CN106021717A

CN106021717A - 一种基于神经网络的地铁开挖引起的地表下沉分析方法

Info

Publication number: CN106021717A
Application number: CN201610332169.6A
Authority: CN
Inventors: 谢宝琎
Original assignee: Liaoning Technical University
Current assignee: Liaoning Technical University
Priority date: 2016-05-19
Filing date: 2016-05-19
Publication date: 2016-10-12

Abstract

本发明公开了一种基于神经网络的地铁开挖引起的地表下沉分析方法，其特征在于研究的是掘进面到地面监测点的水平距离与该监测点处地面沉降的关系。运用神经网络以现有各地铁的岩土力学参数为输入值，以在掘进面与监测点水平距离的不同位置时，检测点处地面沉降量为输出值进行训练。用训练后的网络分析其他即将进行施工的地铁上方地面沉降情况。主要包括相关数据准备、模拟过程预测结果及准确性检验。本发明可有效地根据已有的各地铁的岩土力学参数，预测检测点处地面沉降量。可广泛用于地铁开挖过程中，地面建筑物安全和防止非正常沉降提供测量依据。

Description

一种基于神经网络的地铁开挖引起的地表下沉分析方法

技术领域

本发明涉及一种基于神经网络的地铁开挖引起的地表下沉分析方法，特别是涉及地铁开挖过程中引起的地面沉降的神经网络预测方法。

背景技术

近年来，随着我国城市建设发展，城市地下工程迅速发展，主要包括地下铁道，过街通道，各种市政地下工程以及人防设施等。地下工程施工可能引起地层移动而导致不同程度的沉降和位移，由于施工技术、周围环境和岩土介质的复杂性，即使采用最先进的施工方法，其施工引起的地层移动也是不可能完全消除的。当地层移动和地表变形超过一定限度时就会造成地面沉陷、基坑垮塌、隧道破坏、周边建筑物损害、地下管线损害等事故，从而影响到地铁和地表建筑物的正常使用和安全运营，甚至造成人身伤亡和财产损失事故。因此，正确评估施工过程地面沉降量，选择最佳施工技术，制定完善措施确保施工地区楼房、建筑物与地下管线等重要设施的安全显得尤为重要，神经网络横向比较对地铁开挖引起地面沉降进行预测能够达到精度高，预测及时的目的。

发明内容

针对地铁开挖过程中，其上方地面沉降监测的重要性和存在的问题，本发明提出一种基于神经网络横向比较的地铁施工引起地面沉降分析方法。

根据岩土力学理论，岩土沉降变形主要和弹性模量、容重、泊松比、粘聚力、内摩擦角等5个地层参数有关和相对距离6个参数作为输入参数，将以上参数X1、X2、X3、X4、X5、X6依次作为网络输入参数；将地面沉降观测点的沉降预测值作为网络输出值。

使用Matlab软件的神经网络工具箱软件包编写了网络模型代码, 并且用该软件包训练及检验所创建的模型。选择Levenberg-Marquardt算法来训练神经网络。

为详细分析沉降量并根据对沉降量的规律分析，研究规定40m长地铁作为一个模拟单位，在一个模拟单位中，确定中心（20m）处正上方地面设主测点，掘进面每推进2m测量一次主测点处地面沉降量，主测点下方的地铁界面（地铁中间截面）为参数确定的参考截面。模型如图1，并假设各个模拟单位内的地质特性相同。在这个标段中选取10个模拟单位，前9个是训练数据，1个为模拟验证数据。

模拟过程为：

1.确定输入值：上文提到用前9（S1-S9）个模拟单位的加权平均后各参考截面的岩土力学参数和相对距离作为训练输入值。

2.确定输出值：为挖掘过程中的沉降变化，分别将各个不同相对距离所测得的主测点沉降量作为输出值。

3模拟：本过程使用matlab的神经网络工具箱，选择Levenberg- Marquardt算法来训练，通过本发明涉及到的方法对地铁开挖引起地面沉降进行预测能够达到精度高，预测及时的目的。

附图说明

图1 地铁模拟单位示意图。

图2 构建的神经网络结构。

图3 掘进面到主测点距离对应的主测点地面沉降量的发展趋势图。

图4 S10的数据变化趋势。

图5 模型中的相关力学参数。

图6 模型中加权后的相关力学参数。

图7 主测点处地面沉降量统计表。

图8 主测点处地面沉降量统计表。

图9 单隐含层内的神经元估计数量统计表。

图10 公式（1）。

图11 公式（2）。

图12 主测点的数据分析表。

图13 公式（3）。

图14 公式（4）。

图15 公式（5）。

图16 公式（6）。

图17 公式（7）。

图18 小误差概率及结果。

图19 预测结果。

图20 模型检验标准。

具体实施方式

为使本发明的上述目的、特征和优点更加明显易懂，下面结合使用到的相关理论和具体实施方式对本发明作进一步详细的说明。

实施例选取正在建设的，大连地铁201标段是西安路站～交通大学站区间工程，本区间地铁起讫里程为DK16+787.331～CK18+443.793，全长1656.462米，采用盾构法施工。区间平面线路出西安路站后沿南北向向南，通过半径为300m的曲线转入偏东西方向，在通过半径450m曲线接入黄河路，到达交通大学站。区间纵断布置形式显“V”型，区间地铁结构最大土厚34.4m。盾构区间为双线地下铁路，左右线路为向下重叠至区间终点左右线逐渐分离并行。在DK16+796.630m处设置盾构始发井，在水厂南侧附近设置区间风井，盾构衬砌的管片采用厚300mm，宽1200mm，每环由6片管片拼装而成。区间按6级人防分段隔绝式的防护要求设计，与相邻西安路站同为一个防护单元。右线、左线均设人防段结构和防护门。

地表变形是反映施工对地面影响的重要指标，根据施工单位监测方案要求，应对区间段内地表变形进行监测。地表变形监测采用DiNi12型精密电子水准仪进行监测。

为详细分析沉降量并根据对沉降量的规律分析，研究规定40m长地铁作为一个模拟单位，在一个模拟单位中，确定中心（20m）处正上方地面设主测点，掘进面每推进2m测量一次主测点处地面沉降量，主测点下方的地铁界面（地铁中间截面）为参数确定的参考截面。模型如图3，并假设各个模拟单位内的地质特性相同。在这个标段中选取10个模拟单位，前9个是训练数据，1个为模拟验证数据。

本区间地貌为马栏河阶地，主要地层为第四系全新统人工堆积层、第四系冲洪积层、第四系上更新统冲洪积层、第四系上更新统坡洪积层、震旦系五行山群长岭子组钙质板岩、板岩及碎裂岩，地层自上而下依次为素填土、杂填土、粉质粘土、卵石、全风化钙质板岩、强风化钙质板岩、中风化钙质板岩、强风化碎裂岩、中风化碎裂岩。场区地震动峰值加速度为0.10g，设计地震分组为一组，场区内无地震液化土。场区土壤最大冻结深度为0.93m，标准冻结深度为0.7m。

沿线地下水类型主要是第四系孔隙水和基岩裂隙水、岩溶水两种，前者主要赋存于第四纪地层的孔隙中和基岩裂隙中，后者主要赋存于隐伏灰岩的溶洞、溶隙之中。本次勘察期间地下水位埋深2m～5m。由于地层的渗透性差异，基岩中的水略具承压性，基岩裂隙发育，孔隙水与裂隙水局部具连通性。岩石富水性和透水性与节理裂隙发育的情况关系紧密，节理裂隙发育的不均匀性导致其富水性和透水性也不均匀。

根据上述描述，地层参数主要根据《大连地铁线路岩土工勘察报告》，支护参数主要参照《地铁设计规范》(GB50157-2003)，《铁路隧道设计规范》(TB10003-2005)等，并且进行工程类比进行取值。各参数如图5所示。

根据各参考截面地层厚度分布，加权平均后各个模型单位的岩土力学参数取值如图6所示。注：S1~S10分别代表10个模拟地铁单位。输入量X6为相对距离，X6={-20,-18,-16,-14,-12,-10,-8,-6,-4,-2,0,2,4,6,8,10,12,14,16,18,20}。

根据对这10个地铁单位的实地测量，得到随掘进面到参考截面距离（与主测点的距离）的变化过程中的主测点处地面沉降量，如图7和图8所示，注：表中数据为沉降量单位（mm）。

针对该问题，可以前馈式神经网络（FFNN）进行预测。对ＦＦＮＮ的有效利用首先要确定隐含网络层数和计算神经元的数量。如果隐含层有足够的隐含神经元，那么使用双曲线正切Ｓ传递函数和线性传输函数组成的两层神经网络是较理性的结构。神经元的数量是避免超适应问题的关键，即如果一些ANN适应训练数据的性能相同，那么最简单的ANN最好。根据目前研究的经验，确定隐含层中的神经元数量不能通过准确计算得到，一般情况下只能在训练和预测后才能对其调整以便增加其适应性，但是可以通过一些相关的参数对其进行估计。在FFNN中的单隐含层内的神经元估计数量如图9所示，注：n_i、n₀和n_t分别是输入神经元数量、输出神经元数量和训练样本数量，本例中n_i=6、n₀=1、n_t=189；k是噪声系数，k=4；θ是越界常量，θ=1.25。根据表2的计算结果，单隐含层神经元数量为7，形成的神经网络如图2所示。

为了提高训练的效率和泛化性，ANN的输入值和输出值应进行规格化，即这些值按照相应的算法落在[-1,1]内。使用线性规格化公式（1）使值落在上述范围内，公式如图10所示。

ANN初始的权值和阈值是在[-1,1]内随机选取的，MATLAB首先随机选取训练数据，再初始化权值和阈值，然后训练ANN。

Matlab神经网络训练程序如下：

%定义训练样本适量P为输入参数，为6×189的矩阵；T为目标适量，为1×189。数据为归一后数据。

%功能建立一个前向BP网络

%格式 net = newff(PR，[S1 S2...SN1]，{TF1 TF2...TFN1}，BTF，BLF，PF)

%说明 net为创建的新BP神经网络；PR为网络输入取向量取值范围的矩阵；

%[S1 S2…SNl]表示网络隐%含层和输出层神经元的个数；

%{TFl TF2…TFN1}表示网络隐含层和输出层的传输函数，默认为%‘tansig’；

%BTF表示网络的训练函数，默认为‘trainlm’；

%BLF表示网络的权值学习函数，默认为%‘learngdm’；

%PF表示性能数，默认为‘mse’。

net=newff(P,[7,1],{‘tansig’,’purelin’},’trainlm’,’learngdm’,’msereg’);

%设置训练参数

net.trainParam.epochs=5000;

net.trainParam.goal=0,005;

%调用TRAINBR进行训练

[net,tr]=train(net,P,T);

3模拟：本过程使用matlab的神经网络工具箱，选择Levenberg- Marquardt算法来训练。

Matlab模拟程序如下：

Y=sim(net,P10) %P10为6×21矩阵，Y为1×21矩阵，是S10（[-20,20],间隔2m）的对应的沉降量差。

模型是按照沉降曲线的规律制定的，所以要对输入值进行校验，去除噪声数据并检验是否符合规律曲线。S1~S9的掘进面到主测点距离对应的主测点地面沉降量的发展趋势如图3所示。

由图中可以看出，各个主测点处地面沉降量基本符合FLAC^3D的模拟结果。数据符合模拟要求。

例如要预测S10模型掘进面到参考截面距离为-20m时的S10主测点处的地面沉降量，训练输入值为S1~S9加权平均后的岩土力学参数和相对距离（[-20,20],间隔2m），训练输出值为S1~S9的掘进面到参考截面的距离为[-20,20],间隔2m的主测点处地面沉降量，验证输入值为S10的加权平均后的岩土力学参数和相对距离（-20m），输出值即时S10的主测点处地面沉降量所求。

经过上面的模拟过程，我们得到了施工过程中，S10的主测点处的预测沉降量。如表4所示。数据变化趋势如图5所示。

对S10的主测点的实测数据和预测数据进行进一步分析，残差为ε₀，对数据计算残差，如公式（2）所示，公式（2）如图11所示，相关数据如图12所示。

从图4中可以看出，S10的主测点的实测数据和预测数据的变化趋势基本相同并符合FLAC^3D模拟的沉降变化曲线。

模型残差序列如图13所示公式（3）。

相对误差如图14所示公式（4）。

平均相对误差如图15所示公式（5）及结果。

令S₁为量测数据的均方差， S₂为残差的均方差，计算方法及结果如图16所示公式（6）。

有残差公式及结果如图17所示公式（7）。

小误差概率及结果如图18所示公式（8）。

综上所述经过Matlab得出本组预测结果如图19所示。

模型检验标准如图20所示，第一项指标处于优和合格之间，偏向优级；第二项指标C处于优级；第三项指标P处于优和合格之间，偏向优级。经过相关可拓集等理论的分析，综合这三个指标表明总体接近优等，即预测结果较好的符合了实际的测量值。

Claims

1.一种基于神经网络的地铁开挖引起的地表下沉分析方法，其特征在于，确定的是掘进面到地面监测点的水平距离与该监测点处地面沉降的关系，运用神经网络以现有各地铁的岩土力学参数为输入值，以在掘进面与监测点水平距离的不同位置时，检测点处地面沉降量为输出值进行训练，用训练后的网络分析其他即将进行施工的地铁上方地面沉降情况，其包括如下步骤：相关数据准备、模拟过程预测结果及准确性检验，本发明可有效地根据已有的各地铁的岩土力学参数，预测检测点处地面沉降量。

2.根据权利要求1所述的一种基于神经网络的地铁开挖引起的地表下沉分析方法，其特征在于，其神经的构建，根据岩土力学理论，岩土沉降变形主要和弹性模量、容重、泊松比、粘聚力、内摩擦角，5个地层参数有关和相对距离6个参数作为输入参数，将以上参数X1、X2、X3、X4、X5、X6依次作为网络输入参数；将地面沉降观测点的沉降预测值作为网络输出值。

3.根据权利要求1所述的一种基于神经网络的地铁开挖引起的地表下沉分析方法，其特征在于，为详细分析沉降量并根据对沉降量的规律分析，规定40m长地铁作为一个模拟单位，在一个模拟单位中，确定中心（20m）处正上方地面设主测点，掘进面每推进2m测量一次主测点处地面沉降量，主测点下方的地铁界面（地铁中间截面）为参数确定的参考截面，并假设各个模拟单位内的地质特性相同。