP算法的轨道交通地面沉降预测模型进行深入研究。[方法]以杭绍城际铁路某区段盾构隧道工程为依托,选取盾构施工过程中的土舱压力、刀盘扭矩、刀盘转速、推进速度、总推力、隧道埋深及盾尾注浆量等参数作为关键输入型施工参数,地面沉降作为输出型施工参数,通过备选公式集筛选以及HFS选取,建立基于HFS-GEP算法的轨道交通地面沉降预测模型。利用该模型对第180环—第210环区段的关键施工参数进行优化调整,分析盾构施工参数变化对地面最终沉降的影响效果。[结果及结论]基于HFS-GEP算法的地面沉降预测模型可以反映盾构施工参数与地面最终沉降的显式关系;相较于传统GEP算法的地面沉降预测模型,该模型准确度更高,结构更为简洁,且收敛速度更快。通过对盾构关键施工参数进行优化调整,该模型可将第180环—第210环区段的最终沉降量控制在10 mm以内。

基于时间序列的地下水开采中地面沉降预测方法

传统的地下水开采中地面沉降预测方法,只能收集历史地面沉降数据,不能消除其异常值,导致地面沉降量预测值与实测值相差较大,因此设计一种基于时间序列的地下水开采中地面沉降预测方法。首先对收集到的地面沉降数据进行预处理,消除异常值和数据间的量纲差异。将地面沉降数据转换为垂直向沉降速率,基于时间序列和历史数据建立地面沉降预测模型,并根据模型的预测结果分析未来的沉降趋势。实验结果表明,设计的基于时间序列的地下水开采中地面沉降预测方法,地面沉降量预测值与实测值基本一致,最小仅为0.9 mm。证明其方法更准确,具有实用性。

基于麻雀搜索算法优化Elman残差自校正地面沉降预测模型

地面沉降是一种常见的地质灾害,严重阻碍当地居民的生产生活,如何对地面沉降进行准确预测已经成为相关专家学者讨论的热点话题,但常规数学模型难以对地面沉降量做出准确预测。提出了麻雀搜索算法(sparrow search algorithm,SSA)优化Elman的地面沉降量预测方法,同时根据组合模型原理提出了SSA-Elman残差自校正(SSA-Elman residual self-correction,SSA-Elman-RSC)模型的策略,通过残差校正的方式降低神经网络预测误差,成功地将地面沉降量预测模型应用于山西省大同市潇河产业园,将预测结果与未进行残差修正的模型预测结果进行比较分析。结果表明,对于均方根误差(root mean squared error,RMSE)、平均绝对误差(mean absolute error,MAE)、均方误差(mean square error,MSE)3个指标,SSA-Elman-RSC拥有更高的精度。该模型的提出为山西地区地面沉降量预测提供了一种新方法,并且组合模型的建立提供了一种新思路。

基于XGBoost算法的盾构施工地面沉降预测方法

盾构施工过程中,现有地面沉降监测手段与方法难以满足高效安全施工要求,因此,针对盾构掘进过程中难以精确预测地面沉降问题,提出一种地面沉降量的预测方法。首先,将收集的相关数据进行预处理,预处理包含了缺失值处理、异常值处理和无量纲化处理等,预处理可以提高数据质量,从而提升降低模型训练复杂度、提升精度;然后,把处理好的数据分为训练集和测试集,对划分好的数据基于随机森林构建地面沉降影响因素分析模型,分别得出盾构机前方0环处、3环处、5环处、10环处、15环处、20环处以及盾构机后方-5环处、-10环处、-15环处、-20环处的盾构掘进参数对地面沉降的差异化影响因素及其重要度分数,并根据每环对应的不同影响因素集,进一步构建基于XGBoost地面沉降预测模型;最后,将与地面沉降相关的影响因素具体数据作为输入,多监测点的沉降量作为输出,最终得到距开挖面不同距离处的多点地面沉降量。该方法实现了地面沉降量准确预测,同时具备建模简单、准确率高等优点,对盾构施工工程及风险管控具有一定参考价值。

参数累积估计灰色模型及地面沉降预测

基于传统GM(1,1)地面沉降预测模型的非稳定性,引入参数累积估计方法来代替最小二乘法,构建了参数累积估计的灰色沉降预测模型。通过对上海市地面沉降的预测,证实模型降低了矩阵条件数,提高了沉降预测的稳定性,进而对上海市分层沉降进行了预测,并给出相应的模型稳定性判别,预测结果给出了上海沉降的发展趋势,为地面沉降的合理防治提供了帮助。

基于数据增强和机器学习算法的盾构隧道引发地面沉降预测及应用

为解决地铁盾构隧道施工引起的地表沉降预测过程中数据样本不足、对数据预处理较为粗糙的问题,选取北京地区32个地铁盾构隧道施工引起的地面沉降数据作为数据库,采用合成少数类过采样技术(synthetic minority oversampling technique,SMOTE)算法对数据库进行扩增,并在此基础上选取BP神经网络(back propagation,BP)、随机森林(random forest,RF)、支持向量机(support vector machine,SVM)和K近邻(K-nearest neighbor,KNN)4种机器学习模型对沉降进行预测分析。分析结果表明:1)经过预处理后的数据集预测能力显著增强,其中,KNN模型表现最佳,测试集平均绝对误差仅为1.60 mm;2)采用KNN模型对北京轨道交通12号线西坝河—三元桥区间地层沉降进行预测,基于该模型预测值的Peck公式与实测值拟合度较高;3)基于数据增强下的KNN模型对于盾构施工引起的地面沉降变形有良好的预测效果。

基于组合模型的天津市地面沉降预测及危险性评价

针对天津市过度开采地下水引发的地面沉降问题,基于组合模型开展区域沉降预测及危险性评价研究。首先分别运用灰色理论GM(1,1)预测模型、BP神经网络预测模型以及灰色BP神经网络(GM-BP)组合预测模型,对地面沉降量数据进行校核与补充。然后选取高程、坡度、土地利用、河网水系、水文地质、地下水开采量和累积沉降量作为影响因子,基于确定性系数和逻辑回归组合模型对地面沉降的危险程度进行评价,最后将地面沉降区域划分为5类危险区:极高危险区、高危险区、中危险区、低危险区和极低危险区。结果表明:(1)灰色BP神经网络预测模型的稳定性和拟合能力明显优于其他两种预测模型,模型的预测值更能满足精度要求;(2)研究区不同程度的危险性评价中,41.57%的区域面积具有极高度和高度危险性,且主要分布于北辰区、津南区、静海区、西青区及滨海新区等南部地区;(3)通过灾害点与危险区叠加分析,整个研究区域灾害点密度为64.73处/万km^(2),45处灾害处于高和极高的地面沉降危险。分区结果与灾害点的分布情况基本吻合,证明该研究成果能为地面沉降预测及危险性评价提供参考依据。

多项式分布滞后模型在地面沉降预测中的应用

介绍多项式分布滞后模型(PDL模型)建立过程,针对地面沉降相对于地下水水位变化的滞后作用,建立考虑滞后作用的多项式分布滞后预测模型,应用该模型对某地区地面沉降实测数据进行模拟预测,并评价模型各项指标。实例分析表明,PDL模型应用到地面沉降变形趋势具有预测精度高、拟合效果好的特点,可以有效实现地下水水位变化导致地面滞后性沉降的定量模拟和预测。

基于Peck公式的藏区公路隧道施工地面沉降预测

在隧道施工中结合现场地表下沉量测实测数据,利用Peck公式进行地表沉降计算,反分析法确定沉降槽曲线最大沉降量和沉降槽宽度及关键参数,并对拟合参数进行了检验。比较修正了沉降槽宽度计算经验公式,给出青藏高原东南部地区Peck公式中沉降槽宽度系数的初步建议值,验证了适合我国藏区具体地质条件与施工手段的公路隧道地表沉降预测模型。研究表明:Peck公式适用于青藏高原地区公路山岭隧道施工地面沉降预测,隧道进口浅埋段施工引起的地表沉降曲线基本符合高斯分布规律,进口段埋深较浅地表沉降槽宽度越大,埋深越大沉降槽宽度越小。

基于矩阵的GM(1,1)模型预测地面沉降——以北京市平原区为例

传统GM(1,1)模型在地面沉降预测中都是基于监测点的单点预测,无法获取研究区地面沉降的变化趋势。文章提出一种基于矩阵的GM(1,1)模型,运用矩阵替代单点进行预测分析,选取北京市平原区作为研究区,用2003~2009年的InSAR监测结果建立模型,并利用实测的水准测量点进行验证。结果表明:模型精度达到"合格"以上的元素占总数的99%以上;最大沉降量相对误差不超过12%;独立样本t检验表明,InSAR处理结果和模拟结果没有显著性差异(P=0.415);利用水准测量数据和预测结果进行回归分析,二者具有明显的线性相关性,相关系数为0.99。因此,基于矩阵的GM(1,1)模型可以有效地进行区域地面沉降预测,并能充分与遥感技术进行结合,该方法可以为地面沉降的区域性预测提供新的思路和方法。

基于多项式分布滞后模型的上海市地面沉降验证与预测

[目的]对上海市地面沉降进行验证与预测,为地下工程建设和地下水开采格局的科学调整提供参考。[方法]基于地下水抽灌量、地面沉降和土层分层变形等长期监测数据,研究地面沉降量与地下水开采量、土层分层变形量之间的相关性,并结合上海市地面沉降特性及原因,建立考虑地下水开采量和第4含水层变形量的地面沉降多项式分布滞后模型(PDL模型)。[结果]①上海市累计地下水开采量、第4含水层累计变形量与累计地面沉降量之间均具有高度的正相关性,但由于砂土蠕变、弱透水层释水缓慢等原因,地面沉降相对于地下水开采量和第4含水层变形都有着一定的滞后性;②采用考虑滞后效应的多项式分布滞后模型预测地面沉降,其计算结果相对误差较小、拟合效果较好;③若以当前采灌格局及第4含水层变形量作为参考进行预测,地面沉降在2019-2024年间将会发生稳定的轻微回弹现象。[结论]上海市地面沉降与地下水开采量和土层变形量之间有着较高的相关性,且控制地下水开采能够有效缓解地面沉降的发展。

基于MODFLOW地下水数值模拟对济南北部地区地面沉降的预测

为查明济南北部地区深层地下水开采影响地面沉降的成因机理,在综合分析区内水文地质、工程地质、地下水开采等资料的基础上,基于Visual MODFLOW三维有限差分地下水流动模型,对深层地下水降落漏斗发育情况进行了数值模拟,得出地下水流场时空动态分布规律,建立了流-固耦合模型,并对区内地面沉降发展趋势进行了预测。经验证,预测沉降速率与InSAR监测地面沉降速率基本吻合,预测结果基本可靠,具有较高的研究意义和应用前景。

由承压水降水引起地面沉降的预测与分析

结合上海某深基坑项目水文地质勘察结果,介绍了采用群井抽水试验获得水文地质参数的方法;采用了三维有限差分方法建立数值模型,进行由减压降水引起的地面沉降预测;结果表明:采用的获取水文地质参数的方法合理,建立的群井抽水试验数值模型与实际情况较为吻合;预测的地面沉降结果基本可靠,能为该地区深基坑的设计与施工以及风险管控提供借鉴作用。

泥水气压平衡盾构沉降智能预测技术

提出了一个基于对抗神经网络(GAN)的隧道施工过程中地表沉降预测技术,使用隧道沉降历史数据,通过训练2个不同的神经网络:生成网络(G)和判别网络(D),融合盾构机多个实时施工参数,来预测当前施工位置90 d后的沉降数值,而无需等待90 d。该技术的成果应用于上海北横通道项目部分地下施工段,并验证了其有效性。

地铁沿线大型深基坑工程降水方案设计——以苏州现代传媒广场工程为例

以苏州现代传媒广场工程为例,运用数值模拟方法,针对地铁沿线深基坑如何设置降水井进行了方案设计,对降水过程中地面沉降进行了预测。研究表明,该设计方案具有可行性。

组合式承压水控制技术在闸北广场工程中的应用

结合上海市静安区闸北广场项目实践,针对基坑降水要求,采用了组合式承压水控制技术来处理地下水。通过基坑降水数值模拟以及地面沉降预测,有效地减少了降水可能造成的对周围环境的不良影响。总结的成功经验可为类似工程参考。

Method of forecasting seismic energy induced by longwall exploitation based on changes in ground subsidence

A method of forecasting total seismic energy induced by longwall exploitation, based on changes in ground subsidence, is presented in the form of a linear regression model with one with one independent variable. In the method, ground subsidence is described with a cross-section area of a subsidence trough Pw along a line of observations in the direction of an advancing longwall front, approximately along the axis of the longwall area. Total seismic energy is determined on the basis of seismic energy data of tremors induced by exploitation. The presentation consists of a detailed method and evaluation of its predictive ability for the area of longwall exploitation within the region of one of the coal mines in the Upper Silesian Coal Basin. This method can be used for forecasting the total seismic energy released by tremors within the area directly connected with the exploitation, in which the seismic activity induced by this exploitation occurs. The estimation of the parameters of the determined model should each time be carried out with investigations of the correctness of the model. The method cannot be applied when the number of recorded phenomena is small and when there is insufficient data to make it possible to calculate the index Pw.