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。

基于泥水平衡盾构掘进参数的PSO-BP神经网络掘进地层识别模型研究

为解决泥水平衡盾构机在掘进时无法准确地实时识别掘进地层的问题,以珠三角水资源配置工程为例,研究泥水平衡盾构机的盾构推力、掘进速度、刀盘转速、刀盘扭矩在不同地层下的变化规律,提出基于掘进参数的PSO-BP神经网络掘进地层识别方法,建立盾构推力、掘进速度、刀盘转速、刀盘扭矩4种掘进参数为输入集,地层编码为输出集的地层识别模型。工程数据的验证结果表明,该模型在珠三角水资源配置工程数据集上的掘进地层的识别准确率达99.07%,PSO-BP神经网络算法的识别准确率明显高于BP、RF、RBF、CNN等机械学习算法。

基于深度学习的盾构机土舱压力场预测方法

土舱压力是盾构机受力状态和掌子面稳定等核心问题中的关键因素。土舱压力具有显著的空间变异性,其形成演化机制源于装备与岩土之间的复杂耦合作用,与地质特征、掘进参数等多源参数相关。然而,现有土舱压力预测方法一般未考虑空间分布特征或地质参数影响。针对该问题,提出了一种基于空间分布物理特征函数导引深度学习的盾构机土舱压力场预测方法。该方法构建物理特征函数用于解耦土舱压力空间分布特征,采用卷积神经网络和门控循环单元分别提取多源参数历史信息的空间特征和特征系数的时序特征,结合多源参数实时信息对特征系数进行预测,从而实现土舱压力场的预测。以长沙地铁四号线某区段为案例,利用该方法准确预测了土舱压力空间分布实测数据,准确率高达0.98,验证了所提方法的有效性。敏感性分析表明,不同地层中土舱压力空间分布特征系数的主要敏感参数基本一致,但其敏感度随地层地质条件的变化规律差异显著,可为复杂地层盾构机土舱压力精细化调控提供参考。

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。

高压电缆半导电屏蔽材料双逾渗网络对电阻率稳定性的影响

半导电屏蔽材料是制造高压电缆的关键组分,但仍存在电阻率高及其稳定性差难题。基于此,该文提出构筑双逾渗网络结构思路,选择乙烯-丙烯酸丁酯共聚物(ethylene-butyl acrylate copolymer,EBA)和低密度聚乙烯(low density polyethylene,LDPE)作为基体、导电炭黑(conductive carbon black,CB)作为导电填料制备半导电屏蔽材料,系统研究半导电屏蔽材料结构演变规律,评价半导电屏蔽材料结晶行为、电学性能、力学性能、表面光洁度等关键性能。实验结果表明:EBA与LDPE质量比为6:4时,半导电屏蔽材料内部形成双逾渗导电网络结构,相比于常规分布结构,其23和90℃的体积电阻率分别降低46.7%和74.4%,对应的正温度系数(positive temperature coefficient,PTC)降低52.1%,表明具有良好的电阻率稳定性。此外,该半导电屏蔽材料还具有优异的力学性能和表面光洁度。该结果可为高压电缆半导电屏蔽材料开发提供一定理论基础与数据支撑。

基于数字孪生的盾构机换刀机器人监控系统

为解决当前盾构换刀机器人缺乏有效监控方式的问题,设计了基于数字孪生的盾构机换刀机器人监控系统。系统通过Unity3D仿真平台构建孪生模型,利用机器人运动学模型在实时数据驱动下映射物理实体的运动状态,实现换刀机器人可视化监控,并利用虚拟现实技术提高系统沉浸性和可交互性。同时,针对有限元仿真软件获取力学数据的方式耗时较长、难以满足监控系统实时性要求的问题,构建了基于BP神经网络的换刀机器人力学数据监测模型,可快速获取末端执行器的应力和形变数据以保证系统安全性。最后,开发了盾构机换刀机器人数字孪生监控系统原型样机,验证了所提监控系统的有效性和可行性。

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%.

BP神经网络的隧道沉降预测虚拟仿真实验教学

随着人工智能技术的快速发展,传统土木工程课程迫切需要转型,其中虚拟仿真实验教学是提高高校智能建造教学质量的重要环节。借助Matlab仿真软件,搭建多层逆向传播(BP)神经网络预测模型,开展地铁盾构施工过程中地表沉降预测,分析不同输入量及隐含层数量等因素对预测性能的影响。仿真结果表明:对单隐含层神经网络而言,建议输入量为1,隐含层数量在1~6之间;对于双隐含层神经网络,建议输入量为5,第1、2层隐含层数量在1~3之间;所建单/多层BP神经网络能很好地预测沉降变化趋势,为智能建造课程的虚拟仿真实验教学提供借鉴。

基于GA⁃BP模型的复合地层掘进参数研究

为探索混合花岗岩复合地层地质参数与盾构掘进参数的关系,依托东莞地铁1号线隧道工程,基于松山湖站—大朗站区间地质勘探数据与现场掘进数据,采用BP神经网络构建预测模型,并用遗传算法对模型进行优化,实现了从地层参数到掘进参数的预测。结果表明:通过数据预处理、遗传算法优化后,平均误差小于6%,最大误差小于25%,基本达到工程要求。通过遗传算法优化的BP神经网络模型预测掘进参数,可以很好地指导实际工程,对未来盾构机无人化、智能化施工提供参考。

基于混合深度学习算法的盾构运动轨迹实时预测

盾构运动轨迹偏移会造成管片错位及地面沉降等危害,本文提出了一种用于盾构掘进过程中轨迹偏差的实时预测深度学习模型。该模型将时域卷积网络(TCN)和控制门单元(GRU)结合起来,并引入注意力机制。首先利用小波变换去噪(WT)对盾构掘进过程中收集数据的噪声进行去除,通过TCN算法对输入的时间序列进行局部特征的提取,再采用GRU算法提取时间序列数据的长期依赖性特征,最后引入注意力机制,进一步增强模型对输入数据中重要信息的关注程度。以福州滨海快线第三标段为例,对本混合模型进行了验证,并与其他三种效果较好的深度学习模型进行比较。结果表明,该模型对盾构运动轨迹的预测精度高于其他模型,该预测框架为盾构掘进过程中盾构移动轨迹的实时预测提供了一种有前景的解决方案。

基于旁路接入的医院服务器漏洞屏蔽系统研究

目的:加强医院服务器漏洞全生命周期管理,防止黑客实施攻击。方法:基于医院现有网络架构,将漏洞屏蔽系统以旁路方式接入医院核心交换机,配置屏蔽策略,阻止漏洞扫描和利用行为,实现对漏洞的闭环管理。结果:服务器存在的中高危漏洞被屏蔽,外部探测获取不到中高危漏洞信息,极大提高了服务器的安全性。结论:基于旁路接入的医院漏洞屏蔽系统部署简单,实现方便,可为医院服务器管理提供参考。

使用CNN(卷积神经网络)-LSTM(长短期记忆)联合神经网络预测盾构隧道施工引起的地面沉降

[目的]地铁盾构隧道施工会引起周围地面沉降,影响周围环境。传统地面沉降预测方法难以综合考虑沉降影响因素,对此,为提高地面沉降的预测精度,使用CNN(卷积神经网络)-LSTM(长短期记忆)联合神经网络,对盾构隧道施工引起的地面沉降进行预测。[方法]以某地铁施工区间地面沉降监测数据为研究对象,使用CNN对影响参数(压缩模量、黏聚力、内摩擦角、泊松比、土层厚度、隧道埋深和施工参数)与地面沉降监测值进行连接,使用LSTM神经网络对地面沉降进行分析,建立了基于CNN-LSTM联合神经网络的地面沉降预测模型,探讨了同时考虑多个因素对地面沉降预测值的影响。[结果及结论]使用CNN对地面沉降相关的影响参数特征提取效果较好;所建CNN-LSTM模型的准确率比单独使用LSTM模型的准确率提高了3%、比传统BP(反向传播)神经网络模型准确率提高了9%;所建CNN-LSTM模型,对单测点短时间地面沉降预测准确率达到93%,预测值与监测值吻合较好。

基于机器学习的盾构施工地表沉降预测方法研究

对长短期记忆网络(LSTM)模型进行了网络结构优化改进,依托几何参数、地质参数和掘进参数等多源数据进行了特征提取,深入分析了隧道盾构施工引发的地表沉降,并对比分析了BP神经网络模型和LSTM模型的预测精度。分析结果表明:LSTM模型相较于BP神经网络模型具有更好的预测能力,与实际工程监测数据更加吻合;在施工过程中,可利用模型预测数据对地表沉降变形提供超前预警,通过调整盾构掘进参数来实现地表变形控制。相关研究结论可为类似盾构施工地表沉降预测提供参考。

基于ABC-BP神经网络的地铁盾构隧道地层识别及复合比预测

为研究盾构掘进过程中掘进参数与地层情况的关联性,建立盾构掘进过程中的机-岩关系,依托南京地铁6号线某盾构施工区间数据进行复合地层下掘进参数的统计分析。首先,利用掘进参数与地层的相关性,采用人工蜂群算法优化的BP神经网络,建立可根据掘进参数识别开挖面地层并描述复合地层组合情况的ABC-BP神经网络模型;然后,针对盾构区间进行地层识别和区间内2种复合地层的复合比预测。结果表明:1)盾构掘进参数的波动范围与均值随开挖面所处地层变化,且依地层不同呈现一定规律性;2)地层类别预测结果表明,模型对上软下硬地层、中风化泥质砂岩、粉质黏土的识别召回率分别为94.1%、96.6%、96%,总体识别准确率为95%;3)针对复合比的预测结果表明,相较于其他机器学习模型,ABC-BP模型的平均绝对误差、均方根误差均减小且样本回归值提升,在预测精度和预测稳定性方面具有一定的优越性。

基于人工蜂群优化小波神经网络的深基坑开挖对既有盾构隧道变形的预测分析

小波神经网络在对数据预测方面存在收敛速度慢、极易陷入局部最优的缺陷,人工蜂群算法全局寻优能力强、收敛速度快,但其本身也存在寻找到最优解时速度变慢以及后期寻优能力弱的缺点。本文利用人工蜂群算法对小波神经网络进行优化,建立ABC-WNN分析模型,并依托基坑工程实例,对基坑开挖引起的盾构隧道变形量进行预测分析,并将结果与单一的BP神经网络模型、WNN模型进行均方差以及平均绝对误差对比。结果表明:(1)ABC-WNN模型预测值与实际工程数据拟合程度高,相对误差最大仅为2.41×10^(-5),表明该模型预测功能较为可靠;(2)ABC-WNN的各项统计学特征均为最低,分别为0.557和0.563,人工蜂群优化后的小波神经网络模型对变形量预测精度更高、计算稳定性更好、收敛速度更快。研究成果可为类似工程的盾构隧道变形预测提供一种新途径。

基于网络层次分析法的地铁盾构隧道渗漏水风险灰色模糊综合评价

地铁盾构隧道中的渗漏水问题不仅会破坏地铁线路,还会引起隧道变形等病害。为探究地铁盾构隧道渗漏水原因,建立科学有效的防范措施,以现场调研为基础,结合网络层次分析法与灰色模糊综合评价法,通过分析渗漏水原因,构建盾构隧道渗漏水风险指标体系,建立基于ANP的灰色模糊综合评判模型,并以郑州某地铁区间项目为例,对盾构隧道渗漏水进行综合评价。结果表明:盾构隧道渗漏水的主要影响因素包括密封垫老化和不良的地下水环境及隧道覆水深度。所建立的评价模型能够准确评估城市地铁盾构隧道工程的渗漏水风险,为城市地下交通渗漏水风险的综合评估提供了一种新的思路和方法。

基于自主纠偏算法的隧洞盾构机施工掘进姿态控制方法

隧洞盾构机掘进施工过程中,单一的姿态调节参数保持固定不变,使得构机施工轴线偏差较大。因此,提出基于自主纠偏算法的隧洞盾构机施工掘进姿态控制方法。运用三角网格算法,对隧洞施工空间环境地图进行剖分处理,建立掘进空间栅格地图;在栅格地图中分析每个盾构单环掘进的线性位移过程,获取盾构机施工掘进具体姿态。与期望施工掘进姿态进行对比,计算出当前盾构机施工位姿偏差,结合PID控制算法和BP神经网络,设计新型自主纠偏算法,根据实时位姿偏差,自适应调整姿态调节参数,实现盾构机施工姿态纠偏控制。算例测试结果表明:新研究控制方法应用后,盾构机施工的轴线偏差不超过10mm,满足了掘进姿态控制标准要求。

Predicting the composition of flux-cored wire claded metal by a neural network

In this paper, an artificial neural network method that can predict the chemical composition of deposited weld metal by CO 2 Shielded Flux Cored Wire Surfacing was studied. It is found that artificial neural network is a good approach on studying welding metallurgy processes that cannot be described by conventional mathematical methods. In the same time we explored a new way to study the no equilibrium welding metallurgy processes.

基于神经网络的双模盾构复合地层掘进参数预测模型

依托深圳市轨道交通12号线怀德站-福永站区间隧道工程,基于EPB/TBM双模盾构穿越地质参数和现场掘进监测数据,采用BP神经网络方法建立双模式盾构掘进参数预测模型,分别对地层参数及掘进模式进行量化,将刀盘扭矩、刀盘转速、螺旋机转速、总推进力、隧道埋深、围岩等级、岩石单轴饱和抗压强度及不同掘进模式作为输入参数,预测出在不同掘进模式及不同地层条件下的设备掘进速率,针对3类典型地层的预测结果进行可视化分析验证,并对预测模型精度进行改进分析。结果表明:神经网络预测模型在TBM模式下的微风化段平均相对误差为8.6%,EPB模式下的强风化段平均相对误差为10.6%,EPB模式下的中风化段平均相对误差26.2%;该模型对强风化段及微风化段等地层强度变化较为稳定的地层预测精度较高,同时,该预测模式适用于22个隐层神经元并对掘进速率采用直接放缩的方法。

基于循环神经网络的盾构施工参数全局敏感性分析

依托杭州地区淤泥质黏土地层中某盾构隧道工程,利用循环神经网络建立盾构隧道施工引发地表最大位移的预测模型,基于该预测模型和Morris方法分析地表最大位移对各个施工参数变化的全局敏感程度,以探究影响盾构掘进引发地表最大位移的主导因素。研究结果表明,建立的循环神经网络预测模型对地表最大位移的预测效果良好;盾构隧道掘进过程中的同步注浆压力是影响地表最大位移的主导因素,因此施加合适的注浆压力是控制地表最大沉降和隆起量的关键。研究成果可为实际盾构隧道工程中的地表变形控制提供有益参考。