CN111119902B - 一种基于bp神经网络的隧道动态施工方法 - Google Patents

一种基于bp神经网络的隧道动态施工方法 Download PDF

Info

Publication number
CN111119902B
CN111119902B CN201911295340.0A CN201911295340A CN111119902B CN 111119902 B CN111119902 B CN 111119902B CN 201911295340 A CN201911295340 A CN 201911295340A CN 111119902 B CN111119902 B CN 111119902B
Authority
CN
China
Prior art keywords
tunnel
grouting
neural network
construction
mechanical parameters
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911295340.0A
Other languages
English (en)
Other versions
CN111119902A (zh
Inventor
潘旦光
冯志耀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN201911295340.0A priority Critical patent/CN111119902B/zh
Publication of CN111119902A publication Critical patent/CN111119902A/zh
Application granted granted Critical
Publication of CN111119902B publication Critical patent/CN111119902B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21D—SHAFTS; TUNNELS; GALLERIES; LARGE UNDERGROUND CHAMBERS
    • E21D9/00—Tunnels or galleries, with or without linings; Methods or apparatus for making thereof; Layout of tunnels or galleries
    • E21D9/003—Arrangement of measuring or indicating devices for use during driving of tunnels, e.g. for guiding machines
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B25/00—Apparatus for obtaining or removing undisturbed cores, e.g. core barrels or core extractors
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21D—SHAFTS; TUNNELS; GALLERIES; LARGE UNDERGROUND CHAMBERS
    • E21D11/00—Lining tunnels, galleries or other underground cavities, e.g. large underground chambers; Linings therefor; Making such linings in situ, e.g. by assembling
    • E21D11/04—Lining with building materials
    • E21D11/10—Lining with building materials with concrete cast in situ; Shuttering also lost shutterings, e.g. made of blocks, of metal plates or other equipment adapted therefor

Landscapes

  • Engineering & Computer Science (AREA)
  • Mining & Mineral Resources (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Geochemistry & Mineralogy (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Fluid Mechanics (AREA)
  • Physics & Mathematics (AREA)
  • Architecture (AREA)
  • Structural Engineering (AREA)
  • Civil Engineering (AREA)
  • Excavating Of Shafts Or Tunnels (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明提供一种基于BP神经网络的隧道动态施工方法，属于隧道施工技术领域。该方法首先对隧道进行分段，并在各施工段中央布置地表沉降监测点，以数值计算得到的地表沉降值为输入层数据，以土层和注浆体的力学参数为输出层数据，训练生成BP神经网络，将各施工段的实测地表沉降值输入到已训练好的BP神经网络中，反演得到土层和注浆体的力学参数，通过数值模拟预测待开挖段的地表沉降，并不断优化注浆参数直至满足工程要求，用优化后的注浆参数指导待开挖段隧道的施工。该施工方法采用实时监测、超前预测、分段施工、及时调整的方式，能够较好地控制地表沉降。

Description

一种基于BP神经网络的隧道动态施工方法
技术领域
本发明涉及隧道施工技术领域，特别是指一种基于BP神经网络的隧道动态施工方法。
背景技术
由于地铁隧道多修筑在城市中心地区，建筑物林立、人流量大，传统的明挖法施工很难正常开展，浅埋暗挖法相比于明挖法因其对城市环境及周边居民、交通等影响小，而得以广泛应用，但是在其施工过程中容易引起地表沉降过大，甚至造成工程事故。如何在隧道开挖前准确预测地表沉降，并实时调整施工参数一直以来都是工程技术人员所关注的问题。采用数值模拟是最常用的一种预测手段，然而在进行数值模拟分析时，由于土层和注浆体的参数识别比较困难，其预测结果和实际情况往往相差甚远。针对这一问题，本发明提出一种基于BP神经网络的隧道动态施工方法，通过参数反演的方式分段获取土层和注浆体参数，并根据待开挖段的地表沉降预测结果不断优化注浆参数，从而能够较好地控制地表沉降。
发明内容
本发明针对现有地铁隧道施工过程中不能准确识别土层和注浆体的力学参数，难以较好地预测地表沉降并采取相应措施等问题，提供一种基于BP神经网络的隧道动态施工方法。
该方法包括步骤如下：
S1：沿隧道轴向将隧道分为多个施工段，并在各施工段中间布置地表沉降监测点；
S2：在隧道所处区域进行地质钻孔勘探，提取土体钻芯并测量其力学参数，根据力学参数对土体进行分层，在注浆设计范围内分别测量浆脉和土体的力学参数，然后根据等效作用原理，求出等效后注浆体的力学参数；
S3：以S2中测量得到的各土层和注浆体的力学参数为基准集，通过蒙特卡罗方法生成输出层数据，利用数值模拟方法计算得到地表沉降值作为输入层数据，训练生成BP神经网络；
S4：采用多循环方式对隧道进行预注浆加固、开挖和支护，分段施工并监测地表沉降值；
S5：将隧道开挖引起的地表沉降监测值输入到BP神经网络中，反演得到各土层和注浆体的力学参数；
S6：根据S5中反演得到的各土层和注浆体力学参数，利用数值模拟方法预测下一施工段的地表沉降，当最大沉降量超过地表沉降控制值时，增大注浆范围或注浆压力；当最大沉降量小于地表沉降控制值的20％时，减小注浆范围或注浆压力；进行反复调整，优化注浆参数；
S7：利用S6优化后的注浆参数进行预注浆加固，然后进行开挖并及时支护，实时监测地表沉降值；
S8：重复上述S5～S7，逐段向前施工。
其中，S1中施工段长度为隧道洞径的2～5倍。
隧道的每一施工段均布置有地表沉降监测点，S1中的地表沉降监测点每一排为7～15个，且关于隧道中心呈对称分布。
施工前沿隧道轴向布置地质钻孔并进行地质勘探，S2中的地质钻孔沿隧道轴向布置，钻孔数量不少于3个，-且地质钻孔的孔底位于隧道底板3倍洞径以下。
S2中力学参数包括压缩模量、泊松比、粘聚力、内摩擦角。
S5中反演得到各土层和注浆体的力学参数包括弹性模量、泊松比、粘聚力、内摩擦角。
本发明的上述技术方案的有益效果如下：
上述方案中，基于BP神经网络，利用其强大的非线性映射能力能够较为准确地反演得到土层和注浆体的力学参数，较大程度地提高了通过数值模拟预测地表沉降的精度；采用实时监测、超前预测、分段施工、及时调整注浆参数的动态施工方法，能够更好地适应复杂地多变得地层条件。该方法能够较为准确地识别土层和注浆体的力学参数，从而在一定程度上提高地表沉降预测的精度，进而及时调整注浆参数，并用于指导未开挖段的隧道施工。
附图说明
图1为本发明的基于BP神经网络的隧道动态施工方法流程图；
图2为本发明实施例中三维隧道模型图；
图3为本发明实施例中隧道横向断面图；
图4为本发明实施例中地表沉降监测点布置图；
图5为本发明实施例中隧道纵向剖面图。
其中：1-地表沉降监测点，2-注浆体，3-隧道，4-支护结构，5-地质钻孔，6-土层。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
本发明针对现有地铁隧道施工过程中不能准确识别土层和注浆体的力学参数，难以较好地预测地表沉降并采取相应措施等问题，提供一种基于BP神经网络的隧道动态施工方法。
如图1所示，该方法包括步骤如下：
S1：沿隧道轴向将隧道分为多个施工段，并在各施工段中间布置地表沉降监测点；
S2：在隧道所处区域进行地质钻孔勘探，提取土体钻芯并测量其力学参数，根据力学参数对土体进行分层，在注浆设计范围内分别测量浆脉和土体的力学参数，然后根据等效作用原理，求出等效后注浆体的力学参数；
S3：以S2中测量得到的各土层和注浆体的力学参数为基准集，通过蒙特卡罗方法生成输出层数据，利用数值模拟方法计算得到地表沉降值作为输入层数据，训练生成BP神经网络；
S4：采用多循环方式对隧道进行预注浆加固、开挖和支护，分段施工并监测地表沉降值；
S5：将隧道开挖引起的地表沉降监测值输入到BP神经网络中，反演得到各土层和注浆体的力学参数；
S6：根据S5中反演得到的各土层和注浆体力学参数，利用数值模拟方法预测下一施工段的地表沉降，当最大沉降量超过地表沉降控制值时，增大注浆范围或注浆压力；当最大沉降量小于地表沉降控制值的20％时，减小注浆范围或注浆压力；进行反复调整，优化注浆参数；
S7：利用S6优化后的注浆参数进行预注浆加固，然后进行开挖并及时支护，实时监测地表沉降值；
S8：重复上述S5～S7，逐段向前施工。
下面结合具体实施例予以说明。
在具体施工中，流程主要包括如下步骤：
S1：沿隧道轴向将隧道3分为多个施工段，并在各施工段中间布置地表沉降监测点1；如图2；
S2：在隧道3所处区域进行地质钻孔勘探，提取土体钻芯并测量其力学参数，根据力学特性对土体进行分层；
S3：以测量得到的各土层6和注浆体2的力学参数为基准集，通过蒙特卡罗方法生成输出层数据，利用数值模拟方法计算得到地表沉降值作为输入层数据，训练生成BP神经网络；
S4：采用多循环方式对隧道3进行预注浆加固、开挖和支护，其中开挖采用上下台阶法，支护结构4采用钢格栅加网喷混凝土，分段施工并监测地表沉降值；如图3所示；
S5：将隧道3开挖引起的地表沉降监测值输入到BP神经网络中，反演得到各土层和注浆体2的力学参数；
S6：根据上述S5中反演得到的各土层6和注浆体2力学参数，利用数值模拟方法预测下一施工段的地表沉降，当最大沉降量超过地表沉降控制值时，增大注浆范围或注浆压力；当最大沉降量小于地表沉降控制值的20％时，减小注浆范围或注浆压力；进行反复调整，优化注浆参数；
S7：利用上述S6优化后的注浆参数进行预注浆加固，然后进行开挖并及时支护，实时监测地表沉降值；
S8：重复上述S5～S7，逐段向前施工。
采用基于BP神经网络的动态施工方法，在对隧道3进行分段时，隧道3的分段长度控制为隧道洞径的2～5倍。
如图4所示，隧道3的每一施工段均布置有地表沉降监测点1，每一排地表沉降监测点的数量为7～15个，且关于隧道中心呈对称分布。
测量时所涉及的土层6和注浆体2力学参数包括压缩模量、泊松比、粘聚力、内摩擦角；反演时所涉及的土层6和注浆体力2学参数包括弹性模量、泊松比、粘聚力、内摩擦角。
如图5所示，施工前沿隧道轴向布置地质钻孔5并进行地质勘探，其中地质钻孔5的数量不少于3个，且地质钻孔5的孔底位于隧道底板3倍洞径以下。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种基于BP神经网络的隧道动态施工方法，其特征在于：包括步骤如下：
S1：沿隧道轴向将隧道分为多个施工段，并在各施工段中间布置地表沉降监测点；
S2：在隧道所处区域进行地质钻孔勘探，提取土体钻芯并测量其力学参数，根据力学参数对土体进行分层，在注浆设计范围内分别测量浆脉和土体的力学参数，然后根据等效作用原理，求出等效后各土层和注浆体的力学参数；
S3：以S2中测量得到的各土层和注浆体的力学参数为基准集，通过蒙特卡罗方法生成输出层数据，利用数值模拟方法计算得到地表沉降值作为输入层数据，训练生成BP神经网络；
S4：采用多循环方式对隧道进行预注浆加固、开挖和支护，分段施工并监测地表沉降值；
S5：将隧道开挖引起的地表沉降监测值输入到BP神经网络中，反演得到各土层和注浆体的力学参数；
S6：根据S5中反演得到的各土层和注浆体力学参数，利用数值模拟方法预测下一施工段的地表沉降，当最大沉降量超过地表沉降控制值时，增大注浆范围或注浆压力；当最大沉降量小于地表沉降控制值的20％时，减小注浆范围或注浆压力；进行反复调整，优化注浆参数；S7：利用S6优化后的注浆参数进行预注浆加固，然后进行开挖并及时支护，实时监测地表沉降值；
S8：重复上述S5～S7，逐段向前施工。
2.根据权利要求1所述的基于BP神经网络的隧道动态施工方法，其特征在于：所述S1中施工段长度为隧道洞径的2～5倍。
3.根据权利要求1所述的基于BP神经网络的隧道动态施工方法，其特征在于：所述S1中的地表沉降监测点每一排为7～15个，且关于隧道中心呈对称分布。
4.根据权利要求1所述的基于BP神经网络的隧道动态施工方法，其特征在于：所述S2中的地质钻孔沿隧道轴向布置，钻孔数量不少于3个。
5.根据权利要求1所述的基于BP神经网络的隧道动态施工方法，其特征在于：所述S2中地质钻孔的孔底位于隧道底板3倍洞径以下。
6.根据权利要求1所述的基于BP神经网络的隧道动态施工方法，其特征在于：所述S2中力学参数包括压缩模量、泊松比、粘聚力、内摩擦角。
7.根据权利要求1所述的基于BP神经网络的隧道动态施工方法，其特征在于：所述S5中反演得到各土层和注浆体的力学参数包括弹性模量、泊松比、粘聚力、内摩擦角。
CN201911295340.0A 2019-12-16 2019-12-16 一种基于bp神经网络的隧道动态施工方法 Active CN111119902B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911295340.0A CN111119902B (zh) 2019-12-16 2019-12-16 一种基于bp神经网络的隧道动态施工方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911295340.0A CN111119902B (zh) 2019-12-16 2019-12-16 一种基于bp神经网络的隧道动态施工方法

Publications (2)

Publication Number Publication Date
CN111119902A CN111119902A (zh) 2020-05-08
CN111119902B true CN111119902B (zh) 2021-04-06

Family

ID=70499319

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911295340.0A Active CN111119902B (zh) 2019-12-16 2019-12-16 一种基于bp神经网络的隧道动态施工方法

Country Status (1)

Country Link
CN (1) CN111119902B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113309527B (zh) * 2021-06-11 2022-03-08 北京科技大学 一种双层导洞的上导洞预拱度施工方法
CN113553761A (zh) * 2021-06-28 2021-10-26 山西省交通科技研发有限公司 地铁施工对邻近受荷桩基影响的分析方法
CN113931636B (zh) * 2021-10-22 2024-05-07 广州地铁设计研究院股份有限公司 隧道下穿既有运营地铁线注浆施工参数选取方法及其应用
CN115563831B (zh) * 2022-10-20 2023-07-21 北京云庐科技有限公司 隧道地层力学参数获取方法、装置、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0566803A (ja) * 1991-09-06 1993-03-19 Nippon Telegr & Teleph Corp <Ntt> 小口径トンネルロボツトのニユーラル型最適フアジイ集合代表値オートチユーニング方法
CN101344389A (zh) * 2008-08-20 2009-01-14 中国建筑第八工程局有限公司 一种利用神经网络预测隧道围岩位移的方法
CN103810524A (zh) * 2014-03-08 2014-05-21 辽宁工程技术大学 一种预测地下铁路建设过程中地表沉降的方法
CN106021717A (zh) * 2016-05-19 2016-10-12 辽宁工程技术大学 一种基于神经网络的地铁开挖引起的地表下沉分析方法
CN109948294A (zh) * 2019-04-02 2019-06-28 河北省交通规划设计院 一种隧道极限位移的确定方法
CN109978226A (zh) * 2019-01-24 2019-07-05 同济大学 基于循环神经网络的盾构施工地面沉降预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0566803A (ja) * 1991-09-06 1993-03-19 Nippon Telegr & Teleph Corp <Ntt> 小口径トンネルロボツトのニユーラル型最適フアジイ集合代表値オートチユーニング方法
CN101344389A (zh) * 2008-08-20 2009-01-14 中国建筑第八工程局有限公司 一种利用神经网络预测隧道围岩位移的方法
CN103810524A (zh) * 2014-03-08 2014-05-21 辽宁工程技术大学 一种预测地下铁路建设过程中地表沉降的方法
CN106021717A (zh) * 2016-05-19 2016-10-12 辽宁工程技术大学 一种基于神经网络的地铁开挖引起的地表下沉分析方法
CN109978226A (zh) * 2019-01-24 2019-07-05 同济大学 基于循环神经网络的盾构施工地面沉降预测方法
CN109948294A (zh) * 2019-04-02 2019-06-28 河北省交通规划设计院 一种隧道极限位移的确定方法

Also Published As

Publication number Publication date
CN111119902A (zh) 2020-05-08

Similar Documents

Publication Publication Date Title
CN111119902B (zh) 一种基于bp神经网络的隧道动态施工方法
CN111058855B (zh) 一种盾构下穿的结构物的形变控制方法及评估***
Hsiung A case study on the behaviour of a deep excavation in sand
Hu et al. In-situ monitoring platform and preliminary analysis of monitoring data of Majiagou landslide with stabilizing piles
Ding et al. Stability of large underground caverns excavated in layered rock masses with steep dip angles: a case study
CN107489424A (zh) 一种盾构地铁施工诱发地层变形及对古建筑影响的预估方法
CN109978226A (zh) 基于循环神经网络的盾构施工地面沉降预测方法
CN108491620B (zh) 地铁隧道穿越桩基和路基沉降量预测的拟合度检验方法
CN106949877A (zh) 一种多维度盾构隧道上方地表沉降的监测方法
Han et al. Construction technologies and mechanical effects of the pipe-jacking crossing anchor-cable group in soft stratum
CN111814234A (zh) 一种破碎岩体泄洪隧洞施工处理的方法
CN110245426B (zh) 一种用于管廊结构顶管施工的有限元精细化模拟方法
Anato et al. Numerical investigation of ground settlements induced by the construction of Nanjing WeiSanLu tunnel and parametric analysis
Zhou et al. Stability predictions for excavations of mountain tunnels based on [BQ] method and its field verification
CN104298856B (zh) 基于围岩变形监控与数值模拟的隧道超前地质预报方法
CN116756807A (zh) 耦合施工过程的线性地下工程涌水量数值预测方法
CN103164624A (zh) 获得平行隧道轴线的匀质地下管线状态数据的方法
Xu et al. Back-analysis approach for the determination of hydraulic conductivity in rock caverns
CN112257154B (zh) 一种城市隧道透明施工监测方法及***
Haque Field instrumentation and testing to study set-up phenomenon of driven piles and its implementation in LRFD design methodology
Liang et al. Initial excess pore water pressures induced by tunnelling in soft ground
CN112307606A (zh) 浅埋公路隧道二次衬砌施做时间的确定方法
Manoj et al. Value Engineering of Barrette Foundations For Tall Buildings in the Middle East.
Zhang et al. Dynamically updating geological uncertainty simulation with the process of tunnel excavation
CN116305501B (zh) 明挖隧道近接盾构隧道协同施工影响分区判定方法及***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant