CN115099111B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN115099111B CN115099111B CN202210818588.6A CN202210818588A CN115099111B CN 115099111 B CN115099111 B CN 115099111B CN 202210818588 A CN202210818588 A CN 202210818588A CN 115099111 B CN115099111 B CN 115099111B
- Authority
- CN
- China
- Prior art keywords
- soil layer
- actual
- finite element
- model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000010276 construction Methods 0.000 title claims abstract description 29
- 238000010801 machine learning Methods 0.000 title claims abstract description 14
- 239000002689 soil Substances 0.000 claims abstract description 162
- 238000004364 calculation method Methods 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000007637 random forest analysis Methods 0.000 claims abstract description 13
- 241000251468 Actinopterygii Species 0.000 claims abstract description 7
- 239000003795 chemical substances by application Substances 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000009933 burial Methods 0.000 claims description 24
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000003066 decision tree Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000006073 displacement reaction Methods 0.000 claims description 5
- 238000009412 basement excavation Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 4
- 238000004062 sedimentation Methods 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000005641 tunneling Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于机器学***均,获得目标结果并输入地表沉降预测模型,得到地表沉降预测值。
Description
技术领域
本发明盾构隧道开挖技术领域,特别涉及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。
背景技术
盾构法凭借其安全性高、施工不受天气影响等优势,在城市地下工程中得到了广泛的应用。但是盾构施工存在一显著问题就是会对周围地层环境造成影响。虽然在现有技术中对盾构机进行了多次改进,但是由于施工方式、施工工艺及周围岩土环境等客观因素存在,完全把地表沉降消除是不可能的,特别是在城市区域,道路管线情况复杂,过大的地表沉降会对隧道本身及周围环境造成极大的安全威胁。因此,在设计施工时必须结合现场的实际地质状况,提前对盾构施工期的地层响应进行分析预测,并及时在风险部位采取措施,确保盾构隧道的安全施工。
现有的方法往往基于实际记录的施工参数和勘探得到的地质参数对可能产生的盾构施工地表沉降进行预测,其预测结果可解释性差,且输入输出关系是一个“黑盒子”,缺乏材料学机理和力学理论的支撑,欠缺可靠性和可拓展性。有限元法以弹塑性力学理论为基础对实际盾构隧道施工过程进行模拟,这种方法能够较大程度地模拟还原实际工程的地层、周围建筑物、施工方式等条件。当输入模型的参数与实际情况相符时,得到的结果与实际工程的监测数据能有较高程度的吻合。但该方法的缺陷在于每次计算需要耗费大量的时间和计算资源,不利于施工过程中的实时预测。
因此,本领域技术人员亟需提供一种新的盾构施工地表沉降预测方法,以解决上述技术问题。
发明内容
本发明的目的在于,提供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,解决上述现有技术存在的问题。
为了实现上述目的,本发明提供了如下技术方案:
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,包括以下步骤:
采集现场土层分布及隧道实际埋深,建立实际土层三维有限元模型;采集现场实际隧道尺寸与所述隧道实际埋深,建立均质土层三维有限元模型;
获取基于实际土层参数和预设注浆参数的参数组合,输入所述实际土层三维有限元模型计算实际地表沉降值,并建立参数反演数据库;
利用随机森林算法和所述参数反演数据库构建有限元计算代理模型;
基于人工鱼群算法与有限元计算代理模型构建土层参数反演模型,并将待预测沉降点前一个测点的地表沉降监测值输入所述土层参数反演模型中,获得土层参数反演值;
将n组所述参数组合进行数据处理,输入所述均质土层三维有限元模型进行计算,并建立地表沉降预测数据库;
训练所述地表沉降预测数据库中数据,并利用随机森林算法建立地表沉降预测模型;
将所述土层参数反演值按照实际土层厚度分布进行加权平均,获得目标土层厚度与实际埋深比,并输入所述地表沉降预测模型,得到地表沉降预测值。
优选的,建立所述实际土层三维有限元模型和所述均质土层三维有限元模型包括以下步骤:
基于实际工程确定所述实际土层三维有限元模型尺寸;基于实际地勘报告确定隧道上下方土层厚度,并按照目标要求设置所述隧道上下方土层厚度、环宽;隧道纵深尺寸;
设置所述实际土层三维有限元模型模型的边界条件,约束模型水平、前后以及底部的位移;
采用摩尔库伦弹塑性本构构建土体的本构方程,获取所述本构方程所需的所述实际土层参数;
依据地勘报告设置土体分层;
设置模型开挖步,利用“单元生死法”,先“杀死”待开挖土体,然后在相应位置激活盾构机壳,注浆层、衬砌等部件的网格,实现模拟盾构机掘进,完成所述实际土层的三维有限元模型的建立;
按照上述建模方式,将土层改成均质土层,隧道埋深按照实际工程设置,选取h个不同的埋深分别建立h个所述均质土层有限元模型。
优选的,建立所述参数反演数据库,包括以下步骤:
依次将n组所述参数组合输入有限元计算软件中进行数值计算;
当所述实际土层三维有限元模型盾尾模拟掘进到与n组所述参数组合对应的测点下方时,根据现场测点布置状况,对称选取对应监测断面中三个测点的地表沉降值;
基于n组所述参数组合与其对应的地表沉降值,建立参数反演数据库所述土层参数包括:粘聚力、内摩擦角、重力密度、压缩模量、泊松比。
优选的,将n组所述参数组合进行数据处理,输入所述均质土层三维有限元模型进行计算,并建立地表沉降预测数据库,包括以下步骤:
将n组参数组合中的土层参数按照实际土层厚度加权平均进行合并,得到n组均质土层的土体参数,并将其输入所述均质土层三维有限元模型进行计算,提取模型隧道轴线中点处的地表沉降值,建立地表沉降预测数据库。
优选的,将所述土层参数反演值按照实际土层厚度分布进行加权平均,获得目标土层厚度与实际埋深比,并输入所述地表沉降预测模型,得到地表沉降预测值,包括以下步骤:
将更新后的土层参数按实际土层厚度进行加权平均,将多土层参数合并得到一组土层参数;
将更新并合并后的土层参数与反演的注浆参数、待预测位置的实际隧道的埋深比一同输入地表沉降预测模型中,得到预测的地表沉降值;
其中,所述更新后的土层参数和反演的注浆参数,为所述土层参数反演值。
优选的,所述地表沉降预测模型的表达式为:
其中ntree是随机森林中的决策树棵数,y是所有决策树输出的平均值,yi(x)是每一个决策树独立的输出。
优选的,所述土层参数反演值按照实际土层厚度分布进行加权平均,其加权表达式为:
其中,x为土层参数、fi为对应土层厚度与实际埋深比。
经由上述的内容可知与现有技术相比,本发明的有益效果在于:
本发明公开的方法相比于单纯的有限元方法计算速度快可在施工过程中实时预测;并且具有高可靠性和可拓展性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明预测流程图;
图2为本发明实际土层有限元模型图;
图3为本发明均质土层有限元模型图;
图4为本发明监测布置图;
图5为本发明预测结果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:
本实施例公开了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,包括以下步骤:
采集现场土层分布及隧道实际埋深,建立实际土层三维有限元模型;采集现场实际隧道尺寸与隧道实际埋深,建立均质土层三维有限元模型;
获取基于实际土层参数和预设注浆参数的参数组合,输入实际土层三维有限元模型计算实际地表沉降值,并建立参数反演数据库;
利用随机森林算法和参数反演数据库构建有限元计算代理模型;
基于人工鱼群算法与有限元计算代理模型构建土层参数反演模型,并将待预测沉降点前一个测点的地表沉降监测值输入土层参数反演模型中,获得土层参数反演值;
将n组参数组合进行数据处理,输入均质土层三维有限元模型进行计算,并建立地表沉降预测数据库;
训练地表沉降预测数据库中数据,并利用随机森林算法建立地表沉降预测模型;
将土层参数反演值按照实际土层厚度分布进行加权平均,获得目标土层厚度与实际埋深比,并输入地表沉降预测模型,得到地表沉降预测值。
具体的:
(1)建立实际土层三维有限元模型和均质土层三维有限元模型:
根据实际工程确定模型尺寸,依据实地地勘报告确定隧道上方土层厚度,隧道下方土层厚度按照隧道直径3倍设置,隧道与模型形成扇环结构其环宽为4倍的隧道直径,隧道纵深尺寸根据所模拟区间的长度确定;
设置实际土层三维有限元模型模型的边界条件,约束模型水平、前后以及底部的位移;
采用摩尔库伦弹塑性本构构建土体的本构方程,获取本构方程所需的实际土层参数;
依据地勘报告设置土体分层;
设置模型开挖步,利用“单元生死法”,先“杀死”待开挖土体,然后在相应位置激活盾构机壳,注浆层、衬砌等部件的网格,实现模拟盾构机掘进,完成实际土层的三维有限元模型的建立;
按照上述建模方式,将土层改成均质土层,隧道埋深按照实际工程设置,选取5个不同的埋深分别建立5个均质土层有限元模型。
(2)获取目标数量的参数组合:
根据实地地勘报告,分别将隧道上覆各土层的重度、弹性模量、摩擦角、粘聚力、泊松比以及注浆压力和浆液弹性模量提取出来,设定各待优化参数的采样上下限,在地勘报告数值的基础上,设置采样范围为±30%,采样数量250。利用Python语言编写拉丁超立方采样代码,利用拉丁超立方采样方法,生成K1,K2……250组不同的参数组合。
(3)建立参数反演数据库:
依次将上述250组参数组合输入有限元计算软件中进行数值计算;
当实际土层三维有限元模型盾尾模拟掘进到与250组参数组合对应的测点下方时,根据现场测点布置状况,对称选取对应监测断面中三个测点的地表沉降值;
基于250组参数组合与其对应的地表沉降值,建立参数反演数据库。其中,在本实施例中土层参数包括:粘聚力、内摩擦角、重力密度、压缩模量、泊松比。
(4)建立基于随机森林算法的有限元计算代理模型:
数据归一化,为了消除不同特征之间的量纲差异对算法训练的影响,对参数反演数据库中的输入参数进行归一,将数值归一至[0,1]区间;
数据集划分,随机将数据集进行划分,70%的数据作为训练集,30%的数据作为测试集;
模型超参数设置,采用随机搜索法,随机搜索500次,每次搜索随机生成一组决策树棵数和最大样本数组合,用该参数组合对训练集中80%的数据进行训练,并测试其在剩余20%的数据上的准确度,选取均方差最小的超参数组合作为模型超参数;超参数为n_estimators=256,max_samples=109;
模型训练,将训练集的数据输入随机森林算法中,训练有限元计算代理模型。
其中,将每一组参数组合输入图2中所示有限元模型中进行计算。从计算结果中提取(K1,y计算1),(K1,y计算2)…(K1,y计算n)…(Kn,y计算1)…(Kn,y计算n),得到各参数组合与不同测点处地表沉降的离散关系,布有监测断面处选择有限元模型中偏离轴线±15m及0m处三个测点的地表沉降值,仅布有一个测点的地方选择有限元模型中隧道轴线上方的地表沉降值;将提取的地表沉降值与对应的参数组合合并为参数反演数据集。
(5)将250组参数组合进行数据处理,输入均质土层三维有限元模型进行计算,并建立地表沉降预测数据库:
将n组参数组合中的土层参数按照实际土层厚度加权平均进行合并,得到250组均质土层的土体参数,并将其输入均质土层三维有限元模型进行计算,提取模型隧道轴线中点处的地表沉降值,建立地表沉降预测数据库。
(6)将土层参数反演值按照实际土层厚度分布进行加权平均,获得目标土层厚度与实际埋深比,并输入地表沉降预测模型,得到地表沉降预测值:
该工程盾构开始施工后,选择测点DG430-0处监测值将其输入参数反演模型中,得到土层参数反演值;
将更新后的土层参数按实际土层厚度进行加权平均,将多土层参数合并得到一组土层参数及注浆参数;
将更新并合并后的土层参数与反演的注浆参数、待预测位置的实际隧道的埋深比一同输入地表沉降预测模型中,得到预测的地表沉降值;
其中,更新后的土层参数和反演的注浆参数,为土层参数反演值。
需要说明的是,在本实施例1中利用Python语言编写人工鱼群算法超参数,超参数:搜索步长Step为0.3、视觉距离V为0.005,种群规模为100,人工鱼的感知范围衰减系数q为0.98,拥挤度阈值d为0.5;将现场监测数据值输入人工鱼群算法中,得到土层参数与注浆参数反演值。设置完成后将其与建立的参数反演代理模型结合,得到土层参数反演模型。
其中,地表沉降预测模型的表达式为:
其中ntree是随机森林中的决策树棵数,y是所有决策树输出的平均值,yi(x)是每一个决策树独立的输出。
其中,土层参数反演值按照实际土层厚度分布进行加权平均,其加权表达式为:
对所公开的实施例的上述说明,使本领域技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种基于机器学习和有限元的盾构施工地表沉降预测方法,其特征在于,包括以下步骤:
采集现场土层分布及隧道实际埋深,建立实际土层三维有限元模型;采集现场实际隧道尺寸与所述隧道实际埋深,建立均质土层三维有限元模型;
获取基于实际土层参数和预设注浆参数的参数组合,输入所述实际土层三维有限元模型计算实际地表沉降值,并建立参数反演数据库;
利用随机森林算法和所述参数反演数据库构建有限元计算代理模型;
基于人工鱼群算法与有限元计算代理模型构建土层参数反演模型,并将待预测沉降点前一个测点的地表沉降监测值输入所述土层参数反演模型中,获得土层参数反演值;
将n组所述参数组合进行数据处理,输入所述均质土层三维有限元模型进行计算,并建立地表沉降预测数据库;
训练所述地表沉降预测数据库中数据,并利用随机森林算法建立地表沉降预测模型;
将所述土层参数反演值按照实际土层厚度分布进行加权平均,获得目标土层厚度与实际埋深比,并输入所述地表沉降预测模型,得到地表沉降预测值。
2.根据权利要求1所述的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,其特征在于,建立所述实际土层三维有限元模型和所述均质土层三维有限元模型包括以下步骤:
基于实际工程确定所述实际土层三维有限元模型尺寸;基于实际地勘报告确定隧道上下方土层厚度,并按照目标要求设置所述隧道上下方土层厚度、环宽;隧道纵深尺寸;
设置所述实际土层三维有限元模型模型的边界条件,约束模型水平、前后以及底部的位移;
采用摩尔库伦弹塑性本构构建土体的本构方程,获取所述本构方程所需的所述实际土层参数;
依据地勘报告设置土体分层;
设置模型开挖步,利用“单元生死法”,先“杀死”待开挖土体,然后在相应位置激活盾构机壳,注浆层、衬砌部件的网格,实现模拟盾构机掘进,完成所述实际土层的三维有限元模型的建立;
按照上述建模方式,将土层改成均质土层,隧道埋深按照实际工程设置,选取h个不同的埋深分别建立h个所述均质土层有限元模型。
3.根据权利要求1所述的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,其特征在于,建立所述参数反演数据库,包括以下步骤:
依次将n组所述参数组合输入有限元计算软件中进行数值计算;
当所述实际土层三维有限元模型盾尾模拟掘进到与n组所述参数组合对应的测点下方时,根据现场测点布置状况,对称选取对应监测断面中三个测点的地表沉降值;
基于n组所述参数组合与其对应的地表沉降值,建立参数反演数据库所述土层参数包括:粘聚力、内摩擦角、重力密度、压缩模量、泊松比。
4.根据权利要求1所述的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,其特征在于,将n组所述参数组合进行数据处理,输入所述均质土层三维有限元模型进行计算,并建立地表沉降预测数据库,包括以下步骤:
将n组参数组合中的土层参数按照实际土层厚度加权平均进行合并,得到n组均质土层的土体参数,并将其输入所述均质土层三维有限元模型进行计算,提取模型隧道轴线中点处的地表沉降值,建立地表沉降预测数据库。
5.根据权利要求1所述的一种基于机器学***均,获得目标土层厚度与实际埋深比,并输入所述地表沉降预测模型,得到地表沉降预测值,包括以下步骤:
将更新后的土层参数按实际土层厚度进行加权平均,将多土层参数合并得到一组土层参数;
将更新并合并后的土层参数与反演的注浆参数、待预测位置的实际隧道的埋深比一同输入地表沉降预测模型中,得到预测的地表沉降值;
其中,所述更新后的土层参数和反演的注浆参数,为所述土层参数反演值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210818588.6A CN115099111B (zh) | 2022-07-13 | 2022-07-13 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210818588.6A CN115099111B (zh) | 2022-07-13 | 2022-07-13 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115099111A CN115099111A (zh) | 2022-09-23 |
CN115099111B true CN115099111B (zh) | 2023-04-18 |
Family
ID=83295990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210818588.6A Active CN115099111B (zh) | 2022-07-13 | 2022-07-13 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115099111B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115618697B (zh) * | 2022-12-20 | 2023-03-07 | 北京云庐科技有限公司 | 一种盾构隧道多地层参数的cae仿真反演方法和服务器 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104252576B (zh) * | 2014-08-19 | 2017-04-19 | 北京城建集团有限责任公司 | 一种地铁隧道岩土体等效计算参数反演方法 |
CN110617074B (zh) * | 2019-09-20 | 2020-10-09 | 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 |
CN111382472A (zh) * | 2020-01-16 | 2020-07-07 | 华中科技大学 | 随机森林融合svm预测盾构引起近接结构变形方法及装置 |
AU2021101920A4 (en) * | 2021-04-14 | 2021-06-03 | Guiyang Urban Rall Transit CO.,LTD | Multi-objective intelligent optimization control method of shield construction parameters based on data mining |
CN113239439B (zh) * | 2021-05-21 | 2022-04-05 | 上海大学 | 盾构施工地表沉降预测***及方法 |
CN114154213A (zh) * | 2021-11-16 | 2022-03-08 | 中国长江三峡集团有限公司 | 一种基于有限元软件与荷载传递法联合的单桩计算方法 |
-
2022
- 2022-07-13 CN CN202210818588.6A patent/CN115099111B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115099111A (zh) | 2022-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
He et al. | Prediction of spatiotemporal stability and rainfall threshold of shallow landslides using the TRIGRS and Scoops3D models | |
CN111191880B (zh) | 一种基于数字化映射的边坡全生命周期安全管理方法 | |
Naghadehi et al. | A new open-pit mine slope instability index defined using the improved rock engineering systems approach | |
Sonmez et al. | Estimation of rock modulus: for intact rocks with an artificial neural network and for rock masses with a new empirical equation | |
Agliardi et al. | Structurally-controlled instability, damage and slope failure in a porphyry rock mass | |
di Santolo et al. | Analysis of sinkhole triggering mechanisms in the hinterland of Naples (southern Italy) | |
CN104077451A (zh) | 一种用于深厚软土地铁基坑土体参数反演分析的方法 | |
CN107315862A (zh) | 一种建立明挖基坑工程勘察与模拟参数关系的方法 | |
CN108842821B (zh) | 一种钻爆法修建海底隧道合理埋深的计算方法 | |
Sun et al. | From probabilistic back analyses to probabilistic run-out predictions of landslides: A case study of Heifangtai terrace, Gansu Province, China | |
CN115099111B (zh) | 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 | |
Sundell et al. | A probabilistic approach to soil layer and bedrock-level modeling for risk assessment of groundwater drawdown induced land subsidence | |
Liu et al. | Spatial variability and time decay of rock mass mechanical parameters: A landslide study in the Dagushan open-pit mine | |
Budetta et al. | Wedge failure hazard assessment by means of a probabilistic approach for an unstable sea-cliff | |
Lupogo | Characterization of blast damage in rock slopes: an integrated field-numerical modeling approach | |
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) | |
Tong et al. | Determination of shear wave velocity of Yangtze Delta sediments using seismic piezocone tests | |
Rogers et al. | Applying Terzaghi's method of slope characterization to the recognition of Holocene land slippage | |
Tao et al. | Rock mass quality prediction of open-pit gold mine slope based on the kriging interpolation method | |
Amanti et al. | The 13 November 2007 rock-fall at Viale Tiziano in Rome (Italy) | |
Sandøy | Back-analysis of the 1756 Tjellefonna rockslide, Langfjorden | |
Sitharam et al. | Recent advances in soil dynamics relevant to geotechnical earthquake engineering | |
CN110442918A (zh) | 一种堰塞体物质组成的间接确定方法 | |
Hajian et al. | Prior applications of neural networks in geophysics | |
CN117371111B (zh) | 基于深度神经网络和数值仿真的tbm卡机预测***及方法 |
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 |