CN112307542B - 一种地质环境变形监测的盾构施工参数调整方法及系统 - Google Patents

一种地质环境变形监测的盾构施工参数调整方法及系统 Download PDF

Info

Publication number
CN112307542B
CN112307542B CN202011185884.4A CN202011185884A CN112307542B CN 112307542 B CN112307542 B CN 112307542B CN 202011185884 A CN202011185884 A CN 202011185884A CN 112307542 B CN112307542 B CN 112307542B
Authority
CN
China
Prior art keywords
shield
parameter
stratum
sample
objective function
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
CN202011185884.4A
Other languages
English (en)
Other versions
CN112307542A (zh
Inventor
詹涛
姜谙男
黄凤清
万友生
虢新平
罗志伟
姚元
谢丽辉
张峰瑞
郑帅
许梦飞
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.)
Nanchang Urban Rail Group Co ltd Metro Project Management Branch
Original Assignee
Nanchang Urban Rail Group Co ltd Metro Project Management Branch
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 Nanchang Urban Rail Group Co ltd Metro Project Management Branch filed Critical Nanchang Urban Rail Group Co ltd Metro Project Management Branch
Priority to CN202011185884.4A priority Critical patent/CN112307542B/zh
Publication of CN112307542A publication Critical patent/CN112307542A/zh
Application granted granted Critical
Publication of CN112307542B publication Critical patent/CN112307542B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Structural Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Civil Engineering (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Architecture (AREA)
  • Databases & Information Systems (AREA)
  • Excavating Of Shafts Or Tunnels (AREA)

Abstract

本发明提供一种基于地质环境变形监测的盾构施工参数调整方法及系统，包括：构建地层参数识别样本以及盾构参数控制样本，构建和声记忆库HM；求解和声记忆库HM中的每个优化变量的目标函数的初始值；更新和声记忆库HM，并求解更新后的和声记忆库HM中的优化变量的目标函数值；分别更新地层参数识别样本和盾构参数控制样本中梯度提升树模的优化变量；将获取的位移监测数据作为地层参数识别样本的输入，将地层参数识别样本输出的地层参数作为盾构参数控制样本的输入，盾构参数控制样本输出盾构施工参数。本发明对地层参数的识别和盾构参数预测调整，克服了传统神经网络结构复杂、以及拓扑结构确定人为依赖性的缺点，提高了算法的精度和准确度。

Description

一种地质环境变形监测的盾构施工参数调整方法及系统
技术领域
本发明涉及隧道施工领域，尤其涉及一种地质环境变形监测的盾构施工参数调整方法及系统。
背景技术
在建筑物密集的繁华市区和复杂地质隧道的施工方法中，盾构法具有对周围环境影响小、自动化程度高、施工快速、质量好、安全环保等优点。目前的盾构设备在设备本身的自动化控制方面较为完善，但是与常规设备不同，盾构机是根据具体施工对象定制的特种设备，盾构的设计与施工必须与工程地质紧密结合，与工程特点相匹配，才能保证盾构法施工的质量与安全。但是目前的盾构施工控制针对不同地质环境尚依赖人为的经验，缺乏自动调整的完善技术，与地质环境配合在盾构隧道施工实践中也会出现各式各样的问题，一旦发生事故影响更大，处置周期更长。尽管目前的三维数值模拟、神经网络、模糊数学、支持向量机等机器学习等智能算法引入了盾构施工的控制，但是还存在以下问题：1)三维数值模拟消耗时间太长，不宜用于施工的过程控制；2)目前的基于机器学习算法的盾构施工智能控制主要是限于地表位移预测，无法确定地层的状况，位移调整有一定盲目性。3)目前常用的机器学习方法比较复杂，给使用带来了不便。为此，本发明研究盾构机施工快速根据地层特点调整的技术，对于推进盾构施工技术具有积极的意义。
发明内容
本发明提供一种基于地质环境变形监测的盾构施工参数调整方法，以克服上述技术问题。
本发明提供一种基于地质环境变形监测的盾构施工参数调整方法，包括如下步骤：
S1：构建地层参数识别样本以及盾构参数控制样本，所述地层参数识别样本为位移监测数据与地层参数通过梯度提升树模型形成的对应关系；所述盾构参数控制样本为所述地层参数与盾构施工参数通过梯度提升树模型形成的对应关系；
S2：构建和声记忆库HM，所述和声记忆库HM由随机生成的HMS个和声组成，将所述梯度提升树模型中的回归树数量、学习率、叶节点最小样本数、最小分枝样本数、决策树最大深度作为和声算法的优化变量，所述多个优化变量组成和声；
其中，HM＝(X1，X2，…，XHMS)，X为和声；
S3：求解所述和声记忆库HM中的每个优化变量的目标函数的初始值；
S4：更新所述和声记忆库HM，并求解更新后的所述和声记忆库HM中的优化变量的目标函数值，并与每个优化变量对应的所述目标函数初始值进行比较，将目标函数值大的优化变量替换为目标函数值小的优化变量；
S5：重复步骤S4，直至确定地层参数识别样本满足迭代停止条件；
所述迭代停止条件为地层参数识别样本中梯度提升树模型的优化变量通过上述步骤迭代完成后的目标函数值均小于预设值并达到预设迭代次数；
S6：重复步骤S2-S4，直至确定盾构参数控制样本满足迭代停止条件；
所述迭代停止条件为盾构参数控制样本中梯度提升树模型的优化变量通过上述步骤迭代完成后的目标函数值均小于预设值并达到预设迭代次数，并构建盾构参数控制样本；
S7：分别更新地层参数识别样本和盾构参数控制样本中梯度提升树模的优化变量；
将获取的位移监测数据作为地层参数识别样本的输入，将地层参数识别样本输出的地层参数作为盾构参数控制样本的输入，盾构参数控制样本输出盾构施工参数。
进一步地，所述目标函数值的求解公式如下：
Xi＝Xmin+(Xmax-Xmin)×rand()，(i＝1，2，...，HMS) (1)
Xi为初始rand()是0-1之间的随机数，X为优化变量，Xmax、Xmin分别对应某一维解向量的最大值和最小值对应的优化变量；
目标函数值按照以下计算：
Figure BDA0002751368100000021
N是解向量的维度，M是测试样本B的个数，GBDT()是针对对应解向量为输入参数，梯度提升树模型对测试样本的预测输出结果，Yj是实际输出值，j是测试样本B的序号，
Figure BDA0002751368100000031
为区间最小值边界、
Figure BDA0002751368100000032
为区间最大值边界、xk为第 k个解变量。
进一步地，采用下述任意一种方法更新所述和声记忆库HM，所述方法包括：通过记忆考虑加微调扰动以及在和声记忆库HM外部随机选择的方法；
其中，所述记忆考虑加微调扰动方法为：首先按照记忆考虑，从初始的和声记忆库HM中随机选取一个优化变量Xold；然后每个新的优化变量Xnew按照以下的公式进行微调扰动产生：
Xnew＝Xold±bw×rand() (3)
其中，bw为微调扰动变量；
其中，所述在和声记忆库HM外部随机选择的方法为，则新的优化变量 X'new为：
X'new＝Xmin+(Xmax-Xmin)×rand() (4)
Xnew的个数与X'new的个数之和为HMS；
进一步地，所述位移监测数据至少包括：隧道收敛位移、隧道拱顶沉降位移、地表位移、构筑物位移；
所述地层参数至少包括：弹性模量、泊松比、粘聚力和内摩擦角；
所述盾构施工参数至少包括：土仓压力、出土量、同步注浆量、推进速度。
本发明还提供一种地质环境变形监测的盾构施工参数调整系统，包括：
计算单元：用于计算地层参数识别样本和盾构参数控制样本的优化变量的目标函数值；
判断单元：用于判断地层参数识别样本和盾构参数控制样本中优化变量的目标函数值是否小于预设值，及地层参数识别样本和盾构参数控制样本是否达到预设迭代次数；
学习单元：用于盾构参数控制样本和地层参数识别样本中的梯度提升树模型分别结合计算后的优化变量的目标函数值对所述地层参数识别样本和盾构参数控制样本进行训练，得到地层参数识别和盾构参数预测的梯度提升树模型；
监测单元：用于监测位移监测数据：隧道收敛位移、隧道拱顶沉降位移、地表位移、构筑物位移；
盾构施工参数计算单元：用于将获取的位移监测数据作为地层参数识别样本的输入，将地层参数识别样本输出的地层参数作为盾构参数控制样本的输入，盾构参数控制样本输出盾构施工参数。
本发明对地层参数的识别和盾构参数预测调整，克服了传统神经网络结构复杂、以及拓扑结构确定人为依赖性的缺点，提高了算法的精度和准确度。
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做一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例流程示意图；
图2为本发明实施例位移监测数据与地层参数通过梯度提升树模型形成的对应关系图；
图3为本发明实施例盾构参数控制样本为所述地层参数与盾构施工参数通过梯度提升树模型形成的对应关系图；
图4为本发明实施例的梯度提升树模型计算流程图；
图5为本发明实施例基于地质环境变形监测的盾构施工参数调整系统框图；
图6为本发明实施例盾构隧道三维数值模型图；
图7为本发明实施例盾构隧道三维数值模型的右线测点布置示意图；
图8为本发明实施例和声算法的迭代曲线示意图；
图9为本发明实施例隧道的桥墩在开挖过程中产生的位移；
图10为本发明实施例铁路路基的沉降曲线图；
图11为本发明实施例盾构区实际位移与计算位移对比图；
图12为本发明实施例桥桩测点盾构参数调整前后位移趋势曲线对比图；
图13为本发明实施例侧墙测点盾构参数调整前后位移趋势曲线对比图；
图14为本发明实施例拱顶和路基上测点盾构参数调整前后位移趋势曲线对比图；
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
本发明提供一种基于地质环境变形监测的盾构施工参数调整方法，如图 1所示，包括如下步骤：
S1：构建地层参数识别样本以及盾构参数控制样本，所述地层参数识别样本为位移监测数据与地层参数通过梯度提升树模型形成的对应关系；所述盾构参数控制样本为所述地层参数与盾构施工参数通过梯度提升树模型形成的对应关系；
S2：构建和声记忆库HM，所述和声记忆库HM由随机生成的HMS个和声组成，将所述梯度提升树模型中的回归树数量、学习率、叶节点最小样本数、最小分枝样本数、决策树最大深度作为和声算法的优化变量，所述多个优化变量组成和声；
其中，HM＝(X1，X2，…，XHMS)，X为和声；
具体而言，首先，根据实际盾构施工过程，构建地层参数识别样本；将地层参数识别样本分成训练样本集A和测试样本集B两个部分，以便选取这些样本集进行梯度提升树模型的优化。所述地层参数识别样本为位移监测数据与地层参数通过梯度提升树模型形成的对应关系，将梯度提升树模型的回归树数量、学习率、叶节点最小样本数、最小分枝样本数、决策树最大深度 5个参数作为和声算法的优化变量，所述多个优化变量组成和声。随机生成 HMS个和声：X1，X2，…，XHMS，组成和声记忆库HM。对所述和声记忆库HM中的每个优化变量求解目标函数初始值；
S3：求解所述和声记忆库HM中的每个优化变量的目标函数的初始值；进一步地，所述目标函数值得求解公式如下：
Xi＝Xmin+(Xmax-Xmin)×rand()，(i＝1，2，...，HMS) (1)
Xi为初始rand()是0-1之间的随机数，X为优化变量，Xmax、Xmin分别对应某一维解向量的最大值和最小值对应的优化变量；
解目标函数值按照以下计算：
Figure BDA0002751368100000061
N是解向量的维度，M是测试样本B的个数，GBDT()是针对对应解向量为输入参数，梯度提升树模型对测试样本的预测输出结果，Yj是实际输出值， j是测试样本B的序号，
Figure BDA0002751368100000062
为区间最小值边界、
Figure BDA0002751368100000063
为区间最大值边界、xk为第 k个解变量。
S4：更新所述和声记忆库HM，并求解更新后的所述和声记忆库HM中的优化变量的目标函数值，并与每个优化变量对应的所述目标函数初始值进行比较，将目标函数值大的优化变量替换为目标函数值小的优化变量；若更新后的目标函数值不小于原始的目标函数值，则保持当前和声记忆库HM不变；
进一步地，通过记忆考虑(HMCR)加微调扰动(PAR)以及在和声记忆库HM外部随机选择的方法更新所述和声记忆库HM；
记忆考虑(HMCR)加微调扰动(PAR)：首先按照记忆考虑，从初始的和声记忆库HM中随机选取一个原始的优化变量Xold；然后每个新的优化变量X new按照以下的公式进行微调扰动(PAR)产生：
Xnew＝Xold±bw×rand() (3)
其中，bw为微调扰动变量；
在和声记忆库HM外部随机选择，则新的优化变量X'new为：
X'new＝Xmin+(Xmax-Xmin)×rand() (4)
Xnew的个数与X'new的个数之和为HMS；
S5：重复步骤S4，直至确定地层参数识别样本满足迭代停止条件；
所述迭代停止条件为地层参数识别样本中梯度提升树模型的优化变量通过上述步骤迭代完成后的目标函数值均小于预设值并达到预设迭代次数；
S6：重复步骤S2-S4，直至确定盾构参数控制样本满足迭代停止条件；
所述迭代停止条件为盾构参数控制样本中梯度提升树模型的优化变量通过上述步骤迭代完成后的目标函数值均小于预设值并达到预设迭代次数，并构建盾构参数控制样本；
S6：分别更新地层参数识别样本和盾构参数控制样本中梯度提升树模型的优化变量，至此分别获得了地层参数识别样本和盾构参数控制样本的梯度提升树的模型(GBDT)最优的优化变量，即最优的回归树数量、学习率、叶节点最小样本数、最小分枝样本数、决策树最大深度。
如图2及图3所示，将获取的位移监测数据即盾构施工区域的地层结构沉降监测数据，作为地层参数识别样本的输入，将地层参数识别样本输出的地层参数作为盾构参数控制样本的输入，盾构参数控制样本输出盾构施工参数。
利用所述最优的回归树数量、学习率、叶节点最小样本数、最小分枝样本数、决策树最大深度，通过梯度提升树模型分别对地层参数识别样本的训练样本集A和和盾构参数控制样本的训练样本集C进行学习，得到对地层参数识别样本别的梯度提升树模型和盾构参数控制样本的梯度提升树模型分别如下：
Figure BDA0002751368100000071
Figure BDA0002751368100000072
其中，E1为弹性模量，μ1为泊松比，C1为粘聚力，
Figure BDA0002751368100000073
为内摩擦角，DIS为某一位置的位移监测数据组，包括：隧道收敛位移、隧道拱顶沉降位移、地表位移、构筑物位移；P1为土仓压力，O1为出土量，W1为同步注浆量，V1为推进速度。
进一步地，所述位移监测数据至少包括：隧道收敛位移、隧道拱顶沉降位移、地表位移、构筑物位移；
所述地层参数至少包括：弹性模量、泊松比、粘聚力和内摩擦角；
所述盾构施工参数至少包括：土仓压力、出土量、同步注浆量、推进速度。
进一步地，地层参数识别样本的构建是按照盾构隧道所处地质条件和盾构隧道设计尺寸建立相应的三维数值模型，针对建立的所述三维数值模型，基于当前的盾构参数，通过改变围岩力学参数和盾构施工参数来获得围岩位移数据的方式，建立以围岩位移数据为输入、围岩力学参数为输出的地层参数识别样本；采用正交设计方法形成地层参数识别样本的训练集A。采用均匀设计方法形成地层参数识别样本的训练集B。
进一步地，构建盾构参数控制样本也是按照上述方法建立三维数值模型，针对建立的所述的三维数值模型，基于识别的围岩力学参数，通过改变盾构施工参数来获得围岩位移数据和工作面稳定性的方式，建立以围岩位移数据和工作面稳定性为输入，以盾构参数为输出的盾构参数控制样本集，采用正交设计方法形成盾构参数控制样本的训练集C，采用均匀设计方法形成盾构参数控制样本的训练集D。
进一步地，梯度提升树模型是以CART回归树为基学习器的Boosting算法。主要解决一般损失函数的优化问题，其核心思想是通过损失函数的负梯度拟合前一轮的基学习器的残差，使每一类的残差估计逐渐减小，因此每一轮的基学习器的输出逐渐逼近真值；负梯度方向上拟合，可以保证每轮训练都能让损失函数尽可能减小，加速收敛到局部或全局最优解。如图4所示，其具体算法流程如下：
S101：输入梯度提升树模型参数包括回归树数量、学习率、叶节点最小样本数、最小分枝样本数、决策树最大深度。
S102：读入地层参数识别样本和盾构参数控制样本的训练样本，
即训练集T＝{(x1,y1)，(x2,y2)，…，(xN，yN)}，
Figure BDA0002751368100000081
损失函数L(y,f(x))。
S103：用下式对梯度提升树模型进行初始化。
Figure BDA0002751368100000082
其中，x为解变量，y为实际目标值，θ表示超越参数。
S104：计算样本残差：利用每个样本的损失函数负梯度作为样本残差的近似值。
对i＝1,2,…,N，
Figure BDA0002751368100000083
其中，rmi为样本残差；即利用每个样本的损失函数负梯度作为样本残差 rmi＝yi-f(xi)的近似值。
S105：对残差拟合一个CART回归树，得到叶子节点集合Rmj，j＝1，2，…， J。
S106：对j＝1,2,…,J,求极小化的损失函数：
Figure BDA0002751368100000084
S107：更新预测结果：
Figure BDA0002751368100000091
S108：得到梯度提升树模型：
Figure BDA0002751368100000092
式中：N表示样本数量，M表示回归树数量，J表示回归树叶子节点数量， I(x)表示用于判断集合中元素的指示函数，θ表示超越参数，包含学习率、最小分枝样本数、决策树最大深度等参数。
本发明还提供一种基于地质环境变形监测的盾构施工参数调整系统，其特征在于，如图5所示，包括：
计算单元：用于计算地层参数识别样本和盾构参数控制样本的优化变量的目标函数值；
判断单元：用于判断地层参数识别样本和盾构参数控制样本中优化变量的目标函数值是否小于预设值，及地层参数识别样本和盾构参数控制样本是否达到预设迭代次数；
学习单元：用于盾构参数控制样本和地层参数识别样本中的梯度提升树模型分别结合计算后的优化变量的目标函数值对所述地层参数识别样本和盾构参数控制样本进行训练，得到地层参数识别和盾构参数预测的梯度提升树模型；
监测单元：用于监测位移监测数据：隧道收敛位移、隧道拱顶沉降位移、地表位移、构筑物位移；
盾构施工参数预测单元：用于将获取的位移监测数据作为地层参数识别样本的输入，将地层参数识别样本输出的地层参数作为盾构参数控制样本的输入，盾构参数控制样本输出盾构施工参数。
进一步地，所述的计算单元包括：
梯度提升树训练模块，用于针对当前的和声，即回归树数量、学习率、叶节点最小样本数、最小分枝样本数、决策树最大深度，通过梯度提升树模型对地层参数识别样本和盾构参数控制样本分别进行训练和学习，获得地层参数识别模型和盾构参数预测模型。
适应值获取模块，用于采用地层参数识别模型对地层参数识别样本的测试样本集B进行预测，获得预测误差Ⅰ并将该预测误差Ⅰ作为适应值；采用所述盾构参数预测梯模型对盾构参数控制样本的测试样本集D进行预测，获得预测误差Ⅱ并将该预测误差Ⅱ作为适应值；
还包括：样本准备单元；样本准备单元包括：参数正交、均匀方案组合模块，在既定的盾构参数条件下，按照正交设计和均匀设计方案对地层参数进行组合，形成参数组合方案。在既定的识别地层参数条件下，按照正交设计和均匀设计方案对盾构参数进行组合。
三维数值计算模块，分别将各参数组合方案输入三维数值模型，进行数值模拟计算。得到输出的地表、构筑物以及洞周的位移。
数据样本生成模块，根据参数组合及对应的结果数据，形成识别地层参数的数据样本和盾构参数预测的数据样本。
进一步地，还包括地层参数识别单元，地层参数识别单元包括：
地层参数输入数据准备模块，将隧道收敛位移、隧道拱顶沉降位移、地表位移、构筑物位移；整理成输入数据；
梯度提升树预测模块，将输入数据代入梯度提升树预测模块；并通过地层参数输出模块将计算结果进行输出。
进一步地，盾构施工参数预测单元：包括：
盾构参数输入数据准备模块，将上述计算结果理成输入数据；
梯度提升树预测模块，将上述计算结果代入梯度提升树预测模块；并通过盾构参数输出模，将预测结果进行输出。
由于采用了上述技术方案，本发明提供的基于和声-梯度提升树的盾构施工中的参数智能反馈调整方法及其装置，通过优化梯度提升树模型，结合和声算法，建立了盾构施工根据监测位移数据自动识别地层参数进而预测调整盾构施工参数的方法，可以快速进行盾构施工参数动态调整，预测准确、精度高，训练过程和参数确定相对简单。
下面具体说明本发明的具体应用的实例，通过该实例对其实施过程和效果进行说明；
本发明所述盾构参数调整方法在某个城市的盾构施工中进行应用。左线隧道顶部覆土21.3m，盾构机穿越铁路路基至上而下分别为杂填土、粉质粘土、强风化钙质板岩、中风化钙质板岩，存在河道“V型侵入”深度达到3m 以上，地下水位线高于隧道顶部6米。右线需穿越百年历史的疏港路铁路桥桥桩，此桥为框架结构。如图6所示，为本实例应用的三维数值模型，采用FLAC3D建立复杂的三维数值模型，本模型考虑了铁路桥及复杂软弱土体层对隧道的影响因素，铁路桥墩采用实体单元嵌入土体中，注浆圈的厚度采用改变注浆的强度和变形参数的方法进行控制。模型共120770个单元，134672 个节点。
表1地层参数取值范围
Figure BDA0002751368100000111
如图7所示，为施工过程中的监测点布置示意图，由于“穿越铁路桥”过程地质环境复杂。所以施工安全是本开挖段的重要前提，针对此开挖段进行严密的监测。首先在铁路桥下承重桥墩上布置测点，每个桥墩下布设2个监测点，这样可以有效防止其中一个测点的破坏，另外一个临时备用，示意图中合并为一个监测点(QCJ-1……QCJ-10)一共10个监测点，右线侧墙设置3个监测点(Q-1，Q-2，Q-3)，铁路上方路基设置6个监测点(DB-1，DB-2，DB-3，DB-4，DB-5，DB-6)。
分别选取以下的测点作为梯度提升树模型的输入位移值，分别是桥墩监测点(QCJ-8、QCJ-9)，侧墙测点(Q-2、Q-3)，GD-50、DB-5。按照表1 的参数及其范围，考虑上述测点位移，通过三维数值模拟形成地层参数识别样本集。通过和声-梯度提升树算法，训练生成地层参数识别的梯度提升树模型。和声优化算法的迭代曲线见图8。桥墩在开挖过程中产生的位移见图8，铁路路基的沉降曲线图见图9。从图10中可以看出，桥墩的沉降受隧道开挖进尺的影响明显。第1至第6个桥墩的持力层的土体力学参数较强，为全风化钙质板岩和强风化钙质板岩，所以随着开挖进尺的推进，前6个桥墩的沉降值较小，变化趋势较平缓。对应实际监测点(QCJ-16-2、QCJ-17-2、QCJ-18-2) 的沉降变化曲线跟数模模拟的趋势和总位移沉降大体吻合，总沉降值达到 6mm左右。桥桩7、桥桩8、桥桩9、桥桩10由于桩底持力层为粉质粘土，土体参数较软弱，桥桩受到上层铁路路基传来的恒定荷载和隧洞开挖引起的不平衡力，外力的消耗除了转化为和周围土体的摩擦之外，最主要是受到桩底土层的支撑作用。所以桩的沉降跟持力层的土层参数和路基火车荷载有很大的关系。QCJ19-2、QCJ19-3、QCJ19-4的实测位移达到12mm左右，沉降值和趋势跟模拟结果可以吻合。
实际监测数据为：QCJ-8＝-6.14mm、QCJ-9＝-6.06mm、Q-2＝-18.03mm、 Q-3＝-29.03mm、GD-50＝-1.41mm、DB-5＝-24.48mm，将此参数输入梯度提升树的预测模型。得到识别的地层力学参数组为：E1＝0.418GPa，C1＝22.626kPa，
Figure BDA0002751368100000121
μ1＝0.31，E2＝0.13GPa,C2＝9.8kPa。基于识别的地层参数进行三维数值模拟，得到计算位移与实际监测位移比较一致，见图11。
表2盾构参数取值范围
Figure BDA0002751368100000122
表3盾构参数调整前后的情况
Figure BDA0002751368100000123
在识别地层参数的基础上，根据表2的盾构施工参数取值范围，将识别地层参数输入盾构施工参数预测的梯度提升树模型，经过梯度提升树预测的盾构参数为：土仓压力1.4bar,出土量52m3/环,同步注浆量10m3/环，推进速度为12mm/min。
经过上述的地层参数识别和盾构参数预测，调整了盾构施工参数。把它们用在现场工程中，现场监测结果认为此方法是合理的。图12-14中实线为原来施工参数将要产生的位移值，虚线是采取调整的施工参数后产生的位移值。从图中曲线走势可以看出，桥桩沉降得到了有效控制，且使得沉降速率有所降低。能够有效的控制施工沉降与结构变形，达到了施工的预期效果，并且降低了施工周期，产生良好的经济社会效益。
本发明通过对地层参数的识别和盾构参数预测调整，克服了传统神经网络结构复杂、以及拓扑结构确定人为依赖性的缺点，提高了算法的精度和准确度。通过和声算法与梯度提升树模型相结合，建立了盾构隧道施工基于监测位移进行地层参数识别以及施工参数预测的动态分析方法，能够根据隧道施工过程中的监测信息，可以快速得到地层的力学参数及施工参数，预测准确、精度高，训练过程和参数确定相对简单。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (5)

1.一种地质环境变形监测的盾构施工参数调整方法，其特征在于，包括如下步骤：
S1：构建地层参数识别样本以及盾构参数控制样本，所述地层参数识别样本为位移监测数据与地层参数通过梯度提升树模型形成的对应关系；所述盾构参数控制样本为所述地层参数与盾构施工参数通过梯度提升树模型形成的对应关系；
S2：构建和声记忆库HM，所述和声记忆库HM由随机生成的HMS个和声组成，将所述梯度提升树模型中的回归树数量、学习率、叶节点最小样本数、最小分枝样本数、决策树最大深度作为和声算法的优化变量，所述多个优化变量组成和声；
其中，HM＝(X1，X2，…，XHMS)，X为和声；
S3：求解所述和声记忆库HM中的每个优化变量的目标函数的初始值；
S4：更新所述和声记忆库HM，并求解更新后的所述和声记忆库HM中的优化变量的目标函数值，并与每个优化变量对应的所述目标函数初始值进行比较，将目标函数值大的优化变量替换为目标函数值小的优化变量；
S5：重复步骤S4，直至确定地层参数识别样本满足迭代停止条件；
所述迭代停止条件为地层参数识别样本中梯度提升树模型的优化变量通过上述步骤迭代完成后的目标函数值均小于预设值并达到预设迭代次数；
S6：重复步骤S2-S4，直至确定盾构参数控制样本满足迭代停止条件；
所述迭代停止条件为盾构参数控制样本中梯度提升树模型的优化变量通过上述步骤迭代完成后的目标函数值均小于预设值并达到预设迭代次数，并构建盾构参数控制样本；
S7：分别更新地层参数识别样本和盾构参数控制样本中梯度提升树模型 的优化变量；
将获取的位移监测数据作为地层参数识别样本的输入，将地层参数识别样本输出的地层参数作为盾构参数控制样本的输入，盾构参数控制样本输出盾构施工参数。
2.根据权利要求1所述的方法，其特征在于，所述目标函数值的求解公式如下：
Xi＝Xmin+(Xmax-Xmin)×rand()，(i＝1，2，...，HMS) (1)
Xi为初始rand()是0-1之间的随机数，X为优化变量，Xmax、Xmin分别对应某一维解向量的最大值和最小值对应的优化变量；
目标函数值按照以下计算：
Figure FDA0002751368090000021
Figure FDA0002751368090000022
N是解向量的维度，M是测试样本B的个数，GBDT()是针对对应解向量为输入参数，梯度提升树模型对测试样本的预测输出结果，Yj是实际输出值，j是测试样本B的序号，
Figure FDA0002751368090000023
为区间最小值边界、
Figure FDA0002751368090000024
为区间最大值边界、xk为第k个解变量。
3.根据权利要求1所述的方法，其特征在于，采用下述任意一种方法更新所述和声记忆库HM，所述方法包括：通过记忆考虑加微调扰动以及在和声记忆库HM外部随机选择的方法；
其中，所述记忆考虑加微调扰动方法为：首先按照记忆考虑，从初始的和声记忆库HM中随机选取一个优化变量Xold；然后每个新的优化变量Xnew按照以下的公式进行微调扰动产生：
Xnew＝Xold±bw×rand() (3)
其中，bw为微调扰动变量；
其中，所述在和声记忆库HM外部随机选择的方法为，则新的优化变量X'new为：
X'new＝Xmin+(Xmax-Xmin)×rand() (4)
Xnew的个数与X'new的个数之和为HMS。
4.根据权利要求1所述的方法，其特征在于，
所述位移监测数据至少包括：隧道收敛位移、隧道拱顶沉降位移、地表位移、构筑物位移；
所述地层参数至少包括：弹性模量、泊松比、粘聚力和内摩擦角；
所述盾构施工参数至少包括：土仓压力、出土量、同步注浆量、推进速度。
5.一种地质环境变形监测的盾构施工参数调整系统，其特征在于，包括：
计算单元：用于计算地层参数识别样本和盾构参数控制样本的优化变量的目标函数值；
判断单元：用于判断地层参数识别样本和盾构参数控制样本中优化变量的目标函数值是否小于预设值，及地层参数识别样本和盾构参数控制样本是否达到预设迭代次数；
学习单元：用于盾构参数控制样本和地层参数识别样本中的梯度提升树模型分别结合计算后的优化变量的目标函数值对所述地层参数识别样本和盾构参数控制样本进行训练，得到地层参数识别和盾构参数预测的梯度提升树模型；
监测单元：用于监测位移监测数据：隧道收敛位移、隧道拱顶沉降位移、地表位移、构筑物位移；
盾构施工参数计算单元：用于将获取的位移监测数据作为地层参数识别样本的输入，将地层参数识别样本输出的地层参数作为盾构参数控制样本的输入，盾构参数控制样本输出盾构施工参数。
CN202011185884.4A 2020-10-29 2020-10-29 一种地质环境变形监测的盾构施工参数调整方法及系统 Active CN112307542B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011185884.4A CN112307542B (zh) 2020-10-29 2020-10-29 一种地质环境变形监测的盾构施工参数调整方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011185884.4A CN112307542B (zh) 2020-10-29 2020-10-29 一种地质环境变形监测的盾构施工参数调整方法及系统

Publications (2)

Publication Number Publication Date
CN112307542A CN112307542A (zh) 2021-02-02
CN112307542B true CN112307542B (zh) 2022-11-25

Family

ID=74330703

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011185884.4A Active CN112307542B (zh) 2020-10-29 2020-10-29 一种地质环境变形监测的盾构施工参数调整方法及系统

Country Status (1)

Country Link
CN (1) CN112307542B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113836812B (zh) * 2021-09-28 2022-09-20 大连海事大学 一种利用智能算法识别硬岩厚度的盾构施工位姿调整方法
CN114622538A (zh) * 2022-03-25 2022-06-14 中国华能集团有限公司 智能振冲地层识别方法及控制系统
CN116956651B (zh) * 2023-09-21 2024-01-23 杭州光智云软件有限公司 光学系统结构自动生成方法及相关产品

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
全断面硬岩及地层转换时地铁盾构隧道掘进参数分析与优化控制;潘庆明;《铁道建筑技术》;20130820(第08期);21-26+68 *
厚冲积地层盾构掘进参数设定及地表变形规律研究;孙捷城等;《防灾减灾工程学报》;20180615(第03期);91-101 *
基于多级神经网络的盾构法隧道施工参数优化;熊静等;《计算机工程与科学》;20060528(第05期);137-139+144 *
基于机器学习的地铁隧道施工扰动控制研究;王鹏;《现代隧道技术》;20191215;377-382 *

Also Published As

Publication number Publication date
CN112307542A (zh) 2021-02-02

Similar Documents

Publication Publication Date Title
CN112307542B (zh) 一种地质环境变形监测的盾构施工参数调整方法及系统
CN109543237B (zh) 基于ga-bp神经网络的基坑位移预测方法
KR20190061302A (ko) 쉴드 tbm의 실굴진속도 예측 장치 및 그 방법
CN112879025B (zh) 基于gru深度学习的土压平衡盾构土压智能调控方法
CN104182622A (zh) 基于极限学习机的隧道施工中的反馈分析方法及其装置
CN112100927A (zh) 一种基于ga-bp神经网络的边坡变形及软土地基沉降预测方法
CN117150880B (zh) 一种基坑支护结构的变形预测以及逆向设计方法及系统
CN114329950B (zh) 基于动态概化的斜坡式潜堤波浪水动力影响数值模拟方法
CN111967079A (zh) 一种基于改进的人工蜂群算法与bp神经网络的基坑变形预测方法
CN115526108B (zh) 一种基于多源监测数据的滑坡稳定性智能动态预测方法
Al-saffar et al. Prediction of soil's compaction parameter using artificial neural network
Li et al. Research and application of deformation prediction model for deep foundation pit based on LsTM
CN109711063B (zh) 一种适用于上软下硬地层的车站暗挖进尺调整方法与装置
CN113792369B (zh) 土体变形预测方法、系统、设备及可读存储介质
Shi et al. Optimal design and dynamic control of construction dewatering with the consideration of dewatering process
Harandizadeh et al. Different neural networks and modal tree method for predicting ultimate bearing capacity of piles
CN117332648A (zh) 近场建筑物的局域共振型斜入式被动隔振装置设计方法
CN115618769B (zh) 一种基于水力模型的排水系统评估方法及系统
CN115759203A (zh) 一种多要素耦合条件下海上桩基冲刷预测方法
CN108446413B (zh) 一种注浆成型扩底桩桩径的优化测定方法
CN113836812B (zh) 一种利用智能算法识别硬岩厚度的盾构施工位姿调整方法
Zuo Settlement prediction of the piles socketed into rock using multivariate adaptive regression splines
CN115130724A (zh) 一种城市地下水开采规划动态调整方法及系统
Su et al. Structural optimization of ship lock heads during construction period considering concrete creep
CN106650293A (zh) 一种基于am嵌套抽样算法的地下水模型评价方法

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