CN116882023A - 一种地铁隧道暗挖施工上覆土层横向沉降预测方法 - Google Patents
一种地铁隧道暗挖施工上覆土层横向沉降预测方法 Download PDFInfo
- Publication number
- CN116882023A CN116882023A CN202310963506.1A CN202310963506A CN116882023A CN 116882023 A CN116882023 A CN 116882023A CN 202310963506 A CN202310963506 A CN 202310963506A CN 116882023 A CN116882023 A CN 116882023A
- Authority
- CN
- China
- Prior art keywords
- tunnel
- section
- cross
- settlement
- max
- 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.)
- Pending
Links
- 238000009412 basement excavation Methods 0.000 title claims abstract description 34
- 238000010276 construction Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000004062 sedimentation Methods 0.000 claims abstract description 15
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000009933 burial Methods 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Architecture (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及一种地铁隧道暗挖施工上覆土层横向沉降预测方法,属于地铁隧道技术领域。本发明能够有效地利用地铁隧道暗挖施工中的实际监测数据,进行Peck理论公式的修正和神经网络的训练,实现山地城市地铁隧道暗挖施工上覆土层的横向沉降预测,为地铁暗挖施工沉降影响范围划定和支撑结构设计提供基础数据。
Description
技术领域
本发明属于地铁隧道技术领域,涉及一种地铁隧道暗挖施工上覆土层横向沉降预测方法。
背景技术
地铁隧道开挖将不可避免的产生地表沉降,对位于地铁隧道上方的道路、桥梁或建筑物产生不利影响。因此,在山地城市地铁隧道施工过程中,地铁暗挖施工所引起的沉降范围是需要重点考虑的因素之一,以便于制定有效的支护结构。
目前的地铁隧道暗挖施工的沉降分析及预测方法主要包括经验公式法、数值分析法和机器学习法等。经验公式法主要基于地铁隧道施工对上覆土层扰动的影响研究,构建经验公式,并利用实测数据进行参数的拟合修正,以得到适用于一定条件的沉降预测公式,该方法能够对上覆土层的沉降影响范围进行划定,但对于地质条件变化时,其适用性难以把控;数值分析方法是利用有限元软件对地铁隧道施工进行模拟,能够考虑不同的施工过程对上覆土层沉降的影响规律,能够对地铁暗挖施工的沉降影响范围进行划定,但该方法需要预先知道地铁隧道周边上覆土层参数,使得该方法在实际工程中应用受到局限,且该方法需要构建隧道的有限元模型,其时效性难以满足工程要求;机器学习法利用神经网络、深度模型等智能算法,结合实测数据进行地铁隧道施工中上覆土层沉降的预测,该方法可移植性强,能够充分利用隧道施工过程中所积累的监测数据,具有较大的应用前景,但由于施工过程中能够测试到的沉降数据通常为地表各测点的数据,因此利用机器学习法仅能获得某些特定点的沉降预测量,难以对上覆土层沉降范围进行划定。
因此,为充分发挥经验公式法在上覆土层沉降范围划定和机器学习法在利用实际监测数据进行动态预测的优势,有必要进一步探讨两种方法的有机结合,形成基于经验公式和机器学习方法的地铁隧道暗挖施工上覆土层横向地表沉降预测方法,为地铁暗挖施工沉降影响范围划定和支撑结构设计提供依据。
发明内容
有鉴于此,本发明的目的在于提供一种地铁隧道暗挖施工上覆土层横向沉降预测方法,以充分发挥经验公式法在上覆土层沉降范围划定和机器学习法在利用实际监测数据进行动态预测的优势,为地铁暗挖施工沉降影响范围划定和支撑结构设计提供基础数据。
为达到上述目的,本发明提供如下技术方案:
一种地铁隧道暗挖施工上覆土层横向沉降预测方法,该方法包括以下步骤:
S1:定义Peck公式的表达式为:
Smax是与地层体积损失率和地面沉降最大值有关的参数;i为沉降槽的宽度系数;
当测试得到某地铁横断面监测数据后,进行参数拟合时,将Smax设置为x=0时的最大沉降量值,保证拟合公式能够正确反映该地铁横断面的最大沉降量值;将方程(1)转换成方程(2)进行参数i的拟合;
若已知横断面距离x和沉降量Sx,则Smax=4.41,根据各点数据求取i2的均值作为最终估计值,其中x为0的点不参与计算,i2=260.71;拟合得到的Peck公式为
S2:获取神经网络训练集;将隧道各横断面的几何条件、地质条件和隧道的开挖速度作为输入变量;将监测得到的隧道各横断面的Peck公式参数Smax和i作为模型输出;训练数据集为已施工隧道段实际监测的沉降数据;
S3:训练及验证神经网络模型;
S4:利用已训练和验证的神经网络模型,进行地铁暗挖隧道Peck公式参数Smax和i的识别;对于即将暗挖施工的隧道段,输入该横断面的几何条件、地质条件和隧道的开挖速度,得到即将施工隧道横断面的Peck公式参数Smax和i;
S5:将识别的Peck公式参数Smax和i代入公式(1),得到即将施工隧道横断面的Peck公式,以确定即将施工隧道横断面的沉降影响范围和沉降量分布规律。
可选的,所述几何条件包括隧道高度、隧道跨度和隧道埋深,地质条件包括弹性模量、内摩擦角、粘聚力和泊松比。
本发明的有益效果在于:本发明能够有效地利用地铁隧道暗挖施工中的实际监测数据,进行Peck理论公式的修正和神经网络的训练,实现山地城市地铁隧道暗挖施工上覆土层的横向沉降预测,为地铁暗挖施工沉降影响范围划定和支撑结构设计提供基础数据。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明流程图;
图2为神经网络训练和验证阶段方法流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
如图1和图2所示,本发明针对Peck公式的参数仅适用于某个确定性的隧道条件和上覆土层条件的不足,提出基于神经网络算法的不同隧道条件和上覆土层条件下的Peck公式参数确定方法,进而实现地铁暗挖施工沉降影响范围划定和为支撑结构设计提供基础数据。
(1)现有Peck公式的通用表达式为:
现有公式的Smax是与地层体积损失率和地面沉降最大值有关的参数;i为沉降槽的宽度系数,系数i与地质条件、隧道埋深、施工方法等有关。Smax和i均难以用一个统一的表达式进行表达,随隧道横断面所处条件和上覆土层条件变化而变化,因此根据某种特定隧道条件和上覆土层条件拟合得到的参数Smax和i仅适用于当前隧道和土体条件,若变换隧道和上覆土体条件,该拟合公式将会失效。然而,针对所有的隧道和上覆土体条件,由于其组合众多,分别建立拟合公式显然是不现实的。基于此,本发明利用有限组合的隧道和上覆土体条件下的实际监测数据进行Peck公式系数Smax和i的拟合,然后结合神经网络模型进行训练,以实现在给定隧道和上覆土体条件下的Peck公式系数Smax和i的预测,进而实现即将施工隧道横断面的沉降影响范围和沉降量分布规律,为地铁暗挖施工沉降影响范围划定和支撑结构设计提供基础数据。
当测试得到某地铁横断面监测数据后,进行参数拟合时,应首先将Smax设置为x=0时的最大沉降量值,以保证拟合公式能够正确反映该地铁横断面的最大沉降量值;然后将方程(1)转换成方程(2)进行参数i的拟合。
若已知横断面距离x和沉降量Sx(如表1所示),则首先将Smax=4.41,然后根据各点数据求取i2的均值作为最终估计值(x为0的点不参与计算),i2=260.71。故拟合得到的Peck公式为
表1根据实测数据进行Peck公式拟合
(2)上述Peck公式能够利用某一个确定的地铁隧道横断面进行横向地表沉降范围及沉降量分布的计算。但对于不同隧道条件和上覆土层条件,其参数Smax和i应当不同。当该Peck公式用于即将开挖隧道横断面沉降预测中时,因缺乏实测数据,其参数的取值难以确定。因此,本发明结合神经网络进行即将开挖隧道横断面Peck公式的参数确定。
a首先进行神经网络训练集的获取。考虑对地表沉降有着重要影响的参变量作为BP神经网络的输入变量,即隧道各横断面的几何条件(隧道高度、隧道跨度、隧道埋深)、地质条件(弹性模量、内摩擦角、粘聚力、泊松比)、隧道的开挖速度这9个变量作为输入变量。将监测得到的隧道各横断面的Peck公式参数Smax和i作为模型输出。训练数据集为已施工隧道段实际监测的沉降数据。
b神经网络模型的训练及验证。验证数据为已施工隧道段实际监测的沉降数据,但未纳入训练数据集中。
c利用已训练和验证的神经网络模型,进行地铁暗挖隧道Peck公式参数Smax和i的识别。对于即将暗挖施工的隧道段,输入该横断面的几何条件(隧道高度、隧道跨度、隧道埋深)、地质条件(弹性模量、内摩擦角、粘聚力、泊松比)、隧道的开挖速度这9个变量,得到即将施工隧道横断面的Peck公式参数Smax和i。
d将识别的Peck公式参数Smax和i代入公式(1)得到即将施工隧道横断面的Peck公式,以确定即将施工隧道横断面的沉降影响范围和沉降量分布规律,为地铁暗挖施工沉降影响范围划定和支撑结构设计提供基础数据。
以提出方法对某隧道暗挖施工的沉降进行预测。
(1)收集31个断面的监测数据,仅列出横断面1的数据,其余断面数据形式相同,如表2所示。
表2断面1的监测数据
(2)利用公式(2)拟合得到31个横断面的Peck公式参数值Smax和i,构建各断面的神经网络输入和输出数据集,如表3所示。
表3根据监测数据构建的各断面神经网络输入和输出数据集
(3)基于各横断面的神经网络输入数据和输出数据构建训练集进行训练和验证;
(4)上覆土层横向地表沉降预测。
对于给定隧道横截面和上覆土层参数,如表4所示,进行该横断面的Peck公式参数值Smax和i估计,继而得到横向地表沉降预测值估计。
表4待估计横断面的上覆土层参数
该上覆土层地表的沉降分布曲线为
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (2)
1.一种地铁隧道暗挖施工上覆土层横向沉降预测方法,其特征在于:该方法包括以下步骤:
S1:定义Peck公式的表达式为:
Smax是与地层体积损失率和地面沉降最大值有关的参数;i为沉降槽的宽度系数;x表示观测点距离地面最大沉降量的距离;
当测试得到某地铁横断面监测数据后,进行参数拟合时,将Smax设置为x=0时的最大沉降量值,保证拟合公式能够正确反映该地铁横断面的最大沉降量值;将方程(1)转换成方程(2)进行参数i的拟合;
若已知横断面距离x和沉降量Sx,则Smax=4.41,根据各点数据求取i2的均值作为最终估计值,其中x为0的点不参与计算,i2=260.71;拟合得到的Peck公式为
S2:获取神经网络训练集;将隧道各横断面的几何条件、地质条件和隧道的开挖速度作为输入变量;将监测得到的隧道各横断面的Peck公式参数Smax和i作为模型输出;训练数据集为已施工隧道段实际监测的沉降数据;
S3:训练及验证神经网络模型;
S4:利用已训练和验证的神经网络模型,进行地铁暗挖隧道Peck公式参数Smax和i的识别;对于即将暗挖施工的隧道段,输入该横断面的几何条件、地质条件和隧道的开挖速度,得到即将施工隧道横断面的Peck公式参数Smax和i;
S5:将识别的Peck公式参数Smax和i代入公式(1),得到即将施工隧道横断面的Peck公式,以确定即将施工隧道横断面的沉降影响范围和沉降量分布规律。
2.根据权利要求1所述的一种地铁隧道暗挖施工上覆土层横向沉降预测方法,其特征在于:所述几何条件包括隧道高度、隧道跨度和隧道埋深,地质条件包括弹性模量、内摩擦角、粘聚力和泊松比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310963506.1A CN116882023A (zh) | 2023-08-02 | 2023-08-02 | 一种地铁隧道暗挖施工上覆土层横向沉降预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310963506.1A CN116882023A (zh) | 2023-08-02 | 2023-08-02 | 一种地铁隧道暗挖施工上覆土层横向沉降预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116882023A true CN116882023A (zh) | 2023-10-13 |
Family
ID=88258621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310963506.1A Pending CN116882023A (zh) | 2023-08-02 | 2023-08-02 | 一种地铁隧道暗挖施工上覆土层横向沉降预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116882023A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118070570A (zh) * | 2024-04-19 | 2024-05-24 | 天津大学 | 公路路堤拓宽差异沉降预测分析、处理方法及装置 |
-
2023
- 2023-08-02 CN CN202310963506.1A patent/CN116882023A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118070570A (zh) * | 2024-04-19 | 2024-05-24 | 天津大学 | 公路路堤拓宽差异沉降预测分析、处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Goh et al. | Numerical study of the effects of groundwater drawdown on ground settlement for excavation in residual soils | |
Grabs et al. | Modeling spatial patterns of saturated areas: A comparison of the topographic wetness index and a dynamic distributed model | |
CN105426619B (zh) | 一种确定盾构隧道纵向弯曲刚度的分析方法 | |
CN111119902B (zh) | 一种基于bp神经网络的隧道动态施工方法 | |
Ahmed et al. | Groundwater flow modelling of Yamuna-Krishni interstream, a part of central Ganga Plain Uttar Pradesh | |
CN111259605A (zh) | 一种土质滑坡监测预警评估方法 | |
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 | |
CN105956271B (zh) | 一种隧道盾构施工引起地层位移的计算方法 | |
CN107315862A (zh) | 一种建立明挖基坑工程勘察与模拟参数关系的方法 | |
CN103205972B (zh) | 一种分析基坑变形与坑外地面沉降关系的方法 | |
Tang et al. | Application of grey theory-based model to prediction of land subsidence due to engineering environment in Shanghai | |
CN116882023A (zh) | 一种地铁隧道暗挖施工上覆土层横向沉降预测方法 | |
Li et al. | Inverse calculation of in situ stress in rock mass using the surrogate-model accelerated random search algorithm | |
CN113267814B (zh) | 场地剪切波速测算方法及装置 | |
Liu et al. | Intelligent information-based construction in tunnel engineering based on the GA and CCGPR coupled algorithm | |
CN110737977A (zh) | 一种隧道围岩变形预测方法及预测装置 | |
Sun et al. | A new self-starting drainage method for slope stabilization and its application | |
Yihdego et al. | Mine water supply assessment and evaluation of the system response to the designed demand in a desert region, central Saudi Arabia | |
CN106759546A (zh) | 基于改进多变量灰色预测模型的基坑变形预测方法及装置 | |
CN109297576A (zh) | 一种列车轮轨力荷载获取方法 | |
JP2000338258A (ja) | 比抵抗トモグラフィ法によるフィルダム管理システムおよびその管理方法 | |
CN112900504A (zh) | 一种基坑止水帷幕渗漏水识别方法和*** | |
CN110348098B (zh) | 一种黏质黄土隧道开挖模拟参数赋值方法 | |
CN102288144B (zh) | 确定含水层平均厚度的定量方法 | |
Ye et al. | Confining pressure forecasting of shield tunnel lining during construction based on LSTM-PSO models combined with the multi-output recursive strategy |
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 |