基于GA-BP神经网络水下隧道涌水量预测及应用

根据有关水下隧道渗流涌水影响因素的研究成果及预测涌水量时选择影响因素的准则,确定了用于预测水下隧道涌水量的6个影响因子。分析了遗传算法与BP神经网络结合的可行性,并利用遗传算法优化BP神经网络的权值和阈值,从而建立了多影响因子的 GA-BP神经网络预测模型,其收敛性能好、简单可行。通过比较GA-BP神经网络和经典BP神经网络模型的预测结果,验证了前者改良了后者的局限性并提高了预测精度。     

基于遗传算法和极限学习机的智能算法在基坑变形预测中的应用

为解决传统智能算法网络结构参数复杂、运算速度慢等问题,基于遗传算法和极限学习机构建基坑变形的新型优化智能预测模型。先利用皮尔逊相关系数评价不同影响因素与基坑沉降变形之间的相关性,以确定极限学习机的输入层; 再采用试算法确定最优激励函数和隐层节点数,并将遗传算法和极限学习机耦合,利用遗传算法优化极限学习机的初始权值和阈值,以提高预测精度。经实例检验表明： 1)开挖时间、开挖深度、土体抗剪参数及重度均与基坑沉降变形显著相关,为构建极限学习机输入层提供了依据; 2)在预测过程中,激励函数和隐层节点数对极限学习机的预测效果具有一定的影响,以Sigmiod型激励函数和13个隐层节点数的预测效果为最优; 3)通过遗传算法的优化,能进一步提高预测精度,验证了遗传算法的优化能力和有效性。预测模型在不同工况下的预测结果均较优,说明该模型具有较高的稳定性和可靠性。     

基于数量化理论Ⅲ和极限学习机在小净距隧道变形影响因素分析中的应用研究

为实现小净距隧道变形影响因素的定量评价,保证隧道变形规律的有效分析,采用数量化理论Ⅲ对小净距隧道的变形影响因素及其耦合性等进行定量分析,并利用极限学习机构建隧道变形预测模型,以验证前者分析结果的准确性。实例分析结果表明： 隧道变形的主导因素有围岩重度、变形模量、泊松比、内摩擦角和黏聚力,重要因素有围岩剪胀角、隧道埋深、喷射混凝土厚度、锚杆长度及隧道间距,而隧道围岩侧压力系数为一般因素; 隧道变形影响因素间存在耦合性,且分析样本4、6、16、18的耦合度高,其余样本的耦合度均为低; 另外,极限学习机的预测结果表明一般影响因素会减弱变形影响因素与变形值间的关联性,对变形规律分析不利,这与变形影响因素分析成果一致,且极限学习机对各监测项目的变形预测效果均较好,验证了该方法在隧道变形预测中的适用性和可靠性。     

基于优化FAHP-TOPSIS法的高压富水花岗岩断层涌水预测

隧道穿越花岗岩断层带施工的最主要灾害为高压富水体的突涌，其危险性极高且破坏力巨大。为有效解决理论计算、模型试验、数值模拟等方法中隧道涌水量预测值与实际值存在较大误差的核心问题，从系统辨识工程地质、水文地质和施工设计3方面共13个独立的花岗岩断层涌水致灾影响因素入手，提出基于优化FAHP-TOPSIS法的隧道断层涌水精细预测方法。该方法的创新在于采用平均优势度进行模糊层次分析法（FAHP）的判断矩阵优化，能解决传统FAHP法排序互斥而导致权重分配失衡的问题；同时，采用逼近理想解排序法(TOPSIS)替代模糊综合评价法，避免模糊综合评价法依赖大量样本数据及模型训练冗余的问题，能极大提高隧道涌水预测精度。并将优化FAHP-TOPSIS法应用于涌水预测实例中，实现6处断层涌水区段涌水等级及涌水量的精细预测。预测结果表明： S1、S4、S5、S6区段存在中等涌水风险，S2、S3区段存在大涌水风险； 6处断层涌水区段预测涌水量与实际涌水量的最大相对误差为14.8%，平均相对误差为8.87%，满足工程准确预测精度要求。     

断层破碎带隧道突涌水灾害风险等级评价研究

为了准确评价隧道突涌水灾害风险等级,以降低隧道施工过程中突涌水事故的风险,依托海南五指山隧道进行风险等级评价研究.通过文献调研确定断层破碎带隧道突涌水灾害影响因素及评价指标,在专家打分的基础上,采用AHP_熵权法得到指标权重,进而通过模糊综合评价方法确定灾害发生概率等级.调研归纳给出隧道最大集中涌水量与灾害后果等级的对应关系,最终根据灾害发生概率等级和灾害后果等级确定隧道突涌水灾害风险等级.将建立的风险等级评价方法应用于五指山隧道,评价结果与隧道实际突涌水情况一致,验证了该方法的合理性及可行性,为断层破碎带隧道突涌水灾害风险定量评价提供了有效途径.     

隧道涌水预测方法的研究

论述了隧道涌水量预测的基本思路、基本原理与方法,提供了基于双孔介质模型的隧道涌水量及非均质各向异性裂隙含水围岩隧道涌水预测的基本公式,对隧道施工过程中涌水量的预测具有一定指导意义。     

白云驿隧道涌水处治措施研究

隧道涌水是影响隧道安全的重要因素,为分析在建隧道涌水特点及原因,提出相应的治理措施,本文依托在建白云驿公路隧道工程,研究隧道涌水的基本特征、形成条件和成因机制;采用数值模拟分析隧道涌水对围岩位移的影响;结合现场涌水量观测数据,对比分析两类数据,针对隧道建设过程中的涌水问题,提出"以排为主,排堵结合"的处治方案;结合隧道的涌水特征采用"水泥-水玻璃"双液浆进行注浆设计,通过注浆处治前后隧道涌水量的对比,评价了双液注浆效果。研究结果可为类似条件下隧道施工中的涌水处理提供参考。     

灰色理论预测隧道涌水与实例分析

影响隧道涌水的因素具有灰色特征.介绍采用灰色理论对新寨隧道的涌水进行验证.首先,采用一次累加生成的方法对数据进行预处理;其次,建立GM(1,1)预测模型,并对模型进行后验差的检验;最后,研究了不同涌水监测样本量对预测结果的影响.结果表明:预测值和实际值总体上一致;监测样本量越大,预测精度越高.     

灰色控制理论在隧道涌水中的应用

应用灰色系统理论GM预测模型的改进模型,对一座隧道开挖过程中一处溶腔几个月的涌水数据进行拟合,建立了GM-MM模型,最后预测了后几个时序的涌水量。经计算数据检验,拟合程度较好,模型的预测精度较高,方法适合于灰色特征数据的隧道涌水量预测。     

基于混沌递进预测模型与趋势检验的深基坑变形规律研究

为提高基坑变形预测精度及稳定性,首先,利用遗传算法优化BP神经网络的结构参数,再将参数优化后的BP神经网络与灰色模型结合,构建出GA-BP神经网络模型,并利用该模型实现基坑变形序列的初步预测; 其次,基于残差序列的混沌特性,再利用混沌理论进行残差优化,进一步构建考虑混沌特性优化的GA-BP神经网络模型; 最后,将SR检验引入到基坑变形趋势判断中,以检验预测结果的准确性。实例检验表明： 通过遗传算法及混沌理论的递进优化,能逐步提高预测精度,验证文章预测模型的有效性,且预测结果与SR检验结果的一致性较好,说明该预测模型的可信度高。     

大相岭隧道涌水预测数值模拟分析

隧道作为地下建筑物,修建过程中不可避免地穿越不同水文地质体。涌水是隧道施工中常见的地质灾害,同时也是其它很多地质灾害的主要诱因之一,如突水、突泥、翻浆冒泥等等,对隧道工程的涌水量预测具有重要的实际意义。以雅安至泸沽高速公路大相岭泥巴山隧道为研究对象,以地质及水文地质分析原理为基础,建立数值模拟模型,对隧道涌水特征和涌水量进行预测。分析结果:隧道整体涌水量为41 366 m3/d,在主要断层处最大涌水量可达3 100 m3/d,在断层段施工,要提前采取措施严加防范,保证安全。     

海底隧道修建中注浆加固圈参数研究

海底隧道开挖时采用注浆加固措施,可显著减小隧道涌水量、降低衬砌背后水压力,而其关键在于合理地确定注浆圈参数。通过理论计算和分析,得出注浆圈参数变化对隧道涌水量的影响规律;利用安全系数法,采用Flac软件对围岩稳定性进行数值模拟分析,得出围岩稳定的安全范围。在此基础上提出应从隧道涌水量的大小和围岩稳定性2方面综合考虑确定注浆加固圈的参数。     

基于多变量的集成预测模型在隧道拱顶沉降变形预测中的应用

隧道拱顶沉降是多种因素共同作用的一个十分复杂的过程,很难用数学模型进行精确计算。实际施工过程中,围岩情况经常发生变化,为满足设计要求,必须严格控制隧道拱顶沉降。传统的预测模型都只是利用拱顶沉降监测数据建立单变量模型进行拟合并预测。隧道开挖过程中,拱顶变形所受影响因素较多,导致监测数据序列中常常出现离散型较大的数据,单一变量模型预测精度受这些离散数据的影响较大,而且筛除离散型较大的数据会直接影响模型预测精度,因此单一模型只能对拱顶沉降量做粗略的估计。针对这一问题,根据隧道变形的同时性和内在相关性,利用拱顶变形监测数据和同期两侧收敛变形监测数据构建带输入变量的时序模型、GM(1,2)模型和BP模型分别对拱顶沉降变形进行预测,并运用实例验证了所建模型的有效性。通过对两种模型的预测精度进行对比可知,单一变量的时序模型只能对变形的趋势作出预测,预测精度较低,难以对拱顶沉降进行有效预测,而单一变量的GM(1,1)预测模型则完全失效。为了避免单一模型自身的缺陷导致预测精度降低,同时使不同模型间优势互补,本研究建立了基于以上3种带输入变量模型的集成预测模型,其加权系数采用熵值法确定;最后将该模型运用于宝汉高速白庙子隧道中进行检验,结果表明该集成模型更有效,预测精度更高。     

基于交互式BP-UKF模型的短时交通流预测方法

城市路网具有功能多样、组成复杂、交通量大、交叉口多等特点。优化短时交通流预测模型能够增加交通状态判别的精准度,有利于市民预知交通出行信息,为交通诱导措施的发布提供数据支持,免陷入拥堵困境。针对目前短时交通流预测模型优化过程中出现的模型适应性差,使用条件要求高、单一模型无法准确地描述交通流在不同时段内的变化规律等因素造成短时交通流预测精准度低的问题,采用Kohonen神经网络对交通流数据进行聚类分析,令聚类得到的不同交通流模式下的交通流数据作为训练多个不同BP神经网络模型的输入,将不同神经网络模型与无迹卡尔曼滤波结合组成多个交通滤波器,完成交通流量的非线性预测与在线校准,最后使用交互式方法融合各估计器预测结果得出综合交通流预测结果。仿真实例构建了多个估计器和1个基于该方法的联合估计器,将以上各个估计器用于某断面的流量预测中,验证了几类估计器的流量预测性能。试验结果表明:该方法搭建的联合估计器在各种交通模式下较单估计器的预测准确性均有所提高,且在交通流遭遇多因素影响下发生特征变化时表现出一定的自适应性;相比于传统系统预测模型,大大降低了对训练数据量的要求,取得了较为满意的短时交通流预测效果。     

黄土公路隧道防排水结构型式研究

文章在分析气温、冻深、地层岩性与地质构造、隧道涌水量、涌水类型、施工方法、衬砌结构等影响黄土公路隧道防排水结构设计因素的基础上,提出了适用于黄土公路隧道的3种防排水结构型式:防渗滴涌水型结构、防淋淌涌水型结构、防股流涌水型结构,并详细分析了3种防排水结构型式的适用条件及防排水结构构成,最后通过工程实例验证了其适用性。     

基于AHP-理想点法的隧道突泥涌水风险评价

为实现对隧道突泥涌水风险的有效管控,减少因这种灾害带来的损失,采用AHP-理想点法建立了隧道突泥涌水风险等级的评价模型,分析了雅叶高速公路折多山隧道发生突泥涌水风险的等级.首先,通过分析影响隧道突泥涌水的各种因素,将不良地质、地层岩性、水力条件和人为因素作为一级指标,构建了一个多层次的隧道突泥涌水风险评价指标体系,并采...     

基于SSA RX-N A RX模型的短时交通流预测

为了提高短时交通流的预测精度,向出行者提供更加准确可靠的道路交通信息,在充分考虑交通系统非线性特征的基础上,提出了基于SSARX-NARX的短时交通流预测模型.该模型以NARX作为短时交通流预测基础模型,采用SSARX方法建立了短时交通流预测状态空间模型并估计了模型参数,然后将估计出的状态空间模型的系统阶次和马尔科夫参数的值分别作为N A RX基础预测模型线性部分的初始参数值,优化后构造了SSARX-NARX预测模型.利用PeMS数据库的交通流数据,验证了SSARX-NARX模型的预测性能,比较了SSARX-NARX模型与SSARX模型的预测精度.结果表明,SSARX-NARX模型可以实现1步和多步短时交通流预测,并且针对5步和10步短时交通流预测,SSARX-NARX模型的MAPE值分别比SSARX模型小0.76% 和2.4%,而针对1步交通流预测,SSARX-NARX模型的MAPE值比SSARX模型大0.13%,但相差不大.      

基于道路环境因素的公路隧道交通事故预测

为提高公路隧道交通事故预测准确率，以西汉高速秦岭某隧道群的496起交通事故作为研究对象，对影响公路隧道交通事故预测的道路环境因素进行相关性分析，针对不同预测类别选定具有显著影响的主要变量，通过贝叶斯模型、随机森林模型、BP神经网络模型和支持向量机模型分别对公路隧道交通事故形态、严重程度、伤亡情况和持续时间进行预测，根据准确率和稳定性确定出最优预测模型。研究结果表明： 1）随机森林模型在预测公路隧道交通事故形态时最为可靠，准确率约为84%； 2）在对公路隧道交通事故严重程度和伤亡情况进行预测时可优先考虑贝叶斯模型，其对重大或特大事故的预测准确率高达50%； 3）选择随机森林模型作为公路隧道交通事故持续时间的预测模型，绝对误差为20 min时模型准确率将超过70%。     

长深隧洞突涌水危险性等级指标及评价方法

长距离、大埋深已成为未来隧洞工程的新特点,其中突涌水问题是制约此类工程开挖进度的关键因素之一。陕西省引汉济渭秦岭输水隧洞越岭段长81.8 km,最大埋深2 000 m,地质构造复杂,因此以该工程为背景研究长深隧洞突涌水灾害等级评价问题具有重要的科学价值和实用价值。在分析大量地下洞室突涌水灾害的基础上,针对长深隧洞突涌水的孕灾环境,遴选了地层岩性、岩层产状、不良地质、地表汇流条件、隧洞底部水头压力、可溶岩与非可溶岩接触带、层面（间）节理裂隙与地表河流规模结合度7大指标,采用打分法描述指标致灾因子的致灾程度,构建了长深隧洞突涌水灾害危险性等级评价指标体系,运用模糊层次分析法构建指标间的判断矩阵,用最大特征根法求取每个指标的权值,通过对评级层建立云模型,使综合评价等级的隶属度更加客观,形成了一种长深隧洞突涌水灾害危险性等级评价方法;并建立了突涌水危险性等级与单点最大突涌水量范围之间的对应关系,可在初期设计阶段预测突涌水量范围。结果表明：秦岭隧洞已开挖段（约60 km）突涌水危险性评价结果与实发突涌水情况吻合性较好,验证了长深隧洞突涌水灾害危险性等级指标及评价方法的可靠性,对秦岭隧洞未贯通（约20 km）突涌水危险性进行评价,为有效预防突涌水灾害发生奠定了基础。     

基于特征相关度分析的路面凝冰短时预测方法

针对高速公路易结冰路段的路面凝冰预测问题，提出了一种基于特征相关度分析的路面凝冰短时预测方法。该方法利用路侧设备的测量数据，包括结冰厚度、相对湿度、风向与风速等，通过ADF(Augment Dickey-Fuller)检验方法分析数据集的平稳性，进而设计出基于长短期记忆网络(Long Short-term Memory, LSTM)的路面凝冰短时预测算法。根据Spearman相关度系数法分析计算上述多种凝冰监测数据的相关度与置信度，并形成基于Spearman特征相关度的数据筛选模型，优化LSTM神经网络中的输入数据集。在此基础上，搭建面向凝冰预测误差的LSTM神经网络模型，并利用筛选后的凝冰数据集训练优化预测算法中的模型参数，提高目标路段路面凝冰预测的效率与精度。最后，通过数值仿真分析比较不同特征相关度下路面凝冰短时预测算法的均方根误差，确定最优预测模型，并于西延高速KM200+918路段进行实地测试。研究结果表明：路侧设备的测量数据中相关度较低的数据对路面凝冰预测算法存在反向作用，并非将所有数据进行组合即可得到最优结果，需对测量数据进行有效筛选，进而优化LSTM神经网络，提高凝冰预测...