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。     

大直径土压平衡盾构及其车站PBA法扩挖技术

为克服城市复杂环境下地铁车站和常规双线隧道布局受限难题,建立采用大直径盾构建造地铁单洞双线区间,并在盾构隧道基础上小规模扩挖形成车站的建设新思路。以北京地铁14 号线东风北桥站（不含）-将台站-高家园站-望京南站（不含）为背景,介绍利用外径为10.22 m的大直径盾构进行区间隧道施工以及在区间隧道成型基础上采用洞桩法（Pile Beam Arch,PBA）扩挖地铁车站的施工工艺和技术,重点介绍区间与车站施工衔接工序（穿越风道）和管片拆除等关键技术。工程实施结果表明： 大直径盾构施工及其暗挖车站扩挖技术是一种工艺新颖、技术先进、安全可靠的集成建造技术,且对周边环境影响受控,是值得进一步推广应用的施工工法。     

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。     

广州地铁盾构隧道建设期碳排放强度与减排潜力研究

为合理量化地铁盾构隧道建设的碳排放水平并测度其减排潜力，采用LCA方法开展地铁盾构隧道建设阶段碳排放评价工作，并结合实际工程数据进行碳排放强度和水平量化分析； 同时，基于情景分析法从推广绿色建材及清洁能源等角度探究其减碳潜力。研究结果表明： 单环预制管片碳排放强度约为7.1 tCO2e/环，而单位地铁盾构隧道建设碳排放强度约为1.1万tCO2e/km； 其中，建材及预制管片生产、运输及盾构施工和安装等过程占比分别为72.7%、1.9%和25.4%。若通过提高再生建材和优化能源结构，年均碳排放量下降约6%，但碳排放量累积可达约13 MtCO2e（2022—2035年），与2020年全国城市轨道交通运营排放基本持平。     

双线盾构扩建地铁车站的插管冻结法及施工力学特性研究

盾构施工是地铁区间隧道的首选施工方法,但盾构区间与车站在施工速度和组织上的矛盾,会导致盾构长距离掘进的优势无法充分发挥。本文在总结以往国内外"先盾后站"技术的基础上,提出基于洞内插管冻结的双线盾构区间隧道扩建地铁车站的施工方法。首先,对该技术的施工流程、关键技术、适用条件、技术优势与缺陷等进行详细论述;然后,基于有限元模型,采用以壳单元模拟冻结管、以加固圈模拟冻结土体、以刚度折减法模拟管片接缝的方式,对双线盾构插管冻结扩建地铁车站施工过程中的结构变形、受力及地表沉降特性等进行分析。最后,得到如下结果:1)得出了扩建施工所引起的地表变形规律及最大沉降值; 2)明确了既有盾构结构随施工过程的变形阶段; 3)确定了扩建施工过程中既有盾构及托梁、立柱的受力敏感区域; 4)有针对性地提出了既有盾构管片的加固方案和防水措施。本文研究的目的在于阐明双线盾构区间隧道扩建地铁车站的插管冻结法及其施工力学特性,为盾构区间与车站施工矛盾、无拆迁条件必须"甩站"通过等工程问题提供一种有效的解决途径。     

某城市地铁车站基坑地表沉降变形研究

通过对北方某城市地铁1号线一期工程地铁深基坑地表沉降监测数据进行统计分析，讨论地表沉降与基坑支护类型、开挖深度的关系。结果表明:地铁车站基坑开挖引起的地表变形最终表现为“凹槽形”；地铁车站基坑地表最大沉降变形量为0.01% H~0.05% H，平均值为0.03% H；地铁车站基坑开挖引起的地表沉降值大多位于0~5 mm，小于控制值；在其他条件（基坑长度、宽度、周边环境）大致相同的前提下，地表沉降值随开挖深度的增大而增大，随支撑刚度的加大而减小。     

成都地铁中医学院站施工安全风险分析

为确保复杂环境下地铁车站的施工安全,以成都地铁中医学院站“站桥合一”模式及深基坑盖挖施工为例,总结地铁车站施工的安全风险类型和风险应对措施,并对措施的可行性、有效性及风险应对策略进行探讨。对地铁建设施工阶段的风险管理思路提出以下建议：1）充分理解地下工程施工是“维持和构建稳定的过程”;2）工程建设风险具有阶段性,针对不同阶段应有相应的预案和处理措施,若前阶段的风险未处理或处理不当,将会演变为施工阶段的风险;3）风险源及风险因素的辨识和消除是风险管理的主要内容;4）认识到风险存在的客观性和不同风险应对措施将对风险控制产生不同的效果。     

高速公路交通状态预测的多源数据融合研究

针对目前高速公路交通状态预测大量使用单一数据源的不足,通过对收费站抽样刷卡数据与浮动车GPS数据的预处理,得到体现同一时间和同一空间的交通状态多源数据;采用极限学习机算法对高速公路交通状态进行预测和估计,并用行程时间指数TTI对道路交通状态进行估计;以广州机场高速公路南线为例,对比分析结果表明,采用多源数据融合模型得出的行程时间均方根误差和平均绝对百分比误差均小于单一数据源模型,且极限学习机在数据准确性与稳定性上均有良好效果,优化率分别为80.6%、53.7%。     

中铁隧道集团公司五个工程项目获中铁工程总公司“安全标准工地”表彰奖励

近日，中铁工程总公司公布了2005年度“安全标准工地”获奖项目，由中铁隧道集团公司承建的：洛湛铁路南山隧道（股份、三处）、北京地铁四号线07标宣武门车站（二处、京隧建）、广州地铁小新区间盾构（股份）、铜汤高速公路11标（二处）、子靖高速公路N-11标（第一工程处）五个项目获表彰奖励。     

地铁车站施工工人不安全行为致因分析及防范研究

为有效降低地铁车站施工工人在生产过程中的不安全行为,对地铁车站施工作业班组人员不安全行为的形成、影响因素及表现形式进行分析,采用前因-行为-结果(ABC)分析法,构建基于风险因素的地铁车站不安全行为风险管理模型。研究表明:1)在人因不安全行为风险评判中,管理因素、工人个体因素、作业岗位因素、作业环境因素对地铁车站施工工人不安全行为的影响显著。2)地铁车站施工工人不安全行为的故意违章与无意识违章形成路径包含感染获得阶段、转化认可阶段和习惯保持阶段3个阶段。3)应用ABC分析法可有效分析、管理不安全行为意向,按照"观察—纠正—再观察—再纠正"的模式,有助于降低施工工人不安全行为意向水平。4)基于行为安全预控管理理念,要从早期预防性干预、数据化识别预控、规范安全施工行为、完善安全物态警示、实施管理安全干预和人因安全干预、提升施工工人的安全技能教育6个方面,对施工工人的不安全行为进行综合管控,不断增强地铁施工管理中施工工人的行为安全。     

富水卵漂石地层盾构滚刀磨损规律及寿命预测分析

为探究成都富水卵漂石地层盾构滚刀磨损规律及寿命特性，以成都地铁17号线凤温区间和明一区间第1次查换刀情况为研究对象，首先对两区间不同开口率刀盘的滚刀磨损形式和磨耗系数进行对比，之后采用基于现场实测数据的滚刀寿命预测模型对查换刀距离进行预测，最后通过第2次换刀对预测效果进行验证。研究结果表明： 1)富水卵漂石地层滚刀磨损形式主要表现为尖状磨损和偏磨磨损，偏磨滚刀主要分布于刀盘边缘及中心区域； 2)滚刀磨耗系数与安装位置半径关系曲线大致呈U形分布，中心滚刀和边缘滚刀的磨耗系数较大，正面滚刀的磨耗系数较小； 3)刀盘开口率是影响滚刀磨耗系数和偏磨概率的重要因素。     

基于优化极限学习机的高速公路造价预测

高速公路的工程造价是前期项目预算的重要数据参考,是公司投资管理经营与造价控制的关键节点,如何建立模型准确地预测公路工程造价对进行公路工程管理有很大的帮助,同时意义重大。文中根据中国高速公路工程建设项目造价预测的研究现状,将优化极限学习机（ELM）预测方法引入高速公路造价预测,建立高速公路建设项目工程造价预测模型,并结合Matlab软件进行了应用性分析与研究。实例分析结果表明该预测模型简便,具有较高的实用性。     

基于GA--ELM的水性环氧乳化沥青黏结性能预测

水性环氧树脂改性乳化沥青原材料组分较复杂,其黏结性能评价往往需要综合考量多重影响因素,试验量繁杂且耗时较长。为快速精准预测水性环氧树脂改性乳化沥青的黏结性能,优选水性环氧树脂、固化剂、乳化沥青等原材料技术指标及测试温度范围作为输入因子、黏结拉拔强度作为输出因子,基于遗传算法(GA)优化后的极限学习机(ELM)算法,建立水性环氧树脂改性乳化沥青黏结性能预测模型,通过与传统单隐层神经网络算法进行对比分析,验证预测模型准确度。结果表明:GA-ELM模型具有更高的准确性和效率,可用来预测水性环氧树脂改性乳化沥青黏结性能,与BP、ELM模型相比,GA-ELM模型的误差分别降低了78.74%～79.67%和83.63%～87.41%。     

地铁地下车站换乘形式探讨

以地铁地下车站换乘形式的合理性和可实施性为研究目的,以换乘车站的换乘模式为研究对象,从车站功能（包括换乘功能）、客流组织、车站和区间的工程实施难易程度、综合投资、运营安全以及社会效益等方面论述和分析平行换乘模式下的双岛四线式换乘和上下叠岛式换乘,并介绍交汇换乘模式下的“十”、“T”、“L”形换乘、通道换乘,以及组合换乘模式的主要特点及适用条件,并通过列举国内工程实例进行说明补充,总结地铁地下车站换乘形式合理选择和设计中的要点,以及如何减少对安全运营的影响,并对今后地铁换乘设计提出一些有价值的意见及建议。     

复杂地层大型污水处理构筑物沉井实施方案优化研究

以某沿海大型污水处理构筑物沉井为例，通过对比分析沉井初沉前不同预制高度（第一节）条件下的基底压力、地基承载力及不同刃脚下沉深度的阻力，对沉井施工过程中可能发生的问题进行预测；提出了基于基底压力、修正地基承载力分别与砂垫层厚度的曲线及交点进行沉井预制前临时基础铺设砂垫层厚度优化，基于地层界面处刃脚下取土和刃脚下留土两种取土方法的下沉系数与合理区间[1.05, 1.25]的关系进行沉井实施方案优化的方法。以计算结果和变化规律为基础预测可能发生的问题，与现场实际基本一致；对实施方案进行合理优化，确保了沉井的顺利实施。     

有容量限制路径选择优化问题的混合蚂蚁算法

基于有容量限制的路径优化（CVRP）问题的NP难解性，将目前已在众多组合优化领域中颇见成效的随机型智能搜索算法——蚂蚁算法结合节约算法（C—W算法）应用于这类模型，充分发挥了其智能搜索、全局优化和并行计算的优势。经算例测试，比较蚂蚁算法与两阶段法．神经网络算法的迭代过程，结果表明，蚂蚁算法能以较快的速度收敛到最优解。     

基于IGWO-BP算法的轨道交通短时客流预测

轨道交通短时客流具有随机性和非线性的特点。为提高轨道交通短时客流预测结果的准确度，研究了基于改进的灰狼优化算法（IGWO）与BP神经网络的短时客流预测算法（IGWO-BP）。计算轨道交通客流不同时间序列的相关系数，确定了BP神经网络的输入和输出方式；用余弦思想和动态权重策略对原始灰狼优化算法改进，提高算法的全局搜索能力和寻优效率；用IGWO算法优化BP神经网络的初始权值和阈值，提高短时客流预测结果的准确性。预测了西安轨道交通2号线龙首原站周三早高峰15 min时间粒度的短时客流量，并将IGWO-BP算法的预测结果与其他5种模型（KF，GM，SVM，BPNN，GWO-BP）比较。结果表明，IGWO-BP算法的均方根误差为89.65，平均绝对百分比误差为1.16%，预测结果的精度和稳定性均为最优。      

基于智能驾驶员模型算法的长期跟车车速预测研究

针对新能源汽车能量管理中难以长期、精准地预测车速的问题，提出了一种基于模型的参数化车速预测方法，利用传感器和GPS提供的前瞻数据预测车辆的速度轨迹。首先根据整车动力学和车辆停车转弯趋势建立基于智能驾驶员模型（IDM）的车速预测算法；然后，从NGSIM公开数据集中筛选数据用于参数标定及仿真；最后，利用遗传算法（GA）对算法参数进行标定。仿真验证结果表明，优化后的车速预测算法在通畅或拥堵的交通环境中，对于长期车速预测均有较高的精度，误差可控制在8%～13%范围内。     

基于自动深度学习盾构掘进姿态预测与控制

提出了基于自动深度学习（AutoDL）算法和多目标优化算法的结合可实现数据驱动的姿态偏差控制指导,用于盾构掘进姿态的预测与控制,以解决现有盾构掘进姿态预测中所面临的执行难度高、成本高、效率低等问题,可用于自动精准地预测盾构掘进姿态随着工程进展的动态变化趋势,并针对盾构机施工状态执行多目标优化算法,快速自动搜寻最优策略,实时调整合适的盾构操作参数,减少对于现场操作人员经验和主观判断的依赖。以上海市天然气主干管网崇明岛-长兴岛-浦东新区五号沟LNG站管道工程隧道A线工程为例,展示该算法框架的优越性。研究结果有助于降低深度学习进入盾构智能控制领域的门槛,推动智能盾构发展。