CN113378423B - 城轨保护mjs工法桩智能反分析快速反演方法及系统 - Google Patents

城轨保护mjs工法桩智能反分析快速反演方法及系统 Download PDF

Info

Publication number
CN113378423B
CN113378423B CN202110441083.8A CN202110441083A CN113378423B CN 113378423 B CN113378423 B CN 113378423B CN 202110441083 A CN202110441083 A CN 202110441083A CN 113378423 B CN113378423 B CN 113378423B
Authority
CN
China
Prior art keywords
parameters
inverse analysis
rock
soil body
mjs
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
CN202110441083.8A
Other languages
English (en)
Other versions
CN113378423A (zh
Inventor
刘华
张庆
赵强政
何小龙
王庆
邹琦
郑博
吕东阳
武守相
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.)
Central and Southern China Municipal Engineering Design and Research Institute Co Ltd
Original Assignee
Central and Southern China Municipal Engineering Design and Research Institute Co Ltd
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 Central and Southern China Municipal Engineering Design and Research Institute Co Ltd filed Critical Central and Southern China Municipal Engineering Design and Research Institute Co Ltd
Priority to CN202110441083.8A priority Critical patent/CN113378423B/zh
Publication of CN113378423A publication Critical patent/CN113378423A/zh
Application granted granted Critical
Publication of CN113378423B publication Critical patent/CN113378423B/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]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • 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
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
  • Devices Affording Protection Of Roads Or Walls For Sound Insulation (AREA)

Abstract

本发明提供了一种城轨保护MJS工法桩智能反分析快速反演方法及系统，其首先利用有限差分分析软件建立以群智能优化算法α‑PSO为核心的反分析系统软件；然后根据地勘初始参数给定反分析系统软件的基本参数取值范围；接着通过反分析系统对监测数据的不断优化更新，并不断根据优化更新后的监测数据计算得到岩土体参数，对岩土体参数不断迭代得到岩土体反分析参数；最后根据岩土体反分析参数计算基坑与城轨变形位移。通过群智能优化算法α‑PSO寻优所得的反分析参数，其更能反应岩土体内的复杂地质情况，且能够参与有限差分计算模拟基坑下一步开挖，获取岩土体参数，并预测可能存在的风险，规避施工事故。

Description

城轨保护MJS工法桩智能反分析快速反演方法及系统
技术领域
本发明涉及铁路隧道施工技术领域，尤其是涉及一种城轨保护MJS工法桩智能反分析快速反演方法及系统。
背景技术
MJS是一种近距离地铁轨道交通施工保护隔离工法桩，其具有对周边环境的扰动小，加固土强度大，隔离效果好等特点，被广泛应用于近距离城轨施工保护。
MJS工法是在传统高压喷射注浆工艺的基础上，采用了独特的多孔管和前端造成装置，实现了孔内强制排浆和地内压力监测，并通过调整强制排浆量来控制地内压力，大幅度减少对环境的影响，而地内压力的降低也进一步保证了成桩直径。
为研究MJS加固后的基坑施工对轨道交通隧道的安全影响是否满足轨道交通安全变形控制标准，需研究MJS加固土体的强度，并结合基坑开挖过程中的变形位移预测施工风险，指导施工。
位移作为基坑开挖过程中真实岩土体性行为的一种显形特征，其具有较好的研究价值，但是试验获取的参数仅能识别MJS在某一层土中的加固效应，不具有指导设计及施工的意义。因此，如何获取能真实的反应MJS加固桩的强度特征的加固土体参数值，进而分析后续基坑施工风险预测是目前亟待解决的问题。
发明内容
本发明的目的在于克服上述技术不足，提出一种城轨保护MJS工法桩智能反分析快速反演方法及系统，以解决上述问题。
为达到上述技术目的，本发明提供一种城轨保护MJS工法桩智能反分析快速反演方法，包括以下步骤：
获取现场基坑开挖地质的地勘初始参数与基坑开挖的监测数据；
利用有限差分分析软件建立以群智能优化算法α-PSO为核心的反分析系统软件，所述反分析系统以FLAC3D分析软件为计算函数；
根据地勘初始参数给定反分析系统软件的基本参数取值范围；
通过反分析系统对监测数据的不断优化更新，并不断根据优化更新后的监测数据计算得到岩土体参数，对岩土体参数不断迭代得到岩土体反分析参数；
根据岩土体反分析参数计算基坑与城轨变形位移；
其中，所述群智能优化算法α-PSO的公式如下所示：
vid(k+1)＝φ{vid(k)+c1r1(pid-xid(k))+c2r2(pgd-xgd(k))}
Figure BDA0003035082020000021
式中：c1和c2为学习因子，r1、r2是均匀分布在(0，1)之间的随机数，φ收缩因子，t为当前迭代数，α为控制阀值，其取值范围为0-1，C＝c1+c2，且C>4，xid(k)为当代粒子位置，xgd(k)为最优粒子位置，pid为当代最优粒子，pgd为全局最优粒子，vid(k)为更新前的粒子速度，vid(k+1)为更新后的粒子速度。
本发明还提供一种城轨保护MJS工法桩智能反分析快速反演系统，包括如下功能模块：
数据获取模块，用于获取现场基坑开挖地质的地勘初始参数与基坑开挖的监测数据；
反分析系统建立模块，用于利用有限差分分析软件建立以群智能优化算法α-PSO为核心的反分析系统软件，所述反分析系统以FLAC3D分析软件为计算函数；
参数给定模块，用于根据地勘初始参数给定反分析系统软件的基本参数取值范围；
优化计算模块，用于通过反分析系统对监测数据的不断优化更新，并不断根据优化更新后的监测数据计算得到岩土体参数，对岩土体参数不断迭代得到岩土体反分析参数；
位移计算模块，用于根据岩土体反分析参数计算基坑与城轨变形位移；
其中，所述群智能优化算法α-PSO的公式如下所示：
vid(k+1)＝φ{vid(k)+c1r1(pid-xid(k))+c2r2(pgd-xgd(k))}
Figure BDA0003035082020000031
式中：c1和c2为学习因子，r1、r2是均匀分布在(0，1)之间的随机数，φ收缩因子，t为当前迭代数，α为控制阀值，其取值范围为0-1，C＝c1+c2，且C>4，xid(k)为当代粒子位置，xgd(k)为最优粒子位置，pid为当代最优粒子，pgd为全局最优粒子，vid(k)为更新前的粒子速度，vid(k+1)为更新后的粒子速度。
本发明所述一种城轨保护MJS工法桩智能反分析快速反演方法及系统，其通过将基坑在开挖过程中的实测与智能算法优化的岩土参数岩土体参数进行比较，当实测变形与岩土体参数一致时，则智能算法寻优所得的岩土参数即为岩土体反分析参数。反分析参数对比详勘报告的实验参数，其更能反应岩土体内的复杂地质情况，对于块石含量较多的地层，具有较好的实际应用价值。同时，对传统的惯性常数PSO算法以及收缩因子的粒子群引入阀值控制因子，建立群智能优化算法α-PSO，实现PSO算法全局寻优同时实现局部寻优，并引入代理模型的局部加速，最终实现算法的整体加速。
采用本发明所述一种城轨保护MJS工法桩智能反分析快速反演方法，在MJS加固区开挖过程中，不断对场区位移进行监测，并根据监测位移对MJS加固区土体参数进行反分析，通过反分析求取MJS加固后的土体参数，并参与有限差分计算模拟基坑下一步开挖，获取岩土体参数，并预测可能存在的风险，规避施工事故，做到真正预测风险并指导施工及设计变更。
附图说明
图1为本发明所述一种城轨保护MJS工法桩智能反分析快速反演方法的流程框图；
图2为本发明所述一种城轨保护MJS工法桩智能反分析快速反演方法的阀值因子的局部加速示意图；
图3为本发明所述一种城轨保护MJS工法桩智能反分析快速反演方法的步骤流程图；
图4为本发明所述一种城轨保护MJS工法桩智能反分析快速反演系统的功能模块框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
基坑在开挖过程中，因土层内的土体不一样，其主动土压力亦不同，且在开挖过程中，地勘所给定的岩土体参数往往由场区的市内试验与当地的经验相结合，该类参数具有明显的保守特征。
针对上述问题，本发明提出采用位移反分析作为对岩土体性行为反应特性的分析，在基坑开挖过程中，开挖的不同深度导致的位移变形值不近相同，各层土体的反分析均可研究出所对应土层的近似岩土体参数；通过参数反分析方法获得的加固土体参数值能真实的反应MJS加固桩的强度特征，并能分析后续基坑施工风险预测，起到保护轨道交通结构及基坑的安全作用；且将反分析参数对比详勘报告的实验参数，其更能反应岩土体内的复杂地质情况，对于块石含量较多的地层，具有较好的实际应用价值。
具体的，本发明提供了一种城轨保护MJS工法桩智能反分析快速反演方法，如图1所示，其包括以下步骤：
S1、获取现场基坑开挖地质的地勘初始参数与基坑开挖的监测数据。
其中，所述监测数据包括基坑围护结构第二道支撑下0.5m处(即开挖深度5.4m处)的城轨铁路测点的监测位移。
S2、利用有限差分分析软件建立以群智能优化算法α-PSO为核心的反分析系统软件，所述反分析系统以FLAC3D分析软件为计算函数。
PSO作为一种群智能仿生优化算法，在应用于岩土体反分析时通过模拟鸟类觅食行为寻找最优的解，到其需要大量的有限元分析次数方能找到最优解。本发明对传统的惯性常数PSO算法以及收缩因子的粒子群引入阀值控制因子，建立群智能优化算法α-PSO，所述群智能优化算法α-PSO能够全局寻优同时实现局部寻优，所述群智能优化算法α-PSO的公式如下所示：
vid(k+1)＝φ{vid(k)+c1r1(pid-xid(k))+c2r2(pgd-xgd(k))}
Figure BDA0003035082020000061
式中：c1和c2为学习因子，r1、r2是均匀分布在(0，1)之间的随机数，φ收缩因子，t为当前迭代数，α为控制阀值，其取值范围为0-1，C＝c1+c2，且C>4，xid(k)为当代粒子位置，xgd(k)为最优粒子位置，pid为当代最优粒子，pgd为全局最优粒子，vid(k)为更新前的粒子速度，vid(k+1)为更新后的粒子速度。所述阀值因子的局部加速示意图如图2所示。
S3、根据地勘初始参数给定反分析系统软件的基本参数取值范围。
所述地勘初始参数包括MJS加固土参数，所述MJS加固土参数按置换率进行给定区间范围，其中区间上限为最好的土层在40％水泥掺量下通过置换率公式计算求得，区间下限为最差的土层在30％水泥掺量下通过置换率公式计算所得。具体的，所述MJS加固土参数包括弹性模量E0、粘聚力c、内摩擦角φ等。
S4、通过反分析系统对监测数据的不断优化更新，并不断根据优化更新后的监测数据计算得到岩土体参数，对岩土体参数不断迭代得到岩土体反分析参数。
本发明利用FLAC3D进行建模，模拟隧道开挖的基坑变形，设定程序接口，给定参数输入条件，通过对各测点水平、垂直位移进行有限差分计算得到岩土体参数，将岩土体参数与监测位移进行比较，获取目标函数值，通过对目标函数值不断进行迭代，获取满足目标条件收敛准则的最优解，所述目标函数值的计算公式如下：
f(x,y)＝∑[(xi-xi0)2+(yi-yi0)2]
式中：xi、yi为采用FLAC3D分析软件计算得到的计算位移；xi0、yi0为监测位移。
具体包括如下步骤:
设置群智能优化算法α-PSO的参数；
利用群智能优化算法α-PSO进行全局寻优，即在MJS加固土参数取值范围内随机生成NP个样本，以真实适应度函数作为适应度评价工具，获得每个样本的适应度，循环次数p＝0；
调用有限差分分析软件计算得出岩土体参数，并与监测位移进行比较，获取目标函数值，即调用有限差分分析软件计算监测位移与岩土体参数之间的绝对步长，并将该步长看做目标函数值。
同时，设置局部寻优的阀值因子α；
在群智能优化算法α-PSO满足局部寻优的阀值要求时进行局部寻优；
根据PSO进化规则，在MJS加固土参数取值范围内产生NP个外循环中的第2+p代粒子，以真实适应度函数作为适应度评价工具，获得每个粒子的适应度，并获取个体极值和全局极值；
在循环次数p≠0时，筛选所有学习样本中较优的2*NP个样本，淘汰其它较差样本，组建新的寻优经验知识库。
依次循环，直至群智能优化算法α-PSO满足收敛准则时，获得全局最优解作为MJS加固土参数最优解，所述MJS加固土参数最优解能够反映场区地层的真实变形位移。
基于机器学习代理模型的仿生智能算法用于岩土体参数反分析时，是以多个样本点为样本，采用机器学习进行函数拟合，并寻找函数最优解，加速智能算法的一种方法。所以，在获取个体极值和全局极值之后，进入下一次循环之前，还包括如下步骤：
选取N代粒子群组建学习样本，该粒子为目前最优粒子；
利用GP机器学习工具对粒子进行拟合获取一阶导数、二阶导数，最终获取其代理模型；
求取其代理模型的最优解，并计算其真实目标函数值；
对比真实目标函数值与全局最优解进行对比，如果优于全局最优解，则用真实目标函数值调换该全局最优解，所述真实目标函数值为最终全局最优解。
通过采用群智能优化算法α-PSO与代理模型GP相结合，加速局部寻优，更快的、准确的获取最优解；为MJS参数反分析降低了计算代价，并能更好的得到真实的MJS加固土体的参数。
S5、根据岩土体反分析参数计算基坑与城轨变形位移。
本发明所述一种城轨保护MJS工法桩智能反分析快速反演方法，其通过将基坑在开挖过程中的实测与智能算法优化的岩土参数岩土体参数进行比较，当实测变形与岩土体参数一致时，则智能算法寻优所得的岩土参数即为岩土体反分析参数。反分析参数对比详勘报告的实验参数，其更能反应岩土体内的复杂地质情况，对于块石含量较多的地层，具有较好的实际应用价值。同时，对传统的惯性常数PSO算法以及收缩因子的粒子群引入阀值控制因子，建立群智能优化算法α-PSO，实现PSO算法全局寻优同时实现局部寻优，并引入代理模型的局部加速，最终实现算法的整体加速。
采用本发明所述一种城轨保护MJS工法桩智能反分析快速反演方法，在MJS加固区开挖过程中，不断对场区位移进行监测，并根据监测位移对MJS加固区土体参数进行反分析，通过反分析求取MJS加固后的土体参数，并参与有限差分计算模拟基坑下一步开挖，获取岩土体参数，并预测可能存在的风险，规避施工事故，做到真正预测风险并指导施工及设计变更。
基于上述一种城轨保护MJS工法桩智能反分析快速反演方法，本发明还提供一种城轨保护MJS工法桩智能反分析快速反演系统，如图4所示，其包括如下功能模块：
数据获取模块10，用于获取现场基坑开挖地质的地勘初始参数与基坑开挖的监测数据；
反分析系统建立模块20，用于利用有限差分分析软件建立以群智能优化算法α-PSO为核心的反分析系统软件，所述反分析系统以FLAC3D分析软件为计算函数；
参数给定模块30，用于根据地勘初始参数给定反分析系统软件的基本参数取值范围；
优化计算模块40，用于通过反分析系统对监测数据的不断优化更新，并不断根据优化更新后的监测数据计算得到岩土体参数，对岩土体参数不断迭代得到岩土体反分析参数；
位移计算模块50，用于根据岩土体反分析参数计算基坑与城轨变形位移；
其中，所述群智能优化算法α-PSO的公式如下所示：
vid(k+1)＝φ{vid(k)+c1r1(pid-xid(k))+c2r2(pgd-xgd(k))}
Figure BDA0003035082020000101
式中：c1和c2为学习因子，r1、r2是均匀分布在(0，1)之间的随机数，φ收缩因子，t为当前迭代数，α为控制阀值，其取值范围为0-1，C＝c1+c2，且C>4，xid(k)为当代粒子位置，xgd(k)为最优粒子位置，pid为当代最优粒子，pgd为全局最优粒子，vid(k)为更新前的粒子速度，vid(k+1)为更新后的粒子速度。
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 (10)

1.一种城轨保护MJS工法桩智能反分析快速反演方法，其特征在于，包括以下步骤：
获取现场基坑开挖地质的地勘初始参数与基坑开挖的监测数据；
利用有限差分分析软件建立以群智能优化算法α-PSO为核心的反分析系统软件，所述反分析系统以FLAC3D分析软件为计算函数；
根据地勘初始参数给定反分析系统软件的基本参数取值范围；
通过反分析系统对监测数据的不断优化更新，并不断根据优化更新后的监测数据计算得到岩土体参数，对岩土体参数不断迭代得到岩土体反分析参数；
根据岩土体反分析参数计算基坑与城轨变形位移；
其中，所述群智能优化算法α-PSO的公式如下所示：
vid(k+1)＝φ{vid(k)+c1r1(pid-xid(k))+c2r2(pgd-xgd(k))}
Figure FDA0003035082010000011
式中：c1和c2为学习因子，r1、r2是均匀分布在(0，1)之间的随机数，φ收缩因子，t为当前迭代数，α为控制阀值，其取值范围为0-1，C＝c1+c2，且C>4，xid(k)为当代粒子位置，xgd(k)为最优粒子位置，pid为当代最优粒子，pgd为全局最优粒子，vid(k)为更新前的粒子速度，vid(k+1)为更新后的粒子速度。
2.根据权利要求1所述一种城轨保护MJS工法桩智能反分析快速反演方法，其特征在于，所述地勘初始参数包括MJS加固土参数，所述MJS加固土参数按置换率进行给定区间范围，其中区间上限为最好的土层在40％水泥掺量下通过置换率公式计算求得，区间下限为最差的土层在30％水泥掺量下通过置换率公式计算所得。
3.根据权利要求1所述一种城轨保护MJS工法桩智能反分析快速反演方法，其特征在于，所述基坑开挖的监测数据包括基坑围护结构第二道支撑下0.5m处的城轨铁路测点的监测位移。
4.根据权利要求1所述一种城轨保护MJS工法桩智能反分析快速反演方法，其特征在于，所述通过反分析系统对监测数据的不断优化更新，并不断根据优化更新后的监测数据计算得到岩土体参数；具体包括如下步骤:
设置群智能优化算法α-PSO的参数；
利用群智能优化算法α-PSO进行全局寻优，即在MJS加固土参数取值范围内随机生成NP个样本，以真实适应度函数作为适应度评价工具，获得每个样本的适应度，循环次数p＝0；
调用有限差分分析软件计算得出岩土体参数，并与监测位移进行比较，获取目标函数值。
5.根据权利要求1所述一种城轨保护MJS工法桩智能反分析快速反演方法，其特征在于，调用有限差分分析软件计算监测位移与岩土体参数之间的绝对步长，并将该步长看做目标函数值。
6.根据权利要求1所述一种城轨保护MJS工法桩智能反分析快速反演方法，其特征在于，目标函数值的计算公式如下：
f(x,y)＝∑[(xi-xi0)2+(yi-yi0)2]
式中：xi、yi为采用FLAC3D分析软件计算得到的计算位移；xi0、yi0为监测位移。
7.根据权利要求1所述一种城轨保护MJS工法桩智能反分析快速反演方法，其特征在于，所述对岩土体参数不断迭代得到岩土体反分析参数，具体包括如下步骤：
设置局部寻优的阀值因子α；
在群智能优化算法α-PSO满足局部寻优的阀值要求时进行局部寻优；
根据PSO进化规则，在MJS加固土参数取值范围内产生NP个外循环中的第2+p代粒子，以真实适应度函数作为适应度评价工具，获得每个粒子的适应度，并获取个体极值和全局极值；
依次循环，直至群智能优化算法α-PSO满足收敛准则时，获得全局最优解作为MJS加固土参数最优解，即为岩土体反分析参数。
8.根据权利要求7所述一种城轨保护MJS工法桩智能反分析快速反演方法，其特征在于，在循环次数p≠0时，筛选所有学习样本中较优的2*NP个样本，淘汰其它较差样本，组建新的寻优经验知识库。
9.根据权利要求7所述一种城轨保护MJS工法桩智能反分析快速反演方法，其特征在于，在获取个体极值和全局极值之后，并进入下一次循环之前，还包括如下步骤：
选取N代粒子群组建学习样本，该粒子为目前最优粒子；
利用GP机器学习工具对粒子进行拟合获取一阶导数、二阶导数，最终获取其代理模型；
求取其代理模型的最优解，并计算其真实目标函数值；
对比真实目标函数值与全局最优解进行对比，如果优于全局最优解，则用真实目标函数值调换该全局最优解，所述真实目标函数值为最终全局最优解。
10.一种城轨保护MJS工法桩智能反分析快速反演系统，其特征在于，包括如下功能模块：
数据获取模块，用于获取现场基坑开挖地质的地勘初始参数与基坑开挖的监测数据；
反分析系统建立模块，用于利用有限差分分析软件建立以群智能优化算法α-PSO为核心的反分析系统软件，所述反分析系统以FLAC3D分析软件为计算函数；
参数给定模块，用于根据地勘初始参数给定反分析系统软件的基本参数取值范围；
优化计算模块，用于通过反分析系统对监测数据的不断优化更新，并不断根据优化更新后的监测数据计算得到岩土体参数，对岩土体参数不断迭代得到岩土体反分析参数；
位移计算模块，用于根据岩土体反分析参数计算基坑与城轨变形位移；
其中，所述群智能优化算法α-PSO的公式如下所示：
vid(k+1)＝φ{vid(k)+c1r1(pid-xid(k))+c2r2(pgd-xgd(k))}
Figure FDA0003035082010000041
式中：c1和c2为学习因子，r1、r2是均匀分布在(0，1)之间的随机数，φ收缩因子，t为当前迭代数，α为控制阀值，其取值范围为0-1，C＝c1+c2，且C>4，xid(k)为当代粒子位置，xgd(k)为最优粒子位置，pid为当代最优粒子，pgd为全局最优粒子，vid(k)为更新前的粒子速度，vid(k+1)为更新后的粒子速度。
CN202110441083.8A 2021-04-23 2021-04-23 城轨保护mjs工法桩智能反分析快速反演方法及系统 Active CN113378423B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110441083.8A CN113378423B (zh) 2021-04-23 2021-04-23 城轨保护mjs工法桩智能反分析快速反演方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110441083.8A CN113378423B (zh) 2021-04-23 2021-04-23 城轨保护mjs工法桩智能反分析快速反演方法及系统

Publications (2)

Publication Number Publication Date
CN113378423A CN113378423A (zh) 2021-09-10
CN113378423B true CN113378423B (zh) 2022-05-31

Family

ID=77569980

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110441083.8A Active CN113378423B (zh) 2021-04-23 2021-04-23 城轨保护mjs工法桩智能反分析快速反演方法及系统

Country Status (1)

Country Link
CN (1) CN113378423B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101847171A (zh) * 2010-04-29 2010-09-29 河海大学 基于安全监控的边坡位移反分析方法
CN104965969A (zh) * 2015-04-20 2015-10-07 广西大学 一种大型洞室群围岩力学参数反演方法
CN110852018A (zh) * 2019-10-21 2020-02-28 中国石油集团长城钻探工程有限公司 基于神经网络的pso钻井参数优化方法
CN111414658A (zh) * 2020-03-17 2020-07-14 宜春学院 一种岩体力学参数反分析方法
CN111914444A (zh) * 2020-06-30 2020-11-10 河海大学 基于粒子群优化和蒙特卡罗模拟的滑坡有限元区间分析法
CN112411556A (zh) * 2020-12-11 2021-02-26 中铁第四勘察设计院集团有限公司 一种基坑结构及其施工方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10664634B2 (en) * 2014-06-30 2020-05-26 Cgg Services Sas Ensemble-based multi-scale history-matching device and method for reservoir characterization

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101847171A (zh) * 2010-04-29 2010-09-29 河海大学 基于安全监控的边坡位移反分析方法
CN104965969A (zh) * 2015-04-20 2015-10-07 广西大学 一种大型洞室群围岩力学参数反演方法
CN110852018A (zh) * 2019-10-21 2020-02-28 中国石油集团长城钻探工程有限公司 基于神经网络的pso钻井参数优化方法
CN111414658A (zh) * 2020-03-17 2020-07-14 宜春学院 一种岩体力学参数反分析方法
CN111914444A (zh) * 2020-06-30 2020-11-10 河海大学 基于粒子群优化和蒙特卡罗模拟的滑坡有限元区间分析法
CN112411556A (zh) * 2020-12-11 2021-02-26 中铁第四勘察设计院集团有限公司 一种基坑结构及其施工方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于正交试验设计的深基坑岩土力学参数反分析;何伟等;《铁道建筑》;20060520(第05期);37-39 *
基于粒子群优化BP神经网络的隧道围岩位移反演分析;朱珍德等;《水利与建筑工程学报》;20100815(第04期);20-24 *

Also Published As

Publication number Publication date
CN113378423A (zh) 2021-09-10

Similar Documents

Publication Publication Date Title
Naghadehi et al. A new open-pit mine slope instability index defined using the improved rock engineering systems approach
CN107315862B (zh) 一种建立明挖基坑工程勘察与模拟参数关系的方法
Li et al. Efficient 3-D reliability analysis of the 530 m high abutment slope at Jinping I Hydropower Station during construction
CN111705808B (zh) 一种适用于悬挂式深基坑工程的土体参数动态反演分析方法
CN110188426B (zh) 一种隧道地质条件协同预测方法
JP2003278171A (ja) 液状化現象予測システム
CN113408184B (zh) 基于遗传算法和离散元分析法的锚固边坡安全性评价方法
CN114720272A (zh) 基于多元地质信息融合的隧道支护体系设计方法及系统
Wang et al. Mechanical parameter inversion in sandstone diversion tunnel and stability analysis during operation period
Zhou et al. Probabilistic analysis of tunnel roof deflection under sequential excavation using ANN-based Monte Carlo simulation and simplified reliability approach
CN113378423B (zh) 城轨保护mjs工法桩智能反分析快速反演方法及系统
Yin et al. The prediction of pile foundation buried depth based on BP neural network optimized by quantum particle swarm optimization
CN116484576A (zh) 一种基于贝叶斯更新的隧道沉降预测方法、装置、设备及介质
Qiao et al. Artificial neural network to predict the surface maximum settlement by shield tunneling
CN115659758A (zh) 基于近似模型的盾构隧道岩土参数反演与掘进参数优化方法
Reddy Modeling Load-Settlement Behavior Of Driven Piles Embedded In Cohesive Soils Using Artificial Neural Networks
Han et al. Estimating the uplift bearing capacity of belled piers adjacent to sloping ground by numerical modeling based on field tests
CN114323916B (zh) 一种确定深部岩石受扰敏感性的方法
Li et al. Numerical Simulation and Deformation Prediction of Deep Pit Based on PSO-BP Neural Network Inversion of Soil Parameters
Nikakhtar et al. Performance comparison of particle swarm optimization and genetic algorithm for back-analysis of soil layer geotechnical parameters
Ma et al. Application of soil parameter inversion method based on BP neural network in foundation pit deformation prediction
Feng et al. Artificial intelligence technology in rock mechanics and rock engineering
Suryanita et al. Application of Backpropagation Neural Networks in Predicting Story Drift of Building
CN117436164A (zh) 一种软土深基坑土方开挖施工方案规划方法及规划系统
Sharifzadeh et al. Observation-based design of geo-engineering projects with emphasis on optimization of tunnel support systems and excavation sequences

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