基于数据驱动的盾构竖向姿态预测深度学习模型

在盾构掘进过程中,竖向姿态控制难度较大,盾体常与设计轴线产生偏差。为解决既有盾构姿态预测模型无法准确提取数据特征和有效去除数据噪声的问题,充分挖掘盾构掘进实测数据时间序列信息,依托合肥地铁7号线耕耘路站—清潭路站区间盾构隧道工程,对收集的掘进数据进行预处理,包括去除停机状态数据及异常数据,提出用于盾构竖向姿态预测的CNN-LSTM组合模型,并将测试集上的模型预测结果与传统回归模型进行对比,最后对不同样本数量及固定网络参数时的模型性能进行研究。研究结果表明:CNN-LSTM组合模型对盾构竖向姿态的预测效果较好,在测试集上的预测平均绝对误差E_(MA)和均方根误差E_(RMS)较低,同时预测的决定系数R^(2)较高,表明模型具有较小的预测误差和较高的预测精度;与ARIMA、LSTM和SVR模型相比,CNN-LSTM模型在测试集上预测的R^(2)分别提高了1.04%、19.75%和79.63%,此外,模型的预测E_(MA)和E_(RMS)较低,并且训练耗时显著降低;不同训练集样本数量对CNN-LSTM模型性能有一定影响,当训练集样本数量与测试集样本数量之比为4:1时,模型预测的R^(2)最高,表明此时模型具有最佳的预测性能;增加训练集样本数量可能导致过拟合问题,降低模型的泛化能力,减少训练集样本数量则可能导致欠拟合问题,使模型在测试集上的预测精度下降;固定部分网络参数可以有效减少训练参数量和训练时间,同时提高模型的预测精度,当固定4层网络参数时,模型预测性能最佳,预测的R^(2)为0.93,预测的E_(MA)和E_(RMS)分别为0.029和0.048,训练耗时为46 s。

盾构竖向姿态的组合预测模型研究

由于盾构施工过程中盾构姿态演化的复杂性,单一预测模型很难实现较为精准的预测,提出了一种基于BP神经网络和支持向量回归(Support Vector Regression,SVR)的盾构竖向姿态组合预测模型。首先,利用经验模态分解将盾构竖向姿态时间序列分解为有限个固有模态分量和剩余分量;其次,在分别建立不同分量的粒子群优化(Particle Swarm Optimization,PSO)的BP神经网络与SVR预测模型后,将其预测结果分别进行叠加;最后,采用最优加权法对两个模型赋权以得到最终预测结果。为验证所提出模型的实践适用性,将其应用至成都地铁8号线某盾构区间中,并与PSO-BP和PSO-SVR模型的预测结果进行对比。研究结果表明:所提出模型的泛化能力更强、准确性更高,可为盾构竖向姿态预测提供一定的借鉴和参考。

基于深度学习的盾构竖向姿态组合预测

为解决盾构竖向姿态的精确预测问题,提出一种基于长短期记忆(long short term memory,LSTM)神经网络-支持向量回归(support vector regression,SVR)的深度学习组合预测模型。在对采集到的竖向姿态数据进行相应的数据预处理的基础上,分别构建LSTM、SVR竖向姿态预测模型,并基于最优组合赋权的方式对二者的预测结果进行赋权,以得到LSTM-SVR盾构竖向姿态组合预测模型。为验证所构建的LSTM-SVR组合深度学习预测模型的可靠性,依托昆明地铁项目,将预测结果与LSTM、SVR、BP(back propagation)模型的预测结果进行对比。结果表明:所构建的LSTM-SVR组合深度学习预测模型具有较高的预测精度。

软土地层大断面管幕箱涵顶进竖向姿态的理论与实测分析

针对千斤顶产生的偏心顶推力作用下箱涵发生的"抬头"现象,采用局部弹性地基模型,首先,从理论上推导得到箱涵顶进竖向姿态变化的解析解;然后,结合现场实测分析,探究偏心顶力作用下大断面管幕箱涵的"抬头"机制及变化规律。研究表明:1)千斤顶顶推力与顶进阻力合力的作用线不重合而产生的使管节上抬的力矩是首节箱涵"抬头"的核心诱因;2)缓解首节箱涵"抬头"问题的主要施工措施有减小掘进机顶推力或正面土压力、增加上排管幕刚度、对箱涵上表面进行局部减摩、对箱涵下部进行冲洗卸土等,其中,减小掘进机顶推力或正面土压力效果最为明显。

基于最优组合赋权的EMD-GRU盾构竖向姿态预测

为解决盾构施工过程中姿态预测不精准的问题,提出一种基于最优组合赋权的EMD-GRU盾构竖向姿态预测方法。首先,对获取到的竖向姿态数据(俯仰角)进行数据预处理;其次,为提高模型的预测精度,将原始数据集基于经验模态分解(empirical modedecomposition,EMD)的方式划分为若干个较为平稳的子序列;然后,基于门控循环单元(gatedrecurrentunit,GRU)神经网络分别建立各个子序列的预测模型;最后,基于最优组合赋权法将各个子序列的预测结果进行融合,以得到模型的最终预测结果。为验证所建立的EMD-GRU预测模型的可靠性,依托昆明地铁5号线实际盾构施工项目加以应用,并与GRU、SVR、BP模型的预测结果进行对比。结果表明,所构建的EMD-GRU预测模型具有较高的预测精度和泛化能力,可为盾构姿态精准预测提供一种新的思路。

复杂地层下地铁施工用盾构竖向姿态自适应预测

本文设计了盾构竖向姿态自适应预测方法。在收集盾构竖向姿态数据的基础上,通过数据分析设计盾构竖向姿态预测模型,并进行预测参数计算,实现了复杂地层下盾构竖向姿态自适应预测。通过实验表明,本文设计的方法与传统方法相比,可以及早发现姿态偏差,姿态预测准确度更高,对盾构竖向姿态预测发展具有重要的现实意义。

基于PSO-BP的盾构竖向姿态预测研究

为提高地铁盾构成型隧道的质量,对盾构掘进姿态的控制尤为重要。以昆明地铁五号线六标怡心桥站~广福路站区间为例,通过对盾构掘进实测数据进行收集和应用,提出了一种基于粒子群优化BP神经网络(Particle Swarm Optimization—Back Propagation,PSO—BP)的盾构竖向姿态预测方法,预测结果与实际值吻合度较高,表明该模型具有一定的可靠性,可广泛应用于日后姿态预测研究中。

盾构竖向姿态预测模型参数的全局敏感性分析

盾构姿态偏离设计轴线是施工中常见的问题,因此确定影响盾构姿态的敏感性因素对于盾构姿态控制具有重要意义。为定量分析影响盾构竖向姿态的敏感性因素,以成都卵石下伏膨胀泥岩地层盾构施工为工程背景,将主要掘进参数、地质参数和几何参数作为输入变量,盾构竖向趋向作为输出变量,采用支持向量回归(SVR)算法建立盾构竖向姿态预测模型;在此基础上,通过Sobol′敏感性分析法定量分析模型参数的全局敏感性。研究结果表明:模型预测结果与实际结果较吻合,证实了SVR模型在盾构姿态预测中的可靠性;得到了上下油缸推力差为最敏感因素,同步注浆的一阶敏感性较高,地质参数和几何参数的一阶、耦合及总阶敏感性均较高。

小净距三车道矩形顶管隧道施工扰动实测分析

依托嘉兴环线下穿南湖大道的1.2 m超小净距三车道特大断面类矩形顶管隧道工程,对实施过程中的管节内力、土压力、顶推力、竖向姿态及其引起的地表沉降等进行了现场实测分析。研究结果表明,双线矩形顶管在后实施隧道掘进过程中管节内力受姿态调整和润滑泥浆作用有所波动,临近隧道施工时前序管节内力存在削弱、增强再恢复的变化过程,最大钢筋应力约增加30%;与常规单线矩形顶管相比,施工引起的地表沉降呈现出较为扁平的peck沉降曲线特性,且最大沉降集中在始发井侧,随顶进距离增加呈现一定拖拽影响;南北线沉降差异主要因素为掘进竖向姿态控制,顶推力并未因小净距而出现较大差异。