去噪分析和分离变形预测在深埋隧道中的应用研究

隧道变形易诱发相应的工程问题,对其防治及预测已成为地下工程领域的热点问题。为提高隧道变形的预测精度,达到有效掌握隧道变形规律的目的,以某隧道为工程实例,通过对其监测数据的去噪处理,将隧道变形的原始序列分离为趋势项和误差项序列,并利用GA-BP神经网络和时间序列模型对两序列进行预测,又结合支持向量机模型对前者的预测误差进行修正,以保证预测精度。结果表明:在去噪方面,得出半参数优化卡尔曼滤波的去噪效果最优,其次是sym8小波去噪和奇异谱分析;在预测方面,得出分离预测能一定程度上提高预测精度,但效果不明显,而误差修正模型能很大程度上提高预测精度,综合得到本文预测结果的平均相对误差为1.08%。预测模型具有精度较高等优点,能为深埋隧道的变形预测提供借鉴。     

基于BP神经网络修正的自适应灰色模型的隧道变形预测研究

隧道围岩具有高度的非线性变形特征,通过变形预测能有效判断隧道变形的发展趋势。首先以自适应GM(1,1)模型对隧道变形进行初步预测,且为保证自适应模型的参数为全局最优参数,提出以粒子群算法对模型参数进行优化;其次,以BP神经网络为基础,建立误差修正模型,旨在进一步提高预测精度。在此基础上,将该预测模型应用于2个工程实例中,结果表明:该预测模型在横向和纵向上的预测效果均较好,自适应能力和递推能力均较强,预测结果与实测值较为吻合,预测精度较高,能较好地反映隧道围岩的变形规律。该预测模型能较为有效地实现隧道围岩的动态预测,可以进行推广应用及研究,为隧道变形预测提供一种新的思路。     

基于Multi-agent的隧道变形监测系统

研究目的:为消除传统隧道监测维护中低频率、长周期、高费用等缺点,适应隧道即时监测护养的新兴要求,本文通过对上海地铁变形预测研究,提出一种基于多智能体的隧道变形在线监测系统。研究结论:(1)在监测系统中提出一种基于分层组件结构设计的通用Agent模型,该模型包括客户感知层、智能业务层与服务效应层,并以粗细两种化度归纳描述智能体内部结构;(2)依据Agent通用模型及隧道变形监测自身特点搭建具有6层复合结构特点的隧道变形监测系统,提出基于熟人协作沟通机制,实现系统的松耦合和低负载构造;(3)利用上海地铁变形实测数据验证预测模块Agent的工作效能,实验表明该系统具有较强的自治性、合作性,并具有一定的实用价值,对隧道监测系统的搭建有一定的指导意义。     

基于OWGA算子的隧道变形最优组合预测

研究目的:根据隧道变形数据预测隧道的变形发展情况,结合具体工程实践,采用最新非线性预测理论,在文献综述的基础上,结合对数灰关联度与OWGA算子,把预测值和观测值的对数序列之间的灰关联度设定为目标函数,有序加权集成做为诱导变量值的预测精度,提出一种新最优隧道变形预测模型。采用MATLAB编程分别实现灰色预测、指数平滑预测、自回归移动平均预测,并利用基于对数灰关联度的有序加权几何平均组合预测模型,在对数灰关联度最大的意义下求出组合模型的最优权重,通过隧道变形预测的实例分析,说明新模型的有效性和合理性。研究结论:(1)基于OWGA算子的隧道变形预测,在预测误差平方和、均方误差、平均绝对误差、平均绝对百分比误差、均方百分比误差等预测有效性精度指标下,比灰色预测,平滑预测,ARMA预测等预测方法的预测精度都高,误差最小;(2)通过工程实例检验,该预测方法的预测结果不但合理、有效,而且是优性预测;(3)本研究成果可应用于隧道安全监测和变形预测领域。     

黄土地层地铁盾构施工地表变形规律预测研究

研究目的:西安地铁是我国首次在黄土地层修建地铁,黄土地层具有湿陷性等特殊的物理力学特性,盾构是西安地铁隧道的主要施工方法之一,但有关西安地铁盾构施工诱发的地表沉降特性预测的研究成果目前还很少,急需开展黄土地层地铁盾构施工诱发的地表变形规律预测方法研究,目的是为盾构施工地表沉陷监测方案的制定和盾构施工参数的确定提供理论依据,以保证隧道盾构安全施工。研究结论:通过理论预测计算得到的沉降值与西安地铁某区间隧道的地表沉降实测数据进行了对比分析,研究结果表明:(1)给出的地表沉降预测公式预计的地表沉降趋势和数据与实测值基本一致;(2)盾构施工时,正面附加推力可以维持开挖面前方土体的稳定,但正面附加推力的大小对地表竖向位移量的大小会产生影响;(3)盾构施工时,影响地表竖向位移因素很多,而盾尾间隙的大小对地表竖向位移影响最大;(4)盾构施工时,地表沉降量随着距隧道轴线距离的增加变形量逐渐减小,在隧道轴线上方变形最大。     

基于蚁群算法的地铁盾构隧道长期沉降预测

在软土地区,投入运营的地铁盾构隧道会因各种原因产生对隧道结构内力、变形、接头防水以及隧道正常运营不利的纵向不均匀沉降。由于影响因素复杂,目前尚无可行的沉降预测模型。本文在对上海地铁1号线某区间沉降实测数据分析的基础上,采用具有较强鲁棒性、优良的分布式计算、易于与其他方法相结合等优点的蚁群算法,综合考虑各因素对沉降影响的整体效果,利用隧道实测的纵向累积沉降量、累积沉降差分别构造信息函数和启发函数,建立地铁盾构隧道长期沉降预测模型。预测结果表明,该方法不仅可行而且与实际量测数据吻合较好。     

基于DEACO-WNN的盾构施工地表沉降预测

研究目的:近年来,我国地铁建设飞速发展,全国有近四十个城市在修建地铁。盾构施工是地铁建设的主要施工方式,由于盾构施工引起的地表沉降问题,为施工安全带来很多的困扰。为了减少施工过程中的安全隐患,提高施工质量和效益,对盾构施工引起的地表沉降进行研究意义重大。研究结论:本文通过对盾构施工地表沉降的影响因素和预测模型进行研究,得到以下结论:(1)在研究了对于盾构施工地表沉降较为敏感的参数中选取了覆土厚度、压缩模量、凝聚力、天然密度、内摩擦角、千斤顶推力、注浆压力,并将其作为输入层建立了小波神经网络预测模型;(2)用差分进化蚁群算法以相对熵为标准对小波神经网络的初始权值、伸缩参数和平移参数进行优化,使得预测模型的收敛速度和预测精度都有显著提高;(3)通过北京地铁6号线实地工程数据进行验证,预测模型的最小误差仅为0.5%,预测精度在实际工程所允许的范围内;(4)本文所建立的模型对盾构施工安全防护领域具有指导意义,通过对地表沉降的有效预测来改进施工工艺,进而增强施工的安全性。     

基于激光雷达的地铁隧道形变检测方法

针对地铁隧道出现的形变问题,提出利用车载激光雷达对地铁隧道进行扫描检测的方法。该方法测得的点云数据需进行坐标转换,在点云数据预处理时通过统计滤波与双边滤波相结合的算法去噪,采用最小二乘法进行断面拟合得到光滑拟合曲线。对不同时期检测的同一位置断面进行局部形变分析,对某一区间段不同位置断面进行区间收敛分析,实现地铁隧道断面的形变分析。通过该方法的处理,可以更加有效地获取地铁隧道的形变信息,对实现地铁隧道形变动态检测具有借鉴意义。     

基于RF-RFE算法的地铁车站洪涝灾害预测研究

地铁车站形式以地下段为主,进入雨期时受到洪涝灾害的威胁,易发生雨水倒灌现象,严重影响居民出行和地铁安全运营。为进一步提高地铁车站洪涝灾害预测的效果,提出基于RF-RFE和DNN神经网络的地铁车站洪涝灾害预测方法。首先,通过收集并分析已发生地铁车站洪涝灾害的案例,采用文献综述结合专家访谈的方法,构建地铁车站洪涝灾害初始变量集;然后,利用随机森林—递归特征消除(RF-RFE)算法,计算初始变量重要性并完成变量分类正确率排序,从初始变量集中筛选出重要变量;最后,建立DNN神经网络预测模型,并以筛选出的重要变量作为输入样本,训练DNN神经网络,完成对地铁车站洪涝灾害的预测。研究结果表明：(1)变量选择可提高预测模型精度,与初始变量集的DNN神经网络预测模型相比,数据筛选后的DNN神经网络预测模型准确率提高了4.36%;(2)RF-RFE和DNN神经网络算法结合具有良好的效果,预测模型准确率为88.1%,F1分数为0.9。     

轨道检测噪声数据剔除方法的研究

为了消除铁路轨道检测数据中夹杂的噪声数据对轨道状态评定的影响,利用小波算法对原始数据信息进行分解.通过对分解后得到的高频信息进行分析,即可以找出轨道检测数据中噪声数据出现的规律.然后利用小波消噪方法对检测数据进行处理,得到消噪之后的数据,从而实现数据的恢复.使用Matlab中的小波算法对兰新线某段数据进行分析,实践表明小波算法具有较好的消噪功能.