隧道洞口边坡变形的多阶段递进预测研究

为及时掌握隧道洞口边坡的变形规律,保证隧道进洞过程的安全,采用小波变换剔除变形序列中的误差信息,将原始序列分解为趋势项和误差项序列,并采用PSO-LSSVM模型和ARMA模型分别对趋势项和误差项进行预测,将两者叠加即得到边坡的综合变形预测值,再利用马尔科夫链建立预测误差的修正模型,进一步提高预测精度。对预测模型进行实例分析,结果表明： sym9小波函数、启发式阈值标准、硬阈值选取标准及10层小波分解的去噪效果较优,且通过综合预测,得到边坡变形预测结果的相对误差均值为1.03%,方差值为0.042 6,预测精度和稳定性较高,验证了预测模型的有效性。     

高速公路连拱隧道施工变形预测的GA-SVR智能模型研究

基于连拱隧道支护结构繁多,施工工序复杂,同时由于施工影响,现场监测数据较少且数据误差较大,造成传统方法很难用于连拱隧道的施工变形预测。针对于此,支持向量回归（SVR）算法可以任意精度逼近任意函数,与神经网络相比具有小样本、全局优化和泛化性能好的优点。本文结合铜黄高速公路富溪连拱隧道的施工变形监测,采用遗传算法来优化支持向量回归算法的模型参数,形成GA-SVR算法,建立起了连拱隧道变形预测的GA-SVR智能模型。采用此模型对富溪隧道后继开挖的监测时间点进行变形预测,并与GA-BP模型对比可以看出本文所建立的GA-SVR智能模型具有极高的预测精度,完全可用于连拱隧道施工期的变形预测,也为类似工程提供了借鉴。     

基于Bayes-LSTM的公路隧道围岩变形预测方法研究

在公路隧道施工过程中,围岩的稳定性对隧道施工的影响较大。因此公路隧道围岩变形的监控量测与准确预测是保障隧道施工安全的关键。针对当前隧道围岩变形的预测精度较低以及泛化能力较差等问题,该文提出一种基于贝叶斯（Bayes）优化长短期记忆网络（LSTM）的方法,该方法首先对拱顶沉降和周边收敛的原始监测数据进行预处理,而后构建公路隧道拱顶沉降与周边收敛的初始LSTM模型,并利用Bayes优化模型中的超参数,最终得出预测结果。利用该模型对某公路隧道拱顶沉降和周边收敛进行预测,将预测结果以均方根误差为评价指标与神经网络（CNN）和支持向量回归（SVR）进行对比。预测拱顶沉降时,Bayes-LSTM模型的平均预测精度相较于CNN与SVR模型分别提高了1.0与1.26;预测周边收敛时,Bayes-LSTM模型平均精度相较于CNN与SVR分别提高了0.3与0.32。表明Bayes-LSTM模型的预测精度较高,同时其能在训练模型过程中对历史信息进行判断和取舍,极大地提高了时序数据处理的效率,为公路隧道围岩变形预测提供了新的思路和探索。     

基坑变形预测及优化研究

在现代化的施工中,施工监测已不能只局限于获得工程变形的历史值,更多时候,相关各方更关心其未来究竟会是一种怎样的变形趋势,也就是对工程变形的预测提出了新的要求。现以延崇高速公路妫水河隧道的基坑沉降监测数据为基础,引入三次指数平滑法和GM(1,1)模型,分别预测了未来短时间内基坑的沉降变形趋势,后续与实际变形的对比显示:两种方法均可以有效预测基坑变形,本例中三次指数平滑法的预测精度要高于GM(1,1)模型的预测精度;针对本例中GM(1,1)模型预测结果误差偏大的问题,分析了其误差影响因素并进行了残差模型修正,提升了GM(1,1)模型短期的预测精度;对基坑变形预测问题进行了讨论与总结。     

多元评价体系组合模型在铁路隧道变形预测中的应用

为克服传统预测模型结构单一、预测精度及稳定性不足等缺陷,提出多元体系组合预测模型的建模思路。首先,基于支持向量机、BP神经网络及ARMA模型3种单一预测模型,构建铁路隧道变形预测体系;再以均方根误差、误差平方和及平均绝对误差等为评价准则或指标,构建各预测结果的误差评价体系,求解各单项预测模型的权值贡献指数,得到最优组合权值;然后利用后验差检验、残差检验和关联度检验构建预测精度校验体系,对组合预测结果进行检验,评价预测模型的有效性;最后,结合工程实例,对多元体系组合预测模型在特大断面隧道中的变形预测效果进行检验。结果表明:多元评价体系组合模型预测相对误差值均小于2%,具有较高的预测精度,且较单一预测模型具有更高的预测精度,也一致通过相关检验,验证了多元体系组合预测模型的有效性。     

公路隧道监测数据非线性回归的稳健估计

预测公路隧道施工监测达到规范要求下的最终时间和累计下沉量是隧道监控量测的基本工作之一。研究通过选择合适的非线性回归模型,采用求解最小残差平方和为原则及剔除少量最大异常值,降低了牛顿迭代法对参与拟合数据平均赋权带来的误差,并利用修正后的Matlab优化工具箱模型建立非线性方程组,实现了其过程。结果表明,运用以上方法处理隧道施工监测数据,可以降低模型预测的误差,且收敛速度快,可见这样的处理方法可行。     

基于动态GM-Markov优化模型的高铁路基冻胀变形预测研究

由于传统灰色模型在预测波动性较大的数据时精度不高，提出一种改进的动态GM-Markov预测模型。利用非等间距加权矩阵与无偏优化对灰色模型进行改进，通过原始序列的动态更新实现模型的参数更新，在此基础上利用马尔科夫模型进行残差修正，得到改进动态GM-Markov预测模型。利用某高铁路基冻胀变形监测数据进行实例分析，将改进的动态GM-Markov模型预测结果与灰色以及非等间距无偏灰色模型、最优组合模型预测结果进行对比分析，结果表明:改进的动态GM-Markov模型对于波动性较大的冻胀变形可以取得较好预测效果，提高了预测精度与稳定性。     

围岩变形预测的Richards模型及变形发展趋势分析

隧道围岩变形是隧道工程的设计和施工的重要参数,由于Richards生长曲线与隧道围岩变形-时间曲线具有相似性,将Richards模型引入到围岩变形预测中,通过围岩变形-时间曲线的拟合预测未来围岩变形发展趋势和围岩极限变形值。通过工程实例具体分析了Richards模型的应用效果,结果表明：Richards模型可以较好的预测隧道围岩变形发展过程;只有当围岩变形进入了明显的稳定发展阶段,可以得到良好的预测效果;Richards模型预测效果要优于指数曲线模型和双曲线模型,具有更好的应用价值。     

基于优化支持向量机-混沌BP神经网络的基坑变形预测研究

为解决基坑变形预测精度低的问题,采用小波去噪分离基坑变形的趋势项及误差项序列,并利用多种优化的支持向量机对趋势项序列进行预测,采用混沌BP神经网络对误差项序列进行预测,将两者预测结果进行叠加即得到变形预测值,且可根据后期监测数据的更新,实时增加数据信息,达到跟踪预测的目的。经过3个实例检验,得出小波函数的去噪效果相对较优,且预测结果的相对误差均值均小于2%,验证了优化支持向量机-混沌BP神经网络模型的有效性,且该模型具有预测精度高、适用性强等优点,对掌握基坑变形的发展趋势及评价基坑的稳定性具有重要意义。     

铁路路基沉降变形组合预测模型优化

由于传统灰色模型在预测波动性较大的数据时精度不高，提出一种改进的动态GM-Poisson-Markov组合预测模型。利用非等间距加权矩阵与无偏优化对灰色模型进行改进，通过原始序列的动态更新实现模型的参数更新，在此基础上与泊松曲线模型建立一种组合预测模型，并利用马尔科夫链进行残差修正，得到改进的动态GM-Poisson-Markov组合预测模型。利用汉巴南铁路路基沉降变形监测数据进行实例分析，将预测结果与泊松、灰色模型、非等间距无偏灰色模型以及组合模型预测结果进行对比分析，结果表明:模型对铁路软土路基沉降变形可取得较好预测效果，提高了预测精度与稳定性。     

考虑边坡位移信息的山岭隧道信息化施工应用

本文基于信息化施工的基本原理,结合公路隧道施工建立了公路隧道信息化施工模型。并以山西闻(喜)—垣(曲)高速公路中条山隧道左线进口为例,通过已有隧道施工量测信息和洞口边坡位移监测信息对围岩参数进行了反演,并以反演参数对后续施工过程中的围岩变形进行了预测。通过比较围岩变形预测值与实际测量值,验证了公路隧道信息化施工模型的有效性,同时也结合工程实际分析了误差及产生原因。     

基于蚁群优化支持向量机的公路隧道围岩变形预测模型及应用

为及时掌握隧道施工中围岩变形趋势以便采取措施加以控制,采用基于结构风险最小化的支持向量机(SVM)进行预测。介绍支持向量机的基本原理,研究蚁群算法(ACO)实现支持向量机参数优化的方法,构建ACOSVM模型。对某公路隧道随机选取的2个监测断面的预测结果表明,该模型预测精度较高,泛化性能较好,用蚁群算法进行SVM参数优选是一种简单、优选的方法,可以有效指导隧道的施工。     

非等时序灰色模型的隧道变形预测研究

为提高灰色系统模型对非等时距隧道变形预测的预测精度，运用非等时距GM（1，1）模型对隧道围岩变形进行预测，利用Matlab7．1平台编写了隧道围压变形预测程序，结合张涿高速隧道围岩收敛变形实测数据，进行了变形预测及误差分析，结果表明预测值与实测值比较吻合，非等时距GM（1，1）模型可以应用于施工进度指导及安全系数评判。     

基于“CC工法”的顶管隧道施工地表变形规律分析与研究

为研究“CC工法”施工地表变形规律，依托实际项目，通过对施工过程中地表变形实际监测结果进行整理分析，采用线性回归分析的方法对数据进行拟合，总结本项目“CC工法”顶管隧道施工地表变形规律，将隧道上部覆土扰动分为3类，发现隧道掘进时地表变形呈先隆起后沉降的形态，最终地表总体表现为下沉形态；提出后掘隧道与先行隧道之间存在地表变形影响叠加区，对叠加区的范围和形态进行研究，并分析得出后掘隧道施工对先行隧道地表变形的影响程度；修正传统Peck沉降预测公式，引入地表损失量修正系数和沉降槽宽度修正系数，并验证修正系数的适用性。在此基础上总结影响“CC工法”顶管隧道施工地表变形的主要因素，并提出控制措施。     

隧道洞口围岩稳定型变形的非线性回归分析

通过对隧道洞口围岩变形监控量测数据的分析,得到地表沉降、拱顶下沉、周边位移的变形曲线具有明显的阶段特征;同时对变形曲线进行非线性回归分析,得到围岩变形“增长模型”的非线性回归方程,对预测预报围岩变形规律和最终变形、提高隧道信息化施工水平提供基础和依据。     

鹧鸪山高地应力软岩隧道大变形预测与施工技术研究

鹧鸪山隧道所穿岩层主要为千枚岩、板岩及变质砂岩，为高地应力软岩隧道。采用现场判断和工程类比对该隧道大变形进行预测，对存在的初级和中级隧道大变形采取相应施工技术措施，并对隧道大变形的预测和处治进行效果检验。     

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。     

基于概率统计理论的公路隧道大变形风险评估方法研究

通过文献调研,对近十年我国发生的隧道大变形案例影响因素进行了统计分析。在大变形案例统计结果的基础上,采用指标体系法,分别建立施工前和施工过程中隧道大变形风险评估指标体系。指标权重由隧道大变形案例影响因素统计和专家调查建议结果给出。通过对各指标进行评分,确定隧道大变形风险等级。并将建立的评估模型应用于安远隧道,验证了评估模型的合理性。     

木寨岭隧道变形分析及初期支护参数优化研究

为经济有效地控制高地应力软岩隧道施工大变形,以木寨岭铁路隧道施工为例,通过建立数值分析模型,对不同初期支护厚度、锚杆长度及钢架间距的变形控制效果进行对比分析,得出了木寨岭隧道开挖变形规律,并对初期支护参数进行了优化,可为类似地质及施工环境下的隧道施工提供技术参考。     

基于相关性准则和R-ELM模型的岩溶隧道涌水量预测研究

为实现隧道涌水量的高精度预测，以相关系数法和极限学习机为理论基础，构建隧道涌水量预测模型。首先，结合工程实例对隧道涌水的影响因素进行分析，并利用相关系数法分析各因素与涌水量之间的相关性，以筛选出重要影响因素；其次，将筛选出的重要因素作为预测模型的输入层，并利用试算法和经验公式优化极限学习机的模型参数，再利用M估计弱化预测误差，进而构建出用于隧道涌水预测的R-ELM模型。研究表明： 1）岩溶隧道涌水灾害的影响因素较多，包括5类一级因素和12类二级因素，不同因素对隧道涌水灾害的影响程度存在一定差异； 2）R-ELM模型预测结果的平均相对误差仅为1.12%，具有较高的预测精度，不仅验证了模型参数优化和M估计优化的有效性，也验证了R-ELM模型在隧道涌水量预测中的适用性。