基于支持向量机的盾构掘进姿态预测与施工参数优化方法

为解决盾构司机设定施工参数的标准不明确,且盾构司机的数量难以满足盾构隧道建设需求而引发的盾构姿态难以得到良好控制的问题,需要寻找一种可靠且便于推广使用的施工参数-盾构姿态预测模型。基于盾构施工中的大量数据与机器学习中的支持向量机算法,提出一种预测盾构姿态与优化施工参数的方法。所使用的数据采集自上海地铁14号线新建隧道,时间跨度为299d,具体包括盾构的施工参数以及相关的地层信息。样本集包括43030个样本,75%的样本用于训练,25%的样本用于测试。测试结果表明模型的拟合优度达到0.863,在15%的容许误差下准确率达到94.5%,远高于传统的拟合方法。将此模型用于施工参数的优化以实现盾构姿态控制,控制结果表明使用此模型优化的施工参数进行掘进时盾构姿态能够得到良好控制。     

基于双估计强化学习结合前向预测控制的自动驾驶运动控制研究

运动控制研究是实现自动驾驶目标的重要组成部分,针对传统强化学习算法在求解中因单步决策局限而导致控制序列次优的问题,提出了一种基于双估计强化学习算法及前向预测控制方法结合的运动控制框架（DEQL-FPC）。在该框架中引入双估计器以解决传统强化学习方法动作值过估计问题并提高训练优化的速度,设计前向预测多步决策方法替代传统强化学习的单步决策,以有效提高全局控制策略的性能。通过虚拟驾驶环境仿真,证明了该控制框架应用在自动驾驶汽车的路径跟踪以及安全避障的优越性,保证了运动控制中的精确性、安全性、快速性以及舒适性。     

盾构慢速掘进（停机）沉降影响因素及控制措施探讨

分析和探究软土地层中盾构掘进施工对地面沉降的影响因素以及对沉降进行准确预测,能够为土压（泥水）平衡盾构在不同软土地层中的掘进参数优化和沉降控制提供理论依据。以盾构慢速掘进（停机）工程实例为研究对象,采用理论解析解和三维数值模拟2种方法,计算单纯由盾构施工引起的理论地面沉降量,并与南京宁和城际一期工程新梗街站-天保路站（2号盾构井）区间施工过程中盾构停机时的实际监测数据进行比对总结,从量值差异探究盾构施工引起地面沉降的主要影响因素。分析结果表明,盾构施工工艺参数、超孔隙水压力消散和地层损失是影响盾构施工中地面沉降的主控因素。通过优化施工参数,并采取经济可靠的超前地基处理措施,能较大程度地减小盾构掘进对地面沉降的影响。     

软土地层中大断面矩形盾构关键施工技术研究

与圆形断面的盾构隧道相比,矩形盾构隧道在空间使用效率、潜覆土环境穿越方面存在明显优势,但断面形状和机械配置的差异使盾构掘进施工技术也有所变化。以国内首台土压平衡式矩形盾构机在上海虹桥商务区的工程实践为背景,依据现场环境监测、盾构姿态测量和管片形状监控,对矩形盾构隧道轴线控制、管片横竖内径控制和环境变形控制等关键施工技术开展探索和研究,经验和结论可用于指导类似工程实施。     

基于深度学习的盾构竖向姿态组合预测

为解决盾构竖向姿态的精确预测问题,提出一种基于长短期记忆(longshorttermmemory,LSTM)神经网络-支持向量回归(supportvectorregression,SVR)的深度学习组合预测模型。在对采集到的竖向姿态数据进行相应的数据预处理的基础上,分别构建LSTM、SVR竖向姿态预测模型,并基于最优组合赋权的方式对二者的预测结果进行赋权,以得到LSTM-SVR盾构竖向姿态组合预测模型。为验证所构建的LSTM-SVR组合深度学习预测模型的可靠性,依托昆明地铁项目,将预测结果与LSTM、SVR、BP(back propagation)模型的预测结果进行对比。结果表明:所构建的LSTM-SVR组合深度学习预测模型具有较高的预测精度。     

基于K means聚类算法的盾构掘进参数设定方法研究

盾构掘进参数的合理设定是保障盾构隧道施工质量和安全的基础。为实现掘进参数的准确设定,基于典型工程类比设定理论,将K means聚类算法与经验公式设定法相结合,提出盾构掘进参数类比设定法（SAPAS）,实现典型工程工况掘进参数的自动提取和匹配。与传统的经验公式法相比,SAPAS改善了经验公式的实际使用效果,能够更准确地进行参数设定,有利于提高施工质量和安全。通过在上海轨道交通的部分工程中进行实践,取得了良好的施工效果。     

基于深度学习的多目标车辆检测及追踪方法

文章是以MTALAB软件为主要平台,基于深度学习建立一种多目标车辆检测及追踪的方法。首先建立一个基于深度学习的模型用于训练的不同场景的车辆数据集,并对所采集的数据集进行标注和格式归一化处理。然后使用K-means聚类算法进行锚框,建立以YOLOv3SPP算法为主的神经网络框架,采用非极大值拟制（NMS）算法得到最终的预测框。最终训练神经网络模型,再对该模型进行测试和评定。经实验可以得出该模型能够准确地检测及追踪多目标车辆。     

基于模糊PID方法的盾构掘进姿态控制研究

针对盾构掘进过程中姿态主要依赖操作人员施工经验手工调整、掘进轨迹精度主要依赖人员熟练性的情况,提出基于双闭环反馈自动控制盾构掘进轨迹的方法,通过主反馈实现掘进斜度的实时更新,局部反馈实现液压缸的速度控制。分析表明,局部反馈精度决定了预调偏差大小,在掘进轨迹控制中至为关键,因此以球铰支撑推进系统为例分析单环掘进前后液压缸的几何关系,推导左右推进液压缸速度关于掘进斜度、掘进速度的数学解析式,采用AMESim和MATLAB联合仿真工具搭建了推进速度控制的模糊PID模型,仿真分析非均载荷下推进液压缸的速度控制,并以盾构模拟推进试验台为例进行推进速度控制试验。结果表明： 基于模糊PID控制策略的推进液压缸速度控制可实现较准确的盾构掘进轨迹,为盾构失准问题的进一步解决提供了理论基础和现实依据。     

大断面马蹄形盾构施工关键技术——以蒙华铁路白城隧道工程为例

为解决大断面马蹄形土压平衡盾构施工面临的姿态难控制、泥饼、掘进困难等难题,以蒙华铁路白城隧道工程为依托,研究大断面马蹄形土压平衡盾构施工关键技术:1)针对盾构始发难题,采取始发基座、洞门密封装置安装、始发参数控制、加强段明洞提供反力等措施,保证盾构顺利、安全始发。2)在盾构掘进时,采取分区控制油缸推力或往纠偏泥浆孔注入泥浆的措施,解决姿态难控制问题;通过在砂质黄土地层添加高分子聚合物,解决渣土改良不到位和出渣不畅问题;通过制定合理有效的掘进参数和精准测量方案,保证盾构安全下穿包茂高速。3)针对盾构刀盘底部开挖盲区问题,采取在刀盘底部增设圆锥形分渣器和增长刀盘辐条的措施,解决刀盘底部盲区导致的掘进困难问题。4)针对盾构到达技术,采取接收基座及接收端墙的正确安设措施,确保盾构安全接收。     

基于同块同压原则的盾构推拼同步技术模型试验研究

为解决长距离隧道单台盾构掘进施工工期过长问题，以上海市域铁路机场联络线3标盾构区间为示范应用工程，在不改变盾构驾驶人员操作习惯的前提下，研发一种对盾构推进油缸压力进行闭环主动控制的推拼同步施工技术，以维持推进系统稳定的总顶推力矢量。同时，给出基于同块同压原则缺失顶力的再分配计算方法，并通过构建相似比为1/2的大型试验平台对成套技术进行试验验证。试验结果表明： 原型盾构推进系统总顶推力误差控制为±4%； 盾构姿态水平和垂直偏差控制为±12 mm； 盾构推进速度控制为设定速度的（-6，+6） mm/min； 管片结构抗压安全系数达2.13。     

青草沙过江管隧道盾构水中进洞技术

青草沙过江管隧道工程长距离穿越长江江底后在长兴岛工作井进洞,盾构进洞时覆土达到33m,且存在长兴岛地质复杂、承压水水头高等问题,盾构进洞存在较大风险。该文叙述了盾构水中进洞的施工工艺,并针对青草沙过江管隧道的特点,提出进洞施工时应注意的问题。     

基于深度学习的破碎带盾构施工沉降预测分析

为进一步提高复杂地层条件下盾构沉降预测的准确性，以广州地铁7号线1期工程谢村站-钟村站区间盾构工程为依托，针对破碎带盾构隧道沉降控制难题，提出基于深度学习的人工智能预测模型。通过分析开挖面破碎带分布规律，确定将破碎带面积比作为地层特性参数。采用相关系数矩阵分析不同施工参数与破碎带面积比的相关性，确定采用刀盘转矩代表破碎带面积比实时描述地层分布特性。以刀盘转矩、盾尾间隙与注浆量作为输入值，地面沉降作为输出值训练深度学习模型，并利用训练后的深度学习模型进行沉降预测分析。通过分析预测结果与沉降实测值的对比验证预测模型的有效性。     

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MLP-ARX模型盾构自动掘进技术研究与应用

为减少盾构施工过程中的人工干预，提高施工效率，解决人员误判或经验不足等情况导致的施工质量差、效率低，遇复杂地质难以及时调整，甚至引起施工事故等问题，结合盾构施工工艺、工程地质等因素，基于大数据与人工智能技术，研发一套基于MLP-ARX(多层感知机自回归)模型的盾构自动掘进控制系统，开发推进过程动态模型以及模型在线更新、参数优化的方法，在施工过程中能够及时、准确地自动调节盾构推进速度、分区压力和螺旋机速度等参数，并应用在深圳地铁14号线管线工程隧道。结果表明： 该系统可实现推进过程的自动控制，推动盾构施工自动化、信息化和智能化，极大地缓解盾构司机的操作压力，降低对施工情况误判的发生概率，提高施工质量和效率。     

基于数据增强和机器学习算法的盾构隧道引发地面沉降预测及应用

为解决地铁盾构隧道施工引起的地表沉降预测过程中数据样本不足、对数据预处理较为粗糙的问题，选取北京地区32个地铁盾构隧道施工引起的地面沉降数据作为数据库，采用合成少数类过采样技术(synthetic minority oversampling technique, SMOTE)算法对数据库进行扩增，并在此基础上选取BP神经网络(back propagation, BP)、随机森林(random forest, RF)、支持向量机(support vector machine, SVM)和K近邻(K-nearest neighbor, KNN)4种机器学习模型对沉降进行预测分析。分析结果表明： 1）经过预处理后的数据集预测能力显著增强，其中，KNN模型表现最佳，测试集平均绝对误差仅为1.60 mm； 2）采用KNN模型对北京轨道交通12号线西坝河—三元桥区间地层沉降进行预测，基于该模型预测值的Peck公式与实测值拟合度较高； 3）基于数据增强下的KNN模型对于盾构施工引起的地面沉降变形有良好的预测效果。     

汕头海湾隧道复合地层超大直径泥水盾构掘进参数预测研究

为研究复合地层超大直径泥水盾构掘进参数之间的复杂关系，以汕头海湾隧道工程为背景，选取700环掘进数据，通过优选函数类别和网络结构，建立基于BP神经网络的复合地层超大直径泥水盾构掘进参数预测模型，定量预测刀盘转矩、刀盘能耗和平均泥水压力。研究表明： 1）复合地层盾构贯入度和掘进速度、贯入度和刀盘转速、刀盘电流和刀盘转速的皮氏积矩相关系数绝对值均在0.75以上，具有良好的线性相关性，其他掘进参数之间相关性较不明确； 2）复合地层盾构刀盘转矩和刀盘能耗预测值与实际值的算术平均误差在5%左右，平均泥水压力预测值与实际值的算术平均误差为1.31%，预测精度较高，满足盾构施工要求； 3）基于BP神经网络预测模型，软土地层各掘进参数预测效果得到进一步提升； 4）根据BP神经网络预测模型输入参数定量预测其他掘进参数，操作简单，预测效果良好，能够为盾构主司机提供参考，同时提高施工效率，为实现智能掘进打下基础。     

上海长江隧道工程建设与施工风险控制

上海长江隧道工程采用φ15.43m泥水气盾构掘进机,一次掘进距离7.5km,隧道直径和一次推进距离均创世界之最。工程难度大、风险高,是上海长江隧桥项目的关键控制节点工程。该文主要介绍了工程概况和超大直径、超长距离盾构掘进施工及其风险控制措施。     

盾构水平姿态的理论分析模型

为解决盾构施工水平姿态控制难题，针对隧道掘进姿态调整主要依赖于经验关系和人为控制，而相关的理论分析较为欠缺的现状，基于二维盾体结构提出一种力学与水平姿态理论分析模型。在综合考虑地层参数、油缸推进力、地层反力、现场施工措施的基础上，将盾构姿态引入盾构水平受力平衡分析中，建立关于盾构水平姿态的理论模型。理论分析结果表明： 1）盾构姿态控制与分区压力密切相关，同时受土体刚度和总推力的影响； 2）通过与现场实测数据的对比分析，验证了理论模型的适用性； 3）该理论模型参数简单，易于验算，可实现较准确的姿态预测，为盾构姿态控制问题提供了有效的理论支撑和现实依据。     

钢筋混凝土简支梁的多目标可靠性稳健优化设计

为提高钢筋混凝土简支梁的可靠性和稳健性,运用可靠性和稳健优化设计的理论,建立了适合可靠性稳健优化设计的多目标模型。针对可靠性稳健优化设计的多目标模型多属于高维多目标优化问题,把灰色理论中的关联分析引入粒子群优化算法中,根据灰色关联能够很好地分析目标矢量之间的接近程度,并能掌握解空间全貌的特点,提出了适合高维多目标优化问题求解的灰色粒子群算法。与传统方法相比,该方法更能迅速准确地得到钢筋混凝土简支梁的可靠性稳健优化设计信息。