CN113239439A - 盾构施工地表沉降预测***及方法 - Google Patents
盾构施工地表沉降预测***及方法 Download PDFInfo
- Publication number
- CN113239439A CN113239439A CN202110558141.5A CN202110558141A CN113239439A CN 113239439 A CN113239439 A CN 113239439A CN 202110558141 A CN202110558141 A CN 202110558141A CN 113239439 A CN113239439 A CN 113239439A
- Authority
- CN
- China
- Prior art keywords
- shield
- settlement
- data
- soil
- construction
- 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.)
- Granted
Links
- 238000010276 construction Methods 0.000 title claims abstract description 178
- 238000000034 method Methods 0.000 title claims abstract description 108
- 238000012544 monitoring process Methods 0.000 claims abstract description 98
- 230000005641 tunneling Effects 0.000 claims abstract description 81
- 238000012549 training Methods 0.000 claims abstract description 65
- 238000004088 simulation Methods 0.000 claims abstract description 32
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 239000002689 soil Substances 0.000 claims description 266
- 238000004364 calculation method Methods 0.000 claims description 93
- 238000009412 basement excavation Methods 0.000 claims description 67
- 230000008569 process Effects 0.000 claims description 46
- 238000004062 sedimentation Methods 0.000 claims description 44
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 30
- 238000013461 design Methods 0.000 claims description 13
- 230000000306 recurrent effect Effects 0.000 claims description 13
- 230000006835 compression Effects 0.000 claims description 12
- 238000007906 compression Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 12
- 239000002002 slurry Substances 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 238000009933 burial Methods 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 8
- 238000005553 drilling Methods 0.000 claims description 6
- 238000007667 floating Methods 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 6
- 239000008239 natural water Substances 0.000 claims description 6
- 239000011148 porous material Substances 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000005096 rolling process Methods 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 2
- 238000005192 partition Methods 0.000 claims 2
- 238000009825 accumulation Methods 0.000 abstract description 4
- 239000007788 liquid Substances 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 206010034719 Personality change Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000008234 soft water Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
Abstract
本发明揭示了一种盾构施工地表沉降预测***及方法,所述盾构施工地表沉降预测***包括:元属性提取模块,用以对原始数据集进行重新的组合提取元属性,并计算各属性特征指标;沉降数据发生器训练模块,用以构建基于元属性的沉降数据发生器;沉降数据生成模块,用以结合当前施工项目工程特点产生一组模拟数据;沉降预测模型预训练模块,用以结合产生的模拟数据训练当前工程的沉降预测模型,得到初始沉降预测模型;实时沉降预测模块,用以获取实时盾构掘进数据对地表沉降监测点沉降值进行预测。本发明揭示的盾构施工地表沉降预测***及方法,可提高预测的适用性及精准度,前期无需大量的数据积累。
Description
技术领域
本发明属于地表沉降预测技术领域,涉及一种地表沉降预测***,尤其涉及一种盾构施工地表沉降预测***及方法。
背景技术
盾构法能适用于各种水文地质条件下的施工,因其对地层的适应性越来越强,世界上盾构的数量逐年上升。盾构法在地下工程中已经被广泛采用。在采用盾构法施工过程中,隧道周围的土层会发生变形,在松软含水层或不稳定土层中尤为显著。由于盾构法施工地点主要位于城市繁华地段,周边土体的沉降控制十分重要。一旦沉降超出控制范围,就可能影响周边建筑物的安全。可见,对盾构法隧道挖掘过程中的地面沉降实时预测技术展开研究是十分有意义的。
实际施工过程中,隧道的几何特征、开挖土层特征、盾构参数的设置、土体扰动情况都会很大程度上影响盾构推进引起的地层位移大小,这是一个复杂的各因素综合作用的结果。且由于现场地质条件复杂取得准确的地质参数通常较为困难,低频的沉降监测数据和高频的盾构掘进数据之间的关系难以明确。盾构的施工数据高维度、高频率和非精确化的特点对精确且普遍适用沉降预测模型的建立造成了挑战。
要做到对盾构法隧道施工过程中的地面沉降实时预测需要建立有效的预测模型,明确盾构掘进参数、掘进环境和地面沉降三者之间的数学关系。而现有施工数据普遍存在一定的误差且高维度、高频率的盾构掘进参数数据和低频率、大间距的地面沉降数据也对建立沉降预测模型造成了较大的难度。现有的沉降预测方法可以总结为以下三种:1)经验公式法。专利CN201610707226.4中提出了一种土压平衡盾构土仓进排土引起的地表沉降预测方法,该方法通过公式推导得到盾构掘进参数和地表变形之间的关系,但这种方式的问题是参数无法确定,沉降槽形状是固定的,无法做到对各种环境下地表沉降的准确预测。2)沉降反馈法。专利CN201910068462.X提出了一种基于循环神经网络的盾构施工地面沉降预测方法,该方法基于前期沉降值预测下一个阶段的沉降,只能运用在工程推进状态稳定的阶段,只能用于短期预测,无法适应环境和推进参数变化。3)掘进参数法。专利CN201810650131.2提出了基于双模型融合的盾构施工地面沉降量预测方法,专利CN201710344450.6提出了一种基于神经模糊推理***的盾构施工引起的地表沉降预测方法,该方法根据实施掘进参数预测沉降,对地质环境、埋深、设备相似度要求高,泛化能力差,推广困难。
有鉴于此,如今迫切需要设计一种新的隧道施工地表沉降预测方式,以便克服现有隧道施工地表沉降预测方式存在的上述至少部分缺陷。
发明内容
本发明提供一种盾构施工地表沉降预测***及方法,可提高预测的适用性及精准度,前期无需大量的数据积累。
为解决上述技术问题,根据本发明的一个方面,采用如下技术方案:
一种盾构施工地表沉降预测***,所述盾构施工地表沉降预测***包括:
元属性提取模块,用以对原始数据集进行重新的组合提取元属性,并计算各属性特征指标;
沉降数据发生器训练模块,用以构建基于元属性的沉降数据发生器;
沉降数据生成模块,用以结合当前施工项目工程特点产生一组模拟数据;
沉降预测模型预训练模块,用以结合产生的模拟数据训练当前工程的沉降预测模型,得到初始沉降预测模型;
实时沉降预测模块,用以获取实时盾构掘进数据对地表沉降监测点沉降值进行预测。
作为本发明的一种实施方式,所述元属性提取模块用以提取元素属性;将影响地表沉降的主要因素划分为基础类、扰动类和沉降类三个属性类别;
每类元属性包括多种掘进特性,这些特性均通过原始施工数据计算得到,具体计算方法如下:
基础类为在盾构隧道施工所需的基础信息,包括土质特性、几何特性以及工艺特性;
土质特性具体包括每环隧道剖面的粘聚力、内摩擦角以及含水率,每环土质特性的具体计算方式如下:
步骤S111、分别计算该环每层土占开挖面面积比例Pm,定义第m层土层上边界埋深为d1,m,下边界埋深为d2,m,隧道剖面中心点埋深为d,开挖面半径为R,S1,m为土层起始标高以上土体与开挖面的接触面积,S2,m为土层结束标高以上土体与开挖面的接触面积;具体计算方式包括:
步骤S112、计算该环隧道剖面土质特性,定义第m层土层的粘聚力、内摩擦角以及含水率分别为Cm、φm和ωm,开挖面土体总体粘聚力、内摩擦角以及含水率分别为C、φ和ω,计算公式如下:
C=∑Pm·Cm φ=∑Pm·φm ω=∑Pm·ωm
几何特性包括盾构每环的埋深和非注浆情况下的土体损失率,盾构每环的埋深可以通过隧道设计文件直接获得;每环非注浆情况下的土体损失率需将直线段和曲线段独立计算,直线段仅考虑盾构刀盘半径R和隧道管片外半径r所围成的圆环体积,具体计算公式如下:
υ=(R2-r2)πl
在曲线段推进时为了使盾构发生偏转,通常会造成土体的超挖,其理论土体损失率与直线段有较大差别,具体计算方式如下:
式中,R0隧道曲率半径,l为管片宽度,L为盾构机长度,D为盾构机直径,δ为盾构机内侧超挖量,δ′为盾构机中部理论间隙,且δ′≈δ;
工艺特性包括盾构机类型、盾构长度以及盾构直径,盾构机类型主要分为土压平衡式盾构机和泥水平衡式盾构机,根据实际工程选用的盾构机型号来确定;盾构长度以及盾构直径根据具体施工所采用的盾构机参数数据获得;
扰动类参数主要评价盾构在掘进过程中对土体扰动程度的指标,通过对盾构实时掘进数据的分析处理得到;根据其扰动机理不同将其分为切口扰动特性、姿态扰动特性和盾尾扰动特性:
采用盾构理论压力差来评价切口前方土体的扰动情况,从而获取切口扰动特性,具体计算方式如下:
步骤S121、根据地质勘查报告计算得到上方荷载大小Q;
步骤S122、根据隧道地质勘查报告,计算开挖面土体的侧向土压力系数K;
步骤S123、抽取该环推进期间的土压力数据,计算本环平均土压力P;
步骤S124、根据以下公式计算理论土压力差:ΔP=P-Q·K;
姿态扰动特性包括盾构水平方向姿态变化量和盾构高程方向姿态变化量;盾构高程方向姿态变化量根据盾构俯仰角变化量来表示,即:
盾构水平方向姿态变化量采用水平角度变化量来表示,根据盾构的偏差量和轴线线性进行计算得到,具体计算方法如下:
式中h′x为每环开始时的切口水平偏差量,h″x为每环结束时的切口水平偏差量,t′x为每环开始时的盾尾水平偏差量,t"x为每环结束时的盾尾水平偏差量;
盾尾注浆压力通过计算每环盾尾注浆时压力平均值得到,盾尾注浆填充率根据环累计注浆量与理论盾尾间隙的比值计算得到,从而获取盾尾扰动特性,具体计算公式如下:
式中,g为盾尾注浆填充率,Gt为盾尾环累计注浆量,v为理论盾尾空隙大小;
沉降类主要通过沉降形态和沉降幅度来描述盾构推进过程中的沉降大小;
沉降形态主要通过横向沉降槽宽度系数来表示,横向沉降槽宽度系数I通过使用peck公式对影响范围内的横向沉降测点进行曲线拟合并取平均值得到,peck公式如下:
式中S为地表任一点的沉降值;Smax为地表沉降的最大值,位于隧道轴线正上方;x为任一点与隧道轴线的水平距离;I为沉降槽宽度系数,即隧道轴线与沉降槽拐点的距离;
沉降幅度包括切口前方10m沉降平均值、盾体上方沉降平均值、盾尾后方10m沉降平均值,该数据根据盾构行程分别选取三个区域的轴线点沉降值进行计算得到。
作为本发明的一种实施方式,所述沉降数据发生器训练模块用以将获取到的不同工程的施工数据根据上述方法提取元属性后,将基础类和扰动类属性作为模型输入,沉降类属性作为模型输出,训练循环神经网络模型作为沉降数据发生器;具体步骤如下:
步骤S21、数据预处理,将元属性数据转化为时序数据,并划分训练集与测试集;
步骤S22、构建一个三层的循环神经网络模型;
步骤S23、使用训练集数据进行模型训练,并在测试集上进行模型预测效果验证,根据结果对模型参数进行调整;
步骤S24、保存模型;
所述沉降数据生成模块用以根据实际应用项目几何数据、地质数据和盾构机参数数据计算得到基础类数据,然后结合理论计算方法计算得到扰动类数据范围;
在计算切口扰动特性时,根据理论土压力值加上一定的随机波动量模拟实际推进过程中的土压波动,进而计算得到模拟的理论土压力差;在计算盾尾扰动特性时,平均注浆压力大小根据相似土层下的注浆压力范围进行模拟,平均注浆率根据150%的理论注浆填充率进行上下浮动;在计算姿态扰动特性时,根据盾构隧道设计轴线线性得到理论盾构高程和水平方向姿态变化量。
将采用以上方法产生的模拟施工数据输入到训练好的沉降数据发生器,得到每个时刻的沉降类属性;根据计算得到的沉降类属性借助经验沉降曲线公式得到每个点的沉降量,具体步骤如下:
步骤S31、获取实际施工项目隧道几何数据、地质数据和盾构机参数数据;
步骤S32、根据基础类数据设计模拟施工方案;
步骤S33、将模拟施工数据输入沉降数据发生器得到沉降类数据;
步骤S34、根据沉降类数据计算得到每一时刻每个沉降监测点的沉降,具体计算方法如下:
首先根据计算得到的沉降数据结合经验纵向沉降曲线公式拟合得到纵向沉降曲线,经验公式如下:
式中,Sy为轴线上距离切口为x的沉降监测点的沉降,y为监测点与距离切口的距离,当监测点在切口前方时y为负数;
然后结合横向沉降槽系数I可以计算得到沉降监测点的横向沉降槽公式:
最后综合以上两个公式即可计算得到相对切口坐标为(x,y)的沉降监测点的沉降值。
步骤S35、保存沉降模拟数据。
作为本发明的一种实施方式,所述沉降预测模型预训练模块用以根据沉降数据发生器计算得到的盾构施工模拟数据构建LSTM监测点沉降预测模型,LSTM模型输入为t-n到t时刻的开挖面土体粘聚力、开挖面土体内摩擦角、开挖面土体含水率、上方荷载、正面土压力、注浆填充率、注浆压力、盾构水平方向姿态变化量、盾构高程方向姿态变化量、沉降监测点与切口的纵向距离、沉降监测点与轴线的横向距离;模型输出为t时刻的累计沉降值;其中,LSTM模型的单个样本时间步长n为12,LSTM层数为1;
所述实时沉降预测模块用以采用沉降预测模型对盾构影响范围内的沉降监测点沉降进行预测,具体包括以下步骤:
步骤S51、获取当前盾构位置,确定需要进行沉降预测的监测点集合,具体包括切口前方十米至盾尾后方十米范围内的横向与纵向监测点;
步骤S52、获取t-n到t时刻的历史盾构施工数据;
步骤S53、获取未来5个时间步的盾构施工参数设置值;
步骤S54、输入t-n+i到t+i时刻的盾构施工数据,采用LSTM模型预测t+i时刻各监测点的沉降;
步骤S55、重复步骤S54,直到完成对未来5个时间步的沉降预测。
作为本发明的一种实施方式,所述***进一步包括:
历史施工项目数据获取模块,用以收集不同施工环境下的盾构施工数据,掘进参数数据、地质参数数据和地面沉降量数据;
沉降预测模型自动学习模块,用以对沉降预测模型进行在线更新。
所述历史施工项目数据获取模块用以从盾构施工数据库中获取不同工程项目的盾构施工数据,并将获取到的原始施工数据进行分类,提取其中与沉降预测相关的数据,生成原始数据集;原始数据集具体包括地质数据集、隧道几何数据集、盾构机参数数据集、盾构掘进数据集以及沉降数据集,每一类数据集包含的数据如下:
地质数据集包括:钻孔点位置,各土层起止埋深、各土层土体力学参数;各土层土体力学参数包括粘聚力、内摩擦角、压缩系数、压缩模量、天然孔隙比、侧向土压力系数、天然含水率、重度;
隧道几何数据集包括:隧道管片外径、隧道埋深、隧道线型;
盾构机参数数据集包括:盾构直径、盾构长度、盾构工艺类型;
盾构掘进数据集包括:盾构掘进行程、切口水平偏差、切口高程偏差、盾尾水平偏差、盾尾高程偏差、盾构坡度角、正面土压力(分区)、注浆量(分布)、注浆压力(分布)、掘进速度、总推力、浆液类型(单液/双液)、浆液初凝时间;
沉降数据集包括:测点位置、监测时间、沉降值;
所述沉降预测模型自动学习模块用以根据施工现场产生的新数据对沉降预测模型进行滚动训练,提升模块计算的精确度;
通过每间隔Kt个时刻,向该模块输入较上次训练新产生的盾构参数数据对沉降预测模型进行后台更新,以提高模型的计算精度。
根据本发明的另一个方面,采用如下技术方案:一种盾构施工地表沉降预测方法,所述盾构施工地表沉降预测方法包括:
元属性提取步骤,对原始数据集进行重新的组合提取元属性,并计算各属性特征指标;
沉降数据发生器训练步骤,构建基于元属性的沉降数据发生器;
沉降数据生成步骤,结合当前施工项目工程特点产生一组模拟数据;
沉降预测模型预训练步骤,结合产生的模拟数据训练当前工程的沉降预测模型,得到初始沉降预测模型;
实时沉降预测步骤,获取实时盾构掘进数据对地表沉降监测点沉降值进行预测。
作为本发明的一种实施方式,所述方法还包括:
历史施工项目数据获取步骤,收集不同施工环境下的盾构施工数据,掘进参数数据、地质参数数据和地面沉降量数据;
沉降预测模型自动学习步骤,对沉降预测模型进行在线更新;
所述历史施工项目数据获取步骤中,从盾构施工数据库中获取不同工程项目的盾构施工数据,并将获取到的原始施工数据进行分类,提取其中与沉降预测相关的数据,生成原始数据集;原始数据集具体包括地质数据集、隧道几何数据集、盾构机参数数据集、盾构掘进数据集以及沉降数据集,每一类数据集包含的数据如下:
地质数据集包括:钻孔点位置,各土层起止埋深、各土层土体力学参数;各土层土体力学参数包括粘聚力、内摩擦角、压缩系数、压缩模量、天然孔隙比、侧向土压力系数、天然含水率、重度;
隧道几何数据集包括:隧道管片外径、隧道埋深、隧道线型;
盾构机参数数据集包括:盾构直径、盾构长度、盾构工艺类型;
盾构掘进数据集包括:盾构掘进行程、切口水平偏差、切口高程偏差、盾尾水平偏差、盾尾高程偏差、盾构坡度角、正面土压力(分区)、注浆量(分布)、注浆压力(分布)、掘进速度、总推力、浆液类型(单液/双液)、浆液初凝时间;
沉降数据集包括:测点位置、监测时间、沉降值。
所述沉降预测模型自动学习步骤中,根据施工现场产生的新数据对沉降预测模型进行滚动训练,提升模块计算的精确度;
通过每间隔Kt个时刻,向该模块输入较上次训练新产生的盾构参数数据对沉降预测模型进行后台更新,以提高模型的计算精度。
作为本发明的一种实施方式,所述元属性提取模块提取元素属性;将影响地表沉降的主要因素划分为基础类、扰动类和沉降类三个属性类别;
每类元属性包括多种掘进特性,这些特性均通过原始施工数据计算得到,具体计算方法如下:
基础类为在盾构隧道施工阶段就可以获得的隧道基础信息,包括土质特性、几何特性以及工艺特性;
土质特性具体包括每环隧道剖面的粘聚力、内摩擦角以及含水率,每环土质特性的具体计算方式如下:
步骤S111、分别计算该环每层土占开挖面面积比例Pm,定义第m层土层上边界埋深为d1,m,下边界埋深为d2,m,隧道剖面中心点埋深为d,开挖面半径为R,S1,m为土层起始标高以上土体与开挖面的接触面积,S2,m为土层结束标高以上土体与开挖面的接触面积;具体计算方式包括:
步骤S112、计算该环隧道剖面土质特性,定义第m层土层的粘聚力、内摩擦角以及含水率分别为Cm、φm和ωm,开挖面土体总体粘聚力、内摩擦角以及含水率分别为C、φ和ω,计算公式如下:
C=∑Pm·Cm φ=∑Pm·φm ω=∑Pm·ωm
几何特性包括盾构每环的埋深和非注浆情况下的土体损失率,盾构每环的埋深可以通过隧道设计文件直接获得;每环非注浆情况下的土体损失率需将直线段和曲线段独立计算,直线段仅考虑盾构刀盘半径R和隧道管片外半径r所围成的圆环体积,具体计算公式如下:
v=(R2-r2)πl
在曲线段推进时为了使盾构发生偏转,通常会造成土体的超挖,其理论土体损失率与直线段有较大差别,具体计算方式如下:
式中,R0隧道曲率半径,l为管片宽度,L为盾构机长度,D为盾构机直径,δ为盾构机内侧超挖量,δ′为盾构机中部理论间隙,且δ′≈δ。
工艺特性包括盾构机类型、盾构长度以及盾构直径,盾构机类型主要分为土压平衡式盾构机和泥水平衡式盾构机,根据实际工程选用的盾构机型号来确定;盾构长度以及盾构直径根据具体施工所采用的盾构机参数数据获得。
扰动类参数主要评价盾构在掘进过程中对土体扰动程度的指标,通过对盾构实时掘进数据的分析处理得到;根据其扰动机理不同将其分为切口扰动特性、姿态扰动特性和盾尾扰动特性;
采用盾构理论压力差来评价切口前方土体的扰动情况,从而获取切口扰动特性,具体计算方式如下:
步骤S121、根据地质勘查报告计算得到上方荷载大小Q;
步骤S122、根据隧道地质勘查报告,计算开挖面土体的侧向土压力系数K;
步骤S123、抽取该环推进期间的土压力数据,计算本环平均土压力P;
步骤S124、根据以下公式计算理论土压力差:ΔP=P-Q·K;
姿态扰动特性包括盾构水平方向姿态变化量和盾构高程方向姿态变化量;盾构高程方向姿态变化量根据盾构俯仰角变化量来表示,即:
盾构水平方向姿态变化量采用水平角度变化量来表示,根据盾构的偏差量和轴线线性进行计算得到,具体计算方法如下:
式中h′x为每环开始时的切口水平偏差量,h″x为每环结束时的切口水平偏差量,t′x为每环开始时的盾尾水平偏差量,t″x为每环结束时的盾尾水平偏差量;
盾尾注浆压力通过计算每环盾尾注浆时压力平均值得到,盾尾注浆填充率根据环累计注浆量与理论盾尾间隙的比值计算得到,从而获取盾尾扰动特性,具体计算公式如下:
式中,g为盾尾注浆填充率,Gt为盾尾环累计注浆量,υ为理论盾尾空隙大小;
沉降类主要通过沉降形态和沉降幅度来描述盾构推进过程中的沉降大小;
沉降形态主要通过横向沉降槽宽度系数来表示,横向沉降槽宽度系数I通过使用peck公式对影响范围内的横向沉降测点进行曲线拟合并取平均值得到,peck公式如下:
式中S为地表任一点的沉降值;Smax为地表沉降的最大值,位于隧道轴线正上方;x为任一点与隧道轴线的水平距离;I为沉降槽宽度系数,即隧道轴线与沉降槽拐点的距离;
沉降幅度包括切口前方10m沉降平均值、盾体上方沉降平均值、盾尾后方10m沉降平均值,该数据根据盾构行程分别选取三个区域的轴线点沉降值进行计算得到。
作为本发明的一种实施方式,所述沉降数据发生器训练步骤中,将获取到的不同工程的施工数据根据上述方法提取元属性后,将基础类和扰动类属性作为模型输入,沉降类属性作为模型输出,训练循环神经网络模型作为沉降数据发生器;具体步骤如下:
步骤S21、数据预处理,将元属性数据转化为时序数据,并划分训练集与测试集;
步骤S22、构建一个三层的循环神经网络模型;
步骤S23、使用训练集数据进行模型训练,并在测试集上进行模型预测效果验证,根据结果对模型参数进行调整;
步骤S24、保存模型。
所述沉降数据生成步骤中,根据实际应用项目几何数据、地质数据和盾构机参数数据计算得到基础类数据,然后结合理论计算方法计算得到扰动类数据范围。
在计算切口扰动特性时,根据理论土压力值加上一定的随机波动量模拟实际推进过程中的土压波动,进而计算得到模拟的理论土压力差;在计算盾尾扰动特性时,平均注浆压力大小根据相似土层下的注浆压力范围进行模拟,平均注浆率根据150%的理论注浆填充率进行上下浮动;在计算姿态扰动特性时,根据盾构隧道设计轴线线性得到理论盾构高程和水平方向姿态变化量。
将采用以上方法产生的模拟施工数据输入到训练好的沉降数据发生器,得到每个时刻的沉降类属性。根据计算得到的沉降类属性借助经验沉降曲线公式得到每个点的沉降量,具体步骤包括:
步骤S31、获取实际施工项目隧道几何数据、地质数据和盾构机参数数据;
步骤S32、根据基础类数据设计模拟施工方案;
步骤S33、将模拟施工数据输入沉降数据发生器得到沉降类数据;
步骤S34、根据沉降类数据计算得到每一时刻每个沉降监测点的沉降,具体计算方法如下:
首先根据计算得到的沉降数据结合经验纵向沉降曲线公式拟合得到纵向沉降曲线,经验公式如下:
式中,Sy为轴线上距离切口为x的沉降监测点的沉降,y为监测点与距离切口的距离,当监测点在切口前方时y为负数;
然后结合横向沉降槽系数I可以计算得到沉降监测点的横向沉降槽公式:
最后综合以上两个公式即可计算得到相对切口坐标为(x,y)的沉降监测点的沉降值。
步骤S35、保存沉降模拟数据。
作为本发明的一种实施方式,所述沉降预测模型预训练步骤中,根据沉降数据发生器计算得到的盾构施工模拟数据构建LSTM监测点沉降预测模型,LSTM模型输入为t-n到t时刻的开挖面土体粘聚力、开挖面土体内摩擦角、开挖面土体含水率、上方荷载、正面土压力、注浆填充率、注浆压力、盾构水平方向姿态变化量、盾构高程方向姿态变化量、沉降监测点与切口的纵向距离、沉降监测点与轴线的横向距离;模型输出为t时刻的累计沉降值;其中,LSTM模型的单个样本时间步长n为12,LSTM层数为1。
所述实时沉降预测模块采用沉降预测模型对盾构影响范围内的沉降监测点沉降进行预测,具体包括以下步骤:
步骤S51、获取当前盾构位置,确定需要进行沉降预测的监测点集合,具体包括切口前方十米至盾尾后方十米范围内的横向与纵向监测点;
步骤S52、获取t-n到t时刻的历史盾构施工数据;
步骤S53、获取未来5个时间步的盾构施工参数设置值;
步骤S54、输入t-n+i到t+i时刻的盾构施工数据,采用LSTM模型预测t+i时刻各监测点的沉降;
步骤S55、重复步骤S54,直到完成对未来5个时间步的沉降预测。
本发明的有益效果在于:本发明提出的盾构施工地表沉降预测***及方法,可提高预测的适用性及精准度,前期无需大量的数据积累。
本发明通过大量盾构施工项目数据构建沉降数据发生器,掌握不同环境下盾构掘进过程中沉降变化的普遍规律,结合工程实际施工数据快速建立准确的沉降预测模型,解决了现有数据驱动预测方法适应性差且前期需要大量数据积累的问题。
附图说明
图1为本发明一实施例中盾构施工地表沉降预测***的组成示意图。
图2为本发明一实施例中元属性提取模块提取的三个属性类别的示意图。
图3为本发明一实施例中理论土体损失体积计算示意图。
具体实施方式
下面结合附图详细说明本发明的优选实施例。
为了进一步理解本发明,下面结合实施例对本发明优选实施方案进行描述,但是应当理解,这些描述只是为进一步说明本发明的特征和优点,而不是对本发明权利要求的限制。
该部分的描述只针对几个典型的实施例,本发明并不仅局限于实施例描述的范围。相同或相近的现有技术手段与实施例中的一些技术特征进行相互替换也在本发明描述和保护的范围内。
说明书中各个实施例中的步骤的表述只是为了方便说明,本申请的实现方式不受步骤实现的顺序限制。说明书中的“连接”既包含直接连接,也包含间接连接。
本发明揭示了一种盾构施工地表沉降预测***,图1为本发明一实施例中盾构施工地表沉降预测***的组成示意图;请参阅图1,所述盾构施工地表沉降预测***包括:元属性提取模块1、沉降数据发生器训练模块2、沉降数据生成模块3、沉降预测模型预训练模块4及实时沉降预测模块5。
所述元属性提取模块1用以对原始数据集进行重新的组合提取元属性,并计算各属性特征指标;所述沉降数据发生器训练模块2用以构建基于元属性的沉降数据发生器;所述沉降数据生成模块3用以结合当前施工项目工程特点产生一组模拟数据;所述沉降预测模型预训练模块4用以结合产生的模拟数据训练当前工程的沉降预测模型,得到初始沉降预测模型;所述实时沉降预测模块5用以获取实时盾构掘进数据对地表沉降监测点沉降值进行预测。
请继续参阅图1,在本发明的一实施例中,所述***进一步包括:历史施工项目数据获取模块6、沉降预测模型自动学习模块7。历史施工项目数据获取模块6用以收集不同施工环境下的盾构施工数据,掘进参数数据、地质参数数据和地面沉降量数据;沉降预测模型自动学习模块7用以对沉降预测模型进行在线更新。
在本发明的一实施例中,所述元属性提取模块1用以提取元素属性;将影响地表沉降的主要因素划分为基础类、扰动类和沉降类三个属性类别。图2为本发明一实施例中元属性提取模块提取的三个属性类别的示意图;请参阅图2,图2揭示了元属性提取模块提取的三个属性类别。
盾构掘进过程中,地表沉降主要是由于刀盘的切削、盾构机与周围土层的摩擦以及盾尾与周围土层形成的空隙而引发地层应力场的变化所造成的,且由于开挖面地质情况的差异,地表沉降的反映形态也有所差异;基于以上对盾构掘进过程中造成地表沉降的机理分析,将影响地表沉降的主要因素划分为基础类、扰动类和沉降类三个属性类别。每类元属性包括多种掘进特性,这些特性均通过原始施工数据计算得到。
基础类为在盾构隧道施工所需的基础信息,包括土质特性、几何特性以及工艺特性。土质特性具体包括每环隧道剖面的粘聚力、内摩擦角以及含水率,每环土质特性的具体计算方式包括:
步骤S111、分别计算该环每层土占开挖面面积比例Pm,定义第m层土层上边界埋深为d1,m,下边界埋深为d2,m,隧道剖面中心点埋深为d,开挖面半径为R,S1,m为土层起始标高以上土体与开挖面的接触面积,S2,m为土层结束标高以上土体与开挖面的接触面积;具体计算方式包括:
步骤S112、计算该环隧道剖面土质特性,定义第m层土层的粘聚力、内摩擦角以及含水率分别为Cm、φm和ωm,开挖面土体总体粘聚力、内摩擦角以及含水率分别为C、φ和ω,计算公式如下:
C=∑Pm·Cm φ=∑Pm·φm ω=∑Pm·ωm
几何特性包括盾构每环的埋深和非注浆情况下的土体损失率,盾构每环的埋深可以通过隧道设计文件直接获得;每环非注浆情况下的土体损失率需将直线段和曲线段独立计算,直线段仅考虑盾构刀盘半径R和隧道管片外半径r所围成的圆环体积,具体计算公式如下:
v=(R2-r2)πl
在曲线段推进时为了使盾构发生偏转,通常会造成土体的超挖,其理论土体损失率与直线段有较大差别(可参阅图3),具体计算方式如下:
式中,R0隧道曲率半径,l为管片宽度,L为盾构机长度,D为盾构机直径,δ为盾构机内侧超挖量,δ′为盾构机中部理论间隙,且δ′≈δ。
工艺特性包括盾构机类型、盾构长度以及盾构直径,盾构机类型主要分为土压平衡式盾构机和泥水平衡式盾构机,根据实际工程选用的盾构机型号来确定;盾构长度以及盾构直径根据具体施工所采用的盾构机参数数据获得。
扰动类参数主要评价盾构在掘进过程中对土体扰动程度的指标,通过对盾构实时掘进数据的分析处理得到;根据其扰动机理不同将其分为切口扰动特性、姿态扰动特性和盾尾扰动特性。
切口前方土体在盾构机到达之前主要受到土仓压力变化的影响,开挖面前方土体受到挤压或卸荷作用,使地面产生***或沉降;传统土仓压力设定方式都是通过计算得到切口前方理论土压力,并根据实际切口前方沉降情况对土压力进行微调,通常情况下土仓压力都略大于理论土压力。为综合考虑以上因素,采用盾构理论压力差来评价切口前方土体的扰动情况,从而获取切口扰动特性,具体计算方式包括:
步骤S121、根据地质勘查报告计算得到上方荷载大小Q;
步骤S122、根据隧道地质勘查报告,计算开挖面土体的侧向土压力系数K;
步骤S123、抽取该环推进期间的土压力数据,计算本环平均土压力P;
步骤S124、根据以下公式计算理论土压力差:ΔP=P-Q·K;
由于盾构姿态调整和盾壳与周围土体之间的摩擦会对盾体周围土体产生扰动造成盾体上方土体沉降,且盾构的姿态调整幅度对沉降影响较为明显,故采用盾构姿态调整幅度来衡量盾构姿态变化对周围土体的扰动程度。
姿态扰动特性包括盾构水平方向姿态变化量和盾构高程方向姿态变化量;盾构高程方向姿态变化量根据盾构俯仰角变化量来表示,即:
盾构水平方向姿态变化量采用水平角度变化量来表示,根据盾构的偏差量和轴线线性进行计算得到,具体计算方法如下:
式中h′x为每环开始时的切口水平偏差量,h"x为每环结束时的切口水平偏差量,t′x为每环开始时的盾尾水平偏差量,t″x为每环结束时的盾尾水平偏差量。
引起盾尾后方土体主要因素为管片脱出盾尾后的产生的间隙、盾尾注浆量和注浆压力值,本专利采用盾尾注浆填充率和盾尾注浆压力来反映盾尾土体的扰动情况。
盾尾注浆压力通过计算每环盾尾注浆时压力平均值得到,盾尾注浆填充率根据环累计注浆量与理论盾尾间隙的比值计算得到,从而获取盾尾扰动特性,具体计算公式如下:
式中,g为盾尾注浆填充率,Gt为盾尾环累计注浆量,v为理论盾尾空隙大小。
沉降类主要通过沉降形态和沉降幅度来描述盾构推进过程中的沉降大小。沉降形态主要通过横向沉降槽宽度系数来表示,横向沉降槽宽度系数I通过使用peck公式对影响范围内的横向沉降测点进行曲线拟合并取平均值得到,peck公式如下:
式中,S为地表任一点的沉降值;Smax为地表沉降的最大值,位于隧道轴线正上方;x为任一点与隧道轴线的水平距离;I为沉降槽宽度系数,即隧道轴线与沉降槽拐点的距离。
沉降幅度包括切口前方10m沉降平均值、盾体上方沉降平均值、盾尾后方10m沉降平均值,该数据根据盾构行程分别选取三个区域的轴线点沉降值进行计算得到。
在本发明的一实施例中,所述沉降数据发生器训练模块2用以将获取到的不同工程的施工数据根据上述方法提取元属性后,将基础类和扰动类属性作为模型输入,沉降类属性作为模型输出,训练循环神经网络模型作为沉降数据发生器;具体步骤包括:
步骤S21、数据预处理,将元属性数据转化为时序数据,并划分训练集与测试集;
步骤S22、构建一个三层的循环神经网络模型;
步骤S23、使用训练集数据进行模型训练,并在测试集上进行模型预测效果验证,根据结果对模型参数进行调整;
步骤S24、保存模型。
所述沉降数据生成模块3用以根据实际应用项目几何数据、地质数据和盾构机参数数据计算得到基础类数据,然后结合理论计算方法计算得到扰动类数据范围。
在计算切口扰动特性时,根据理论土压力值加上一定的随机波动量模拟实际推进过程中的土压波动,进而计算得到模拟的理论土压力差;在计算盾尾扰动特性时,平均注浆压力大小根据相似土层下的注浆压力范围进行模拟,平均注浆率根据150%的理论注浆填充率进行上下浮动;在计算姿态扰动特性时,根据盾构隧道设计轴线线性得到理论盾构高程和水平方向姿态变化量。
将采用以上方法产生的模拟施工数据输入到训练好的沉降数据发生器,得到每个时刻的沉降类属性;根据计算得到的沉降类属性借助经验沉降曲线公式得到每个点的沉降量,具体步骤包括:
步骤S31、获取实际施工项目隧道几何数据、地质数据和盾构机参数数据;
步骤S32、根据基础类数据设计模拟施工方案;
步骤S33、将模拟施工数据输入沉降数据发生器得到沉降类数据;
步骤S34、根据沉降类数据计算得到每一时刻每个沉降监测点的沉降,具体计算方法如下:
首先根据计算得到的沉降数据结合经验纵向沉降曲线公式拟合得到纵向沉降曲线,经验公式如下:
式中,Sy为轴线上距离切口为x的沉降监测点的沉降,y为监测点与距离切口的距离,当监测点在切口前方时y为负数;
然后结合横向沉降槽系数I可以计算得到沉降监测点的横向沉降槽公式:
最后综合以上两个公式即可计算得到相对切口坐标为(x,y)的沉降监测点的沉降值。
步骤S35、保存沉降模拟数据。
在本发明的一实施例中,所述沉降预测模型预训练模块4用以根据沉降数据发生器计算得到的盾构施工模拟数据构建LSTM监测点沉降预测模型,LSTM模型输入为t-n到t时刻的开挖面土体粘聚力、开挖面土体内摩擦角、开挖面土体含水率、上方荷载、正面土压力、注浆填充率、注浆压力、盾构水平方向姿态变化量、盾构高程方向姿态变化量、沉降监测点与切口的纵向距离、沉降监测点与轴线的横向距离;模型输出为t时刻的累计沉降值;其中,LSTM模型的单个样本时间步长n为12,LSTM层数为1;
所述实时沉降预测模块5用以采用沉降预测模型对盾构影响范围内的沉降监测点沉降进行预测,具体包括以下步骤:
步骤S51、获取当前盾构位置,确定需要进行沉降预测的监测点集合,具体包括切口前方十米至盾尾后方十米范围内的横向与纵向监测点;
步骤S52、获取t-n到t时刻的历史盾构施工数据;
步骤S53、获取未来5个时间步的盾构施工参数设置值;
步骤S54、输入t-n+i到t+i时刻的盾构施工数据,采用LSTM模型预测t+i时刻各监测点的沉降;
步骤S55、重复步骤S54,直到完成对未来5个时间步的沉降预测。
所述历史施工项目数据获取模块6用以从盾构施工数据库(通过盾构施工数据库可以获取到其他施工项目的历史施工数据,可以用于模型的预训练)中获取不同工程项目的盾构施工数据,并将获取到的原始施工数据进行分类,提取其中与沉降预测相关的数据,生成原始数据集;原始数据集具体包括地质数据集、隧道几何数据集、盾构机参数数据集、盾构掘进数据集以及沉降数据集,每一类数据集包含的数据如下:
地质数据集包括:钻孔点位置,各土层起止埋深、各土层土体力学参数;各土层土体力学参数包括粘聚力、内摩擦角、压缩系数、压缩模量、天然孔隙比、侧向土压力系数、天然含水率、重度;
隧道几何数据集包括:隧道管片外径、隧道埋深、隧道线型;
盾构机参数数据集包括:盾构直径、盾构长度、盾构工艺类型;
盾构掘进数据集包括:盾构掘进行程、切口水平偏差、切口高程偏差、盾尾水平偏差、盾尾高程偏差、盾构坡度角、正面土压力(分区)、注浆量(分布)、注浆压力(分布)、掘进速度、总推力、浆液类型(单液/双液)、浆液初凝时间;
沉降数据集包括:测点位置、监测时间、沉降值。
所述沉降预测模型自动学习模块7用以根据施工现场产生的新数据对沉降预测模型进行滚动训练,提升模块计算的精确度;通过每间隔Kt个时刻,向该模块输入较上次训练新产生的盾构参数数据对沉降预测模型进行后台更新,以提高模型的计算精度。
本发明还揭示一种盾构施工地表沉降预测方法,所述盾构施工地表沉降预测方法包括:
【步骤S0】历史施工项目数据获取步骤,收集不同施工环境下的盾构施工数据,掘进参数数据、地质参数数据和地面沉降量数据;
【步骤S1】元属性提取步骤,对原始数据集进行重新的组合提取元属性,并计算各属性特征指标;
【步骤S2】沉降数据发生器训练步骤,构建基于元属性的沉降数据发生器;
【步骤S3】沉降数据生成步骤,结合当前施工项目工程特点产生一组模拟数据;
【步骤S4】沉降预测模型预训练步骤,结合产生的模拟数据训练当前工程的沉降预测模型,得到初始沉降预测模型;
【步骤S5】实时沉降预测步骤,获取实时盾构掘进数据对地表沉降监测点沉降值进行预测。
【步骤S6】沉降预测模型自动学习步骤,对沉降预测模型进行在线更新。
在一实施例中,本发明方法可以不包括上述步骤的部分步骤,如可以不包括步骤S0及步骤S6。
所述历史施工项目数据获取步骤中,从盾构施工数据库中获取不同工程项目的盾构施工数据,并将获取到的原始施工数据进行分类,提取其中与沉降预测相关的数据,生成原始数据集;原始数据集具体包括地质数据集、隧道几何数据集、盾构机参数数据集、盾构掘进数据集以及沉降数据集,每一类数据集包含的数据如下:
地质数据集包括:钻孔点位置,各土层起止埋深、各土层土体力学参数;各土层土体力学参数包括粘聚力、内摩擦角、压缩系数、压缩模量、天然孔隙比、侧向土压力系数、天然含水率、重度;
隧道几何数据集包括:隧道管片外径、隧道埋深、隧道线型;
盾构机参数数据集包括:盾构直径、盾构长度、盾构工艺类型;
盾构掘进数据集包括:盾构掘进行程、切口水平偏差、切口高程偏差、盾尾水平偏差、盾尾高程偏差、盾构坡度角、正面土压力(分区)、注浆量(分布)、注浆压力(分布)、掘进速度、总推力、浆液类型(单液/双液)、浆液初凝时间;
沉降数据集包括:测点位置、监测时间、沉降值。
在本发明的一实施例中,所述元属性提取模块提取元素属性;将影响地表沉降的主要因素划分为基础类、扰动类和沉降类三个属性类别。
盾构掘进过程中,地表沉降主要是由于刀盘的切削、盾构机与周围土层的摩擦以及盾尾与周围土层形成的空隙而引发地层应力场的变化所造成的,且由于开挖面地质情况的差异,地表沉降的反映形态也有所差异。基于以上对盾构掘进过程中造成地表沉降的机理分析,本专利将影响地表沉降的主要因素划分为基础类、扰动类和沉降类三个属性类别。
每类元属性包括多种掘进特性,这些特性均通过原始施工数据计算得到。
基础类为在盾构隧道施工阶段就可以获得的隧道基础信息,包括土质特性、几何特性以及工艺特性;土质特性具体包括每环隧道剖面的粘聚力、内摩擦角以及含水率,每环土质特性的具体计算方式包括:
步骤S111、分别计算该环每层土占开挖面面积比例Pm,定义第m层土层上边界埋深为d1,m,下边界埋深为d2,m,隧道剖面中心点埋深为d,开挖面半径为R,S1,m为土层起始标高以上土体与开挖面的接触面积,S2,m为土层结束标高以上土体与开挖面的接触面积;具体计算方式包括:
步骤S112、计算该环隧道剖面土质特性,定义第m层土层的粘聚力、内摩擦角以及含水率分别为Cm、φm和ωm,开挖面土体总体粘聚力、内摩擦角以及含水率分别为C、φ和ω,计算公式如下:
C=∑Pm·Cm φ=∑Pm·φm ω=∑Pm·ωm
几何特性包括盾构每环的埋深和非注浆情况下的土体损失率,盾构每环的埋深可以通过隧道设计文件直接获得;每环非注浆情况下的土体损失率需将直线段和曲线段独立计算,直线段仅考虑盾构刀盘半径R和隧道管片外半径r所围成的圆环体积,具体计算公式如下:
v=(R2-r2)πl
在曲线段推进时为了使盾构发生偏转,通常会造成土体的超挖,其理论土体损失率与直线段有较大差别,具体计算方式如下:
式中,R0隧道曲率半径,l为管片宽度,L为盾构机长度,D为盾构机直径,δ为盾构机内侧超挖量,δ′为盾构机中部理论间隙,且δ′≈δ。
工艺特性包括盾构机类型、盾构长度以及盾构直径,盾构机类型主要分为土压平衡式盾构机和泥水平衡式盾构机,根据实际工程选用的盾构机型号来确定;盾构长度以及盾构直径根据具体施工所采用的盾构机参数数据获得。
扰动类参数主要评价盾构在掘进过程中对土体扰动程度的指标,通过对盾构实时掘进数据的分析处理得到;根据其扰动机理不同将其分为切口扰动特性、姿态扰动特性和盾尾扰动特性。
切口前方土体在盾构机到达之前主要受到土仓压力变化的影响,开挖面前方土体受到挤压或卸荷作用,使地面产生***或沉降;传统土仓压力设定方式都是通过计算得到切口前方理论土压力,并根据实际切口前方沉降情况对土压力进行微调,通常情况下土仓压力都略大于理论土压力。为综合考虑以上因素,采用盾构理论压力差来评价切口前方土体的扰动情况,从而获取切口扰动特性,具体计算方式包括:
步骤S121、根据地质勘查报告计算得到上方荷载大小Q;
步骤S122、根据隧道地质勘查报告,计算开挖面土体的侧向土压力系数K;
步骤S123、抽取该环推进期间的土压力数据,计算本环平均土压力P;
步骤S124、根据以下公式计算理论土压力差:ΔP=P-Q·K。
由于盾构姿态调整和盾壳与周围土体之间的摩擦会对盾体周围土体产生扰动造成盾体上方土体沉降,且盾构的姿态调整幅度对沉降影响较为明显,故采用盾构姿态调整幅度来衡量盾构姿态变化对周围土体的扰动程度。
姿态扰动特性包括盾构水平方向姿态变化量和盾构高程方向姿态变化量;盾构高程方向姿态变化量根据盾构俯仰角变化量来表示,即:
盾构水平方向姿态变化量采用水平角度变化量来表示,根据盾构的偏差量和轴线线性进行计算得到,具体计算方法如下:
式中h′x为每环开始时的切口水平偏差量,h"x为每环结束时的切口水平偏差量,t′x为每环开始时的盾尾水平偏差量,t″x为每环结束时的盾尾水平偏差量。
引起盾尾后方土体主要因素为管片脱出盾尾后的产生的间隙、盾尾注浆量和注浆压力值,本专利采用盾尾注浆填充率和盾尾注浆压力来反映盾尾土体的扰动情况。盾尾注浆压力通过计算每环盾尾注浆时压力平均值得到,盾尾注浆填充率根据环累计注浆量与理论盾尾间隙的比值计算得到,从而获取盾尾扰动特性,具体计算公式如下:
式中,g为盾尾注浆填充率,Gt为盾尾环累计注浆量,v为理论盾尾空隙大小。
沉降类主要通过沉降形态和沉降幅度来描述盾构推进过程中的沉降大小;沉降形态主要通过横向沉降槽宽度系数来表示,横向沉降槽宽度系数I通过使用peck公式对影响范围内的横向沉降测点进行曲线拟合并取平均值得到,peck公式如下:
式中,S为地表任一点的沉降值;Smax为地表沉降的最大值,位于隧道轴线正上方;x为任一点与隧道轴线的水平距离;I为沉降槽宽度系数,即隧道轴线与沉降槽拐点的距离。沉降幅度包括切口前方10m沉降平均值、盾体上方沉降平均值、盾尾后方10m沉降平均值,该数据根据盾构行程分别选取三个区域的轴线点沉降值进行计算得到。
在本发明的一实施例中,所述沉降数据发生器训练步骤中,将获取到的不同工程的施工数据根据上述方法提取元属性后,将基础类和扰动类属性作为模型输入,沉降类属性作为模型输出,训练循环神经网络模型作为沉降数据发生器;具体步骤如下:
步骤S21、数据预处理,将元属性数据转化为时序数据,并划分训练集与测试集;
步骤S22、构建一个三层的循环神经网络模型;
步骤S23、使用训练集数据进行模型训练,并在测试集上进行模型预测效果验证,根据结果对模型参数进行调整;
步骤S24、保存模型。
所述沉降数据生成步骤中,根据实际应用项目几何数据、地质数据和盾构机参数数据计算得到基础类数据,然后结合理论计算方法计算得到扰动类数据范围。
在计算切口扰动特性时,根据理论土压力值加上一定的随机波动量模拟实际推进过程中的土压波动,进而计算得到模拟的理论土压力差;在计算盾尾扰动特性时,平均注浆压力大小根据相似土层下的注浆压力范围进行模拟,平均注浆率根据150%的理论注浆填充率进行上下浮动;在计算姿态扰动特性时,根据盾构隧道设计轴线线性得到理论盾构高程和水平方向姿态变化量。
将采用以上方法产生的模拟施工数据输入到训练好的沉降数据发生器,得到每个时刻的沉降类属性。根据计算得到的沉降类属性借助经验沉降曲线公式得到每个点的沉降量,具体步骤如下:
步骤S31、获取实际施工项目隧道几何数据、地质数据和盾构机参数数据;
步骤S32、根据基础类数据设计模拟施工方案;
步骤S33、将模拟施工数据输入沉降数据发生器得到沉降类数据;
步骤S34、根据沉降类数据计算得到每一时刻每个沉降监测点的沉降,具体计算方法如下:
首先根据计算得到的沉降数据结合经验纵向沉降曲线公式拟合得到纵向沉降曲线,经验公式如下:
式中,Sy为轴线上距离切口为x的沉降监测点的沉降,y为监测点与距离切口的距离,当监测点在切口前方时y为负数;
然后结合横向沉降槽系数I可以计算得到沉降监测点的横向沉降槽公式:
最后综合以上两个公式即可计算得到相对切口坐标为(x,y)的沉降监测点的沉降值。
步骤S35、保存沉降模拟数据。
在本发明的一实施例中,所述沉降预测模型预训练步骤中,根据沉降数据发生器计算得到的盾构施工模拟数据构建LSTM监测点沉降预测模型,LSTM模型输入为t-n到t时刻的开挖面土体粘聚力、开挖面土体内摩擦角、开挖面土体含水率、上方荷载、正面土压力、注浆填充率、注浆压力、盾构水平方向姿态变化量、盾构高程方向姿态变化量、沉降监测点与切口的纵向距离、沉降监测点与轴线的横向距离;模型输出为t时刻的累计沉降值;其中,LSTM模型的单个样本时间步长n为12,LSTM层数为1。
在本发明的一实施例中,所述实时沉降预测步骤中,采用沉降预测模型对盾构影响范围内的沉降监测点沉降进行预测,具体包括以下步骤:
步骤S51、获取当前盾构位置,确定需要进行沉降预测的监测点集合,具体包括切口前方十米至盾尾后方十米范围内的横向与纵向监测点;
步骤S52、获取t-n到t时刻的历史盾构施工数据;
步骤S53、获取未来5个时间步的盾构施工参数设置值;
步骤S54、输入t-n+i到t+i时刻的盾构施工数据,采用LSTM模型预测t+i时刻各监测点的沉降;
步骤S55、重复步骤S54,直到完成对未来5个时间步的沉降预测。
所述沉降预测模型自动学习步骤中,根据施工现场产生的新数据对沉降预测模型进行滚动训练,提升模块计算的精确度;通过每间隔Kt个时刻,向该模块输入较上次训练新产生的盾构参数数据对沉降预测模型进行后台更新,以提高模型的计算精度。
综上所述,本发明提出的盾构施工地表沉降预测***及方法,可提高预测的适用性及精准度,前期无需大量的数据积累。
本发明通过大量盾构施工项目数据构建沉降数据发生器,掌握不同环境下盾构掘进过程中沉降变化的普遍规律,结合工程实际施工数据快速建立准确的沉降预测模型,解决了现有数据驱动预测方法适应性差且前期需要大量数据积累的问题。
需要注意的是,本申请可在软件和/或软件与硬件的组合体中被实施;例如,可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一些实施例中,本申请的软件程序可以通过处理器执行以实现上文步骤或功能。同样地,本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中;例如,RAM存储器,磁或光驱动器或软磁盘及类似设备。另外,本申请的一些步骤或功能可采用硬件来实现;例如,作为与处理器配合从而执行各个步骤或功能的电路。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
这里本发明的描述和应用是说明性的,并非想将本发明的范围限制在上述实施例中。实施例中所涉及的效果或优点可因多种因素干扰而可能不能在实施例中体现,对于效果或优点的描述不用于对实施例进行限制。这里所披露的实施例的变形和改变是可能的,对于那些本领域的普通技术人员来说实施例的替换和等效的各种部件是公知的。本领域技术人员应该清楚的是,在不脱离本发明的精神或本质特征的情况下,本发明可以以其它形式、结构、布置、比例,以及用其它组件、材料和部件来实现。在不脱离本发明范围和精神的情况下,可以对这里所披露的实施例进行其它变形和改变。
Claims (10)
1.一种盾构施工地表沉降预测***,其特征在于,所述盾构施工地表沉降预测***包括:
元属性提取模块,用以对原始数据集进行重新的组合提取元属性,并计算各属性特征指标;
沉降数据发生器训练模块,用以构建基于元属性的沉降数据发生器;
沉降数据生成模块,用以结合当前施工项目工程特点产生一组模拟数据;
沉降预测模型预训练模块,用以结合产生的模拟数据训练当前工程的沉降预测模型,得到初始沉降预测模型;
实时沉降预测模块,用以获取实时盾构掘进数据对地表沉降监测点沉降值进行预测。
2.根据权利要求1所述的盾构施工地表沉降预测***,其特征在于:
所述元属性提取模块用以提取元素属性;将影响地表沉降的主要因素划分为基础类、扰动类和沉降类三个属性类别;
每类元属性包括多种掘进特性,这些特性均通过原始施工数据计算得到,具体计算方法包括:
基础类为在盾构隧道施工所需的基础信息,包括土质特性、几何特性以及工艺特性;
土质特性具体包括每环隧道剖面的粘聚力、内摩擦角以及含水率,每环土质特性的具体计算方式包括:
步骤S111、分别计算该环每层土占开挖面面积比例Pm,定义第m层土层上边界埋深为d1,m,下边界埋深为d2,m,隧道剖面中心点埋深为d,开挖面半径为R,S1,m为土层起始标高以上土体与开挖面的接触面积,S2,m为土层结束标高以上土体与开挖面的接触面积;具体计算方式包括:
步骤S112、计算该环隧道剖面土质特性,定义第m层土层的粘聚力、内摩擦角以及含水率分别为Cm、φm和ωm,开挖面土体总体粘聚力、内摩擦角以及含水率分别为C、φ和ω,计算公式如下:
C=∑Pm·Cm φ=∑Pm·φm ω=∑Pm·ωm
几何特性包括盾构每环的埋深和非注浆情况下的土体损失率,盾构每环的埋深通过隧道设计文件直接获得;每环非注浆情况下的土体损失率需将直线段和曲线段独立计算,直线段仅考虑盾构刀盘半径R和隧道管片外半径r所围成的圆环体积,具体计算公式如下:
υ=(R2-r2)πl
在曲线段推进时为了使盾构发生偏转,通常会造成土体的超挖,其理论土体损失率与直线段有较大差别,具体计算方式如下:
式中,R0隧道曲率半径,l为管片宽度,L为盾构机长度,D为盾构机直径,δ为盾构机内侧超挖量,δ′为盾构机中部理论间隙,且δ′≈δ;
工艺特性包括盾构机类型、盾构长度以及盾构直径,盾构机类型主要分为土压平衡式盾构机和泥水平衡式盾构机,根据实际工程选用的盾构机型号来确定;盾构长度以及盾构直径根据具体施工所采用的盾构机参数数据获得;
扰动类参数主要评价盾构在掘进过程中对土体扰动程度的指标,通过对盾构实时掘进数据的分析处理得到;根据其扰动机理不同将其分为切口扰动特性、姿态扰动特性和盾尾扰动特性:
采用盾构理论压力差来评价切口前方土体的扰动情况,从而获取切口扰动特性,具体计算方式如下:
步骤S121、根据地质勘查结果计算得到上方荷载大小Q;
步骤S122、根据隧道地质勘查报告,计算开挖面土体的侧向土压力系数K;
步骤S123、抽取每环推进期间的土压力数据,计算环平均土压力P;
步骤S124、根据以下公式计算理论土压力差:ΔP=P-Q·K;
姿态扰动特性包括盾构水平方向姿态变化量和盾构高程方向姿态变化量;盾构高程方向姿态变化量根据盾构俯仰角变化量来表示,即:
盾构水平方向姿态变化量采用水平角度变化量来表示,根据盾构的偏差量和轴线线性进行计算得到,具体计算方法如下:
式中,h′x为每环开始时的切口水平偏差量,h″x为每环结束时的切口水平偏差量,t′x为每环开始时的盾尾水平偏差量,t″x为每环结束时的盾尾水平偏差量;
盾尾注浆压力通过计算每环盾尾注浆时压力平均值得到,盾尾注浆填充率根据环累计注浆量与理论盾尾间隙的比值计算得到,从而获取盾尾扰动特性,具体计算公式如下:
式中,g为盾尾注浆填充率,Gt为盾尾环累计注浆量,υ为理论盾尾空隙大小;
沉降类主要通过沉降形态和沉降幅度来描述盾构推进过程中的沉降大小;
沉降形态主要通过横向沉降槽宽度系数来表示,横向沉降槽宽度系数I通过使用peck公式对影响范围内的横向沉降测点进行曲线拟合并取平均值得到,peck公式如下:
式中,S为地表任一点的沉降值;Smax为地表沉降的最大值,位于隧道轴线正上方;x为任一点与隧道轴线的水平距离;I为沉降槽宽度系数,即隧道轴线与沉降槽拐点的距离;
沉降幅度包括切口前方10m沉降平均值、盾体上方沉降平均值、盾尾后方10m沉降平均值,该数据根据盾构行程分别选取三个区域的轴线点沉降值进行计算得到。
3.根据权利要求1所述的盾构施工地表沉降预测***,其特征在于:
所述沉降数据发生器训练模块用以将获取到的不同工程的施工数据根据上述方法提取元属性后,将基础类和扰动类属性作为模型输入,沉降类属性作为模型输出,训练循环神经网络模型作为沉降数据发生器;具体步骤如下:
步骤S21、数据预处理,将元属性数据转化为时序数据,并划分训练集与测试集;
步骤S22、构建一个三层的循环神经网络模型;
步骤S23、使用训练集数据进行模型训练,并在测试集上进行模型预测效果验证,根据结果对模型参数进行调整;
步骤S24、保存模型;
所述沉降数据生成模块用以根据实际应用项目几何数据、地质数据和盾构机参数数据计算得到基础类数据,然后结合理论计算方法计算得到扰动类数据范围;
在计算切口扰动特性时,根据理论土压力值加上一定的随机波动量模拟实际推进过程中的土压波动,进而计算得到模拟的理论土压力差;在计算盾尾扰动特性时,平均注浆压力大小根据相似土层下的注浆压力范围进行模拟,平均注浆率根据150%的理论注浆填充率进行上下浮动;在计算姿态扰动特性时,根据盾构隧道设计轴线线性得到理论盾构高程和水平方向姿态变化量。
将采用以上方法产生的模拟施工数据输入到训练好的沉降数据发生器,得到每个时刻的沉降类属性;根据计算得到的沉降类属性借助经验沉降曲线公式得到每个点的沉降量,具体步骤如下:
步骤S31、获取实际施工项目隧道几何数据、地质数据和盾构机参数数据;
步骤S32、根据基础类数据设计模拟施工方案;
步骤S33、将模拟施工数据输入沉降数据发生器得到沉降类数据;
步骤S34、根据沉降类数据计算得到每一时刻每个沉降监测点的沉降,具体计算方法如下:
首先根据计算得到的沉降数据结合经验纵向沉降曲线公式拟合得到纵向沉降曲线,经验公式如下:
式中,Sy为轴线上距离切口为x的沉降监测点的沉降,y为监测点与距离切口的距离,当监测点在切口前方时y为负数;
然后结合横向沉降槽系数I可以计算得到沉降监测点的横向沉降槽公式:
最后综合以上两个公式即可计算得到相对切口坐标为(x,y)的沉降监测点的沉降值。
步骤S35、保存沉降模拟数据。
4.根据权利要求1所述的盾构施工地表沉降预测***,其特征在于:
所述沉降预测模型预训练模块用以根据沉降数据发生器计算得到的盾构施工模拟数据构建LSTM监测点沉降预测模型,LSTM模型输入为t-n到t时刻的开挖面土体粘聚力、开挖面土体内摩擦角、开挖面土体含水率、上方荷载、正面土压力、注浆填充率、注浆压力、盾构水平方向姿态变化量、盾构高程方向姿态变化量、沉降监测点与切口的纵向距离、沉降监测点与轴线的横向距离;模型输出为t时刻的累计沉降值;其中,LSTM模型的单个样本时间步长n为12,LSTM层数为1;
所述实时沉降预测模块用以采用沉降预测模型对盾构影响范围内的沉降监测点沉降进行预测,具体包括以下步骤:
步骤S51、获取当前盾构位置,确定需要进行沉降预测的监测点集合,具体包括切口前方十米至盾尾后方十米范围内的横向与纵向监测点;
步骤S52、获取t-n到t时刻的历史盾构施工数据;
步骤S53、获取未来5个时间步的盾构施工参数设置值;
步骤S54、输入t-n+i到t+i时刻的盾构施工数据,采用LSTM模型预测t+i时刻各监测点的沉降;
步骤S55、重复步骤S54,直到完成对未来5个时间步的沉降预测。
5.根据权利要求1所述的盾构施工地表沉降预测***,其特征在于:
所述***进一步包括:
历史施工项目数据获取模块,用以收集不同施工环境下的盾构施工数据,掘进参数数据、地质参数数据和地面沉降量数据;
沉降预测模型自动学习模块,用以对沉降预测模型进行在线更新;
所述历史施工项目数据获取模块用以从盾构施工数据库中获取不同工程项目的盾构施工数据,并将获取到的原始施工数据进行分类,提取其中与沉降预测相关的数据,生成原始数据集;原始数据集具体包括地质数据集、隧道几何数据集、盾构机参数数据集、盾构掘进数据集以及沉降数据集,每一类数据集包含的数据如下:
地质数据集包括:钻孔点位置,各土层起止埋深、各土层土体力学参数;各土层土体力学参数包括粘聚力、内摩擦角、压缩系数、压缩模量、天然孔隙比、侧向土压力系数、天然含水率、重度;
隧道几何数据集包括:隧道管片外径、隧道埋深、隧道线型;
盾构机参数数据集包括:盾构直径、盾构长度、盾构工艺类型;
盾构掘进数据集包括:盾构掘进行程、切口水平偏差、切口高程偏差、盾尾水平偏差、盾尾高程偏差、盾构坡度角、正面土压力分区、注浆量分布、注浆压力分布、掘进速度、总推力、浆液类型、浆液初凝时间;
沉降数据集包括:测点位置、监测时间、沉降值;
所述沉降预测模型自动学习模块用以根据施工现场产生的新数据对沉降预测模型进行滚动训练,提升模块计算的精确度;
通过每间隔Kt个时刻,向该模块输入较上次训练新产生的盾构参数数据对沉降预测模型进行后台更新,以提高模型的计算精度。
6.一种盾构施工地表沉降预测方法,其特征在于,所述盾构施工地表沉降预测方法包括:
元属性提取步骤,对原始数据集进行重新的组合提取元属性,并计算各属性特征指标;
沉降数据发生器训练步骤,构建基于元属性的沉降数据发生器;
沉降数据生成步骤,结合当前施工项目工程特点产生一组模拟数据;
沉降预测模型预训练步骤,结合产生的模拟数据训练当前工程的沉降预测模型,得到初始沉降预测模型;
实时沉降预测步骤,获取实时盾构掘进数据对地表沉降监测点沉降值进行预测。
7.根据权利要求6所述的盾构施工地表沉降预测方法,其特征在于:
所述方法还包括:
历史施工项目数据获取步骤,收集不同施工环境下的盾构施工数据,掘进参数数据、地质参数数据和地面沉降量数据;
沉降预测模型自动学习步骤,对沉降预测模型进行在线更新;
所述历史施工项目数据获取步骤中,从盾构施工数据库中获取不同工程项目的盾构施工数据,并将获取到的原始施工数据进行分类,提取其中与沉降预测相关的数据,生成原始数据集;原始数据集具体包括地质数据集、隧道几何数据集、盾构机参数数据集、盾构掘进数据集以及沉降数据集,每一类数据集包含的数据如下:
地质数据集包括:钻孔点位置,各土层起止埋深、各土层土体力学参数;各土层土体力学参数包括粘聚力、内摩擦角、压缩系数、压缩模量、天然孔隙比、侧向土压力系数、天然含水率、重度;
隧道几何数据集包括:隧道管片外径、隧道埋深、隧道线型;
盾构机参数数据集包括:盾构直径、盾构长度、盾构工艺类型;
盾构掘进数据集包括:盾构掘进行程、切口水平偏差、切口高程偏差、盾尾水平偏差、盾尾高程偏差、盾构坡度角、正面土压力分区、注浆量分布、注浆压力分布、掘进速度、总推力、浆液类型、浆液初凝时间;
沉降数据集包括:测点位置、监测时间、沉降值;
所述沉降预测模型自动学习步骤中,根据施工现场产生的新数据对沉降预测模型进行滚动训练,提升模块计算的精确度;
通过每间隔Kt个时刻,向该模块输入较上次训练新产生的盾构参数数据对沉降预测模型进行后台更新,以提高模型的计算精度。
8.根据权利要求6所述的盾构施工地表沉降预测方法,其特征在于:
所述元属性提取步骤中,提取元素属性;将影响地表沉降的主要因素划分为基础类、扰动类和沉降类三个属性类别;
每类元属性包括多种掘进特性,这些特性均通过原始施工数据计算得到,具体计算方法如下:
基础类为在盾构隧道施工阶段就可以获得的隧道基础信息,包括土质特性、几何特性以及工艺特性:
土质特性具体包括每环隧道剖面的粘聚力、内摩擦角以及含水率,每环土质特性的具体计算方式如下:
步骤S111、分别计算该环每层土占开挖面面积比例Pm,定义第m层土层上边界埋深为d1,m,下边界埋深为d2,m,隧道剖面中心点埋深为d,开挖面半径为R,S1,m为土层起始标高以上土体与开挖面的接触面积,S2,m为土层结束标高以上土体与开挖面的接触面积;具体计算方式包括:
步骤S112、计算该环隧道剖面土质特性,定义第m层土层的粘聚力、内摩擦角以及含水率分别为Cm、φm和ωm,开挖面土体总体粘聚力、内摩擦角以及含水率分别为C、φ和ω,计算公式如下:
C=∑Pm·Cm φ=∑Pm·φm ω=∑Pm·ωm
几何特性包括盾构每环的埋深和非注浆情况下的土体损失率,盾构每环的埋深可以通过隧道设计文件直接获得;每环非注浆情况下的土体损失率需将直线段和曲线段独立计算,直线段仅考虑盾构刀盘半径R和隧道管片外半径r所围成的圆环体积,具体计算公式如下:
υ=(R2-r2)πl
在曲线段推进时为了使盾构发生偏转,通常会造成土体的超挖,其理论土体损失率与直线段有较大差别,具体计算方式包括:
式中,R0隧道曲率半径,l为管片宽度,L为盾构机长度,D为盾构机直径,δ为盾构机内侧超挖量,δ′为盾构机中部理论间隙,且δ′≈δ;
工艺特性包括盾构机类型、盾构长度以及盾构直径,盾构机类型主要分为土压平衡式盾构机和泥水平衡式盾构机,根据实际工程选用的盾构机型号来确定;盾构长度以及盾构直径根据具体施工所采用的盾构机参数数据获得;
扰动类参数主要评价盾构在掘进过程中对土体扰动程度的指标,通过对盾构实时掘进数据的分析处理得到;根据其扰动机理不同将其分为切口扰动特性、姿态扰动特性和盾尾扰动特性;
采用盾构理论压力差来评价切口前方土体的扰动情况,从而获取切口扰动特性,具体计算方式包括:
步骤S121、根据地质勘查报告计算得到上方荷载大小Q;
步骤S122、根据隧道地质勘查报告,计算开挖面土体的侧向土压力系数K;
步骤S123、抽取该环推进期间的土压力数据,计算本环平均土压力P;
步骤S124、根据以下公式计算理论土压力差:ΔP=P-Q·K;
姿态扰动特性包括盾构水平方向姿态变化量和盾构高程方向姿态变化量;盾构高程方向姿态变化量根据盾构俯仰角变化量来表示,即:
盾构水平方向姿态变化量采用水平角度变化量来表示,根据盾构的偏差量和轴线线性进行计算得到,具体计算方法如下:
式中,h′x为每环开始时的切口水平偏差量,h″x为每环结束时的切口水平偏差量,t′x为每环开始时的盾尾水平偏差量,t″x为每环结束时的盾尾水平偏差量;
盾尾注浆压力通过计算每环盾尾注浆时压力平均值得到,盾尾注浆填充率根据环累计注浆量与理论盾尾间隙的比值计算得到,从而获取盾尾扰动特性,具体计算公式如下:
式中,g为盾尾注浆填充率,Gt为盾尾环累计注浆量,υ为理论盾尾空隙大小;
沉降类主要通过沉降形态和沉降幅度来描述盾构推进过程中的沉降大小;
沉降形态主要通过横向沉降槽宽度系数来表示,横向沉降槽宽度系数I通过使用peck公式对影响范围内的横向沉降测点进行曲线拟合并取平均值得到,peck公式如下:
式中,S为地表任一点的沉降值;Smax为地表沉降的最大值,位于隧道轴线正上方;x为任一点与隧道轴线的水平距离;I为沉降槽宽度系数,即隧道轴线与沉降槽拐点的距离;
沉降幅度包括切口前方10m沉降平均值、盾体上方沉降平均值、盾尾后方10m沉降平均值,该数据根据盾构行程分别选取三个区域的轴线点沉降值进行计算得到。
9.根据权利要求6所述的盾构施工地表沉降预测方法,其特征在于:
所述沉降数据发生器训练步骤中,将获取到的不同工程的施工数据根据上述方法提取元属性后,将基础类和扰动类属性作为模型输入,沉降类属性作为模型输出,训练循环神经网络模型作为沉降数据发生器;具体步骤如下:
步骤S21、数据预处理,将元属性数据转化为时序数据,并划分训练集与测试集;
步骤S22、构建一个三层的循环神经网络模型;
步骤S23、使用训练集数据进行模型训练,并在测试集上进行模型预测效果验证,根据结果对模型参数进行调整;
步骤S24、保存模型;
所述沉降数据生成步骤中,根据实际应用项目几何数据、地质数据和盾构机参数数据计算得到基础类数据,然后结合理论计算方法计算得到扰动类数据范围。
在计算切口扰动特性时,根据理论土压力值加上一定的随机波动量模拟实际推进过程中的土压波动,进而计算得到模拟的理论土压力差;在计算盾尾扰动特性时,平均注浆压力大小根据相似土层下的注浆压力范围进行模拟,平均注浆率根据150%的理论注浆填充率进行上下浮动;在计算姿态扰动特性时,根据盾构隧道设计轴线线性得到理论盾构高程和水平方向姿态变化量;
将采用以上方法产生的模拟施工数据输入到训练好的沉降数据发生器,得到每个时刻的沉降类属性。根据计算得到的沉降类属性借助经验沉降曲线公式得到每个点的沉降量,具体步骤如下:
步骤S31、获取实际施工项目隧道几何数据、地质数据和盾构机参数数据;
步骤S32、根据基础类数据设计模拟施工方案;
步骤S33、将模拟施工数据输入沉降数据发生器得到沉降类数据;
步骤S34、根据沉降类数据计算得到每一时刻每个沉降监测点的沉降,具体计算方法如下:
首先根据计算得到的沉降数据结合经验纵向沉降曲线公式拟合得到纵向沉降曲线,经验公式如下:
式中,Sy为轴线上距离切口为x的沉降监测点的沉降,y为监测点与距离切口的距离,当监测点在切口前方时y为负数;
然后结合横向沉降槽系数I可以计算得到沉降监测点的横向沉降槽公式:
最后综合以上两个公式即可计算得到相对切口坐标为(x,y)的沉降监测点的沉降值。
步骤S35、保存沉降模拟数据。
10.根据权利要求6所述的盾构施工地表沉降预测方法,其特征在于:
所述沉降预测模型预训练步骤中,根据沉降数据发生器计算得到的盾构施工模拟数据构建LSTM监测点沉降预测模型,LSTM模型输入为t-n到t时刻的开挖面土体粘聚力、开挖面土体内摩擦角、开挖面土体含水率、上方荷载、正面土压力、注浆填充率、注浆压力、盾构水平方向姿态变化量、盾构高程方向姿态变化量、沉降监测点与切口的纵向距离、沉降监测点与轴线的横向距离;模型输出为t时刻的累计沉降值;其中,LSTM模型的单个样本时间步长n为12,LSTM层数为1;
所述实时沉降预测步骤中,采用沉降预测模型对盾构影响范围内的沉降监测点沉降进行预测,具体包括以下步骤:
步骤S51、获取当前盾构位置,确定需要进行沉降预测的监测点集合,具体包括切口前方十米至盾尾后方十米范围内的横向与纵向监测点;
步骤S52、获取t-n到t时刻的历史盾构施工数据;
步骤S53、获取未来5个时间步的盾构施工参数设置值;
步骤S54、输入t-n+i到t+i时刻的盾构施工数据,采用LSTM模型预测t+i时刻各监测点的沉降;
步骤S55、重复步骤S54,直到完成对未来5个时间步的沉降预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110558141.5A CN113239439B (zh) | 2021-05-21 | 2021-05-21 | 盾构施工地表沉降预测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110558141.5A CN113239439B (zh) | 2021-05-21 | 2021-05-21 | 盾构施工地表沉降预测***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113239439A true CN113239439A (zh) | 2021-08-10 |
CN113239439B CN113239439B (zh) | 2022-04-05 |
Family
ID=77138036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110558141.5A Active CN113239439B (zh) | 2021-05-21 | 2021-05-21 | 盾构施工地表沉降预测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113239439B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113806843A (zh) * | 2021-09-01 | 2021-12-17 | 北京住总集团有限责任公司 | 一种基于沉降槽底动态波动的变形分析***及方法 |
CN113935463A (zh) * | 2021-09-30 | 2022-01-14 | 南方电网数字电网研究院有限公司 | 一种基于人工智能控制方法的微电网控制器 |
CN114219134A (zh) * | 2021-11-30 | 2022-03-22 | 苏州大学 | 一种盾构施工引起地面沉降的预测方法及*** |
CN114462185A (zh) * | 2021-11-30 | 2022-05-10 | 中国建筑第五工程局有限公司 | 隧道施工造成地表沉降槽空间形态五维演化的预估方法 |
CN114544040A (zh) * | 2022-02-16 | 2022-05-27 | 江苏科技大学 | 基于神经网络算法的群桩节点应力监测***及其预警方法 |
CN115018164A (zh) * | 2022-06-09 | 2022-09-06 | 广州市第三市政工程有限公司 | 泥水平衡顶管施工沉降预测方法、***、设备及存储介质 |
CN115099111A (zh) * | 2022-07-13 | 2022-09-23 | 广州大学 | 一种基于机器学习和有限元的盾构施工地表沉降预测方法 |
CN116108547A (zh) * | 2023-04-11 | 2023-05-12 | 北京城建设计发展集团股份有限公司 | 盾构隧道内堆载设计和动态控制方法、*** |
CN117235874A (zh) * | 2023-11-14 | 2023-12-15 | 中电建铁路建设投资集团有限公司 | 一种基于盾构隧道掘进的轨道变形预测方法及*** |
CN118031899A (zh) * | 2024-01-23 | 2024-05-14 | 中铁二十一局集团有限公司 | 一种基于深度学习的多因素路基沉降预测方法 |
CN118094959A (zh) * | 2024-04-22 | 2024-05-28 | 合肥市轨道交通集团有限公司 | 基于有源rc电路模型的地面沉降预测方法、设备及介质 |
CN118114523B (zh) * | 2024-03-08 | 2024-08-02 | 中电建铁路建设投资集团有限公司 | 基于泥水盾构项目实现地层沉降及力学响应的观测*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104766129A (zh) * | 2014-12-31 | 2015-07-08 | 华中科技大学 | 一种基于时空信息融合的地铁盾构施工地表变形的预警方法 |
CN107515976A (zh) * | 2017-08-15 | 2017-12-26 | 上海隧道工程有限公司 | 基于泥水盾构施工主控参数的地面沉降预测方法 |
CN108985340A (zh) * | 2018-06-22 | 2018-12-11 | 西安电子科技大学 | 基于双模型融合的盾构施工地面沉降量预测方法 |
CN109242171A (zh) * | 2018-08-28 | 2019-01-18 | 河南省豫晋高速公路建设有限公司 | 一种基于bim和rs-svr的盾构施工地表沉降预测方法 |
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 |
CN110617074A (zh) * | 2019-09-20 | 2019-12-27 | 西安电子科技大学 | 一种盾构施工中地面沉降量与掘进参数的关联关系方法 |
CN111335907A (zh) * | 2020-03-20 | 2020-06-26 | 中铁十四局集团有限公司 | 盾构施工过程地层变形的控制方法、控制装置和存储介质 |
CN111639468A (zh) * | 2020-06-10 | 2020-09-08 | 中铁十四局集团大盾构工程有限公司 | 地表沉降值的预测方法、装置和计算机可读存储介质 |
CN111832223A (zh) * | 2020-06-29 | 2020-10-27 | 上海隧道工程有限公司 | 基于神经网络的盾构施工地表沉降预测方法 |
-
2021
- 2021-05-21 CN CN202110558141.5A patent/CN113239439B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104766129A (zh) * | 2014-12-31 | 2015-07-08 | 华中科技大学 | 一种基于时空信息融合的地铁盾构施工地表变形的预警方法 |
CN107515976A (zh) * | 2017-08-15 | 2017-12-26 | 上海隧道工程有限公司 | 基于泥水盾构施工主控参数的地面沉降预测方法 |
CN108985340A (zh) * | 2018-06-22 | 2018-12-11 | 西安电子科技大学 | 基于双模型融合的盾构施工地面沉降量预测方法 |
CN109242171A (zh) * | 2018-08-28 | 2019-01-18 | 河南省豫晋高速公路建设有限公司 | 一种基于bim和rs-svr的盾构施工地表沉降预测方法 |
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 |
CN110617074A (zh) * | 2019-09-20 | 2019-12-27 | 西安电子科技大学 | 一种盾构施工中地面沉降量与掘进参数的关联关系方法 |
CN111335907A (zh) * | 2020-03-20 | 2020-06-26 | 中铁十四局集团有限公司 | 盾构施工过程地层变形的控制方法、控制装置和存储介质 |
CN111639468A (zh) * | 2020-06-10 | 2020-09-08 | 中铁十四局集团大盾构工程有限公司 | 地表沉降值的预测方法、装置和计算机可读存储介质 |
CN111832223A (zh) * | 2020-06-29 | 2020-10-27 | 上海隧道工程有限公司 | 基于神经网络的盾构施工地表沉降预测方法 |
Non-Patent Citations (3)
Title |
---|
TENG LI等: "《Development and Application of Dynamic Intelligent Risk Management System throughout Shield Tunneling》", 《2010 INTERNATIONAL CONFERENCE ON INTELLIGENT SYSTEM DESIGN AND ENGINEERING APPLICATION》 * |
周文波等: "《盾构法隧道施工引起地面沉降GMF预报***》", 《地下工程与隧道》 * |
胡珉等: "《基于多级神经网络的盾构法隧道施工参数控制》", 《计算机工程》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113806843A (zh) * | 2021-09-01 | 2021-12-17 | 北京住总集团有限责任公司 | 一种基于沉降槽底动态波动的变形分析***及方法 |
CN113806843B (zh) * | 2021-09-01 | 2024-05-31 | 北京住总集团有限责任公司 | 一种基于沉降槽底动态波动的变形分析***及方法 |
CN113935463A (zh) * | 2021-09-30 | 2022-01-14 | 南方电网数字电网研究院有限公司 | 一种基于人工智能控制方法的微电网控制器 |
CN114219134A (zh) * | 2021-11-30 | 2022-03-22 | 苏州大学 | 一种盾构施工引起地面沉降的预测方法及*** |
CN114462185A (zh) * | 2021-11-30 | 2022-05-10 | 中国建筑第五工程局有限公司 | 隧道施工造成地表沉降槽空间形态五维演化的预估方法 |
CN114544040B (zh) * | 2022-02-16 | 2024-01-23 | 江苏科技大学 | 基于神经网络算法的群桩节点应力监测***及其预警方法 |
CN114544040A (zh) * | 2022-02-16 | 2022-05-27 | 江苏科技大学 | 基于神经网络算法的群桩节点应力监测***及其预警方法 |
CN115018164A (zh) * | 2022-06-09 | 2022-09-06 | 广州市第三市政工程有限公司 | 泥水平衡顶管施工沉降预测方法、***、设备及存储介质 |
CN115099111A (zh) * | 2022-07-13 | 2022-09-23 | 广州大学 | 一种基于机器学习和有限元的盾构施工地表沉降预测方法 |
CN116108547A (zh) * | 2023-04-11 | 2023-05-12 | 北京城建设计发展集团股份有限公司 | 盾构隧道内堆载设计和动态控制方法、*** |
CN117235874A (zh) * | 2023-11-14 | 2023-12-15 | 中电建铁路建设投资集团有限公司 | 一种基于盾构隧道掘进的轨道变形预测方法及*** |
CN117235874B (zh) * | 2023-11-14 | 2024-02-20 | 中电建铁路建设投资集团有限公司 | 一种基于盾构隧道掘进的轨道变形预测方法及*** |
CN118031899A (zh) * | 2024-01-23 | 2024-05-14 | 中铁二十一局集团有限公司 | 一种基于深度学习的多因素路基沉降预测方法 |
CN118114523B (zh) * | 2024-03-08 | 2024-08-02 | 中电建铁路建设投资集团有限公司 | 基于泥水盾构项目实现地层沉降及力学响应的观测*** |
CN118094959A (zh) * | 2024-04-22 | 2024-05-28 | 合肥市轨道交通集团有限公司 | 基于有源rc电路模型的地面沉降预测方法、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113239439B (zh) | 2022-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113239439B (zh) | 盾构施工地表沉降预测***及方法 | |
CN109165406B (zh) | 一种隧道施工过程中围岩快速动态分级预测方法 | |
CN109948198B (zh) | 一种基于非线性函数的围岩分级可靠性评价方法 | |
CN111832223A (zh) | 基于神经网络的盾构施工地表沉降预测方法 | |
CN109299578A (zh) | 基坑开挖引起下卧既有盾构隧道***变形的计算方法 | |
CN108842821B (zh) | 一种钻爆法修建海底隧道合理埋深的计算方法 | |
CN113255990A (zh) | 盾构法隧道施工开挖面土质实时预测***及方法 | |
CN102943669B (zh) | 适用于水平井轨迹设计的高精度深度域随机模拟反演方法 | |
CN103018778A (zh) | 校正声波测井曲线进行储层预测的方法及设备 | |
CN105678417A (zh) | 一种施工隧道撑子面涌水量预测方法及装置 | |
CN116030207A (zh) | 一种岩溶地质公路隧道施工综合超前三维地质建模方法 | |
Kong et al. | Novel hybrid method to predict the ground-displacement field caused by shallow tunnel excavation | |
Nguyen et al. | Prediction of ground subsidence due to underground mining through time using multilayer feed-forward artificial neural networks and back-propagation algorithm–case study at Mong Duong underground coal mine (Vietnam) | |
Lv et al. | A novel stacking-based ensemble learning model for drilling efficiency prediction in earth-rock excavation | |
WO2024032522A1 (zh) | 基于天然源面波计算基坑双排桩桩间土对桩侧压力的方法 | |
CN113536414A (zh) | 基于三维建模的岩质边坡稳定性分析方法、***及介质 | |
CN103164624A (zh) | 获得平行隧道轴线的匀质地下管线状态数据的方法 | |
CN108984908B (zh) | 利用bim技术辅助人防洞室改造的施工方法 | |
Zhang et al. | Application of grey feed forward back propagation-neural network model based on wavelet denoising to predict the residual settlement of goafs | |
CN116227309A (zh) | 融合多源数据的盾构掘进数字孪生地层构建方法及*** | |
CN108446413B (zh) | 一种注浆成型扩底桩桩径的优化测定方法 | |
Gao et al. | Mathematical Interpolation and Correction of Three-Dimensional Modelling of High-Speed Railway. | |
Ma et al. | Research on deformation prediction method of soft soil deep foundation pit | |
CN112668865A (zh) | 一种城市地铁风险动态分析方法 | |
Richa et al. | A Comparative Study of Ensemble Methods for Prediction of Surface Settlement Induced by TBM Tunneling |
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 |