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。     

下卧泥岩富水圆砾地层盾构渣土改良技术研究

以南宁地铁5号线新秀公园站～广西大学站盾构区间为工程依托，开展下卧泥岩富水圆砾地层盾构渣土改良技术研究。以现场盾构排出渣土及改良剂作为试验材料，在初始改良渣土的基础上进行二次改良试验，根据坍落度试验结果及渣土状态分析理想渣土状态，通过计算得到建议改良参数。研究结果表明：下卧泥岩富水圆砾地层渣土理想坍落度范围为12～18 cm,每环盾构掘进过程中需要注入约1 010 L的水，泡沫原液用量16.7～30.48 L(浓度3%,发泡倍率15,注入比0～15%),采用建议改良参数后，掘进参数得到明显改善，渣土改良效果显著。     

基于随机森林算法的盾构改良渣土渗透系数预测及工程应用

为解决土压平衡盾构在富水粗粒土地层掘进时，由于盾构渣土渗透性较高而引起螺旋输送机出口处易出现喷涌等风险问题，基于随机森林算法，选取渣土改良参数包括含水率、泡沫注入比、膨润土泥浆注入比以及掘进地层参数土体有效粒径、水力梯度作为模型输入参数，提出一套适用于盾构渣土渗透系数预测的模型。研究结果表明： 该模型预测精度较高，渣土渗透系数预测值与实测值均位于同一数量级，且均方误差仅为2.4×10-9 cm/s，拟合决定系数可达0.981 9。依托滇中引水龙泉倒虹吸盾构隧洞工程进行应用，对下穿盘龙江喷涌风险源进行判定，并基于该预测模型给出推荐改良参数。在采用推荐改良参数后，盾构下穿过程中渣土渗透系数满足要求，土舱压力稳定，且对上部桥梁结构影响较小，保障了盾构安全、高效掘进。     

基于盾构掘进效果的富水砾砂地层渣土改良试验研究

为解决土压平衡盾构在富水砾砂地层中掘进时螺旋输送机出口易发生喷涌的难题，依托昆明地铁4号线盾构隧道工程，开展富水砾砂地层渣土改良研究。首先通过大型渗透试验评价地层的渗透性，然后对试验段内每环的渣土进行坍落度试验，分析渣土改良对盾构掘进参数的影响，检验并评价渣土改良的实际效果，进而给出昆明地区富水砾砂地层的合理改良建议。研究结果表明： 1）昆明地区砾砂土的坍落度与含水率呈明显的正相关关系，而其渗透系数随测试时间的增加而降低，在2 h后减小为0； 2）塑流性较好的渣土对应着较低的刀盘转矩、推力和较高的掘进速度； 3）通过对掘进参数的分析可知，坍落度达到5~10 cm即可满足施工要求。     

基于坍落度的砂卵石地层土压平衡盾构渣土改良配方研究

针对成都轨道交通17号线一期工程土压平衡盾构法施工在砂卵石地层中遇到的难题，如螺旋输送机喷涌导致开挖面压力失控、卵石堆积于压力舱底部滞排等，采用膨润土和泡沫剂等对现场砂卵石进行室内渣土改良试验。结果表明： 1)改良剂的优化配比膨润土掺入质量比为5%，泡沫掺入体积比为10%~30%，即可使渣土的坍落度、和易性、抗渗性均保持良好，达到塑性流动状态。2)以渣土的坍落度在150~200 mm且无离析为改良的前提条件，以最小膨润土使用量为优化目的，建立砂卵石渣土坍落度与改良剂膨润土和水掺入量之间的三维曲面图，根据离析与非离析区域边界确定膨润土泥浆最经济的膨水比为1∶6。将试验结果应用于该工程的砂卵石地层土压盾构工程实践，掘进效率以及盾构工作的安全性得到显著提高。     

南昌富水砂层渣土改良技术研究

以南昌地铁4号线3标段富水砂层为研究对象，对渣土改良试验进行分析，通过坍落度试验评价渣土改良效果；研究不同泡沫、膨润土泥浆及高分子聚合物注入率对改良后渣土流塑性影响，并确定不同改良剂最优掺量区间，提出富水砂层渣土改良技术方案，解决在盾构开挖掘进时容易造成螺旋机喷涌、掌子面压力不稳定以及刀具磨损等问题     

昆明富水圆砾地层盾构渣土塑流性指标与合理改良方案研究

为避免在昆明地区广布的富水圆砾地层掘进时出现盾构掘进参数不稳定、渣土状态不良、螺旋输送机喷涌等风险,依托昆明地铁4号线盾构工程开展了一系列渣土塑流性测试与盾构掘进参数分析,提出了盾构推力、刀盘转矩、掘进速度、土舱压力的合理范围与渣土塑流性指标"坍落度"的求解方法,进一步采用规划求解的方法优化了针对该地区富水圆砾地层的渣土改良方案,明确了不同级配渣土含水率和泡沫注入比的合适范围。现场应用结果表明,依据左右线试验段监测数据提出的优化渣土改良方案有着良好的适用性,有效地改良了盾构渣土状态并将盾构各项掘进参数控制在合理范围内,为盾构的安全、高效掘进及后续近距离顺利下穿昆明地铁2号线提供了重要保障。     

人工神经网络在钢渣稳定土强度预测中的应用研究

在分析钢渣土强度影响因素基础上，选取钢渣龄期、钢渣细度、钢渣掺量3种主要因素作为人工神经网络的输入值，钢渣土7天无侧限抗压强度作为输出值，建立了钢渣土强度预测的BP网络模型。研究结果表明:训练BP神经网络时，17组自变量数据中无侧限抗压强度的网络拟合值与实测值基本重合，误差为-4.054%~3.214%。BP网络方法应用于钢渣土强度的预测方面具有较高的精度，预测与实测结果最大相差为0.02 MPa，最大误差为5.556%，可见，基于3参数的BP神经网络模型在钢渣稳定土新型路床材料7天无侧限抗压强度中的应用     

高水压高渗透砂性地层土压平衡盾构施工渣土改良技术研究

为防止福州地铁1号线上藤站-达道站区间土压平衡盾构在高水压高渗透砂性地层掘进时发生喷涌事故,采用纳基膨润土、CMC、聚丙烯酰胺等作为主要改良材料,开展系统渣土改良室内及现场试验工作,研究土压平衡盾构穿越高水压高渗透性地层渣土改良综合解决方案。结果表明： 在单独使用某一种改良材料时,渣土改良效果并不明显; 采用钠基膨润土-CMC混合浆液可改良渣土的和易性与渗透性,但在可用掺加比范围内无法满足坍落度要求; 聚丙烯酰胺溶液与钠基膨润土-CMC混合浆液配合使用时,对过饱和中砂的和易性以及渗透性等改良效果显著; 针对福州地铁区间段高水压高渗透砂性地层,可采用1∶10质量分数膨润土、5‰质量分数CMC混合浆液按照10∶2.5掺加比配合3%质量分数聚丙烯酰胺溶液按100∶5掺加比改良渣土,通过现场抽样检测,验证此渣土改良方案的有效性。     

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。     

富水圆砾地层盾构渣土改良技术研究

为解决土压平衡盾构在富水圆砾地层中渣土不易改良及易喷涌问题,采用昆明地铁4 号线圆砾土作为试验材料,以膨润土泥 浆、羧甲基纤维素(CMC)与聚丙烯酰胺溶液(PAM)作为主要改良材料,泡沫作为辅助改良材料开展室内改良渣土坍落度和常水头渗透性试验。试验结果表明: 1)在塑流性方面,仅用泥浆或泥浆与CMC 混合改良时,圆砾土流动性过大; PAM 加入到泥浆改良渣土中时,能够提高渣土的塑流性; 泡沫的掺入对泥浆和PAM 共同改良渣土的塑流性无影响。2)在渗透性方面,CMC、膨润土泥浆和PAM 均可有效改善渣土渗透性,且渗透系数随着注入比的增加而增大; 泡沫的掺入对泥浆和PAM 共同改良渣土的渗透性无影响。根据试验结果可知: 当地下水头约为25 m 时,可将膨润土泥浆配比1 ∶ 4(1%CMC)、膨润土泥浆注入比(BIR)= 25%、PAM 注入比(PIR)= 12. 5%、泡沫注入比(FIR)= 20%或膨润土泥浆配比1 ∶ 3、BIR= 25%、PIR= 7. 5%、FIR= 20%作为此圆砾地层的渣土改良参数。     

使用聚合物对纯砂层进行渣土改良的试验研究

土压平衡盾构在不同的地层进行渣土改良的关键是选择合适的改良剂,纯砂层施工中最常用的改良剂就是膨润土泥浆,目前已开始尝试使用聚合物进行改良。本文选取3种典型的聚合物,研究聚合物溶液特性与聚合物浓度、搅拌时间和静置时间的关系,并选择合适的聚合物对粗砂试样进行塌落度试验、渗透试验和直剪试验的室内试验研究。研究结果表明,针对粗砂地层(含水率10%左右),0.3%的PAM聚合物溶液注入率为20%~25%时,能有效增强粗砂的流动性和黏聚性,降低渗透系数和摩擦因数,满足土压平衡盾构施工要求。     

基于RS-SVR的上软下硬地层盾构施工地表沉降预测

为了提高由盾构施工引起的软硬不均地层地表沉降预测的准确性,建立基于粗糙集-支持向量回归（RS-SVR）的地表沉降预测模型,并将该模型应用于实际地铁隧道工程的地表沉降预测中。首先,根据特定地质条件,从几何因素、地层因素和盾构施工因素选取影响地表沉降的条件属性,采用粗糙集理论的Pawlak属性重要度方法删除冗余数据,获取影响地表沉降的最优条件属性集。在此基础上,基于支持向量回归（SVR）建立RS-SVR地表沉降预测模型,并与没有经过属性约简的SVR模型进行对比分析。为了比较不同核函数对SVR模型的影响,RS-SVR和SVR模型分别选取径向基函数（RBF）、Sigmoid函数、Polynomial函数作为核函数对训练样本及测试样本进行回归预测。最后,利用佛山地铁2号线南湖区间上软下硬地层的20组地表沉降监测数据,对该模型予以试算。研究结果表明：将选取的影响地表沉降的12项条件属性约简为包含7项的最优条件属性集,分别为硬层比、黏聚力、内摩擦角、土仓压力、总推力、刀盘扭矩以及掘进时间,地表沉降分类结果与约简前保持一致;同类模型进行横向对比时,RBF作为核函数的RS-SVR模型和SVR模型预测误差分别为5.54%、13.10%,均低于以Sigmoid函数和Polynomial函数作为核函数时的预测误差;以同种核函数进行纵向对比时,RS-SVR模型预测误差分别为5.54%、11.48%、13.26%,均低于SVR模型预测误差的13.10%、15.71%、19.68%。     

非线性耦合模型在桥梁桩基沉降预测中的应用研究

通过对桥梁桩基的沉降预测,能有效地评价和判断桥梁的稳定性,为现场施工提供一定的指导依据。同时,系统性的预测方法能有效提高预测精度,因此,将灰色模型和BP神经网络进行耦合,建立了桥梁桩基沉降的初步预测模型,再利用马尔科夫链建立误差修正模型,实现桥梁桩基沉降的分阶段预测。该模型发挥了灰色模型“累加生成”灰色序列的优点,增加了沉降数据的规律性,又充分利用了BP神经网络和马尔科夫链的非线性预测能力,具有系统性强、全面性高等优点。同时,利用2个实例进行验证,结果表明实测值和预测值较吻合。其中,实例1平均相对误差为1.37%,实例2的平均相对误差为1.39%,两实例的预测结果差异不大,具有较高的预测精度,验证了所提预测模型的有效性。     

城市盾构隧道施工地表沉降BP神经网络预测应用研究

基于成都轨道交通17号线明光站—九江北站区间的相关监测数据，采用了回归分析方法，利用Matlab拟合Peck法中的相关参数，对DK68+849，DK68+869断面的地表沉降进行了预测分析。同时，通过建立BP神经网络模型，调整相关的网络设置参数来调整模型的MSE值，最终得出最佳预测模型，利用训练出的BP神经网络模型对地表的最终沉降量进行了有效的预测。     

基于浑沌神经网络的动态交通量预测方法研究

介绍了目前国内外道路交通量预测的方法、特点及实际的预测效果.由于城市道路交通的复杂性,使得一些现有交通量预测方法的预测精度不高.针对这些问题,应用混沌神经网络,建立了城市道路交叉口出口交通量的浑沌神经网络预测模型,并与传统的BP神经网络预测结果对比,表明此模型具有较好的预测效果.     

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。     

基于GA-BP神经网络的汽车空气阻力系数预测研究

针对整车空气动力性能开发中数值计算耗时长的问题，提出一种基于GA-BP神经网络的汽车空气阻力系数预测方法。将汽车部分特征参数作为输入变量，经外流场仿真得到的空气阻力系数作为输出变量，获取数据集。采用遗传算法对BP神经网络进行参数寻优，最终建立基于遗传算法的BP神经网络模型，验证不同训练集数量对模型预测精度的影响。结果表明，GA-BP神经网络在训练样本较少时也能维持较高的预测精度，可用于汽车空气阻力系数的快速测。