CN113190902A - 一种隧道施工引起地表位移的预测方法及系统 - Google Patents
一种隧道施工引起地表位移的预测方法及系统 Download PDFInfo
- Publication number
- CN113190902A CN113190902A CN202110485745.1A CN202110485745A CN113190902A CN 113190902 A CN113190902 A CN 113190902A CN 202110485745 A CN202110485745 A CN 202110485745A CN 113190902 A CN113190902 A CN 113190902A
- Authority
- CN
- China
- Prior art keywords
- maximum
- displacement
- prediction model
- data set
- uplift
- 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
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
- 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
Abstract
本发明提供一种隧道施工引起地表位移的预测方法及系统,该方法包括:采集地表位移监测数据,构建最大隆起数据集、最大沉降数据集和位移模式数据集,通过各数据集分别对基于GRU的最大隆起预测模型、最大沉降预测模型和位移模式预测模型进行训练;基于训练后的位移模式预测模型、最大沉降预测模型和最大隆起预测模型,预测隧道施工过程中的位移模式、最大沉降值和最大隆起值;判断最大沉降值、最大隆起值与位移模式是否匹配,若匹配则输出位移预测信息,若不匹配,则发送至工程技术人员分析判断。通过该方案可以实现最大沉降和最大隆起的有效区分,提高位移预测的准确性和可靠性。
Description
技术领域
本发明涉及隧道工程施工领域,尤其涉及一种隧道施工引起地表位移的预测方法及系统。
背景技术
隧道施工过程中,由于原有的应力平衡受到破坏,不可避免会对地表产生影响,如地表沉降或隆起,从而对周边建筑等产生影响。在城市地铁隧道施工中,尤其需要注意施工对地面高层建筑的影响,因此,有必要对隧道施工引起的地表位移进行预测评估,以减少施工影响。
目前,采用的主要方法是基于机器学习预测隧道施工引起的地表位移,通常会根据机器学习算法预测地表最大沉降或最大隆起。但实际中,由于地表最大隆起和地表最大沉降产生的机理和发生的时间点不同,机器学习模型不能根据盾构施工参数直接地对最大沉降和最大隆起差异进行区分,导致地表位移预测结果不准确。
发明内容
有鉴于此,本发明实施例提供了一种隧道施工引起地表位移的预测方法及系统,以解决现有地表位移预测方法预测结果不准确的问题。
在本发明实施例的第一方面,提供了一种隧道施工引起地表位移的预测方法,包括:
采集地表位移监测数据,构建最大隆起数据集、最大沉降数据集和位移模式数据集,通过各数据集分别对基于GRU的最大隆起预测模型、最大沉降预测模型和位移模式预测模型进行训练;
基于训练后的位移模式预测模型、最大沉降预测模型和最大隆起预测模型,预测隧道施工过程中的位移模式、最大沉降值和最大隆起值;
判断最大沉降值、最大隆起值与位移模式是否匹配,若匹配则输出位移预测信息,若不匹配,则发送至工程技术人员分析判断。
在本发明实施例的第二方面,提供了一种隧道施工引起地表位移的预测系统,包括:
模型训练模块,用于采集地表位移监测数据,构建最大隆起数据集、最大沉降数据集和位移模式数据集,通过各数据集分别对基于GRU的最大隆起预测模型、最大沉降预测模型和位移模式预测模型进行训练;
预测模块,用于基于训练后的位移模式预测模型、最大沉降预测模型和最大隆起预测模型,预测隧道施工过程中的位移模式、最大沉降值和最大隆起值;
位移信息输出模块,用于判断最大沉降值、最大隆起值与位移模式是否匹配,若匹配则输出位移预测信息,若不匹配,则发送至工程技术人员分析判断。
在本发明实施例的第三方面,提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如本发明实施例第一方面所述方法的步骤。
本发明实施例的第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例第一方面提供的所述方法的步骤。
本发明实施例中,通过分别构建最大隆起数据集、最大沉降数据集和位移模式数据集,通过各数据集对基于GRU的最大隆起预测模型、最大沉降预测模型和位移模式预测模型进行训练,基于训练后的模型预测隧道施工过程中的位移模式、最大沉降值和最大隆起值,判断位移模式是否匹配,匹配则输出位移预测信息,否则交由人工判断。从而可以有效区分地表最大沉降和最大隆起,提高位移预测结果的准确性。并能预防某一模型预测失误而带来的工程风险,增强预测的可靠性,提高施工的安全性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单介绍,显而易见地,下面描述的附图仅仅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的前提下,还可以根据这些附图获取其他附图。
图1为本发明的一个实施例提供的地表位移发展阶段与位移模式的示意图;
图2为本发明的一个实施例提供的隧道施工引起地表位移的预测方法的流程示意图;
图3为本发明的一个实施例提供的隧道施工引起地表位移的预测方法的另一流程示意图;
图4为本发明的一个实施例提供的一种隧道施工引起地表位移的预测系统的结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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它实施例,都属于本发明保护的范围以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
本发明的说明书或权利要求书及上述附图中的术语“包括”以及其他相近意思表述,意指覆盖不排他的包含,如包含一系列步骤或单元的过程、方法或系统、设备没有限定于已列出的步骤或单元。
需要说明的是,在隧道施工的过程中,随着盾构机开挖面和地表位移监测断面距离的变化,盾构掘进对监测断面周围土体扰动的主要因素发生改变,同时地表位移表现出了不同的响应特征。在盾构机切口到达前,当盾构机的切口压力大于开挖面前方静止侧向土压力时地表会发生轻微的隆起,反之当切口压力小于侧向土压力时地表发生一定的沉降。在盾构机通过监测断面时,受超挖和盾构与土体摩擦等因素的影响,地表会发生较大的瞬时沉降。在盾构机盾尾离开监测断面的过程中,受盾尾注浆和超孔隙水压力消散等因素作用,地表位移表现出先隆起后沉降的特征。
研究发现,随着盾构机和地表位移监测断面距离的变化,地表位移可以划分为四个典型的发展阶段:盾构到达前阶段(阶段Ⅰ)、盾构机通过测点阶段(阶段Ⅱ)、盾尾脱离阶段(阶段Ⅲ)、沉降发展阶段(阶段Ⅳ)。为区分在每个阶段中地表位移的变化量和各阶段结束时相对于测点初始值的位移量,将测点处的每个阶段内相对于该阶段初始时刻的位移变化量定义为该阶段的位移变化量,其中正值表示隆起位移变化量,负值表示沉降位移变化量;将每个阶段结束时相对于测点初始值的累计地表位移定义为地表隆沉值,其中正值代表相对于测点初始值的隆起值,负值代表相对于测点初始值的沉降值。
示例性的,如图1所示,根据各断面每个阶段内位移变化量的差异,将不同断面上的位移发展曲线划分为三种典型的位移模式。图中横坐标x为盾构机开挖面与地表位移监测点位的距离,横坐标以盾构机直径D为单位长度进行了归一化处理(x/D,其中D=11.7m),x为负值时代表盾构机未到达测点,x为正值时代表盾构离开测点。
对应的,位移模式可以划分为:
位移模式1:介于两种模式之间(2*S1>S2>S1),这种断面上施工过程中的最大地表隆沉值较为接近;
位移模式2:阶段Ⅱ中地表最大沉降位移变化量(S1)小于两倍的阶段Ⅲ中地表最大隆起位移变化量(S2),即S1<2*S2,这种情况下施工中的地表位移以隆起为主;
位移模式3:阶段Ⅲ中发生的最大隆起位移变化量(S2)小于阶段Ⅱ中的最大沉降位移变化量(S1),在位移模式3中位移发展曲线总体上呈沉降趋势。
请参阅图2,图2为本发明一个实施例提供的一种隧道施工引起地表位移的预测方法的流程示意图,包括:
S201、采集地表位移监测数据,构建最大隆起数据集、最大沉降数据集和位移模式数据集,通过各数据集分别对基于GRU的最大隆起预测模型、最大沉降预测模型和位移模式预测模型进行训练;
最大沉降和最大隆起是指盾构机通过地表位移监测断面前后各一定距离范围内(如50m),地表位移相对于初始值的最大沉降值和最大隆起值。
其中,最大沉降预测模型数据集、最大隆起预测模型数据集与位移模式预测模型数据集相同,基于GRU(门控循环单元)的位移模式预测模型采用GRU最大沉降预测模型(或GRU最大隆起预测模型)相同的输入数据集,将数据集对应的输出值改为位移模式即可。
优选的,采用独热编码方式构建位移模式数据集。可以更准确地量化,消除采用数值分类时绝对值对类别型数据的影响。所述独热编码中,使用N个二进制位来分别代表N种类型的数据,在任何时候只有一位为1,其余位均是0。
位移模式预测属于多分类问题,因此,使用多个二分类混淆矩阵来评估多分类问题的准确率,即宏查准率(macro-P)。
示例性的,如下表所示,TP表示断面的位移模式预测结果和实际相一致,均为位移模式i;FN表示预测结果不是位移模式i而实际该断面是位移模式i;FP表示预测结果是位移模式i而实际该断面不是位移模式i;TN表示断面的位移模式预测结果和实际相一致,均不是位移模式i。根据混淆矩阵,位移模式i的预测查准率可以表示为:
表1.预测位移模式的混淆矩阵
式中,Pi为位移模式i的预测查准率,macro-P即为宏查准率,用以衡量样本中位移模式预测的准确度。
优选的,步长3和神经元数量14为GRU预测隧道施工时地表位移模式的最优结构参数。
优选的,步长5、神经元数量61为GRU预测隧道施工引发地表最大隆起的最优结构参数。
需要说明的是,隧道工程引起地表位移的过程中,断面在盾构机通过测点时达到最大沉降值,随着盾构机盾尾的脱离,地层发生不同程度的隆起,断面在开挖过程中的地表位移以隆起为主,最大隆起发生在开挖面离开测点2.5~4D范围内。在隧道开挖过程中地表位移的变化是一个动态的过程,并且对地表位移进行控制时同样需要关注地表最大隆起值。由于地表最大隆起和地表最大沉降产生的机理和发生的时间点不同,机器学习模型不能通过盾构施工参数很好地对上述差异进行区分,因此考虑单独构建地表最大隆起数据集,对施工引发地表最大隆起进行预测。
本申请中,通过采集隧道施工的动态过程中发生的地表最大隆起值,形成了地表最大隆起数据集,对最大隆起预测模型进行训练,结合最大沉降预测模型和位移模式预测模型,可以准确输出位移预测信息。
S202、基于训练后的位移模式预测模型、最大沉降预测模型和最大隆起预测模型,预测隧道施工过程中的位移模式、最大沉降值和最大隆起值;
基于训练、测试后的GRU位移模式预测模型、GRU最大沉降预测模型和GRU最大隆起预测模型,预测施工过程中的位移模式、最大沉降值和最大隆起值。
S203、判断最大沉降值、最大隆起值与位移模式是否匹配,若匹配则输出位移预测信息,若不匹配,则发送至工程技术人员分析判断。
根据最大沉降值和最大隆起值的关系,以及位移模式的预测结果,判断预测值与位移模式结果是否匹配,确定位移预测信息是否可信,进而输出可信度高的预测结果。
在一个实施例中,如图3所示,采集地表位移监测数据以及对应的盾构机参数、地质参数、几何参数,构建位移模式训练数据集、地表最大沉降训练数据集和地表最大隆起训练数据集,进而对基于GRU的位移模式预测模型、地表最大沉降预测模型和地表最大隆起预测模型进行训练。通过训练后的模型可以预测得到位移模式预测值T、最大沉降预测值S1和最大隆起预测值S2,判断S1、S2与位移模式预测值T是否匹配,若匹配,则输出位移预测信息,否则,判定为争议面,交由工程技术人员处理。
位移模式预测和地表最大位移(沉降或隆起)预测的校验逻辑如下表所示,S1为地表最大沉降预测值,S2为地表最大隆起预测值,T为位移模式预测值(T=1代表位移模式1,T=2代表位移模式2,T=3代表位移模式3):
表2.位移模式校验及可信度判断
通过本实施例提供的方法,在盾构掘进的过程中同时对前方开挖断面的地表位移进行预测,相互验证,形成一定的冗余校验,预防由于某一子系统预测失误而对工程带来的风险,从而增强系统整体的可信度,提高安全系数。
应理解,若仅使用最大位移数据集的模型,对沉降和隆起判断失误时产生的误差较大,导致模型为了降低整体误差而使得预测值偏于保守。地表最大隆起和地表最大沉降的发生的机理不同,发生的时间点不同,而模型仅依靠几环内的施工参数很难学习到相关特征而在预测位移的同时对沉降和隆起加以区分。基于最大位移预测,整合最大沉降和最大隆起预测模型,使得沉降和隆起预测值相比于前者更大,更偏向安全,同时降低了预测误差,提高准确度,达到了良好的预测效果。
还应理解,上述实施例中各步骤的序号大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图4为本发明实施例提供的一种隧道施工引起地表位移的预测系统的结构示意图,包括:
模型训练模块410,用于采集地表位移监测数据,构建最大隆起数据集、最大沉降数据集和位移模式数据集,通过各数据集分别对基于GRU的最大隆起预测模型、最大沉降预测模型和位移模式预测模型进行训练;
其中,所述最大隆起数据集、所述最大沉降数据集和所述位移模式数据集的输入数据内容相同。由此,可以简化训练集的构造。
优选的,采用独热编码,构建位移模式数据集,并使用使用二分类混淆矩阵评估位移模式预测模型分类的准确率。
可以理解的是,所述位移模式预测模型的结构参数为步长3、神经元数量14。所述最大隆起预测模型的结构参数为步长5、神经元数量61。
预测模块420,用于基于训练后的位移模式预测模型、最大沉降预测模型和最大隆起预测模型,预测隧道施工过程中的位移模式、最大沉降值和最大隆起值;
位移信息输出模块430,用于判断最大沉降值、最大隆起值与位移模式是否匹配,若匹配则输出位移预测信息,若不匹配,则发送至工程技术人员分析判断。
可以理解的是,在一个实施例中,所述电子设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述计算机程序执行如实施例一中步骤S201~S203,处理器执行所述计算机程序时实现地表位移预测。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,所述的存储介质包括如ROM/RAM等。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
以上所述,以上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精神和范围。
Claims (8)
1.一种隧道施工引起地表位移的预测方法,其特征在于,包括:
采集地表位移监测数据,构建最大隆起数据集、最大沉降数据集和位移模式数据集,通过各数据集分别对基于GRU的最大隆起预测模型、最大沉降预测模型和位移模式预测模型进行训练;
基于训练后的位移模式预测模型、最大沉降预测模型和最大隆起预测模型,预测隧道施工过程中的位移模式、最大沉降值和最大隆起值;
判断最大沉降值、最大隆起值与位移模式是否匹配,若匹配则输出位移预测信息,若不匹配,则发送至工程技术人员分析判断。
2.根据权利要求1所述的方法,其特征在于,所述最大隆起数据集、所述最大沉降数据集和所述位移模式数据集的输入数据内容均相同。
3.根据权利要求1所述的方法,其特征在于,所述构建最大隆起数据集和位移模式数据集,通过各数据集分别对基于GRU的最大隆起预测模型、最大沉降预测模型和位移模式预测模型进行训练包括:
采用独热编码,构建位移模式数据集,并使用使用二分类混淆矩阵评估位移模式预测模型分类的准确率。
4.一种隧道施工引起地表位移的预测系统,其特征在于,包括:
模型训练模块,用于采集地表位移监测数据,构建最大隆起数据集、最大沉降数据集和位移模式数据集,通过各数据集分别对基于GRU的最大隆起预测模型、最大沉降预测模型和位移模式预测模型进行训练;
预测模块,用于基于训练后的位移模式预测模型、最大沉降预测模型和最大隆起预测模型,预测隧道施工过程中的位移模式、最大沉降值和最大隆起值;
位移信息输出模块,用于判断最大沉降值、最大隆起值与位移模式是否匹配,若匹配则输出位移预测信息,若不匹配,则发送至工程技术人员分析判断。
5.根据权利要求4所述的系统,其特征在于,所述最大隆起数据集、所述最大沉降数据集和所述位移模式数据集的输入数据内容均相同。
6.根据权利要求4所述的系统,其特征在于,所述构建最大隆起数据集和位移模式数据集,通过各数据集分别对基于GRU的最大隆起预测模型、最大沉降预测模型和位移模式预测模型进行训练包括:
采用独热编码,构建位移模式数据集,并使用使用二分类混淆矩阵评估位移模式预测模型分类的准确率。
7.一种电子设备,包括处理器、存储器以及存储在所述存储器中并在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-3中任一项所述隧道施工引起地表位移的预测方法的步骤。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-3中任一项所述隧道施工引起地表位移的预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110485745.1A CN113190902B (zh) | 2021-04-30 | 2021-04-30 | 一种隧道施工引起地表位移的预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110485745.1A CN113190902B (zh) | 2021-04-30 | 2021-04-30 | 一种隧道施工引起地表位移的预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113190902A true CN113190902A (zh) | 2021-07-30 |
CN113190902B CN113190902B (zh) | 2023-10-17 |
Family
ID=76983745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110485745.1A Active CN113190902B (zh) | 2021-04-30 | 2021-04-30 | 一种隧道施工引起地表位移的预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113190902B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114109404A (zh) * | 2021-10-12 | 2022-03-01 | 中铁十一局集团有限公司 | 一种类矩形盾构开挖引发土体三维位移的预测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105804758A (zh) * | 2016-04-22 | 2016-07-27 | 中国电建集团铁路建设有限公司 | 浅覆土大断面小间距的矩形顶管上跨地铁隧道施工方法 |
CN107515976A (zh) * | 2017-08-15 | 2017-12-26 | 上海隧道工程有限公司 | 基于泥水盾构施工主控参数的地面沉降预测方法 |
CN109958147A (zh) * | 2019-03-26 | 2019-07-02 | 浙江大学 | 一种模拟非对称开挖基坑对下卧隧道影响的超重力模型试验装置及方法 |
CN110159346A (zh) * | 2019-05-13 | 2019-08-23 | 辽宁工程技术大学 | 基于非均匀收敛模式的类矩形隧道地表变形预测方法 |
CN112035917A (zh) * | 2020-08-14 | 2020-12-04 | 石家庄铁路职业技术学院 | 盾构掘进施工地表极限竖向位移预测方法及装置 |
WO2021022042A1 (en) * | 2019-07-30 | 2021-02-04 | William Marsh Rice University | System and method for design of rapid excavating and wear-resistant drill bits |
CN112417573A (zh) * | 2020-12-10 | 2021-02-26 | 华中科技大学 | 基于ga-lssvm与nsga-ⅱ盾构下穿既有隧道施工多目标优化的方法 |
-
2021
- 2021-04-30 CN CN202110485745.1A patent/CN113190902B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105804758A (zh) * | 2016-04-22 | 2016-07-27 | 中国电建集团铁路建设有限公司 | 浅覆土大断面小间距的矩形顶管上跨地铁隧道施工方法 |
CN107515976A (zh) * | 2017-08-15 | 2017-12-26 | 上海隧道工程有限公司 | 基于泥水盾构施工主控参数的地面沉降预测方法 |
CN109958147A (zh) * | 2019-03-26 | 2019-07-02 | 浙江大学 | 一种模拟非对称开挖基坑对下卧隧道影响的超重力模型试验装置及方法 |
CN110159346A (zh) * | 2019-05-13 | 2019-08-23 | 辽宁工程技术大学 | 基于非均匀收敛模式的类矩形隧道地表变形预测方法 |
WO2021022042A1 (en) * | 2019-07-30 | 2021-02-04 | William Marsh Rice University | System and method for design of rapid excavating and wear-resistant drill bits |
CN112035917A (zh) * | 2020-08-14 | 2020-12-04 | 石家庄铁路职业技术学院 | 盾构掘进施工地表极限竖向位移预测方法及装置 |
CN112417573A (zh) * | 2020-12-10 | 2021-02-26 | 华中科技大学 | 基于ga-lssvm与nsga-ⅱ盾构下穿既有隧道施工多目标优化的方法 |
Non-Patent Citations (11)
Title |
---|
R.P. CHEN: "Ground movement induced by parallel EPB tunnels in silty soils", ELSEVIER, pages 163 * |
XU RIQING: "A Simplified Calculation Method for Vertical Displacement of Shield Tunnel Caused by Adjacent Excavation", SPRINGER, pages 1 - 18 * |
刘军: "《基于scikit-learn的机器学习算法与实践》", 《东南大学出版社》 * |
廖少明等: "盾构施工引起的横向沉降模式及其识别", 《地下空间与工程学报》 * |
廖少明等: "盾构施工引起的横向沉降模式及其识别", 《地下空间与工程学报》, no. 04, 15 August 2012 (2012-08-15), pages 777 - 784 * |
张品: "基于机器学习算法的盾构掘进地表沉降预测 及控制", 中国优秀硕士论文电子期刊网, pages 011 - 18 * |
徐日庆: "软土地区基坑开挖诱发邻近盾构隧道 水平位移的简化算法", 湖 南 大 学 学 报, pages 153 - 163 * |
朱荣军;席培胜;王枫;沈晨;: "盾构施工对地表沉降的数值模拟分析", 佳木斯大学学报(自然科学版), no. 03, pages 18 - 21 * |
李洛宾: "基于循环神经网络的盾构隧道", 《土木工程学报》 * |
李洛宾: "基于循环神经网络的盾构隧道", 《土木工程学报》, 30 November 2020 (2020-11-30), pages 13 - 19 * |
王冉冉: "隧道施工引起地下管线与地层位移模式模型试验研究", 万方学位论文, pages 1 - 90 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114109404A (zh) * | 2021-10-12 | 2022-03-01 | 中铁十一局集团有限公司 | 一种类矩形盾构开挖引发土体三维位移的预测方法及系统 |
CN114109404B (zh) * | 2021-10-12 | 2023-11-14 | 中铁十一局集团有限公司 | 一种类矩形盾构开挖引发土体三维位移的预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113190902B (zh) | 2023-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109241627B (zh) | 概率分级的动态支护方法及自动设计支护方案的装置 | |
CN108399277B (zh) | 一种基于温度与应变关联性的桥梁损伤识别方法 | |
CN112258049A (zh) | 一种针对复杂地质条件区域隧道的安全控制方法 | |
CN110705795A (zh) | 基于综合超前地质预报技术的隧道涌突风险等级模糊预测方法 | |
CN106407493A (zh) | 一种基于多维高斯云模型的岩爆等级评价方法 | |
Lee et al. | A damage localization approach for rahmen bridge based on convolutional neural network | |
Prakash et al. | Recent advancement of concrete dam health monitoring technology: a systematic literature review | |
CN111222189A (zh) | 一种高效的桥梁结构健康预警控制系统、方法 | |
Mamat et al. | Slope stability prediction of road embankment on soft ground treated with prefabricated vertical drains using artificial neural network | |
CN115270527B (zh) | 道路塌陷风险实时评估方法、设备及存储介质 | |
CN113190902A (zh) | 一种隧道施工引起地表位移的预测方法及系统 | |
Li et al. | Structural damage assessment through a new generalized autoencoder with features in the quefrency domain | |
Yu et al. | Prediction of extreme traffic load effects of bridges using Bayesian method and application to bridge condition assessment | |
CN103898890B (zh) | 一种基于bp神经网络的双桥静力触探数据的土层量化分层方法 | |
CN107942383A (zh) | 煤层顶板砂岩富水性等级预测方法 | |
CN115455791B (zh) | 一种基于数值模拟技术提高滑坡位移预测准确率的方法 | |
CN110275896B (zh) | 光缆入侵施工事件识别方法、装置、设备及可读存储介质 | |
Faber et al. | Applications of statistics and probability in civil engineering | |
CN116738681A (zh) | 一种面向涉水桥墩的仿真模拟方法及系统 | |
Cheng et al. | A computing model for quantifying the value of structural health monitoring information in bridge engineering | |
CN115577619A (zh) | 基于机器学习预测液化土残余抗剪强度的方法 | |
CN113486575A (zh) | 一种地表变形破坏预测预警方法、装置及存储介质 | |
Markovic et al. | High embankment dam stability analysis using artificial neural networks | |
Starkey et al. | Using a lumped parameter dynamic model of a rock bolt to produce training data for a neural network for diagnosis of real data | |
CN111177918A (zh) | 一种地铁施工对既有桥梁损伤的评估方法 |
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 |