考虑蠕变性状的港区软土地基参数反演和长期沉降预测

结合上海某集装箱码头建设项目,针对本工程深厚淤泥质黏土的场地条件,引入Mesri蠕变模型考虑堆场地基的长期蠕变变形。利用施工期和工后短期实测分层沉降资料,由最小二乘法建立目标函数,运用分层迭代反演方法反演得到各软土层的黏弹性参数;将反演得到的土层参数代入自行编制的沉降计算软件,计算得到地基沉降量,并将计算值与实测值进行对比,对比结果证明了参数反演的可靠性;利用反演得到的土层参数对工后的长期沉降进行了预测,为本工程的安全运营提供了指导。

基于实测数据的地铁隧道长期沉降预测模型研究

基于上海地铁二号线的实测沉降数据,运用遗传算法(GA)和粒子群算法(PSO)对传统BP神经网络进行了优化,以弥补BP神经网络在网络结构、权值和阈值选择上的随机性以及容易局部收敛等缺陷,据此提出了两种新型隧道长期沉降预测模型,即GA-BP神经网络和PSO-BP神经网络模型;并对比研究了经验曲线、BP神经网络、GA-BP神经网络以及PSO-BP神经网络等模型方法的优缺点及预测效果.研究发现,以上各神经网络模型均取得了较为满意的预测结果,其中PSO-BP神经网络模型的预测精度最佳,且运算速度最快,是文中所提方法中最适用的盾构隧道长期沉降预测模型.

轨道交通长期沉降的预测

轨道交通长期沉降的预测对轨道交通运行安全具有重要意义,对城市规划也起到重要作用。从交通轨道所处的地质环境入手,通过对该地的工程地质条件总结以及区域内地面下沉特质分析,找出影响轨道交通长期沉降的风险因素与沉降间的关系,从而建立沉降的评估体系,经过一系列精密计算得出评估结果从而找出解决措施,由此提前预测到轨道交通沉降现象,起到降低轨道交通的运行危险以及节省人力物力的目的。

高路堤长期沉降组合预测

高路堤沉降问题一直是公路建设领域的重要课题。在实践中,往往利用某种预测模型对高填方长期沉降进行预测,但单一的预测模型局限性较大。为了克服单一预测模型的不足,本文基于干沟高路堤现场实测沉降数据,采用组合预测模型预测高路堤长期沉降,并将预测数据与实测数据进行对比。结果表明组合预测模型比单一模型预测的绝对误差平方和更小,更符合实际高路堤长期沉降的变形规律。

一种Logistic函数和残差GM(1,1)的加权预测模型及其沉降应用

鉴于传统GM(1,1)模型在中长期预测中容易产生较大偏差,设计了一种Logistic函数与残差GM(1,1)加权混合的预测模型,并利用实测的高铁沉降数据将加权混合模型和两种传统模型进行实验对比,以检验预测质量的提升效果。结果显示Logistic函数和迭代残差GM(1,1)加权预测模型在中长期预测中相对单独使用残差GM(1,1)模型和Logistic模型具有更高的预测精度和稳定性,在中长期沉降的预测中有很好的应用前景。