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。     

基于最优组合赋权的EMD-GRU盾构竖向姿态预测

为解决盾构施工过程中姿态预测不精准的问题,提出一种基于最优组合赋权的EMD-GRU盾构竖向姿态预测方法。首先,对获取到的竖向姿态数据(俯仰角)进行数据预处理;其次,为提高模型的预测精度,将原始数据集基于经验模态分解(empirical modedecomposition,EMD)的方式划分为若干个较为平稳的子序列;然后,基于门控循环单元(gatedrecurrentunit,GRU)神经网络分别建立各个子序列的预测模型;最后,基于最优组合赋权法将各个子序列的预测结果进行融合,以得到模型的最终预测结果。为验证所建立的EMD-GRU预测模型的可靠性,依托昆明地铁5号线实际盾构施工项目加以应用,并与GRU、SVR、BP模型的预测结果进行对比。结果表明,所构建的EMD-GRU预测模型具有较高的预测精度和泛化能力,可为盾构姿态精准预测提供一种新的思路。     

基于滑动窗口动态输入LSTM网络的铁路运输系统碳排放量预测方法

铁路运输的低碳发展对交通系统实现“双碳”战略目标有着重要意义。针对当前铁路运输碳排放预测研究较少、预测精度不高的问题,考虑碳排放时间序列数据中历史信息和当前信息间的相关性,引入滑动窗口,结合长短期记忆（LSTM）网络,构建铁路运输碳排放量预测模型。采用灰色关联分析法计算铁路运输碳排放量各影响因素的关联度值,筛选铁路运输碳排放量的关键影响因素,使用高关联性数据作为预测模型的输入变量,提高预测精度;应用LSTM网络为基础预测模型,通过引入滑动窗口改进神经网络的数据输入;考虑未来减排政策变化对铁路运输碳排放量的影响,融合基于动态政策的情景分析,构建铁路碳排放预测模型,并利用多项式误差拟合方法进行误差修正,提高预测结果准确性。以1980—2019年铁路运输碳排放相关数据为例,从现有文献中总结出17个铁路碳排放影响因素,利用灰色关联分析法从中筛选出6个关键因素,通过滑动窗口对筛选出的数据进行子序列分割,测试不同长度窗口下的预测精度,选择最优窗口参数,建立改进LSTM模型进行预测,并将预测结果与原LSTM、BPNN和RNN模型进行对比,结果表明：改进LSTM模型将相对误差平均值降低至0.392%,...     

基于灰色-马尔可夫链的软弱围岩隧道施工期围岩变形预测研究

施工中的围岩变形监测目的在于掌握围岩动态,对围岩做出稳定性评价,为确定支护形式、支护参数的选取和支护的最佳时机提供指导。从而实现保障施工安全、利用围岩动态信息指导施工。当然隧道的变形是受多重因素的综合影响下,具有不确定性、模糊性、时间单调增长性等特点。而软弱围岩本身由于强度低、稳定性差、变形时间长等特点、往往因为支护参数、水的影响及预留变性量不足或者支护时机不对,在施工过程中易引发初支大变形、侵限甚至地表开裂、坍塌、冒顶等现象。针对软弱围岩的变形这一不确定系统,本文尝试利用灰色模型和马尔可夫链修正的方式相结合,根据已有监控数据预测未来围岩的变形发展趋势。结果表明预测模型所得出的计算结果和监控数据实测值拟合度较高,表明灰色-马尔可夫模型在隧道围岩预测中有着广泛的应用前景。     

基于多变量的集成预测模型在隧道拱顶沉降变形预测中的应用

隧道拱顶沉降是多种因素共同作用的一个十分复杂的过程,很难用数学模型进行精确计算。实际施工过程中,围岩情况经常发生变化,为满足设计要求,必须严格控制隧道拱顶沉降。传统的预测模型都只是利用拱顶沉降监测数据建立单变量模型进行拟合并预测。隧道开挖过程中,拱顶变形所受影响因素较多,导致监测数据序列中常常出现离散型较大的数据,单一变量模型预测精度受这些离散数据的影响较大,而且筛除离散型较大的数据会直接影响模型预测精度,因此单一模型只能对拱顶沉降量做粗略的估计。针对这一问题,根据隧道变形的同时性和内在相关性,利用拱顶变形监测数据和同期两侧收敛变形监测数据构建带输入变量的时序模型、GM(1,2)模型和BP模型分别对拱顶沉降变形进行预测,并运用实例验证了所建模型的有效性。通过对两种模型的预测精度进行对比可知,单一变量的时序模型只能对变形的趋势作出预测,预测精度较低,难以对拱顶沉降进行有效预测,而单一变量的GM(1,1)预测模型则完全失效。为了避免单一模型自身的缺陷导致预测精度降低,同时使不同模型间优势互补,本研究建立了基于以上3种带输入变量模型的集成预测模型,其加权系数采用熵值法确定;最后将该模型运用于宝汉高速白庙子隧道中进行检验,结果表明该集成模型更有效,预测精度更高。     

泥质砂岩地层盾构掘进施工扰动效应与地表纵向变形预测方法

盾构掘进扰动引起的地表变形是施工控制的关键参数。在明确盾构施工不同阶段扰动机制与影响因素的基础上,基于半无限空间体Mindlin解,给出考虑盾构附加推力、盾壳摩擦力、同步注浆压力和地层损失多因素作用下的地表纵向变形计算公式。并通过长沙地铁6号线朝芙区间地表纵向位移实测数据验证了该文计算方法的可靠性。采用该方法分析不同施工参数对地表变形的影响。结果表明:盾构附加推力和摩擦力均造成前方地表隆起后方地表沉降,同步注浆压力使地表发生隆起并在盾尾处出现最大值,地层损失引起地表沉降占比最大;在盾构经过阶段因地层损失、盾构摩擦力和盾构推力的影响,引起的地表纵向位移最大。根据盾构掘进扰动机理及变形影响因素,对盾构掘进过程不同阶段的相关施工控制参数与措施提出了适当建议。     

盾构隧道施工地表沉降数值分析研究

隧道施工引起的地层损失所导致的地表沉降变形预测和控制，是隧道工程领域重要的研究课题之一。以盾构隧道开挖引起地表沉降变形为研究对象，采用有限元数值分析软件模拟盾构隧道施工过程，分析盾构隧道引起的土体应力场、位移场变化，对比分析不同的地层损失、不同的土体本构模型、土体排水和不排水条件下隧道施工引起的地袁沉降变形规律，并进行了不同影响因素的敏感性分析。结果表明，地表沉降槽近似正态分布曲线，地表沉降的主要影响因素依次为隧道埋深、内摩擦角、压缩模量、粘聚力和泊松比；提出了盾构隧道施工引起的地表沉降计算模型，并采取有针对性的措施来减少地表沉降，减小对周围环境的不良影响。     

盾构施工引起的地表沉降预测及其敏感性分析

盾构施工会扰动地层引起地表沉降,导致地表建筑物倾斜、开裂或是倒塌,地下管线被破坏。因此,盾构施工时有必要对地面沉降进行预测和敏感性因素分析。本文结合某地铁区间的地质资料利用支持向量机建立数学模型,对盾构施工引起的地表沉降进行预测,并与BP神经网络模型的预测结果进行对比。最后,利用灰色关联分析理论对地表沉降进行敏感性分析,为盾构施工提供参考依据。     

盾构隧道土仓压力引起的地表沉降数值模拟分析

以广州地铁四号线仑-大区间盾构施工为依托,通过三维有限元模型预测盾构向前推进时舱体设定土压力引起的地表变形值,对盾构施工变形问题进行研究。同时结合现场监测结果的对比分析,总结了地表沉降规律,对后续工程施工具有指导意义。     

佛山地铁2号线湾华～登州区间盾构隧道施工监测技术研究

地表沉降监测与控制是地铁隧道盾构施工中最关键的问题,以佛山市轨道交通2号线湾华~登州地铁区间盾构隧道施工监测技术为例,分析了监测的项目、方法、频率、报警值、控制标准、数据处理及反馈等技术,探讨了盾构施工过程地表沉降的影响因素及施工控制技术。对盾构施工过程中引起的地表沉降和管片结构变形进行了数值计算,研究结果可为其他相似工程提供一定的参考依据。     

地铁盾构法施工对地表变形的影响分析

为研究地铁盾构法施工对地表沉降的影响情况,利用盾构施工现场监测数据结合三维有限单元法数值模拟对地表沉降的变化情况进行研究。根据监测数据结果,明确施工推进时对纵向地表的影响范围,横向监测数据随着盾构不断推进的变化规律。利用ABAQUS软件,以实际的地层参数、施工参数等及相应的地面沉降数据作为样本,建立三维有限元模型,与施工中的地表沉降监测值进行对比,计算结果基本满意。现场监测沉降值在允许范围之内,模拟值和实测值比较接近,为预测地表沉降提供参考。     

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。     

考虑盾构隧道轴线倾角的施工地表变形评价

针对盾构掘进过程中地层损失引起的地表变形,目前的理论解析法均假设盾构沿水平线进行掘进,尚未考虑盾构施工角度因素对地表变形的影响效应。基于修正源汇法公式,引入盾构俯仰角、隧道轴线倾角因素,通过离散方法建立考虑隧道轴线倾角的地表变形计算公式。通过基于实际工程参数的数值模拟计算及工程监测数据对提出的方法进行有效性验证,在此基础上深入分析隧道轴线倾角对地表变形的影响规律。分析表明,隧道轴线倾角对地表变形有明显影响:纵断面上,倾角直接影响地表变形曲线的斜率;横断面上,随着倾角增大,地表最大沉降越大,沉降槽越窄,变形曲线越尖锐。提出的考虑盾构隧道轴线倾角的施工地表变形评价方法能够反映实际施工时角度因素对地表变形的影响。     

基于深度学习的城市地面公交客流集散点刷卡客流预测——以常州市为例

提出了一个全新的动态公交客流预测模型,使用智能卡数据和网络爬取的常州市兴趣点(POI)数据、天气记录数据,建立一种特征融合的长短期记忆递归神经网络(Feature-fusion LSTM RNN)模型,并应用于常州市地面公交客流集散点的智慧卡(Smart Card)刷卡客流预测.将以上模型用于刷卡客流预测实验,结果表明经过良好数据训练后的特征融合的长短期记忆递归神经网络可以在刷卡客流预测中保持较高的稳定性、准确性和泛化能力.     

叠落式暗挖与盾构隧道施工的变形控制

叠落隧道施工会对地层产生多次扰动,较之单线隧道地层变形机制更加复杂,对变形的准确预测并采取可靠的控制措施是隧道安全施工的重要保证。依托某地铁区间叠落式暗挖与盾构隧道工程,首先采用数值模拟分析了叠落式暗挖与盾构隧道地层变形特性;根据数值分析的结果从地层超前加固、开挖方法、支护结构等方面制订了地层变形的控制措施,使地层变形在控制标准范围内;实际施工中采用给出的控制措施来控制地层变形,保证了工程施工安全,取得了较好的实施效果,并通过现场试验对此进行了验证。研究结果表明:暗挖隧道(上行)施工产生的地表沉降明显大于盾构隧道(下行)开挖,两洞施工结束后的地表沉降最大值位于暗挖隧道拱顶上方;对本工程不同开挖顺序产生的地表变形而言,"先上后下"施工产生的地表最大沉降值及沉降影响范围均大于"先下后上"施工,工程实际中可采用"先下后上"的施工顺序;监测数据表明将暗挖隧道作为地层变形控制重点,通过对暗挖隧道采取超前注浆,可有效控制地表变形,减小两隧道开挖的地表影响范围,说明在暗挖隧道中采用超前注浆可作为叠落式暗挖与盾构隧道修建过程中的重要安全控制措施。研究结果可为类似隧道工程的设计、施工提供一定参考。     

基于LSTM算法的基坑变形预测

在基坑正常施工的情况下，为准确预测基坑未来一段时间内地下连续墙的水平变形，基于某地铁基坑工程现场监测数据，利用LSTM算法进行模型训练，得到基坑变形预测模型。在前期实测数据的基础上，利用预测模型分别对基坑开挖期、浇筑底板后2种工况下的基坑地下连续墙水平变形进行预测，得到基坑地下连续墙的变形预测值，并结合其他预测模型的预测结果进行误差对比分析。结果表明： 相比于BP预测模型和灰色预测模型，LSTM预测模型具有更高的准确性。通过对多测点多工况的进一步预测验证，证明了该模型的稳定性和可靠性。     

地铁盾构隧道施工引起地表沉降机制及数值分析

针对黄土地层中盾构施工引起地表沉降问题,通过理论分析和数值模拟方法,探讨了盾构隧道地表沉降机制,分析了盾构隧道地表沉降预测解析方法,研究了等代层模量与土舱压力对地表沉降槽宽度和最大沉降量的影响。研究表明:盾构隧道施工工艺中,土舱压力和等代层是主要影响地表沉降的因素,然而,盾构施工地表沉降预测方法中未考虑这两个因素的影响。土舱压力与等代层模量对地表最大沉降量影响较大,对地表沉降槽宽度和范围影响较小。在实际盾构隧道开挖施工过程中土舱压力应在0.8~1.2倍静止土压力之间,对地表最大沉降影响较小。研究成果对完善盾构施工地表沉降预测方法和施工工艺具有一定的理论价值。     

基于BP神经网络的福泉高速公路车流量预测

高速公路车流量预测为高速公路管理企业对减轻高速公路的拥堵情况、改善高速公路的通行能力等方面提供了不可或缺的数据基础,也对其未来收益提供了参考。论文以福泉高速公路为研究对象,选择BP神经网络进行预测;其次分析车流量预测的影响因素,确定神经网络的输入和输出变量的数据类型、确定BP神经网络的层数及各层神经元的数量、各参数值,利用MATLAB构建完整的BP神经网络预测模型,最后收集样本数据,进行数据的预处理,利用样本数据对神经网络进行训练,包括训练完成后输入已知数据,进行实时预测,通过MATLAB进行仿真,证实方法可行有效,得到的结果证明BP神经网络的结构和参数值都是比较合理的,可以较好模拟现实环境,进行比较准确的预测。     

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%。     

基于特征相关度分析的路面凝冰短时预测方法

针对高速公路易结冰路段的路面凝冰预测问题，提出了一种基于特征相关度分析的路面凝冰短时预测方法。该方法利用路侧设备的测量数据，包括结冰厚度、相对湿度、风向与风速等，通过ADF(Augment Dickey-Fuller)检验方法分析数据集的平稳性，进而设计出基于长短期记忆网络(Long Short-term Memory, LSTM)的路面凝冰短时预测算法。根据Spearman相关度系数法分析计算上述多种凝冰监测数据的相关度与置信度，并形成基于Spearman特征相关度的数据筛选模型，优化LSTM神经网络中的输入数据集。在此基础上，搭建面向凝冰预测误差的LSTM神经网络模型，并利用筛选后的凝冰数据集训练优化预测算法中的模型参数，提高目标路段路面凝冰预测的效率与精度。最后，通过数值仿真分析比较不同特征相关度下路面凝冰短时预测算法的均方根误差，确定最优预测模型，并于西延高速KM200+918路段进行实地测试。研究结果表明：路侧设备的测量数据中相关度较低的数据对路面凝冰预测算法存在反向作用，并非将所有数据进行组合即可得到最优结果，需对测量数据进行有效筛选，进而优化LSTM神经网络，提高凝冰预测...