灰色GM(1，1)模型预测沉降的局限性分析

考虑现场沉降监测数据的不等时间间隔性及数据的不断更新性,建立了不等时距等维新息GM(1,1)沉降预测模型并研发了相应的预测程序RIID,将其应用于实际工程的沉降预测,验证了预测模型合理性和程序的可行性。分析了实测数据时间间隔和预测步数对GM(1,1)模型预测精度的影响。结果表明:数据时间间隔相差太大,将导致模型失真;GM(1,1)模型只能进行短期预测,若要预测未来较长时间内的沉降,必须有新增数据,这就使得该模型在实际工程中的应用受到限制。

灰色理论预测沉降在软基加固中的应用

在软基上修筑路堤,减少软基土的不均匀沉降是工程实际的切实需要。因此,提高沉降计算的可靠度是十分重要的。但是 用传统的固结理论分析方法求解的沉降值,不能完全符合实际情况。将GM(n,h)灰色理论模型应用于沉降预测中,并与实测值、理论 公式、经验公式计算值进行对比总结,灰色模型计算结果与实测值吻合较好,而理论计算结果较实测值大。由此给出了采用《规范》 法求最终沉降量时的建议值,以期确定出一个较合理、适用的修正系数。

应用灰色模型预测沉降的一种改进方法

软基工程沉降预测一直是很重要的土工问题.运用灰色理论结合三次插值样条函数建立等时距GM(1,1)模型,对软土地基的沉降进行预测,用MATLAB语言编制了相应的计算程序.通过工程实例对模型进行验证,结果表明,预测精度较高,合理可行.该方法可以为施工提供参考.

Logistic曲线预测沉降一种改进的求解方法

地基的全过程沉降量与时间的关系呈S形曲线,可用Logistic生长模型来描述。对模型参数的求解常用的三段法方法存在方法本身的缺陷,为此我们提出了非线性回归微分建模方法来求解模型参数,该方法具有一定的实用价值。

基于多源数据融合预测沉降的方法

基坑施工过程中主要有地表沉降、地下管线沉降、锚杆应力、支护桩顶位移、支护桩体位移5项沉降监测项目,因此,沉降预测对评价基坑稳定性至关重要。由于5项监测项目之间互相关联、互相影响,因此,可通过灰色模型GM(1,N)融合其他几种监测项目的多源数据,实现对沉降数据的预测。通过实例计算,基于灰色模型GM(1,N)融合多源数据的方法适用于地下管线、锚杆应力和支护桩身3种数据的沉降预测。

老采空区地表沉降预测合理监测模式分析

为研究老采空区沉降监测数据时间间隔对预测精度的影响,本文利用某老采空区地表沉降监测点实测沉降数据,在等时间间隔、非等时间间隔两种情况下建立两种方案、六种沉降预测模式,采用长短期记忆神经网络(LSTM)预测模型对老采空区地表沉降进行预测,以平均绝对误差(MAE)和平均绝对百分比误差(MAPE)作为评价指标,分析不同时间间隔监测数据对预测精度的影响。结果表明,在总监测时长不变的情况下,预测精度随平均监测间隔时长的增长呈先增高后降低的趋势,即并非监测间隔越短,预测精度越高,而是在相应监测间隔范围内存在预测精度最优值。研究成果可为老采空区监测方案设计及沉降预测模式提供借鉴和指导。

高铁桥墩沉降的通用渐进分解长期预测网络模型

高铁桥墩不均匀沉降是导致轨道不平顺的潜在原因之一,准确预测桥墩沉降对于确保铁路建设和运营的可靠性和安全性具有重要意义。目前,常规时间序列领域的多数预测模型仅在预处理良好且没有缺失的数据集上进行测试,而在高铁桥墩沉降的真实场景中,沉降数据相较于其他领域存在观测频次少且不等时距,以及沉降规律复杂多变的问题,造成长期预测困难。为此,本文提出一种高铁桥墩沉降的通用渐进分解长期预测网络(GPDLPnet),摒弃传统的预处理思想,将预处理过程嵌入网络结构,在网络训练过程中实现渐进预处理。首先,GPDLPnet在每轮迭代中利用改进对角掩码自注意力模块分析沉降数据中的缺失模式。然后,通过改进完全自适应噪声集合经验模态分解模块将沉降数据分解并重构为高频、低频和趋势子分量,将子分量作为BiLSTM-RSA-Resnet预测模块的特征输入。最后,输出递归预测结果,从而实现高铁桥墩沉降的长期预测。结合实际工程数据,将数据划分为高频观测和低频观测两类典型的观测模式进行试验,在3~4个月的预测中GPDLPnet均表现出良好的预测性能,并在精度指标上优于其他7种模型。

基于协同降噪与IGWO-SVR的高填方路基沉降预测

高填方路基沉降影响山岭重丘区重载铁路运营安全。为克服实测沉降数据掺杂随机噪声、现有预测模型适用性差的不足,提出基于协同降噪算法与IGWO-SVR模型的沉降预测方法。运用互补集合经验模态分解法(CEEMD)与小波包变换法(WPT)对含噪沉降数据进行协同降噪处理;提出基于佳点集初始化均布、非线性收敛控制与自身历史最优记忆位置更新的改进灰狼优化(IGWO)算法,并结合支持向量回归模型(SVR),构建IGWO-SVR沉降预测模型。进一步地,利用大准铁路工点及现有文献研究成果,验证IGWO-SVR模型的优越性。结果表明:协同降噪法可有效消除原数据中噪声项的干扰波动;在小样本数据集上,IGWO-SVR模型较传统沉降预测模型与现有文献所述预测模型,具有更高的预测精度与稳定性。研究成果为重载铁路高填方路基沉降预测提供了新途径。

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。

软土地基分级堆载预压沉降预测方法

为了准确预测分级堆载预压条件下软土地基的沉降,对Asaoka法进行了改进.考虑土体固结系数随荷载的变化,对沉降预测线的斜率进行了修正,并给出了预测线截距的预测计算方法.改进的Asaoka方法考虑了固结应力对固结系数的影响和土体固结的非线性.通过室内固结试验和现场监测,验证了改进方法的可靠性.结果表明,固结系数C_(v)不是常数,它满足与固结压力P的关系C_(v)=aln(blnP),拟合良好,误差小于5%.不同应力水平下的沉降预测线并不平行,与原始的Asoaka方法相比,改进方法误差率较低.改进的Asaoka方法比传统方法具有更高的预测精度,能够可靠地预测分级堆载预压过程中软土地基的沉降.

基于优化BP神经网络的复合路基沉降预测

为准确预测CFG桩复合路基的沉降,以观测时间、累计填土厚度、软土层厚度、软土压缩模量和桩长为输入变量,基于MATLAB平台,构建网络结构为5-5-1的BP预测模型,并用粒子群算法和遗传算法分别进行优化,再以肇庆市桥北路新建工程的实测数据进行仿真,将两种优化模型和普通BP模型的预测性能进行对比。结果表明:使用PSO-BP和GA-BP预测模型预测CFG桩复合路基的沉降是可行的,且预测精度高,预测结果明显优于普通BP沉降预测模型。本文成果可为复合路基的沉降预测提供一定的借鉴与参考。

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%.

基于灰色系统的深厚软基上部路堤沉降预测研究

为有效预测某深厚软基上部公路路堤的沉降趋势,在部分监测数据的基础上,采用灰色系统预测模型GM(1,N)对沉降进行预测分析,并与有限元法和分层沉降计算法的结果进行对比.结果表明:有限元分析的结果在总体趋势上与现场监测数据差异较大,理论计算只能提供最终沉降量的预测,无法满足施工阶段性变形预测要求,而GM(1,N)模型对短时间段内的路堤的沉降有较好的预测效果,时间较长时,预测数据将偏大.

基于小数据集建立盾构施工地表沉降预测模型的方法研究

为减少隧道施工过程中的地表沉降,通过小数据集建立盾构施工地表沉降预测模型,利用随机森林-遗传算法(Random Forest-Genetic algorithm,RF-GA)对有限元-地表沉降数据集进行训练,建立地表沉降预测模型,从而有效预测实际工程盾构掘进过程导致的地表沉降。

基于HGWO-SVR模型的竖向受荷斜坡桩基沉降预测

采用灰色关联分析深入研究了竖向荷载作用下斜坡桩基沉降的关键因素,各因素影响程度由大到小排序为:弹性模量>临坡距>斜坡坡度>内摩擦角>黏聚力>土体密度>土体泊松比>桩长>桩径。为优化支持向量回归(SVR)模型参数,引入差分进化,建立混合灰狼算法(HGWO),提出了一种新的HGWO-SVR模型。该模型与GWO-SVR和GS-SVR模型相比,表现出更显著的预测优势,整体预测精度高,误差较小。基于HGWO-SVR模型构建了斜坡桩基沉降的预测模型,并将其预测结果与已有沉降计算公式计算结果进行对比,结果表明,HGWO-SVR模型预测结果与公式计算结果最大误差为6.55%,验证了该模型在斜坡桩基沉降预测方面的可行性。

宁波软土地区地铁联络通道冻结法工后长期运营沉降预测研究

宁波地区主要以海相淤泥质黏土或淤泥等软土为主,此类土具有含水量大、压缩性高、承载力低的特性,地铁围岩开挖施工面临垮塌、变形问题,冻结法施工往往是处理上述问题的有效方法。然而,地层解冻后注浆作业不及时、注浆效果差极易导致地层沉降,所以需要对地基沉降进行长期监测。为更好考虑软土地基下的隧道安全,以宁波句章路站-鄞州客运总站站-南部商务区站区间盾构隧道为例,采用冻结法对宁波句章路站-鄞州客运总站站区间1#联络通道进行施工,开展冻融工后联络通道长期运营沉降预测研究,并通过三维有限软件MIDAS/GTS建模,对其冻融沉降进行计算分析。根据布点及实时观测,对隧道及句鄞区间盾构隧道及1#联络通道开挖施工期间的结构沉降变形及长期运营沉降变形进行预测,预测结果与监测数据基本一致,对于软土地基冻融处理具有重要工程意义,同时也可为相关工程提供借鉴。

基于GBDT-PSO混合算法的隧道地表沉降预测与控制方法研究

为提高隧道掘进过程地表沉降的预测效果,提出了一种基于梯度提升回归树-粒子群(Gradient Boosting Decision Tree-Particle Swarm Optimization,GBDT-PSO)混合算法的隧道地表沉降预测与控制方法,通过选取深圳市某城市轨道交通区间施工的隧道线路数据,采用GBDT-PSO算法进行地表沉降预测。结果表明:GBDT-PSO混合算法可有效预测地表沉降值,通过调整刀盘扭矩值有效控制地表沉降。

基于SBAS-InSAR和CNN的地面沉降监测与预测分析

本文以天津市津南区为研究对象,运用SBAS-InSAR技术和48景Sentinel-1A SAR数据对该区域2021年1月—2023年5月地面沉降特点开展研究。同时,对发生于2023年5月31日津南区八里台镇沉降事件的SBAS-InSAR监测数据进行分析,探讨地面沉降预测对灾害防治的重要性,并建立适用于城市地面沉降预测的CNN沉降预测模型。结果表明:(1)津南区90%以上的区域地面沉降处于稳定状态,地面形变保持在-9.67~9.04 mm/a之间,在八里台镇澜海庄园区域存在沉降漏斗,该沉降漏斗出现与近几年城市新建基础设施有关,随着城建逐步完成,后期将逐步趋于稳定。(2)津南区在2023年3月开始,地面沉降呈现出快速增加的趋势,建议相关部门加强对该地区的沉降监测。(3)基于津南区八里台镇沉降事件发生前地面沉降监测数据发现,积极开展城市地面沉降监测对防灾减灾具有重要意义。(4)CNN沉降预测模型相较于其他预测模型,具有更加优异的预测精度和拟合度。

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。

基于TCN与SVM组合模型的建筑沉降预测

针对基坑周边建筑沉降序列随时间和因其他影响因素呈现的非平稳性变化特征,提出一种基于TCN与SVM的短期沉降组合预测方法。该方法利用串联组合的方式,将沉降序列看作自相关的时间序列和受外界影响的非线性部分的组合,再利用TCN与SVM模型对两部分分别进行预测,最后将两部分叠加后得到沉降数据预测结果。结果表明,TCN-SVM组合预测模型能够很好地跟踪建筑沉降变化,其预测精度比单一SVM模型提高10%~20%,可有效提高短期建筑沉降预测精度。