基于SVR模型的驾驶简单反应时间预测方法

为准确预测驾驶人对突发事件的简单反应时间,并为构建自适应式危险驾驶状态预警系统奠定基础,提出了一种基于实时脑电图(EEG)信号的驾驶人简单反应时间预测方法。首先,通过快速傅里叶变换(FFT)对EEG信号进行特征参数提取,作为驾驶人简单反应时间的客观预测指标。在此基础上,基于支持向量回归(SVR)建立驾驶人对突发事件简单反应时间的预测模型。最后采用20名驾驶人连续驾驶4h的EEG信号与反应时间数据,对该模型予以试算。研究结果表明:3项脑电特征参数(θ,α,β)与反应时间均具有显著相关性,其中脑电特征参数α的相关性最显著,为SVR模型对简单反应时间进行预测提供了客观预测指标;分别采用径向基函数(RBF)、Polynomial函数、Sigmoid函数作为核函数构建SVR模型对简单反应时间进行预测时,所得预测结果中采用RBF函数所产生的各项误差均低于其他2项函数,表明采用RBF函数为核函数的SVR模型预测精度最优,其预测准确率达到80%以上。     

杭州地区某盾构区间施工地表变形预测参数的分析与确定

以杭州地铁某盾构区间隧道施工为背景,分别对盾构隧道上浮和盾构隧道水平2种工况建立计算模型,并计算盾构掘进施工引起的地表沉降,在每种模拟工况计算中取不同的地层损失率对地表沉降进行计算。将不同工况、不同地层损失率的计算结果与实测数据进行对比分析,并利用Peck公式计算结果进一步确认,以确定不同工况下的地层损失率:盾构隧道上浮工况下地层损失率约为1.9%;盾构隧道水平工况下地层损失率约为1%。以期为杭州和其他地区盾构施工引起的地表沉降预测提供参考。     

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。     

土压平衡盾构开挖面压力取值及对地表沉降的影响

土压平衡盾构广泛应用于地铁隧道施工中,其施工过程产生的地表沉降及相关问题直接影响隧道施工安全。以成都地铁3号线某区间盾构隧道工程为例,应用理论方法计算盾构开挖面压力取值范围。结合工程地质条件、施工参数、不同开挖面压力和地层损失率,利用嵌入了土应力路径本构模型的ABAQUS软件进行盾构开挖三维模拟,得到了卵石地层盾构施工引起的地表沉降规律,并通过与现场地表沉降监测结果对比,验证了此模型的合理性,确定了合理的开挖面压力取值范围。最后,进一步分析了实际盾构施工开挖面压力值与地表沉降值之间的规律,评价施工时设定的开挖面压力值的优劣。     

双孔隧道中后掘进盾构对地表沉降的影响

受地下空间限制,城市地铁双线隧道间净距较小,后掘进盾构隧道施工将引发地层二次扰动,导致额外地层变形,对临近构筑物安全威胁尤甚。当前研究主要基于地表横向沉降曲线研究双线隧道掘进引起地表的沉降规律和地层扰动特点,但地表横向沉降曲线不能全面反映前、后掘进盾构隧道施工引起的地表沉降发展过程及规律。以杭州地铁某区间双线盾构隧道地表沉降长期监测数据为依托,采用地表沉降时程曲线和地表横向沉降曲线相结合的方法,分析双线盾构隧道前、后掘进引起的地表沉降规律。研究表明,后掘进隧道引起的土体损失率在0.6%～0.8%之间,地表最大沉降量在15.2～20.7 mm之间,均大于先行隧道引起的土体损失率和地表最大沉降量;由于后掘进盾构对地层的二次扰动,导致最终地表沉降槽曲线并不严格关于双线隧道轴线中点对称分布,地表沉降最大值略微偏向后掘进隧道轴线。通过地表沉降时程曲线发现,先行盾构通过监测断面后,地表沉降迅速发展,主要沉降范围在隧道轴线6 m范围内;由于先行盾构隧道掘进扰动,在后掘进盾构到达前2天(约3倍盾构直径距离)地表开始发生明显的沉降;在后掘进盾构施工影响下,所引起其轴线处地表沉降量大于先行掘进盾构所对应的轴线处沉降值。     

双线地铁隧道泥水及土压平衡盾构施工地层变形特征研究

为分析圆砾地层双线地铁隧道分别采用泥水和土压平衡盾构施工时的地层变形特征，以南宁地铁3号线东葛路站-滨湖路站区间盾构施工工程为背景，采用现场监测数据分析2种盾构施工时的地表横向沉降特征和监测点纵向沉降历程特征。利用FLAC3D软件对2种盾构工法进行简化模拟，验证模拟方法的可行性； 设计双线地铁隧道分别采用土压平衡盾构和泥水平衡盾构、全部采用泥水平衡盾构、全部采用土压平衡盾构3种工况的模拟方案，研究3种工况下的地层变形特征。研究结果表明： 1)双线地铁隧道采用2种类型盾构施工时，地层沉降曲线偏向土压平衡盾构施工的隧道一侧； 采用同种类型盾构施工时，地层距离隧道越近，沉降曲线呈“W”特征越明显； 2)双线地铁隧道采用土压平衡盾构施工时各地层沉降较大，地表横向沉降影响范围约50 m； 采用泥水平衡盾构施工时各地层沉降相对较小，地表横向沉降影响范围约30 m； 3)3种工况下，双线地铁隧道采用土压平衡盾构施工时引起的地表水平位移最大。     

基于ARIMA和SVM模型的沥青路面使用性能预测比较

通过构建时间序列ARIMA和支持向量机(SVM)模型对沥青路面的PCI值进行预测,并比较两种模型的预测结果,建立适宜的沥青路面使用性能预测模型。分别采用线性核、多项式核、径向基核和Sigmoid核函数构建SVM模型,根据十字交叉验证(Cross-Validation)方法确定核函数及其参数,对比不同核函数的PCI值预测误差精度。最后利用选取的多项式核函数SVM算法预测广东省普通国省道沥青路面使用性能。结果表明：采用多项式核、径向基核函数SVM算法的预测结果较ARIMA模型预测结果精度高。SVM算法中核函数对预测结果影响显著,4种核函数SVM预测模型中,基于多项式核函数模型预测精度最高,其预测沥青路面使用性能的平均绝对百分误差(MAPE)在1%以下,其次为径向基核函数,而Sigmoid核函数预测精度最低。采用线性核函数SVM算法预测结果与ARIMA模型预测结果接近,预测精度满足要求。     

岩质边坡稳定性 SVM 预测模型的新型核函数应用

导致岩体破坏的影响因素复杂多样,一般分为几何因素和物理因素。目前针对均质体的岩质边坡物理参数取值方面的研究较多,而关于改进的二折线岩质边坡模型的影响因素分析还处于起步阶段,且寻找能够解决各因素之间非线性关系的分析方法是十分必要的。基于二折线边坡计算模型,引入能够解决高维非线性问题的支持向量机方法,通过重要参数的敏感性分析,提出一种新型的综合核函数,论证该方法在岩质边坡稳定性预测分析中的可行性。通过各因素的敏感性分析可知,关于边坡的几何因素,采用RBF核函数所建预测模型精度较高,Sigmoid核函数适用性较差;关于边坡的物理力学因素,采用Linear核函数所建预测模型精度较高,Polynomial核函数和Sigmoid核函数适用性较差。经核函数矩阵组合得到一种新型综合核函数,并与4种常规核函数进行预测效果对比,结果表明,采用新型综合核函数所得岩质边坡稳定性预测精度最高,绝对误差不超过0.010 3,相对误差不超过2.83%。研究结论可为岩质边坡稳定性分析提供一种新思路。     

地铁车站端头盾构井深基坑地表沉降分析与预测

为探究乌鲁木齐地区复杂地层深基坑施工对周边环境的影响,依托地铁1号线某盾构井深基坑工程实例,结合工程结构特点、地质条件,在施工过程中选取地表变形实际监测数据,综合分析基坑周边地表变形特性,同时采用灰色Verhulst模型对地表沉降进行预测。研究结果表明:基坑周边地表沉降主要集中在开挖和拆支两个阶段,拆支对地表沉降的影响应引起重视,特别是拆除中板支撑时的地表沉降可能比开挖阶段还要显著,必要时应采取防范措施,避免安全事故的发生;采用灰色Verhulst模型可以预测开挖和拆支两个阶段的地表沉降,且精度较高。     

盾构施工引起地表沉降的BP神经网络预测

根据盾构施工引起地表沉降的具体问题，结合广州地铁三号线某区间地质资料，建立了地表沉降预测的BP神经网络模型，并对网络进行了训练和测试，测试结果表明，利用神经网络进行盾构隧道施工的地表沉降预测是可行的，可用于工程实践。     

基于深度学习的破碎带盾构施工沉降预测分析

为进一步提高复杂地层条件下盾构沉降预测的准确性，以广州地铁7号线1期工程谢村站-钟村站区间盾构工程为依托，针对破碎带盾构隧道沉降控制难题，提出基于深度学习的人工智能预测模型。通过分析开挖面破碎带分布规律，确定将破碎带面积比作为地层特性参数。采用相关系数矩阵分析不同施工参数与破碎带面积比的相关性，确定采用刀盘转矩代表破碎带面积比实时描述地层分布特性。以刀盘转矩、盾尾间隙与注浆量作为输入值，地面沉降作为输出值训练深度学习模型，并利用训练后的深度学习模型进行沉降预测分析。通过分析预测结果与沉降实测值的对比验证预测模型的有效性。     

基于Takens理论和SVM的滑坡位移预测

针对滑坡变形时序非线性,数据量少的特点,引入Takens理论,采用支持向量机(SVM)建立其预测模型,建模过程中,比较了由不同核函数获得的SVM模型的性能,同时将SVM与RBF、El-man神经网络模型进行外推7步预测试验比较。结果表明:RBF核函数具有更好的工程实用价值;在有限样本情况下,SVM预测模型具有更好的准确性和泛化性,其7步预测平均误差率控制在5%以内,可见该方法在滑坡变形预测方面极具潜力。     

盾构隧道施工引起的土层分层沉降规律实测研究

为了获得北京地区盾构隧道施工引起地层位移的实测资料,并分析不同布置下双线盾构隧道引起的沉降特征,以北京地铁8号线二期工程为依托,分别在双线盾构区间隧道的平行段和交叠段设置分层沉降监测断面,研究盾构施工引起的不同深度处地层沉降规律。分析表明:北京典型地层不同深度的沉降槽曲线可用高斯分布来描述,沉降槽宽度随深度的增加不断减小;不同深度处,盾构到达监测断面前、超过监测断面1倍埋深距离、后期沉降这3部分大致各占总沉降的1/3;对于双线交叠盾构隧道,当先开挖下面的隧道再掘进上面的隧道时,沉降槽整体变深;北京典型地层条件下(地下水位以上),不同深度处沉降槽对应的地层损失率基本不变;施工中,盾构停机会使地层损失率和沉降量明显增大。     

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。     

基于BP神经网络的富水砂层渣土改良试验效果预测

在地铁隧道建设过程中，渣土改良效果是影响盾构掘进速度的关键因素。为确保盾构顺利掘进，以坍落度试验、渗透试验和电阻率测试的结果作为数据样本集，根据深度学习领域常用的数据划分方法将训练集、验证集和预测集按照6∶2∶2进行划分，基于BP神经网络建立渣土改良效果的预测模型，对南昌地区富水砂层进行渣土改良效果预测，并将预测值和实际值进行对比分析。研究结果表明： 坍落度、渗透系数、内摩擦角在模型学习过程中的平均预测值分别为1728 mm、3355×10-6 cm/s、216°，相对误差平均值分别为176%、453%和360%； 预测集的输出结果与实测值的部分数据重合，三者的平均误差均在5%以内，可决系数R2值分别为088、090和085，表明该神经网络结构属于高精度模型。预测结果的误差均在现场渣土改良的允许误差范围内，可见BP神经网络模型能够对渣土改良的效果进行精准预测。     

盾构慢速掘进（停机）沉降影响因素及控制措施探讨

分析和探究软土地层中盾构掘进施工对地面沉降的影响因素以及对沉降进行准确预测,能够为土压（泥水）平衡盾构在不同软土地层中的掘进参数优化和沉降控制提供理论依据。以盾构慢速掘进（停机）工程实例为研究对象,采用理论解析解和三维数值模拟2种方法,计算单纯由盾构施工引起的理论地面沉降量,并与南京宁和城际一期工程新梗街站-天保路站（2号盾构井）区间施工过程中盾构停机时的实际监测数据进行比对总结,从量值差异探究盾构施工引起地面沉降的主要影响因素。分析结果表明,盾构施工工艺参数、超孔隙水压力消散和地层损失是影响盾构施工中地面沉降的主控因素。通过优化施工参数,并采取经济可靠的超前地基处理措施,能较大程度地减小盾构掘进对地面沉降的影响。     

狮子洋隧道陆地段盾构施工横向地表沉降研究

为了预测盾构隧道施工引起的地表横向沉降,针对狮子洋隧道陆地段DIK42+660断面地层,通过理论分析,利用Peck公式对该断面地表横向沉降量进行计算;通过数值模拟,利用ANSYS建立地层的有限元模型,并从数值模拟结果中获取地表单元的横向沉降量;最后通过与现场监测结果对比,对理论分析和数值模拟的地表横向沉降量预测方法进行评价。研究结果可为盾构隧道地表沉降的预测提供有效的方法。     

人工神经网络在路堤沉降预测中的应用

以人工神经网络法为主，研究了多因素条件下的沉降预测问题，同时与浅岗法和S型曲线法这2种在近几年推广应用的预测方法进行了对比。结果表明，3种方法预测的最终沉降大体相近，它们之间的区别在于人工神经网络法预测的沉降较大（同时更接近实测值）；S型曲线法较小；浅岗法居中。由于神经网络是用实测数据直接建模，少了人为干扰因素，并且偏大的数值对工程来说是偏于安全的，所以选用人工神经网络预测沉降比较适宜。