基于FOA-BP神经网络的高铁沉降预测

BP神经网络在沉降预测过程中存在预测精度有限、收敛速度慢等缺点。为提高BP神经网络在高铁沉降预测中的精度,基于改进的果蝇算法(FOA),利用其味道浓度函数来代替BP神经网络中的梯度函数,建立果蝇算法优化BP神经网络的预测模型—FOA-BP模型。通过果蝇种群迭代寻优获取最合适的权值和阈值,重新构建BP神经网络进行沉降预测。分别采用BP神经网络算法与FOA-BP神经网络算法对某高铁路基沉降监测点的沉降趋势进行预测,将两种算法的迭代次数、均方误差与平均相对百分比误差3个指标进行对比分析,结果表明:FOA-BP神经网络算法的三种指标均远小于BP神经网络算法,其模型精度更高,预测速度更快。     

基于有限元及灰色度分析的地铁隧道施工地表沉降预测研究

为保证地铁施工安全,提出基于有限元及灰色度分析的地铁隧道施工地表沉降预测方法。该方法使用 MADIS-GIS 有限元分析软件,构建隧道三维有限元模型,结合灰色度 GM(1,1)模型,对隧道施工中的地表沉降量进行预测,同时进行精度等级划分,从而获取高精度的预测结果。分析结果表明,该方法能够有效预测高速铁路隧道施工地表沉降,可为地铁隧道施工和运输安全提供保障。     

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SPSO-BP的暗挖法地铁车站施工工期预测研究

在地铁建设过程中,车站作为其不可或缺的组成部分,其施工工期对整个项目的进度控制和施工期间资源的合理配置具有重要作用。因此,实现地铁车站施工工期的精准预测至关重要。文章在深入分析暗挖法地铁车站施工工期影响因素的基础上,基于Spearman相关性分析筛选出18个影响因素,并采用SPSO算法优化BP神经网络,构建基于SPSO-BP的工期预测模型。实验结果表明,相比于传统的BP神经网络、PSO-BP模型以及未经特征筛选的SPSO-B P模型,SPSO-BP模型在小样本的施工工期预测上具有更高的预测精度和效率。     

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。     

新建电力隧道对既有地铁车站结构的沉降影响分析

某拟建电力隧道需穿越北京地铁5号线崇文门车站。为了研究隧道施工对既有崇文门车站结构所产生的影响,基于ANSYS软件建立近接隧道施工的三维数值计算模型,分析电力隧道开挖过程中地表及地铁车站结构沉降的变化情况,得到近接电力隧道施工引起的地表沉降最大值及既有地铁车站结构的最大沉降值,并确定了其最大沉降差与水平位移。研究表明:地表最大沉降满足地表沉降控制标准;电力隧道开挖时地铁结构横向及纵向沉降均在预测的沉降范围内。     

粉质黏土地层盾构施工地表沉降关键参数分析与预测

基于常州地铁土压平衡盾构穿越典型粉质黏土地层59个地表沉降监测断面实测数据的统计结果,分析了Peck公式用于预测常州地铁土压平衡盾构施工引起的地表横向沉降槽的适用性,得出了预测常州地区典型地层中盾构施工引起的地表沉降基本参数的取值范围.即:地层损失率取0.10％～0.75％,沉降槽宽度参数取0.3～0.7.基于盾构机对土体作用的力学模型,得到了盾构掘进时的地层位移场的解析解,并与监测数据对比,给出了相关参数的取值方法.应用给出的计算参数,可以较好地预测常州地铁施工过程中及施工后引起的地表沉降.     

砂性地层地铁暗挖施工地表沉降预测方法

通过对地层沉降机理和地表沉降空间分布形态的分析,对Peck公式进行了修正,把隧道中轴线处地表沉降z中和地表沉降槽的宽度系数i都拓展成y的函数,得到了适用于砂性地层地铁暗挖施工开挖进程的三维空间地表沉降预测方法。根据沈阳地铁实际工程地表沉降实测值反推出预测公式中z中(y)和i(y)的具体形式及其他系数值,并对不同断面横向地表沉降计算值和实测值进行对比分析,结果证明该预测方法可应用于工程实践。     

地铁隧道近距离下穿既有车站施工技术研究

结合北京地铁7号线某区间隧道施工工程实例,采用经验法预测地铁隧道下穿既有地铁车站引起的地表沉降。通过对地表沉降的预测及分析,在施工过程中,采取大管棚超前支护及深孔注浆加固等措施,将地表沉降量控制在规范和设计要求的范围内,同时加强对既有车站的监控量测,从而确保既有车站运营安全。     

浅埋暗挖地铁隧道引起地表沉降的数字模拟与实测分析

地铁隧道施工引起地表沉降问题是地铁隧道建设最难控制且亟待解决的关键性问题之一。根据土体变形机理,对我国北部某城市浅埋暗挖地铁隧道开挖地表沉降量进行有限元预测计算,并利用施工路段现场监测值对模拟结果进行验证。验证结果表明:应用有限元软件模拟计算得到最大竖向沉降量产生在隧道轴线正上方位置,施工结束后的最大沉降值约为39.9 mm;实际监测MS-6断面施工结束后的最大沉降值为55.1 mm;实测值与模拟计算值存在一定差异,距离隧道轴线位置越近,两者差异的数值越大。实测地表沉降值与模拟计算值整体变化一致,因此应用有限元模拟浅埋暗挖地铁隧道引起地表沉降量是可行的。     

基于改进蝙蝠算法优化LSTM网络的短时客流预测

准确地预测地铁站短时客流量,对地铁站通风空调系统的节能优化具有重要意义.充分考虑地铁客流量非线性、随机性、周期性等特点,提出一种基于改进蝙蝠算法(IBA)优化长短期记忆(LSTM)神经网络的短时客流量预测模型(IBA-LSTM).引入反向学习、动态自适应惯性权重与拉格朗日插值法等方法改进蝙蝠的全局搜索与局部寻优能力,克服标准蝙蝠算法易早熟、易陷入局部最优值的问题;利用改进的蝙蝠算法对LSTM网络的隐含层节点数、迭代次数、初始学习率、学习率下降因子4个参数进行优化;利用西安某地铁站自动检票系统(AFC)采集的客流数据,对模型的有效性进行检验.实验结果表明:该预测模型在均方误差、均方根误差、平均绝对百分比误差等方面均优于标准蝙蝠-LSTM模型、LSTM预测模型、BP预测模型及BP-Adaboost预测模型,所提出的方法可有效应用于短时客流量预测.     

地铁车站拱盖法施工地表沉降分步控制探讨

目前国内地铁车站较少采用拱盖法施工,其施工过程中的地表沉降控制鲜有分析。青岛地铁车站一般埋设在"上软下硬"地层中,拱盖法能较好地适应其地层特点,并节省造价。通过某地铁车站拱盖法施工全过程的数值模拟及沉降监测数据分析对比,得到不同工序影响地表沉降的大小程度,并依据最终控制值提出各工序下地表沉降的分步控制指标。     

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。     

软土地区明挖隧道施工引起周边建筑沉降的预测方法

提出了软土地区明挖隧道施工对周边建筑物影响的简化预测分析方法。利用改进的地表沉降偏态分布公式并结合宁波软土地区公路及地铁隧道明挖施工时的变形统计规律,得到了坑外地表沉降的预测方法。探讨了以地表沉降直接估算浅基础建筑沉降方法的合理性,建议在估算时考虑浅基础建筑层数的影响。通过分析地表沉降与桩基础抵抗变形能力之间的关系,提出对地表沉降进行折减获得桩基础建筑沉降的预测方法。最后,通过工程实例验证了该方法的实用性。     

融合人工智能算法的铁路路基沉降预测方法

首先利用三阶多项式拟合、GM(1,1)和BP神经网络等算法构建了铁路路基沉降单预测模型；然后基于误差法和熵值法，以合肥地铁4号线盾构隧道下穿既有铁路的监测数据为基础，融合三阶多项式拟合、GM(1,1)和BP神经网络构建了组合预测模型，实现铁路路基沉降的分阶段预测；最后，利用平均绝对误差、均方误差和平均绝对百分比误差评价模型精度。结果表明：基于误差法和熵值法的组合预测模型能显著提高预测精度，预测相对误差均小于±5%，预测均方根误差均小于±0.1 mm，验证了提出的组合预测模型的有效性。     

新建地铁车站近距离上穿既有地铁区间隧道施工方案的选择

北京地铁新建5号线东单站垂直上穿既有地铁1号线区间隧道,采用浅埋暗挖法施工,基于Peck公式预测施工引起的地表最大沉降为-34.5～-69.0 mm.为了严格控制地表沉降和既有地铁区间隧道上浮,采用工程类比法和FLAC3D有限元法,对柱洞法、中洞法和侧洞法3种地铁车站施工方案进行对比分析,结果表明柱洞法引起的地表沉降、既有地铁区间隧道上浮及结构内力变化均明显小于中洞法及侧洞法,因此施工方案选用柱洞法,并且洞室1、洞室3和洞室8的开挖以及中部梁柱体系施作阶段是柱洞法施工的关键控制步骤.施工完成后,实测地表最大沉降为-53.2 mm,既有地铁区间隧道底板最大上浮为7.7mm,均在控制标准之内.     

盾构诱发的地表及邻近建筑物变形规律研究

研究目的:以北京地铁八号线某区间隧道盾构工程为依托,采用FLAC模拟预测盾构施工引起的地表及其附近建筑物的变形规律,为盾构隧道施工安全通过地表建筑物时的合理施工参数确定和现场监测方案的制定提供技术支撑。研究结论:(1)采用数值模拟得到北京地铁隧道盾构施工引起的地表变形规律,地表横向沉降曲线在水平方向上基本对称,建筑物对其周围区域地表变形影响较大,对其所在区域地表变形影响相对较小,最大差异沉降为8,09 mm;(2)数值模拟预测结果表明两隧道开挖对地表影响的范围主要在两隧道中心左右各36 m,开挖面影响区域为开挖面前方24 m及开挖面后方20 m范围内,施工时应重点监测;(3)实践表明实测曲线与数值模拟曲线吻合较好,数值模拟是预测盾构施工对地表及邻近建筑物变形影响规律的有效手段;(4)研究成果可用于地铁盾构施工对地表邻近建筑物的变形控制方案的制定。     

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。     

地铁暗挖施工引起的地表沉降时空分布模型研究

以北京一地铁区间隧道暗挖施工引起的地表沉降分析为例,研究地表沉降分布规律及其时程分布规律。在大量实测数据的基础上,基于Peck公式进行地表沉降分布的回归分析,并通过修正,得到最大程度包络实测数据的高斯曲线,从而得到地表沉降的范围;基于Logistic函数模型,进行地表沉降随时间变化的回归分析,得到地表沉降时程分布规律和沉降速度时程分布规律。通过该方法得到的地表沉降时空预测曲线与隧道的土层性质、施工方法等密切相关。计算得到的沉降槽宽度系数、地层损失率、时间参数等可为预测沉降的时空分布提供参考数据。     

西安地铁盾构施工地表沉降随机介质预测研究

研究目的:针对应用随机介质理论预测盾构施工过程中诱发的地表沉降量时盾尾隧道断面收敛量的确定问题,文中在考虑盾构施工工艺的基础上,结合工程地质条件,并运用弹性力学的相关理论知识计算出随机介质理论预测地表沉降所需的参数。本文意在利用随机介质理论预测地表沉降量时,将预测计算所需参数可以进行量化计算,并能对影响其大小的各个因素针对施工环境进行优化。研究结论:通过对西安地铁隧道盾构施工诱发的地表沉降分析表明:(1)在盾尾断面收敛量的影响因素中,偏心超挖的影响最为敏感,而且最不容易控制;(2)盾尾应力释放引起的收敛变形是控制地表沉降的关键因素,而在弹性变形范围内,适当的增大注浆压力可以控制盾尾应力释放引起的隧道断面收敛量,有效地减小地表沉降;(3)使用本文提出的计算断面收敛量的方法并结合随机介质理论预测得到的地表沉降数据和沉降曲线趋势与实际结果符合;可对土体结构致密、强度较高的黄土地层中盾构施工中地表沉降控制措施的采取提供一定的理论依据。