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。     

基于改进的支持向量机隧道变形预测模型

研究目的:用于消除地铁隧道变形监测数据受环境等因素引起的噪声影响,为提高变形数据的外推预测能力,提出基于离散小波消噪和动态在线滑移窗的支持向量机预测方法。研究结论:(1)利用离散小波变换对地铁隧道变形数据进行消噪处理,提取低频有效工程信息;(2)引入动态滑移窗技术,通过二阶双重滑移窗口的动态调整、更新,确定隧道变形预测模型的最终参训样本和实训样本数据,提高变形数据的有效利用率;(3)利用上海地铁隧道变形数据,从稳态与非稳态两个工况下分别对预测模型进行验证,检测模型的预测效果,结果表明该方法具有消噪效果好、预测精度高等特点,同时该预测模型可转为工程化应用,对隧道预测模型的搭建具有指导意义。     

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。     

基于FPSO灰色Verhulst模型的铁路货运量预测

为提高灰色Verhulst模型的预测精度,采用粒子群算法对灰色Verhulst模型的参数值进行优化,利用滑动窗对原始数据序列进行动态更新,使用Fourier序列修正模型的误差,提出FPSO灰色Verhulst模型预测铁路货运量的方法。以平均绝对误差、均方根误差、平均相对误差为评价指标,采用传统灰色Verhulst模型、GM(1,1)、径向基神经网络、FPSO灰色Verhulst模型分别对具有增长趋势、摆动发展以及交叉发展趋势的铁路货运量进行预测。结果表明,FPSO灰色Verhulst模型能更好地反映铁路运输过程中的突变因素,是一种减少误差、充分利用新生数据、提高预测精度的有效方法。     

基于时间序列分析的变形数据预测

变形监测对于建筑物的安全运营具有重要作用.结合工程实际,采用时间序列模型对变形数据进行建模预测,结果表明,时间序列分析在短期数据预测中精度较高,随着预测时间的增加,预测精度逐渐下降;建模数据越多,模型精度越高;同时,建模数据变化越平稳,数据预测效果越好.     

长大山岭隧道涌水量的BP神经网络时间序列预测模型

基于BP神经网络时间序列的隧道涌水量预测模型不必考虑隧道涌水量的影响因素及其关系,而是将隧道涌水量的时间序列做归一化处理,作为模型的输入输出变量,通过历史数据和所建立的预测模型来预测隧道涌水量。以一隧道1999年6月—2000年6月涌水数据序列为例,进行了基于BP神经网络时间序列模型的隧道涌水量预测,预测误差约为5.74%,满足精度要求。     

基于等维灰数递补模型的软弱围岩隧道变形预测

结合隧道掘进施工以及变形监测的实际情况,利用灰色预测理论中的GM(1,1)模型,采用等维灰数递补数据处理技术建立等维灰数递补GM(1,1)模型来对灰色GM(1,1)模型进行改进,并结合工程实例中的变形实测数据进行验证.结果表明:修正模型的建立所需数据少,计算方法简单易行,而且预测值精度明显提高;灰色建模的数据取样越接近预测点,则得到的模型预测值越接近实际值,一般4次预测值的结果基本接近于实测值,该模型能更真实地反映软弱围岩隧道的变形规律.     

基于惯导的移动三维测量技术在地铁保护区变形监测中的应用研究

在地铁保护区变形监测中,水平位移和沉降作为重要的监测内容,通常用全站仪和水准仪测量,其测量精度高,应用比较广泛,但是该手段仅能对布设有监测点的区域进行监测,无法掌握隧道整体的变形情况。本文提出基于惯导系统的移动三维测量技术,通过在隧道内布设基准网,配合Lidar控制点绝对坐标传递,对惯导系统的累积误差进行修正,最终得到隧道结构三维点云模型。依托杭州市某地铁区间三维扫描项目,采用不同间距的控制点对惯导系统的累积误差进行修正,经与全站仪测量值对比,结果表明:移动三维测量技术的水平位移和沉降监测精度与隧道线型有关,当隧道为直线有坡度环境时,其水平位移监测精度比较稳定,基本保持在0.76 mm左右,沉降监测精度随控制点间距增大而降低,最优可达0.72 mm。     

长大隧道软弱围岩施工大变形智能预测方法

长大隧道软弱围岩段施工大变形预测是保证长大隧道施工安全和工程质量的重要措施。结合宜万铁路堡镇隧道工程，运用BP神经网络和遗传算法进行长大隧道软岩段施工大变形预测。采用遗传算法自动搜索使BP神经网络训练效果最优的网络参数，形成能够反映变形与时程高度非线性和不确定关系的GA-BP算法，建立预测智能模型。将预测时间点输入此智能模型，由BP神经网络优异的泛化性能获得该时间点的变形预测值。堡镇隧道应用结果表明，GA-BP算法具有很高的预测精确度，对连续5d隧道变形预测的最大误差仅为6．68％，完全满足长大隧道软岩段施工大变形预测的需要。     

基于人工神经网络的大直径盾构隧道施工地层变形预测分析

为了预测盾构施工引起的地表沉降规律,以京张高铁清华园大直径泥水盾构隧道工程为背景,结合盾构试验段隧道掘进过程中地层变形的监测数据,建立基于时间序列的NARNN(不含外部输入)和NARXNN(含外部输入)非线性自回归神经网络预测模型,对重要监测断面测点的隧道掘进过程中地表沉降发展趋势进行预测分析,并与传统时间序列ARMA模型预测结果进行对比,发现NARNN模型、NARXN模型、NARMA模型的预测结果与现场监测数据都比较吻合,而NARNN和NARXN非线性自回归神经网络预测模型精度明显高于传统时间序列ARMA模型,而考虑外部输入的NARXNN模型又比不考虑外部输入的NARNN精度高。因此,在考虑施工方法、地质条件和空间效应(埋深)等外部因素条件下建立的NARXNN模型具有良好的预测效果,能够较好地模拟盾构施工引起的地表沉降规律。     

非均匀收敛随机介质模型对浅埋隧道施工引起地表沉降预测研究

针对软弱土层中的浅埋大跨隧道在施工过程中出现的初支变形、断面底部隆起等现象,通过对原有的断面收敛模式进行修正,提出考虑初支变形与断面底部收敛的统一收敛模式,并以单洞及双洞椭圆隧道为例,推导出该种收敛模式下隧道施工中产生地表沉降的随机介质法预测公式,应用遗传-蚁群混合算法(GA-ACA)解决该预测模型的参数反演计算问题。为验证该模型对浅埋隧道地表变形预测的准确性,以乌鲁木齐地铁1号线三—新区间某典型断面为例,分别使用均匀收敛、底部为0、底部非0以及统一收敛模式等4种收敛模式进行参数反演,并将反演结果与现场监测结果做对比,研究结果表明:统一收敛模式与隧道断面实际变形规律更加吻合,其预测精度要比不考虑初支变形与断面底部收敛时的预测精度更高,即对浅埋、超浅埋隧道而言,初支变形以及底部隆起等现象对地表变形预测结果产生的影响不可忽略。     

隧道岩爆预测的距离判别分析模型研究及应用

将洞室最大切向应力和岩石单轴抗压强度的比值、岩石单轴抗压强度和岩石单轴抗拉强度的比值、弹性能量指数这3项影响隧道岩爆的主要指标作为判别因子,建立隧道岩爆预测的距离判别分析模型。以国内外重大隧道工程发生岩爆的实测资料作为学习样本进行训练,建立相应判别函数对待判样本进行预测。该模型在预测判别中综合考虑了影响隧道发生岩爆的多项因素,通过判别模型的学习功能获得岩爆与其各影响因素之间的复杂关系,排除了一般准则中建立判据时人为因素的影响。实例证明该模型利用回代估计法所得到的误判率为零,并具有较强的判别能力。     

特长隧道洞外GPS平面控制测量数据处理模式与方法研究

隧道洞外GPS控制网作为洞内控制测量和后续施工放样的起算基准,其数据处理模式与方法在确保隧道工程质量上至关重要。针对特长隧道洞外GPS平面控制测量数据处理环节所存在的一些问题,对特长隧道洞外GPS平面控制测量数据处理模式与方法进行研究,在此基础上对基线解算软件选择、基线解算和网平差处置策略、投影变形控制方法、一点一方向建立隧道坐标系、横向贯通误差计算以及框架基准统一与转换等方面提出一些原则和方法,总结归纳并形成一套完整的长大隧道洞外GPS平面控制测量数据处理体系,不仅提高了基线解算与网平差的可靠性和精度,也解决了隧道洞外GPS控制网框架基准的统一问题,该研究可为类似大型线状工程的GPS控制测量数据处理提供借鉴。     

基于运营期地铁轨行区监测数据的去噪小波基函数选取

基于在用小波方法去除监测数据噪声时对于小波基选取尚无理论依据的现状,以运营期南京地铁2号线某区间的轨行区连续监测数据为例,提出采用小波阈值去噪法对连续长期轨行区监测数据进行处理。结合小波基选取的一般原则,选取3种常用小波基系结合实例数据进行研究,分析小波基去噪后残差余量,并基于均方根误差和信噪比指标分析不同基函数的去噪效果。计算实例表明,选用sym4小波基函数进行去噪,可获得更小的均方根误差,从而提高监测数据的信噪比,值得在地铁及相关变形监测数据处理中推广。     

隧道软弱卧层的危害、防治及现场判识之探讨

隧道软弱卧层的存在,对施工和运营安全危害极大,当其位于围岩应力场范围,会引起隧道瞬间发生异常沉降,引发地质灾害。结合工程实例,对隧道软弱卧层的危害提出了相应的处理和防治措施,在施工中取得了预期的效果。同时通过现场调查及对软弱卧层作用机理的研究,指出不能通过变形量测或解析方法预测软弱卧层的存在,在变形量测结果正常、基底承载力符合设计要求的情况下,如果伴随洞内地表异常隆起,可作为软弱卧层存在的基本判据;地质超前预报是发现和预防软弱卧层危害的最主动、最有效的手段;对围岩和软弱卧层进行注浆加固,是防治其危害最直接、最有效的手段。研究结果对同类隧道工程问题具有借鉴和参考价值。     

基于机器学习的地铁盾构隧道长期沉降预测

采用机器学习方法,建立一个基于先期区域地质信息及隧道沉降学习资料的盾构隧道长期沉降预测模型, 并以南京地铁 2 号线盾构隧道为例进行算例分析。结果表明：该沉降预测模型能够筛选主要影响因素,并且能够 寻找最佳监督学习算法和最优参数;在不同监督学习算法中,核支持向量机算法与人工神经网络算法都能使模型 达到较高的精度,然而对其参数的依赖性很高,需要细致的调参才能提高预测精度;以人工神经网络算法作为监 督学习算法,经调参后,沉降预测模型的最终预测准确度可达 0.86,10 倍交叉验证平均准确度为 0.82。     

基于PCA-改进RBF神经网络模型的铁路隧道突水风险评价

为了准确预测铁路隧道突水风险等级,降低隧道施工过程中的突水灾害风险,结合相关规范,在调研分析影响隧道突水灾害的风险因素集的基础上遴选13个因素构建评价指标体系。利用主成分分析法对突水风险评价指标提取主成分并实现降维,模糊C-均值聚类算法计算RBF神经网络的中心,梯度下降法修正权值和方差,并将分析后得到的主成分作为改进RBF神经网络评价模型输入向量,建立了基于PCA-改进RBF神经网络铁路隧道突水风险评价模型。最后结合天秀山隧道对该模型预测效果进行验证,评价结果与实际情况相符。实例研究表明:该模型合理可操作,相比于其他方法准确率更高、训练更快、均方误差更小,为类似铁路隧道预防突水灾害事故提供了一种新的途径和借鉴。     

基于LSTM的高铁大风预测模型及算法研究

通过对风速数据进行时间序列分析,建立风速预测模型,实现大风灾害的预警,对提升高铁运营安全保障能力具有重要意义。通过分析某高铁客运专线防灾系统的历史风速数据,建立了一种基于LSTM神经网络的大风预测模型,使用TensorFlow平台进行模型参数训练,并结合实际监测数据进行了模型验证。结果表明,该方法预测未来20 min的大风效果较好,预测20～30 m/s大风时的平均误差为13.4%。该研究可为高铁大风预警技术的应用提供参考。