CN108256172B - 一种顶管下穿既有箱涵过程中险情预警预报方法 - Google Patents

一种顶管下穿既有箱涵过程中险情预警预报方法 Download PDF

Info

Publication number
CN108256172B
CN108256172B CN201711437582.XA CN201711437582A CN108256172B CN 108256172 B CN108256172 B CN 108256172B CN 201711437582 A CN201711437582 A CN 201711437582A CN 108256172 B CN108256172 B CN 108256172B
Authority
CN
China
Prior art keywords
box culvert
time
existing box
soil body
pipe
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
CN201711437582.XA
Other languages
English (en)
Other versions
CN108256172A (zh
Inventor
许建聪
黄怿杰
王正鸿
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Priority to CN201711437582.XA priority Critical patent/CN108256172B/zh
Publication of CN108256172A publication Critical patent/CN108256172A/zh
Application granted granted Critical
Publication of CN108256172B publication Critical patent/CN108256172B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Structural Engineering (AREA)
  • Civil Engineering (AREA)
  • Architecture (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Analysis (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)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种顶管下穿既有箱涵过程中险情预警预报方法，包括：1、通过监测装置采集得到既有箱涵及其周边土体的多种特性参数数据；2、将采集数据进行格式化处理；3、采用二分位移比值法反演得到扰动区土体强度；4、通过层次分析灰色关联度方法得到多种特性参数和扰动区土体强度影响箱涵安全系数的权重和灰色关联度；5、建立长短时记忆循环神经网络模型，预测既有箱涵破坏发生时间；6、采用卡尔曼滤波法预测既有箱涵的破坏发生时间；7、综合步骤5和6的预测结果，在临界破坏发生预测时间之前对险情进行预警预报。与现有技术相比，本发明可以定量化、更合理、更符合实际地进行顶管下穿既有箱涵险情的预警预报。

Description

一种顶管下穿既有箱涵过程中险情预警预报方法
技术领域
本发明涉及顶管下穿工程的灾害预警预报技术领域，尤其是涉及一种顶管下穿既有箱涵过程中险情预警预报方法。
背景技术
近年来，随着城市轨道交通的大力发展，隧道掘进技术的日益提高，顶管法在诸如上海等软土地区市政工程的应用领域越来越广，遍及双层隧道、过街人行地道、地铁车站进出口的联络通道、城市地下管线共同沟、引水和排水管道等许多工程中。虽然与圆形断面相比，矩形断面有效使用面积通常大20％以上。顶管施工主要集中在城市繁华且土质薄弱地区，其对土体的扰动更大，地下管线的埋设更多、更复杂，如果顶进设计施工不当，极易引起周围地层扰动，造成临近既有管线附加变形，引起既有管线的断裂破坏，引发一系列社会经济安全问题。而且，随着城市的发展，顶管的管径会越来越大，顶管对周围环境的影响也越来越严重。因此，在开挖过程中，如何有效地预测土层扰动引起的地面沉降，判断工程沿线地下管线的安全系数，降低顶管施工对周围环境的影响，是保护人民的生命财产安全，保证工程顺利进行的关键，是我国当前面临的一个重要课题。
目前，国内外对圆形顶管下穿既有管线的破坏预测研究较多，采用解析法、经验法、数值法和施工经验等。其中，针对顶管下穿既有建筑物和构筑物施工过程中灾变险情时间的预测研究罕见文献报道，而且既有研究成果很难准确地评价顶管下穿既有污水箱涵顶进施工过程中的动态响应关系，无法全面考虑导致箱涵下穿顶进失效风险的影响因素(例如多层地层条件、衬砌形式、施工条件等因素)和下穿顶进施工过程中土体与结构物(顶管、地下管线)的相互作用。另外，顶管工程现场监测主要集中在对地面变形的监测，而几乎罕见有关于顶管施工过程中深层土体移动、土压力、孔隙水压力、地下水位变化的现场监测以及进行判断扰动区土体性质变化的标准贯入度试验和静力触探试验的报道。所以，研发一种高精度、高可靠性的顶管下穿既有污水箱涵险情智能预警预报方法，在顶管下穿既有建筑物和构筑物施工过程中进行险情实时预警预报并提出相应的应对措施，显得尤为紧迫。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种顶管下穿既有箱涵过程中险情预警预报方法。
本发明的目的可以通过以下技术方案来实现：
一种顶管下穿既有箱涵过程中险情预警预报方法，其特征在于，包括以下步骤：
S1、通过在现场设置的多种监测装置，采集得到既有箱涵及其周边土体的多种特性参数数据；
S2、将步骤S1得到的多种特性参数数据进行格式化处理；
S3、根据S2处理后的数据，采用二分位移比值法反演得到扰动区土体强度；
S4、通过层次分析灰色关联度方法得到多种特性参数和扰动区土体强度影响箱涵安全系数的权重和灰色关联度；
S5、根据步骤S2～S4得到的数据，建立长短时记忆循环神经网络模型，预测既有箱涵破坏发生时间；
S6、根据步骤S2～S4得到的数据，采用卡尔曼滤波法预测既有箱涵的破坏发生时间；
S7、综合步骤S5和S6的预测结果，得到破坏发生预测时间，在临界破坏发生预测时间之前对顶管下穿既有箱涵的险情进行预警预报。
优选的，所述步骤S1具体包括：通过在现场设置钢筋应力传感器、土压力盒、土体沉降计、测斜管、孔隙水压力计和水位管分别实时采集既有箱涵的内力情况、管土接触压力、土体分层沉降量、地表水平位移量、孔隙水压力值和地下水位情况。
优选的，所述步骤S2中格式化处理包括等间隔化处理和归一化处理。
优选的，所述步骤S3具体包括：
S31、根据箱涵周边土体的监测数据，采用解析解法得到土体初始弹性模量E1和泊松比μ1，再采用地层结构法结合有限元法得到土体初始水平位移计算值
Figure GDA0003269244480000021
和初始沉降计算值
Figure GDA0003269244480000022
S32、采用二分法修正等效弹性模量，获取第m次等效弹性模量修正值
Figure GDA0003269244480000023
采用位移比值法修正等效泊松比，获取m次等效泊松比修正值
Figure GDA0003269244480000024
S33、重复步骤S32，迭代计算直至第z次得到的拟合误差δ小于5％，获取此时既有箱涵周边土体的等效弹性模量Ez和泊松比μz，由此得到扰动区土体强度ρ：
ρ＝f(t1,Ez,μz)
其中，t1表示顶管下穿既有箱涵过程的时间。
优选的，所述步骤S4具体包括：
S41、通过层次分析法得到多种特性参数和扰动区土体强度影响箱涵安全系数的权重；
S42、根据步骤S41得到的权重，计算得到多种特性参数和扰动区土体强度影响箱涵安全系数的灰色关联度：
Figure GDA0003269244480000031
其中，n表示指标总数，指标包括多种特性参数和扰动区土体强度，ω(k)为顶管下穿箱涵过程中步骤S41计算得到的第k个指标的权重，ξs(k)表示灰色关联分析时第s个比较数列第k个元素的关联系数。
优选的，所述步骤S5具体包括：
S51、将步骤S2～S4得到的数据作为训练集代入循环神经网络结构中，利用外界输入激发网络，进行循环神经网络训练，在设定的时间周期内的每个时间步通过长短时记忆循环神经网络控制门路对变量进行更新；
S52、采用梯度下降算法更新长短时记忆循环神经网络的参数；
S53、根据新的训练数据重复步骤S53，不断迭代更新其中的权重，直到得到收敛的参数值，停止迭代，预测出既有箱涵破坏发生时间。
优选的，所述步骤S51具体包括：
S511、读取t-1时刻的隐藏层输出ht-1和t时刻的输入变量xt，采用忘记门层计算神经细胞层中的遗忘参数ft，输出一个在0到1之间的数值，给到每个神经细胞层Ct中，所述遗忘参数为：
ft＝σ(Wf[ht-1,xt]+VfCt-1)
其中，σ表示预测既有箱涵破坏发生时间的逻辑回归函数：t＝σ(Fs,τ,g,l,v,ρ)，t为既有箱涵破坏的计算时间，当既有箱涵的安全系数Fs＝1时，τ为管土接触压力，g为孔隙水压力系数，l为土体的水平位移，v为土体的沉降，ρ为扰动区土体强度，Vf为控制箱涵状态的对角权重，Wf为从隐藏层到忘记门层的连接权重矩阵，Ct-1为t-1时刻的神经细胞层；
S512、根据ht-1和xt确定存放在神经细胞层中的新信息，包括输入门层it和通过tanh函数训练的候选值向量
Figure GDA0003269244480000041
更新旧神经细胞层的状态，将Ct-1更新为Ct：
Figure GDA0003269244480000042
S513、根据ht-1、xt和Ct确定神经细胞层的输出变量ot：
ot＝σ(Wo[ht-1,xt]+VoCt
其中，权重矩阵Vo和Wo分别对应于输入到隐藏到输出和隐藏到隐藏的连接；通过tanh函数计算得到一个-1到1之间的值，并和ot相乘，得到t时刻隐藏层输出ht：
ht＝ot×tanh(Ct)。
优选的，所述步骤S52包括对参数V和W的更新：
Figure GDA0003269244480000043
Figure GDA0003269244480000044
其中，
Figure GDA0003269244480000047
表示其下角标对应参数的梯度，L表示训练损失，ht-1表示t-1时刻的隐藏层输出，xt表示t时刻的输入变量，T为转置符号。
优选的，所述步骤S6具体包括：
S61、选取一组初始状态值
Figure GDA0003269244480000045
和初始观测值
Figure GDA0003269244480000046
用作初始分析，c表示选取数据的总个数，计算初始估值X(0)、Z(0)和初始估值方差P(0)；
S62、利用顶管顶进箱涵的过程模型，预测箱涵下一状态的结果X(t2/t2-1)：
X(t2/t2-1)＝AX(t2-1/t2-1)+BU(t2)
其中，X(t2-1/t2-1)为上一状态最优的结果，U(t2)为现在状态的控制量，A和B是根据步骤S4得到的权重确定的箱涵破坏的控制参数矩阵；
S63、计算预估计对应于X(t2/t2-1)的协方差矩阵：
P(t2/t2-1)＝AP(t2-1/t2-1)AT+Q
其中，P(t2-1/t2-1)为X(t2-1/t2-1)对应的协方差矩阵，AT表示A的转置矩阵，Q是系统过程W(t2)的协方差矩阵；
计算卡尔曼增益矩阵：
K(t2)＝P(t2/t2-1)HT(HP(t2/t2-1)HT+R)-1
式中，R是系统过程V(t2)的协方差矩阵，H是观测系统的控制参数矩阵；
S64、用预测值和观测值更新t2状态下的最优化估算值X(t2/t2)和协方差矩阵P(t2/t2)：
X(t2/t2)＝X(t2/t2-1)K(t2)(Z(t2)-HX(t2/t2-1)
P(t2/t2)＝(E-K(t2)H)P(t2/t2-1)
式中，E是值为1的矩阵；当系统进入t2+1状态时，t2状态时的X(t2/t2)就是t2+1状态时的X(t2-1/t2-1)，t2状态时的P(t2/t2)就是t2+1状态时的P(t2-1/t2-1)，以此类推，通过自回归运算预测出既有箱涵破坏发生时间。
优选的，所述综合步骤S5和S6的预测结果具体为求取两者的平均值。
与现有技术相比，本发明具有以下优点：
1、通过分析顶管下穿既有箱涵的顶进施工过程中的动态响应关系，综合考虑导致顶管下穿既有箱涵顶进失效的风险影响因素，研究下穿既有箱涵顶进过程中的相互作用机理，进而在顶管下穿既有污水箱涵顶进前对风险源布设监测点，可运用到系统的信息化安全风险预警中，在顶管下穿顶进过程中进行实时预警监测、险情分析与预警预报，帮助实现信息化施工。
2、长短时记忆循环神经网络在处理多参数以及具有流动性的信息有着很好的适用性，可以对前面的信息进行记忆并应用于当前输出的计算，且每个前面状态对当前的影响进行了距离加权，距离越远，权值越小，符合施工过程和灾害突变的时间效应，可以很好预测灾变的破坏时间；而卡尔曼滤波法基于贝叶斯法则，具有时间序列结构，可以校正观测和预测结果的准确性，更加精准预测灾变的发生时间，二者结合的好处是进一步提高顶管下穿过程中既有污水箱涵破坏险情的预警预报精度和可靠性。
3、采用物联网的虚拟IP技术远程实时自动采集和传输现场既有箱涵内力情况、管土接触压力、土体分层沉降、地表水平位移、孔隙水压力系数和地下水位的信息，具有实时性的特点。
4、通过建立人工智能灾害预测模型及开发相应的后台客户端软件对监测数据进行分析和处理，获取顶管下穿过程中既有箱涵的破坏时间，然后进行顶管下穿既有箱涵险情的早期预警预报，从而提高了顶管顶进过程中既有箱涵变形破坏的预警预报精度和可靠度。
5、采用MySQL数据库，并且增加了多引擎化的存储方案，提供了对数据库ACID事务的支持，并且还提供了行级锁和外键的约束，可以轻易处理大数据容量。
6、采用关系型数据库要求的第三范式3NF的标准，使监测数据结构更加合理规范，持久化存储。
附图说明
图1为本发明的流程示意图；
图2为二分位移比值法反演扰动区土体强度的流程图；
图3为长短时记忆循环神经网络的网络结构图；
图4为长短时记忆循环神经网络的网络控制门路图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例
一种顶管下穿既有箱涵过程中险情预警预报方法，包括以下步骤：
S1、通过在现场设置的多种监测装置，采集得到既有箱涵及其周边土体的多种特性参数数据，监测的箱涵包括污水箱涵；
S2、将步骤S1得到的多种特性参数数据进行格式化处理；
S3、根据S2处理后的数据，采用二分位移比值法反演得到扰动区土体强度；
S4、通过层次分析灰色关联度方法得到多种特性参数和扰动区土体强度影响箱涵安全系数的权重和灰色关联度；
S5、根据步骤S2～S4得到的数据，建立长短时记忆循环神经网络模型，预测既有箱涵破坏发生时间；
S6、根据步骤S2～S4得到的数据，采用卡尔曼滤波法预测既有箱涵的破坏发生时间；
S7、综合步骤S5和S6的预测结果，得到破坏发生预测时间，在临界破坏发生预测时间之前对顶管下穿既有箱涵的险情进行预警预报。
步骤S1具体包括：现场设置土体监测站，埋置钢筋应力传感器、土压力盒、土体沉降计、测斜管、孔隙水压力计和水位管分别实时采集既有箱涵的内力情况、管土接触压力、土体分层沉降量、地表水平位移量、孔隙水压力值和地下水位情况等数据，并通过光纤电缆把采集到的数据实时传输到数据采集站，数据采集站以移动信号的方式通过物联网的虚拟IP技术将接收的监测数据实时自动传输到远程客户端。钢筋应力传感器、土压力盒、土体沉降计、测斜管、孔隙水压力计和水位管带有自动数据A/D转换功能。
安装设有C#语言开发的现场监测数据管理系统模块的远程客户端接收监测数据，并进行数据格式化处理，包括等间隔化处理、归一化处理，并按照关系型数据库要求的第三范式(3NF)对数据进行标准化、结构化处理，存入后台MySQL数据库。
等间隔化处理具体为：
设非等间隔管土接触压力、孔隙水压力系数、土体水平位移、土体沉降和扰动区土体强度的原始监测序列x0(tj)，各时段的间隔时间为Δtj，且各时段间隔不完全相等，则平均时间间隔为：
Figure GDA0003269244480000071
其中，tj为第j个监测时间点，m为测时间点个数，用下式计算等间隔化后的新时间点tj′：
tj′＝(j-1)Δt0+t1，j＝1,2,...,m
用下式计算tj′对应的数值x(tj′)：
x(tj′)＝x0(tj)-Δx0(tj)，j＝1,2,...,m
其中：
Δx0(tj)＝θ(tj)[x0(tj)-x0(tj-1)]
Figure GDA0003269244480000072
。
或者判断tj′所处的区间，用区间的两端点值的两点插值计算出等间隔化后相应的数值(管土接触压力、孔隙水压力系数、土体水平位移、土体沉降或扰动区土体强度)x(tj′)，由下式计算：
Figure GDA0003269244480000073
tj≤tj′≤tj+1。
归一化处理具体为：
在所有监测的数据中找出最大的数xmax和最小的数xmin，然后，把所有监测的数据进行如下计算：
Figure GDA0003269244480000081
将原始数据转换到[0,1]的范围内。
将数据格式化后，通过Java语言的JDBC技术存入后台MySQL数据库。后台MySQL数据库拿到数据后，将数据按照关系型数据库要求的3NF的规范持久化存储，存储过程中使用Innodb和MyIASM双存储引擎。
关系型数据库的3NF的要求为：数据库中的每一列都是不可分割的基本数据项，每个实例或行必须可以被唯一地区分，并且一个数据库表中不包含已在其它表中已包含的非主关键字信息。
步骤S3的流程图如图2所示，具体包括：
S31、根据箱涵周边土体的监测数据，根据解析解法计算得到箱涵周边土体的初始弹性模量E1和泊松比μ1，再采用地层结构法，代入ANSYS软件进行有限元正分析，得到土体初始水平位移计算值
Figure GDA0003269244480000082
和初始沉降计算值
Figure GDA0003269244480000083
S32、采用二分法修正等效弹性模量，获取第m次等效弹性模量Em的修正值
Figure GDA0003269244480000084
Figure GDA0003269244480000085
m＝1,2,...,z
式中，
Figure GDA0003269244480000086
和
Figure GDA0003269244480000087
分别为ANSYS软件有限元分析所得第m次土体水平位移和沉降计算值，
Figure GDA0003269244480000088
和
Figure GDA0003269244480000089
分别为土体水平位移和沉降实测值，z表示修正迭代的总次数；
采用位移比值法修正等效泊松比，获取m次等效泊松比修正值
Figure GDA00032692444800000810
Figure GDA00032692444800000811
m＝1,2,...,z
式中，第m次的位移比差ωm为：
Figure GDA00032692444800000812
m＝1,2,...,z
第m次泊松比的修正系数ξm为：
Figure GDA00032692444800000813
m＝1,2,...,z。
S33、重复步骤S32，迭代计算直至第z次得到的拟合误差δ小于5％，获取此时既有箱涵周边土体的等效弹性模量Ez和泊松比μz，由此得到扰动区土体强度ρ：
ρ＝f(t1,Ez,μz)
其中，t1表示顶管下穿既有箱涵过程的时间。
步骤S4运用层次分析灰色关联度方法，确定管土接触压力、孔隙水压力系数、土体水平位移、土体沉降值、扰动区土体强度影响影响既有箱涵安全系数的权重大小，具体包括：
S41、通过层次分析法得到多种特性参数和扰动区土体强度影响箱涵安全系数的权重，具体过程如下：
建立层次分析结构，并构造判断矩阵A(正互反矩阵)，利用方根法求每个因素的权值，计算判断矩阵A各行各个指标的乘积MI：
Figure GDA0003269244480000091
I,J＝1,2,...,n
计算MI的n次方根VI：
Figure GDA0003269244480000092
归一化处理，得到所求权重向量WI和各个指标的权重ω(k)：
Figure GDA0003269244480000093
WI＝(ω(1),ω(2),...,ω(k),...ω(n))；
S42、确定一个参考数列X0和q个比较数列X1，X2，…，Xq，数列元素为管土接触压力τ(t)、孔隙水压力系数g(t)、土体水平位移l(t)、土体沉降值v(t)、扰动区土体强度ρ(t)，无量纲化处理参考数列和比较数列，计算q个比较数列各元素的关联系数，其中第s个比较数列第k个元素的关联系数ξs(k)为：
Figure GDA0003269244480000094
式中，
Figure GDA0003269244480000095
称为分辨系数，一般
Figure GDA0003269244480000096
常取0.5，第1层次最小差为不同k值计算的绝对差|X0(k)-Xs(k)|中的最小值，第2层次最小差为Δ1(min),Δ2(min),...,Δq(min)中最小值，第1层次最大差为不同k值计算的绝对差|X0(k)-Xs(k)|中的最大值，第2层次最大差为Δ1(max),Δ2(max),...,Δq(max)中最大值；
用下式计算第s个比较数列Xs对参考数列X0的关联度rs：
Figure GDA0003269244480000097
用下式计算层次分析的灰色关联度Rs：
Figure GDA0003269244480000098
其中，ω(k)为顶管下穿箱涵过程中步骤S41计算得到的第k个元素的权重。
步骤S5具体包括：
S51、从数据库中获取步骤S2～S4得到的数据作为训练集，并转化为单向信息流的格式，确定单层互连的网络神经元，建立循环神经网络的初始网络状态，代入如图3所示的循环神经网络结构中；
利用外界输入激发网络，进行循环神经网络训练，从t＝1到t＝T的每个时间步通过长短时记忆循环神经网络控制门路对变量进行更新，如图4所示，具体包括：
S511、读取t-1时刻的隐藏层输出ht-1和t时刻的输入变量xt，采用忘记门层计算神经细胞层中的遗忘参数ft，输出一个在0到1之间的数值(1表示“完全保留”，0表示“完全舍弃”)，给到每个神经细胞层Ct中，遗忘参数为：
ft＝σ(Wf[ht-1,xt]+VfCt-1)
其中，σ表示预测既有箱涵破坏发生时间的逻辑回归函数：t＝σ(Fs,τ,g,l,v,ρ)，t为既有箱涵破坏的计算时间，当既有箱涵的安全系数Fs＝1时，t为既有箱涵发生破坏的时间，τ为管土接触压力，g为孔隙水压力系数，l为土体的水平位移，v为土体的沉降，ρ为扰动区土体强度，Vf为控制箱涵状态的对角权重，依据步骤S4采用层次分析灰色关联度方法确定，Wf为从隐藏层到忘记门层的连接权重矩阵，Ct-1为t-1时刻的神经细胞层；
S512、根据ht-1和xt确定存放在神经细胞层中的新信息，包括输入门层it和通过tanh函数训练的候选值向量
Figure GDA0003269244480000101
it＝σ(Wi[ht-1,xt]+ViCt-1)
Figure GDA0003269244480000102
其中，it表示输入门层(Sigmoid层)，Wi为从隐藏层到输入门层的连接权重矩阵，WC为从隐藏层到候选值向量
Figure GDA0003269244480000103
的连接权重矩阵，Vi为计算it的控制箱涵状态的对角权重，VC为计算
Figure GDA0003269244480000104
的控制箱涵状态的对角权重。
更新旧神经细胞层的状态，将Ct-1更新为Ct：
Figure GDA0003269244480000105
其中，it表示
S513、根据ht-1、xt和Ct确定神经细胞层的输出变量ot：
ot＝σ(Wo[ht-1,xt]+VoCt
其中，权重矩阵V和W分别对应于输入到隐藏到输出和隐藏到隐藏的连接；通过tanh函数计算得到一个-1到1之间的值，并和ot相乘，得到t时刻隐藏层输出ht：
ht＝ot×tanh(Ct)，
定义算法的代价函数，与输入变量x序列配对的隐藏层输出h的总损失就是所有时间步的损失之和。Lt为给定的x1,x2,...,xT后h1,h2,...,hT的负对数似然：
Figure GDA0003269244480000111
其中，pmodel表示似然函数；
S52、采用梯度下降算法更新LSTMs长短时记忆循环神经网络的参数，更新具体是使用反向传播算法，应用于展开图的反向传播算法称为通过时间反向传播(BPTT)，计算图的节点包含参数V和W，各个参数的梯度的计算式：
Figure GDA0003269244480000112
其中，
Figure GDA0003269244480000113
表示其下角标对应参数的梯度，L表示训练损失，ht-1表示t-1时刻的隐藏层输出，xt表示t时刻的输入变量，T为转置符号。
S53、根据新的训练数据重复步骤S53，不断迭代更新其中的权重，直到得到收敛的参数值，停止迭代，预测出既有箱涵破坏发生时间。
步骤S6具体包括：
S61、采用线性时变系统的离散状态方程，描述t时刻箱涵破坏的状态矢量X(t)和观测矢量Z(t)：
X(t)＝AX(t-1)+BU(t)+W(t)
Z(t)＝HX(t)+V(t)
其中，U(t)是t时刻顶管顶进对既有箱涵破坏的控制元素(管土接触压力τ(t)、孔隙水压力系数g(t)、土体水平位移l(t)、土体沉降值v(t)和扰动区土体强度ρ(t)等)，A和B是箱涵破坏的控制参数矩阵(依据步骤S4中元素的权重确定)，H是观测系统的控制参数矩阵；W(t)和V(t)分别表示过程和测量的噪声矩阵。
选取一组初始状态值
Figure GDA0003269244480000114
和初始观测值
Figure GDA0003269244480000115
用作初始分析，c表示选取数据的总个数，计算初始估值X(0)、Z(0)和初始估值方差P(0)：
Figure GDA0003269244480000121
Figure GDA0003269244480000122
Figure GDA0003269244480000123
S62、利用顶管顶进箱涵的过程模型，预测箱涵下一状态的结果X(t2/t2-1)：
X(t2/t2-1)＝AX(t2-1/t2-1)+BU(t2)
其中，X(t2-1/t2-1)为上一状态最优的结果，U(t2)为现在状态的控制量，A和B是根据步骤S4得到的权重确定的箱涵破坏的控制参数矩阵；
S63、计算预估计对应于X(t2/t2-1)的协方差矩阵：
P(t2/t2-1)＝AP(t2-1/t2-1)AT+Q
其中，P(t2-1/t2-1)为X(t2-1/t2-1)对应的协方差矩阵，AT表示A的转置矩阵，Q是系统过程W(t2)的协方差矩阵；
计算卡尔曼增益矩阵：
K(t2)＝P(t2/t2-1)HT(HP(t2/t2-1)HT+R)-1
式中，R是系统过程V(t2)的协方差矩阵，H是观测系统的控制参数矩阵；
S64、用预测值和观测值更新t2状态下的最优化估算值X(t2/t2)和协方差矩阵P(t2/t2)：
X(t2/t2)＝X(t2/t2-1)K(t2)(Z(t2)-HX(t2/t2-1)
P(t2/t2)＝(E-K(t2)H)P(t2/t2-1)
式中，E是值为1的矩阵；当系统进入t2+1状态时，t2状态时的X(t2/t2)就是t2+1状态时的X(t2-1/t2-1)，t2状态时的P(t2/t2)就是t2+1状态时的P(t2-1/t2-1)，以此类推，通过自回归运算预测出既有箱涵破坏发生时间。
步骤综合步骤S5和S6的预测结果具体为求取两者的平均值，作为最终箱涵破坏预测时间，进一步提高顶管下穿过程中既有污水箱涵破坏险情的预警预报精度和可靠性。

Claims (5)

1.一种顶管下穿既有箱涵过程中险情预警预报方法，其特征在于，包括以下步骤：
S1、通过在现场设置的多种监测装置，采集得到既有箱涵及其周边土体的多种特性参数数据；
S2、将步骤S1得到的多种特性参数数据进行格式化处理；
S3、根据S2处理后的数据，采用二分位移比值法反演得到扰动区土体强度；
S4、通过层次分析灰色关联度方法得到多种特性参数和扰动区土体强度影响箱涵安全系数的权重和灰色关联度；
S5、根据步骤S2～S4得到的数据，建立长短时记忆循环神经网络模型，预测既有箱涵破坏发生时间；
S6、根据步骤S2～S4得到的数据，采用卡尔曼滤波法预测既有箱涵的破坏发生时间；
S7、综合步骤S5和S6的预测结果，得到破坏发生预测时间，在临界破坏发生预测时间之前对顶管下穿既有箱涵的险情进行预警预报；
所述步骤S3具体包括：
S31、根据箱涵周边土体的监测数据，采用解析解法得到土体初始弹性模量E1和泊松比μ1，再采用地层结构法结合有限元法得到土体初始水平位移计算值
Figure FDA0003269244470000011
和初始沉降计算值
Figure FDA0003269244470000012
S32、采用二分法修正等效弹性模量，获取第m次等效弹性模量修正值
Figure FDA0003269244470000013
采用位移比值法修正等效泊松比，获取m次等效泊松比修正值
Figure FDA0003269244470000014
S33、重复步骤S32，迭代计算直至第z次得到的拟合误差δ小于5％，获取此时既有箱涵周边土体的等效弹性模量Ez和泊松比μz，由此得到扰动区土体强度ρ：
ρ＝f(t1,Ez,μz)
其中，t1表示顶管下穿既有箱涵过程的时间；
所述步骤S5具体包括：
S51、将步骤S2～S4得到的数据作为训练集代入循环神经网络结构中，利用外界输入激发网络，进行循环神经网络训练，在设定的时间周期内的每个时间步通过长短时记忆循环神经网络控制门路对变量进行更新；
S52、采用梯度下降算法更新长短时记忆循环神经网络的参数；
S53、根据新的训练数据重复步骤S53，不断迭代更新其中的权重，直到得到收敛的参数值，停止迭代，预测出既有箱涵破坏发生时间；
所述步骤S51具体包括：
S511、读取t-1时刻的隐藏层输出ht-1和t时刻的输入变量xt，采用忘记门层计算神经细胞层中的遗忘参数ft，输出一个在0到1之间的数值，给到每个神经细胞层Ct中，所述遗忘参数为：
ft＝σ(Wf[ht-1,xt]+VfCt-1)
其中，σ表示预测既有箱涵破坏发生时间的逻辑回归函数：t＝σ(Fs,τ,g,l,v,ρ)，t为既有箱涵破坏的计算时间，当既有箱涵的安全系数Fs＝1时，τ为管土接触压力，g为孔隙水压力系数，l为土体的水平位移，v为土体的沉降，ρ为扰动区土体强度，Vf为控制箱涵状态的对角权重，Wf为从隐藏层到忘记门层的连接权重矩阵，Ct-1为t-1时刻的神经细胞层；
S512、根据ht-1和xt确定存放在神经细胞层中的新信息，包括输入门层it和通过tanh函数训练的候选值向量
Figure FDA0003269244470000021
更新旧神经细胞层的状态，将Ct-1更新为Ct：
Figure FDA0003269244470000022
S513、根据ht-1、xt和Ct确定神经细胞层的输出变量ot：
ot＝σ(Wo[ht-1,xt]+VoCt
其中，权重矩阵Vo和Wo分别对应于输入到隐藏到输出和隐藏到隐藏的连接；通过tanh函数计算得到一个-1到1之间的值，并和ot相乘，得到t时刻隐藏层输出ht：
ht＝ot×tanh(Ct)
步骤S52包括对参数V和W的更新：
Figure FDA0003269244470000023
Figure FDA0003269244470000024
其中，
Figure FDA0003269244470000025
表示其下角标对应参数的梯度，L表示训练损失，ht-1表示t-1时刻的隐藏层输出，xt表示t时刻的输入变量，T为转置符号；
所述步骤S6具体包括：
S61、选取一组初始状态值
Figure FDA0003269244470000031
和初始观测值
Figure FDA0003269244470000032
用作初始分析，c表示选取数据的总个数，计算初始估值X(0)、Z(0)和初始估值方差P(0)；
S62、利用顶管顶进箱涵的过程模型，预测箱涵下一状态的结果X(t2/t2-1)：
X(t2/t2-1)＝AX(t2-1/t2-1)+BU(t2)
其中，X(t2-1/t2-1)为上一状态最优的结果，U(t2)为现在状态的控制量，A和B是根据步骤S4得到的权重确定的箱涵破坏的控制参数矩阵；
S63、计算预估计对应于X(t2/t2-1)的协方差矩阵：
P(t2/t2-1)＝AP(t2-1/t2-1)AT+Q
其中，P(t2-1/t2-1)为X(t2-1/t2-1)对应的协方差矩阵，AT表示A的转置矩阵，Q是系统过程W(t2)的协方差矩阵；
计算卡尔曼增益矩阵：
K(t2)＝P(t2/t2-1)HT(HP(t2/t2-1)HT+R)-1
式中，R是系统过程V(t2)的协方差矩阵，H是观测系统的控制参数矩阵；
S64、用预测值和观测值更新t2状态下的最优化估算值X(t2/t2)和协方差矩阵P(t2/t2)：
X(t2/t2)＝X(t2/t2-1)K(t2)(Z(t2)-HX(t2/t2-1)
P(t2/t2)＝(E-K(t2)H)P(t2/t2-1)
式中，E是值为1的矩阵；当系统进入t2+1状态时，t2状态时的X(t2/t2)就是t2+1状态时的X(t2-1/t2-1)，t2状态时的P(t2/t2)就是t2+1状态时的P(t2-1/t2-1)，以此类推，通过自回归运算预测出既有箱涵破坏发生时间。
2.根据权利要求1所述的一种顶管下穿既有箱涵过程中险情预警预报方法，其特征在于，所述步骤S1具体包括：通过在现场设置钢筋应力传感器、土压力盒、土体沉降计、测斜管、孔隙水压力计和水位管分别实时采集既有箱涵的内力情况、管土接触压力、土体分层沉降量、地表水平位移量、孔隙水压力值和地下水位情况。
3.根据权利要求1所述的一种顶管下穿既有箱涵过程中险情预警预报方法，其特征在于，所述步骤S2中格式化处理包括等间隔化处理和归一化处理。
4.根据权利要求1所述的一种顶管下穿既有箱涵过程中险情预警预报方法，其特征在于，所述步骤S4具体包括：
S41、通过层次分析法得到多种特性参数和扰动区土体强度影响箱涵安全系数的权重；
S42、根据步骤S41得到的权重，计算得到多种特性参数和扰动区土体强度影响箱涵安全系数的灰色关联度：
Figure FDA0003269244470000041
其中，n表示指标总数，指标包括多种特性参数和扰动区土体强度，ω(k)为顶管下穿箱涵过程中步骤S41计算得到的第k个指标的权重，ξs(k)表示灰色关联分析时第s个比较数列第k个元素的关联系数。
5.根据权利要求1所述的一种顶管下穿既有箱涵过程中险情预警预报方法，其特征在于，所述综合步骤S5和S6的预测结果具体为求取两者的平均值。
CN201711437582.XA 2017-12-26 2017-12-26 一种顶管下穿既有箱涵过程中险情预警预报方法 Active CN108256172B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711437582.XA CN108256172B (zh) 2017-12-26 2017-12-26 一种顶管下穿既有箱涵过程中险情预警预报方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711437582.XA CN108256172B (zh) 2017-12-26 2017-12-26 一种顶管下穿既有箱涵过程中险情预警预报方法

Publications (2)

Publication Number Publication Date
CN108256172A CN108256172A (zh) 2018-07-06
CN108256172B true CN108256172B (zh) 2021-12-07

Family

ID=62724077

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711437582.XA Active CN108256172B (zh) 2017-12-26 2017-12-26 一种顶管下穿既有箱涵过程中险情预警预报方法

Country Status (1)

Country Link
CN (1) CN108256172B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109034378B (zh) * 2018-09-04 2023-03-31 腾讯科技（深圳）有限公司 神经网络的网络表示生成方法、装置、存储介质和设备
CN110245785A (zh) * 2019-05-21 2019-09-17 上海市市政工程建设发展有限公司 一种智能化主动伺服基坑轴力控制方法
CN110378511A (zh) * 2019-05-31 2019-10-25 东南大学 基于循环神经网络的结构关键区域控制参数预警方法
CN110397080A (zh) * 2019-07-17 2019-11-01 深圳万海建筑工程科技有限公司 一种用于综合管廊的监测预警系统
CN110929923B (zh) * 2019-11-08 2023-04-07 温州设计集团有限公司 基于数字孪生技术的城市安全风险管控系统
CN114859800B (zh) * 2021-02-04 2023-09-22 中建三局绿色产业投资有限公司 排水箱涵清淤安全作业控制方法及控制系统
CN113806842A (zh) * 2021-09-02 2021-12-17 上海建工集团股份有限公司 沉降后浇带封闭时间分析与控制方法
CN113688027B (zh) * 2021-10-26 2022-02-22 深圳市永达电子信息股份有限公司 工控设备的检测数据处理方法和系统
CN117249803B (zh) * 2023-08-09 2024-05-28 中交第四航务工程局有限公司 一种深基坑支护立柱沉降监测与预警方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1150517A (ja) * 1997-08-06 1999-02-23 Teruo Hatori 排水性舗装用暗渠側溝
CN202969393U (zh) * 2012-12-12 2013-06-05 湖北工业大学 一种公路高填方涵洞的加筋减载结构
CN105139585B (zh) * 2015-07-29 2017-11-07 同济大学 一种土质边坡险情智能预警预报方法
CN106649931B (zh) * 2016-09-26 2019-08-27 浙江大学城市学院 一种矩形顶管隧道施工工后地表沉降计算方法

Also Published As

Publication number Publication date
CN108256172A (zh) 2018-07-06

Similar Documents

Publication Publication Date Title
CN108256172B (zh) 一种顶管下穿既有箱涵过程中险情预警预报方法
Ebrahimian et al. Nonlinear finite element model updating for damage identification of civil structures using batch Bayesian estimation
Lee et al. Neural networks-based damage detection for bridges considering errors in baseline finite element models
Liu et al. Sensitivity analysis of structural health risk in operational tunnels
Kerh et al. Neural network estimation of ground peak acceleration at stations along Taiwan high-speed rail system
CN113379105B (zh) 一种基于人工智能的场地地震液化灾害快速评估方法
Huang et al. Fragility assessment of tunnels in soft soils using artificial neural networks
Wu et al. Dynamic risk analysis for adjacent buildings in tunneling environments: a Bayesian network based approach
Prakash et al. Recent advancement of concrete dam health monitoring technology: a systematic literature review
Tang et al. Application of grey theory-based model to prediction of land subsidence due to engineering environment in Shanghai
Wang et al. Establishment and application of the wind and structural health monitoring system for the Runyang Yangtze River Bridge
Formisano et al. Seismic damage scenarios induced by site effects on masonry clustered buildings: a case study in south Italy
KR20180089598A (ko) 구조재 및 비구조재의 수리비용을 고려한 건축물 내진성능평가 구성 방법
CN116227365A (zh) 一种基于改进vmd-tcn的滑坡位移预测方法
Liu et al. Structural health-monitoring and assessment in tunnels: hybrid simulation approach
Wang et al. Environmental risk assessment of subway station construction to achieve sustainability using the intuitionistic fuzzy analytic hierarchy process and set pair analysis
Liu et al. Deformation prediction of a deep foundation pit based on the combination model of wavelet transform and gray BP neural network
CN113221440B (zh) 一种排水系统监测点优化布置与实时全局反演方法
Karaman Identifying uncertainty of the mean of some water quality variables along water quality monitoring network of Bahr El Baqar drain
CN110245785A (zh) 一种智能化主动伺服基坑轴力控制方法
Chieffo et al. A Simplified Approach to Estimate Seismic Vulnerability and Damage Scenarios Including Site Effects. Application to the Historical Centre of Horta, Azores, Portugal
Taghi Nezhad Bilandi Costs and benefits of flood mitigation in Louisiana
Markovic Brankovic et al. ANN model for prediction of rockfill dam slope stability
Omer et al. Optimization of Monitoring Network to the Rainfall Distribution by Using Stochastic Search Algorithms: Lesson from Pakistan.
Ghani et al. Liquefaction hazard mitigation using computational model considering sustainable development

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