CN111581690A - 一种地下大空间关键指标阈值确定方法及系统 - Google Patents
一种地下大空间关键指标阈值确定方法及系统 Download PDFInfo
- Publication number
- CN111581690A CN111581690A CN202010247594.1A CN202010247594A CN111581690A CN 111581690 A CN111581690 A CN 111581690A CN 202010247594 A CN202010247594 A CN 202010247594A CN 111581690 A CN111581690 A CN 111581690A
- Authority
- CN
- China
- Prior art keywords
- engineering
- index threshold
- threshold value
- parameters
- large space
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000010276 construction Methods 0.000 claims abstract description 44
- 238000004088 simulation Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 238000010998 test method Methods 0.000 claims abstract 2
- 238000012360 testing method Methods 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 7
- 238000006073 displacement reaction Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 2
- 238000012821 model calculation Methods 0.000 claims 1
- 239000000463 material Substances 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013016 damping Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000004379 similarity theory Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- TZCXTZWJZNENPQ-UHFFFAOYSA-L barium sulfate Chemical compound [Ba+2].[O-]S([O-])(=O)=O TZCXTZWJZNENPQ-UHFFFAOYSA-L 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 239000011150 reinforced concrete Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material 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
-
- 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
-
- 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)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种地下大空间关键指标阈值确定方法及系统，包括：通过数值模拟结合模型试验的方法建立多个数据样本对；构建地下大空间关键指标阈值预测模型，利用所述多个数据样本对训练所述地下大空间关键指标阈值预测模型，以建立所述地下大空间关键指标阈值预测模型输入层到输出层的非线性映射关系，采集实际工程参数，将所述实际工程参数输入至所述地下大空间关键指标阈值预测模型，以在施工前确定该工程对应的工程指标阈值并指导施工。本发明通过建立基于具有自适应性、非线性和容错性强的神经网络对施工前关键指标阈值进行实时确定，有效解决工程安全及成本控制的关键问题。
Description
技术领域
本发明涉及岩土工程技术领域，特别涉及一种地下大空间关键指标阈值确定方法及系统。
背景技术
由于地下空间工程的施工水文地质条件、本身结构和周边建筑物存在较大差异，于是在保证安全方面并没有一个确定的标准，即现有所有规范规定的安全阈值均为一个范围，并没有一个确定的值，如果不经过专家评审随意类比相关工程就会产生不可估计的影响，若安全阈值取值较大，虽然能够保证工程安全，但是会造成人力物力等的浪费，且增加施工周期，反之，若取值偏向，则直接影响工程的安全，降低工程的安全度。因此如何在施工前确定一个合理的阈值是工程安全及成本控制的关键问题。
目前，国内比较常见的警戒值是设计文件和相关规范规定的，没有一个很好的控制标准。如相关规范规定的浅埋暗挖地铁的地表沉降不超过30mm，但是该标准是基于无水且地质条件较好的北京地铁施工经验而来的。对于水位较高的地区，施工降水后往往造成的地表沉降一般会超过允许值，但对地面结构和行车也不会造成明显的影响。因此，警戒值的设定应考虑地区、工程、工况、重要性等多种因素的影响，结合相应的经验来确定，而不是拘泥于各地的规范规定或设计院制定的控制标准。因此，如何在保证工程安全情况下，确定出具有针对性的合理的警戒具体值去指导施工、为施工提供预警标准，是工程中急需去解决的工程难题。
发明内容
本发明的目的在于克服现有技术中所存在的无法在施工前对施工中的关键指标确定一个合理的阈值以指导施工的问题，提供一种地下大空间关键指标阈值确定方法及系统，本专利通过引入具有自适应性、非线性和容错性强等特点且适合于处理各种非线性问题的神经网络，构建并训练该模型，以通过该网络在施工前为施工关键指标(例如：变形、应力、应变、沉降、以及位移等)确定一个合理阈值，由于神经网络为地下工程领域提供了完全不同于数学建模的研究思路，它避开了复杂的本构模型，成为解决地下空间工程问题的一种有效途径。
为了实现上述发明目的，本发明提供了以下技术方案：
一种地下大空间关键指标阈值确定方法，包括：
步骤1，建立多个数据样本对；
步骤2，基于BP神经网络构建地下大空间关键指标阈值预测模型，利用所述多个数据样本对训练所述指标阈值网络模型，以建立所述地下大空间关键指标阈值预测模型指输入层到输出层的非线性映射关系，并使所述地下大空间关键指标阈值预测模型满足：在输入层有参数输入时，其输出层自动输出工程指标阈值；
步骤3，采集实际工程参数，将所述实际工程参数输入至所述指标阈值网络模型，以在施工前确定该工程对应的工程指标阈值并指导施工。
优选的，所述步骤1包括：
步骤101，采集工程中的实际工程参数，所述实际工程参数包括：地质参数粘聚力，摩擦角，弹性模量，水位线高度，施工断面大小，施工方法，周围建筑物荷载大小，作用面积，以及距离建筑物的距离；
步骤102，通过数值模拟的方法求取所采集的实际工况参数对应的第一工程指标阈值；
步骤103，根据所采集的实际工程参数建立地下大空间工程模型，参考所述第一工程指标阈值对所述地下大空间工程模型进行模型试验，以对所述第一工程指标阈值进行校正，得到第二工程指标阈值；所述实际工程参数以及对应的第二工程指标阈值即为一对数据样本对；
步骤104，重复步骤101～103，建立多个数据样本对。
优选的，所述步骤102包括：
步骤1021：采集实际工程参数，根据所述实际工程参数，设定初始条件和边界条件，以建立工程参数数值分析模型；
步骤1022：加载所述工程参数数值分析模型，并对其进行有限差分或有限元计算，得到所述工程参数数值分析模型计算结果；
步骤1023：根据所述计算结果确定工程指标阈值。
优选的，所述工程参数数值分析模型计算结果为工程参数曲线，通过监测所述工程参数曲线的突变点或者塑性区初步确定所述第一工程指标阈值。
优选的，所述地下大空间关键指标阈值预测模型的输入参数包括：地质参数粘聚力，摩擦角，弹性模量，水位线高度，施工断面大小，施工方法，周围建筑物荷载大小，作用面积，以及距离建筑物的距离；
所述地下大空间关键指标阈值预测模型输出参数包括：变形阈值、应力阈值、应变阈值、沉降阈值、以及位移阈值。
优选的，所述地下大空间关键指标阈值预测模型通过引入动量项加快网络收敛速度：
其中：α为动量系数，η为学习率；输入层与隐藏层之间的权值为wij。
优选的，所述地下大空间关键指标阈值预测模型采用均方误差MSE函数为网络的误差函数。
在本发明进一步的实施例中，还提供一种地下大空间关键指标阈值确定系统，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述方法。
与现有技术相比，本发明的有益效果：本发明通过数值模拟结合模型试验的方法建立多个数据样本对，构建指标阈值网络模型，利用所建立的多个数据样本对指标阈值网络模型进行训练，以通过训练完成后的指标阈值网络模型对施工前的关键指标的阈值进行实时确定，方便高效、能够指导施工，解决工程安全及成本控制的关键问题。
在指标阈值网络模型中，通过引入动量项加快网络收敛速度，这种方法所加的动量项实际上相当于阻尼项，它减小了学习过程中的振荡趋势，从而改善了收敛性，动量法降低了网络对于误差曲面局部细节的敏感性，有效的抑制了网络陷入局部极小。
附图说明：
图1为本发明示例性实施例的本发明示例性实施例的地下大空间关键指标阈值确定方法流程图。
图2为本发明示例性实施例的数值模拟求取指标阈值方法流程图。
图3为本发明示例性实施例的地下大空间关键指标阈值预测模型网络结构拓扑图。
图4为本发明示例性实施例的地下大空间关键指标阈值预测模型网络训练方法流程图。
图5为本发明示例性实施例的本发明示例性实施例的地下大空间关键指标阈值确定系统结构图。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。
实施例1
图1示出了本发明示例性实施例的一种地下大空间关键指标阈值确定方法，包括：
步骤1，通过数值模拟结合模型试验的方法建立多个数据样本对；
具体为：步骤101，采集某个地下大空间工程的工程参数，所述工程参数包括：地质参数粘聚力，摩擦角，弹性模量，水位线高度，施工断面大小，施工方法，周围建筑物荷载大小，作用面积，以及距离建筑物的距离；步骤102，通过数值模拟的方法求取所采集的工程参数对应的第一工程指标阈值；步骤103，根据所采集的工程参数建立地下大空间工程模型，参考所述第一工程指标阈值对所述地下大空间工程模型进行模型试验，以对所述第一工程指标阈值进行校正，得到第二工程指标阈值；所述工程参数以及其对应的第二工程指标阈值即为一对数据样本对；步骤104，重复步骤101～103，建立多个数据样本对。
其中，关键指标的确定，主要是根据工程实际情况来定的。一般的，只要是施工必须监测的指标都可以认为是关键指标，除此之外还有宜测、可测的指标。所以根据工程实际，结合以往的工程经验，选取施工监测规范中必测的指标作为关键指标。本实施例中以变形、应力、应变、沉降、以及位移为关键指标，工程指标阈值即为变形、应力、应变、沉降、以及位移的阈值。首先通过数值模拟软件建立不同工程或者工况下的数值模型，然后再持续施外加荷载，通过测点监测曲线的突变点或者塑性区等判别条件初步确定不同指标的阈值，再通过模型试验进行验证，校正得到不同条件下不同工况下的阈值。主要分为以下几个方面：
以FLAC3D为例说明数值模拟软件确定不同指标阈值方法。结合图2，一般数值模拟求解流程为建立分析模型、模拟求解部分和输出计算结果部分。建立分析模型部分包括生成网格单元、设置初始条件和边界条件以及初始应力平衡等部分；模拟求解部分包括加载及场方程的有限差分求解；输出计算结果部分主要为图表的绘制、相关数据的输出等部分。在FLAC3D的建立分析模型部分，材料性质的定义、初始条件和边界条件的设置并无明显的先后顺序。初始应力平衡是分析中十分重要的一个环节，但并非为必须项，需根据实际分析对象所处的工况而定。加载及顺序建模变更和求解环节，具有较大的灵活性，需根据模拟的目的设定相应的加载顺序和收敛标准。在输出计算结果时，根据分析的需要，可有选择地选定绘图项和信息输出项。本实施例通过测点监测曲线的突变点或者塑性区等判别条件初步确定不同指标的阈值。为了增加通过数值分析得到的样本数据的可信度，我们增加模型试验进行验证；并且数值分析的计算结果可以对模型试验形成一个安全阈值参考，避免因为条件设置目标性不强导致的模型试验的失败，增加模型成本开销。
在数值分析计算结果求得后，通过模型试验进行验证：根据所采集的工程参数建立地下大空间工程模型，参考所述第一工程指标阈值对所述地下大空间工程模型进行模型试验(包括：加载模型、荷载等效试验等)，以对所述第一工程指标阈值进行校正，最终确定得到第二工程指标阈值。模型试验具体过程包括：试验相似比设计。根据工程和实验室实际情况，且考虑到实验应达到的效果确定模型相似比控制值，基于该相似比缩尺进行模型试验。根据相似理论推得泊松比、应变、摩擦角、强度、应力、凝聚力、弹性模量等的相似比。在地下大跨结构设计中，通常将长度L、密度ρ和弹性模量E作为试验的三个基本量纲，以归一化的方式转化为如式(1)所示：
为了保证试验与原型的模型相似比例一致，即不同参数量之间满足下式(2)：
令
其中Si为计算缩尺模型(下标m)与实体模型结构(下标p)比值的相似常数，下标i分别代表在不同物理量下具体相似比代表值，如位移相似比为
带入(2)得：
Sμ＝SL，Sσ＝SE，
式中L，E，ρ，σ，g，a，v，t，ω分别为建筑结构模型的长度、弹性模量、密度、应力、重力加速度、结构加速度、速度、时间、频率。相似材料配制。土质相似材料的选取需要根据相似判据的约束，来选择参数符合的相似材料。例如，现在普遍使用的模型土都是用土壤作为骨料，通过在骨料中添加各种其他材料，如铁粉、重晶石粉、粉细沙等，调节模型土容重、模量等相关参数，得到的一种混合材料，使得该混合材料的各项物理参数满足试验中所需达到的相似指标。在配比土质相似材料时，所有的物理量都满足相似常数与相似判据是几乎不可能的，所以只需满足主要的相似常数。主体结构模拟。根据相似理论，现场施工所用钢筋混凝土的弹性模量、强度等参数，采用相似材料进行等效模拟。荷载等效模拟。例如，对于火车荷载和行人荷载进行等效，采用逐级加载的方式进行模拟试验，考察在荷载作用至破坏过程中，各个监测指标的变化情况。通过模型试验进行验证，最终确定不同条件下不同指标的阈值。
重复步骤101～103，以不同工程或工况下的工程参数及其对应的关键阈值作为样本，建立多个数据样本对。
步骤2，基于BP神经网络构建地下大空间关键指标阈值预测模型(模型结构如3)，利用所述多个工程阈值数据样本对训练所述指标阈值网络模型，以建立所述地下大空间关键指标阈值预测模型指输入层到输出层的非线性映射关系，并使所述地下大空间关键指标阈值预测模型满足：在输入层有参数输入时，其输出层自动输出工程指标阈值；
首先是整个神经网络的训练流程，如图4所示，即为学习样本读入→数据正规化→神经网络权值初始化→计算隐藏层单元输出值→计算输出单元输出值→计算输出层误差→计算隐藏层误差→调整权值→判断若在允许误差范围则结束，若不在则重新归一化进行训练。
输入参数的确定。根据具体工程确定，包括施工前水文地质条件、本身结构和周边建筑物等指标。例如，地质参数粘聚力c，摩擦角φ，弹性模量E，水位线高度，施工断面大小，施工方法，周围建筑物荷载大小，作用面积，距离建筑物的距离等，共9个参数。
输出参数的确定，即关键指标的确定，主要是根据工程实际情况来定的。一般的，只要是施工必须监测的指标都可以认为是关键指标，除此之外还有宜测、可测的指标。所以根据工程实际，结合以往的工程经验，选取施工监测规范中必测的指标作为关键指标。例如，盾构法隧道施工及验收规范GB50446-2017规定，施工区域地表隆沉、沿线建(构)筑物和地下管线变形隧道结构变形和隧道结构变形为必测项目，先将此作为关键指标，如果有特殊要求可以再将其他指标作为关键指标。本实施例中以变形阈值、应力阈值、应变阈值、沉降阈值、以及位移阈值为关键指标阈值。
进一步的，网络的隐藏层层数和隐藏层单元数由不同的具体问题而定。首先是隐藏层层数的确定，对任何在闭区间内的连续函数，都可以用一个隐藏层的BP网络来逼近，因而一个三层的BP网络可以完成任意的n维到m维的映射。
对于多层前馈网络来说，隐藏层单元数的确定很关键。若数量太少，则网络所能获取的用以解决问题的信息太少；若数量太多，不仅增加训练时间，更重要的是隐藏层单元过多还可能出现过度吻合问题，即测试误差增大导致泛化能力下降，因此合理选择隐藏层单元数非常重要。关于隐藏层层数及其单元数的选择比较复杂，一般原则是：在能正确反映输入输出关系的基础上，应选用较少的隐藏层单元数，以使网络结构尽量简单。本专利综合下述公式设置隐藏单元数，对网络进行训练，并测试学习误差，然后进行微调，直到学习误差不再有明显减少为止。
n1＝log2n (4)
式中：n1：隐藏层单元数，n：输入层单元数，l：输出层单元数，α：1-10之间的常数。
误差的选取。在神经网络训练过程中选择均方误差MSE较为合理，公式如下：
其中：m为输出单元的个数，p为训练样本数目，
为网络期望输出值，ypj为网络实际输出值。
初始参数的确定。将网络各权值wij赋予小的非零随机实数初值，设定学习率η和动量系数α。随机初始权值不同，最后的权值也会不同。
在BP算法中，学习率η的选择很重要，η大则收敛快，但是过大则可能引起不稳定。η小可避免振荡，但收敛速度变慢，为解决这一矛盾本专利加入动量项，即令：
其中：α为动量系数，η为学习率。这种方法所加的动量因子实际上相当于阻尼项，它减小了学习过程中的振荡趋势，从而改善了收敛性。动量法降低了网络对于误差曲面局部细节的敏感性，有效的抑制了网络陷入局部极小。
在学习时，要给出学习终止的条件，一般是误差最小值，当实际输出误差小于给定误差时终止。
BP算法由数据流的前向计算(正向传播)和误差信号的反向传播两个过程构成。正向传播时，传播方向为输入层→隐藏层一输出层，每层神经元的状态只影响下一层神经元。若在输出层得不到期望的输出，则转向误差信号的反向传播流程。通过这两个过程的交替进行，在权向量空间执行误差函数梯度下降策略，动态迭代搜索一组权向量，使网络误差函数达到最小值，从而完成信息提取和记忆过程。
网络结构如图3所示。设BP网络的输入层有9个单元，隐藏层有4个单元，输出层有3个单元，输入层与隐藏层之间的权值为wij，隐藏层与输出层之间的权值为wjk。
正向传播，隐藏层单元的输出为
输出层单元的输出为
其中，zj为第j个隐藏层单元的输出，yk为第k个输出单元的输出；f1，f2为隐藏层和输出层的激活函数，wij为输入层第i元素向隐藏层第j元素的连接权值，wjk为隐藏层第j元素向隐藏层第k元素的连接权值，xi为输入层第i个输入数值。
反向传播，定义误差函数输入P个学习样本，用x1，x2，...，xp来表示。第P个样本输入到网络后得到输出
采用平方型误差函数，于是得到第p个样本的误差Ep：
式中：
为期望输出。
对于P个样本，全局误差为：
输出层权值的变化，采用累计误差算法调整wjk，使全局误差E变小，即输出层权值的变化
式中：η为学习率。
隐藏层权值的变化
直到E≤ε，完成训练。
实际上，通过数值模拟加模型试验的方式的确可以得到阈值指标，但所需要的时间太长、成本太高，针对单次施工不具有可操作性；因此本发明通过构建地下大空间关键指标阈值预测模型，利用训练好的模型在施工前实时地对任意工程进行指标阈值确定，具有方便高效的优点，并且通过确定得到的工程指标阈值指导施工，能够有效地保证工程安全、控制工程成本。
实施例2
图5示出了根据本发明示例性实施例的地下大空间关键指标阈值确定系统，即电子设备310(例如具备程序执行功能的计算机服务器)，其包括至少一个处理器311，电源314，以及与所述至少一个处理器311通信连接的存储器312和输入输出接口313；所述存储器312存储有可被所述至少一个处理器311执行的指令，所述指令被所述至少一个处理器311执行，以使所述至少一个处理器311能够执行前述任一实施例所公开的方法；所述输入输出接口313可以包括显示器、键盘、鼠标、以及USB接口，用于输入输出数据；电源314用于为电子设备310提供电能。
本领域技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
当本发明上述集成的单元以软件功能单元的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明具体实施方式的详细说明，而非对本发明的限制。相关技术领域的技术人员在不脱离本发明的原则和范围的情况下，做出的各种替换、变型以及改进均应包含在本发明的保护范围之内。
Claims (8)
1.一种地下大空间关键指标阈值确定方法，其特征在于，所述方法包括：
步骤1，通过数值模拟结合模型试验的方法建立多个数据样本对；
步骤2，基于BP神经网络构建地下大空间关键指标阈值预测模型，利用所述多个数据样本对训练所述指标阈值网络模型，以建立所述地下大空间关键指标阈值预测模型指输入层到输出层的非线性映射关系，并使所述地下大空间关键指标阈值预测模型满足：在输入层有参数输入时，其输出层自动输出工程指标阈值；
步骤3，采集实际工程参数，将所述实际工程参数输入至所述地下大空间关键指标阈值预测模型，以在施工前确定该工程对应的工程指标阈值并指导施工。
2.根据权利要求1所述的方法，其特征在于，所述步骤1包括：
步骤101，采集某个地下大空间工程的工程参数，所述工程参数包括：地质参数粘聚力，摩擦角，弹性模量，水位线高度，施工断面大小，施工方法，周围建筑物荷载大小，作用面积，以及距离建筑物的距离；
步骤102，通过数值模拟的方法求取所采集的工程参数对应的第一工程指标阈值；
步骤103，根据所采集的工程参数建立地下大空间工程模型，参考所述第一工程指标阈值对所述地下大空间工程模型进行模型试验，以对所述第一工程指标阈值进行校正，得到第二工程指标阈值；所述工程参数以及其对应的第二工程指标阈值即为一对数据样本对；
步骤104，重复步骤101～103，建立多个数据样本对。
3.根据权利要求2所述的方法，其特征在于，所述步骤102包括：
步骤1021：根据所采集的工程参数设定初始条件和边界条件，以建立工程参数数值分析模型；
步骤1022：加载所述工程参数数值分析模型，并对其进行有限差分或有限元计算，得到所述工程参数数值分析模型计算结果；
步骤1023：根据所述计算结果确定所述第一工程指标阈值。
4.根据权利要求3所述的方法，其特征在于，所述工程参数数值分析模型计算结果为工程参数曲线，通过监测所述工程参数曲线的突变点或者塑性区初步确定所述第一工程指标阈值。
5.如权利要求1-4任一所述的方法，其特征在于，所述地下大空间关键指标阈值预测模型的输入参数包括：地质参数粘聚力，摩擦角，弹性模量，水位线高度，施工断面大小，施工方法，周围建筑物荷载大小，作用面积，以及距离建筑物的距离；
所述地下大空间关键指标阈值预测模型输出参数包括：变形阈值、应力阈值、应变阈值、沉降阈值、以及位移阈值。
6.根据权利要求1所述的方法，其特征在于，所述地下大空间关键指标阈值预测模型通过引入动量项加快网络收敛速度：
其中：α为动量系数，η为学习率；输入层与隐藏层之间的权值为wij。
7.根据权利要求1或6所述的方法，其特征在于，所述地下大空间关键指标阈值预测模型采用均方误差MSE函数为网络的误差函数。
8.一种地下大空间关键指标阈值确定系统，其特征在于，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010247594.1A CN111581690B (zh) | 2020-03-31 | 2020-03-31 | 一种地下大空间关键指标阈值确定方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010247594.1A CN111581690B (zh) | 2020-03-31 | 2020-03-31 | 一种地下大空间关键指标阈值确定方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111581690A true CN111581690A (zh) | 2020-08-25 |
| CN111581690B CN111581690B (zh) | 2022-07-08 |
Family
ID=72111489
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010247594.1A Active CN111581690B (zh) | 2020-03-31 | 2020-03-31 | 一种地下大空间关键指标阈值确定方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111581690B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112052145A (zh) * | 2020-09-09 | 2020-12-08 | 中国工商银行股份有限公司 | 性能告警阈值的确定方法、装置、电子设备和介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005173706A (ja) * | 2003-12-08 | 2005-06-30 | Shipbuild Res Assoc Japan | 形状推定方法および装置ならびに解析要素生成方法および装置 |
| CN103810524A (zh) * | 2014-03-08 | 2014-05-21 | 辽宁工程技术大学 | 一种预测地下铁路建设过程中地表沉降的方法 |
| CN105260575A (zh) * | 2015-11-17 | 2016-01-20 | 中国矿业大学 | 一种基于神经网络的巷道围岩变形预测方法 |
| CN109083118A (zh) * | 2018-08-07 | 2018-12-25 | 南京科技职业学院 | 一种手持式深基坑地表沉降预测装置及其工作流程 |
| CN110374047A (zh) * | 2019-05-28 | 2019-10-25 | 中国水利水电科学研究院 | 基于变形的拱坝运行期实时安全监控阈值确定方法 |
-
2020
- 2020-03-31 CN CN202010247594.1A patent/CN111581690B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005173706A (ja) * | 2003-12-08 | 2005-06-30 | Shipbuild Res Assoc Japan | 形状推定方法および装置ならびに解析要素生成方法および装置 |
| CN103810524A (zh) * | 2014-03-08 | 2014-05-21 | 辽宁工程技术大学 | 一种预测地下铁路建设过程中地表沉降的方法 |
| CN105260575A (zh) * | 2015-11-17 | 2016-01-20 | 中国矿业大学 | 一种基于神经网络的巷道围岩变形预测方法 |
| CN109083118A (zh) * | 2018-08-07 | 2018-12-25 | 南京科技职业学院 | 一种手持式深基坑地表沉降预测装置及其工作流程 |
| CN110374047A (zh) * | 2019-05-28 | 2019-10-25 | 中国水利水电科学研究院 | 基于变形的拱坝运行期实时安全监控阈值确定方法 |
Non-Patent Citations (2)
| Title |
|---|
| RENPENG CHEN 等: "Prediction of shield tunneling-induced ground settlement using machine learning techniques", 《FRONTIERS OF STRUCTURAL AND CIVIL ENGINEERING 》 * |
| 张勇: "邻近既有地铁隧道的深基坑施工安全风险评估与控制研究", 《中国优秀博硕士学位论文全文数据库(博士)》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112052145A (zh) * | 2020-09-09 | 2020-12-08 | 中国工商银行股份有限公司 | 性能告警阈值的确定方法、装置、电子设备和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111581690B (zh) | 2022-07-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhou et al. | Forecasting of TBM advance rate in hard rock condition based on artificial neural network and genetic programming techniques | |
| Lawal et al. | Blast-induced ground vibration prediction in granite quarries: An application of gene expression programming, ANFIS, and sine cosine algorithm optimized ANN | |
| Jahed Armaghani et al. | An adaptive neuro-fuzzy inference system for predicting unconfined compressive strength and Young’s modulus: a study on Main Range granite | |
| Feng et al. | Estimating mechanical rock mass parameters relating to the Three Gorges Project permanent shiplock using an intelligent displacement back analysis method | |
| Mohamad et al. | An optimized ANN model based on genetic algorithm for predicting ripping production | |
| Lai et al. | Prediction of soil deformation in tunnelling using artificial neural networks | |
| Yesiloglu-Gultekin et al. | Prediction of uniaxial compressive strength of granitic rocks by various nonlinear tools and comparison of their performances | |
| Sonmez et al. | An application of fuzzy sets to the geological strength index (GSI) system used in rock engineering | |
| Gao et al. | Development of a novel soft-computing framework for the simulation aims: a case study | |
| Liu et al. | Optimized ANN model for predicting rock mass quality ahead of tunnel face using measure-while-drilling data | |
| Chen et al. | Use of an improved ANN model to predict collapse depth of thin and extremely thin layered rock strata during tunnelling | |
| CN110009150B (zh) | 数据驱动的致密储层物性参数智能预测方法 | |
| Harandizadeh et al. | TBM performance prediction developing a hybrid ANFIS-PNN predictive model optimized by imperialism competitive algorithm | |
| Tian et al. | The effect of ICA and PSO on ANN results in approximating elasticity modulus of rock material | |
| CN113283173B (zh) | 地下工程能量与参数综合反分析系统及其方法 | |
| CN111583067A (zh) | 一种城市地下大空间施工安全预警与应急决策方法及系统 | |
| Yin et al. | Practice of optimisation theory in geotechnical engineering | |
| Marcos et al. | Shear strength prediction of unusual interior reinforced concrete beam-column joint using multi-layer neural network: A data collection by digital 3D finite element simulation | |
| CN111581690B (zh) | 一种地下大空间关键指标阈值确定方法及系统 | |
| Staub et al. | Strategy for a Rock Mechanics Site Descriptive Model. Development and testing of the theoretical approach | |
| Shahnazari et al. | Numerical modeling of stress–strain behavior of sand under cyclic loading | |
| Song et al. | Classifying the surrounding rock of tunnel face using machine learning | |
| Li et al. | Displacement prediction of open-pit mine slope based on SSA-ELM | |
| Yin et al. | The prediction of pile foundation buried depth based on BP neural network optimized by quantum particle swarm optimization | |
| Yang et al. | A no-tension elastic–plastic model and optimized back-analysis technique for modeling nonlinear mechanical behavior of rock mass in 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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210331 Address after: 610031 No. two, section 111, ring road, Chengdu, Sichuan, China Applicant after: SOUTHWEST JIAOTONG University Applicant after: CHINA RAILWAY FIRST SURVEY AND DESIGN INSTITUTE GROUP Co.,Ltd. Address before: 610031 north section of two ring road, Sichuan, Chengdu Applicant before: SOUTHWEST JIAOTONG University |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |