CN113762635B - Epb隧道施工地表沉降全周期自适应模糊推理预测方法 - Google Patents
Epb隧道施工地表沉降全周期自适应模糊推理预测方法 Download PDFInfo
- Publication number
- CN113762635B CN113762635B CN202111067041.9A CN202111067041A CN113762635B CN 113762635 B CN113762635 B CN 113762635B CN 202111067041 A CN202111067041 A CN 202111067041A CN 113762635 B CN113762635 B CN 113762635B
- Authority
- CN
- China
- Prior art keywords
- settlement
- anfis
- construction
- full
- period
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
Abstract
本发明公开一种EPB隧道施工地表沉降全周期自适应模糊推理预测方法,首先通过对影响因素和沉降特征进行分析,将EPB开挖引起地表沉降的全周期分为先行沉降、推进沉降、盾尾空隙沉降和工后沉降等阶段;通过对历史施工中盾构机施工参数、土质参数、各阶段地表沉降量进行收集,形成数据集,并进行预处理得到训练数据集;在各阶段分别建立单个预估子项的自适应神经模糊推理系统,依据底层阶段的输出结果继续输出相邻高一层次的项目,形成多层次的ANFIS系统,通过训练数据集进行训练,得到隧道施工引起地表沉降的全周期预测模型;进而将实际施工参数、土质参数、施工阶段等输入预测模型中,得到隧道施工全周期沉降曲线,实现对盾构掘进过程中的地表沉降预测。
Description
技术领域
本发明属于盾构隧道施工风险控制领域,具体涉及一种EPB隧道施工地表沉降全周期自适应模糊推理预测方法。
背景技术
随着城市空间的日益紧张,地下结构工程的施工如火如荼,地铁隧道就是其中一种重要的地下结构形式。因为EPB隧道施工在软土地层上扰动小,掘进效率高的独特优势,EPB隧道施工已成为地铁施工的一种重要方法。
现有技术中,众多学者对盾构机的掘进以及地表的沉降做了大量的研究。Mair将盾构施工的沉降过程分为五个阶段,分别是盾构机行进过程的先行沉降、开挖面前沉降、推进沉降、盾尾空隙沉降、后续沉降;魏新江将工后沉降分为加速沉降阶段和缓慢沉降阶段,得出工后沉降占总沉降的50%的结论,完善了Mair的理论;朱小藻通过灰色关联理论对盾构施工参数的敏感性进行了分析,且认为盾尾空隙沉降是造成地表沉降的主要原因。
可以看出,目前对盾构隧道施工引起沉降总量的研究较多,但对于盾构掘进过程中的地表沉降预测还存在空白。
发明内容
本发明为解决现有技术不能及时预测盾构施工中地表沉降过程的不足,提出一种EPB隧道施工地表沉降全周期自适应模糊推理预测方法。
本发明是采用以下的技术方案实现的:一种EPB隧道施工地表沉降全周期自适应模糊推理预测方法,包括以下步骤:
步骤1、沉降阶段划分:基于EPB隧道掘进引起的地表沉降特征,将全周期的地表沉降过程分为先行沉降、推进沉降、盾尾空隙沉降和工后沉降,所述工后沉降包括固结沉降和后续沉降;
步骤2、参数收集:根据历史施工中盾构掘进数据,得到主要的EPB施工参数、形成土质参数、施工参数和各阶段地表沉降量,形成数据集;
步骤3、数据预处理构建训练数据集:对步骤2中形成的数据集中,传感器传输的异常值和空值进行分析和剔除,基于预处理后的特征数据,构建训练数据集;
步骤4、建立自适应神经模糊推理系统,并对其进行训练:在对步骤1划分的沉降各阶段分别建立单个预估子项的自适应神经模糊推理系统,基于训练数据集,训练各个阶段的自适应神经模糊推理系统,组装各个阶段的自适应神经模糊推理系统,得到隧道施工引起地表沉降的全周期预测模型;
步骤5、预测分析:将待预测施工期间的施工参数、土质参数输入全周期预测模型中,得到全周期的沉降预测曲线。
进一步的,所述步骤4在构建全周期预测模型时,具体包括以下步骤:
(1)针对步骤1划分的多个沉降阶段,提取若干与当前沉降阶段关联的施工参数和土质参数,建立先行沉降ANFIS、推进沉降ANFIS、盾尾空隙沉降ANFIS,得到瞬时沉降时程曲线;
(2)结合得到的瞬时沉降时程曲线,并根据是否为黏性土,建立固结沉降ANFIS和后续沉降ANFIS,得到其对应的沉降量;
(3)若土层为黏性土层,则将先行沉降ANFIS、推进沉降ANFIS、盾尾空隙沉降ANFIS、固结沉降ANFIS所输出的各阶段沉降量进行汇总、加和,得到最终沉降量;
若土层为非黏性土层,则将先行沉降ANFIS、推进沉降ANFIS、盾尾空隙沉降ANFIS、后续沉降ANFIS所输出的各阶段沉降量进行汇总、加和,得到最终沉降量;
进而将各沉降阶段所输出的沉降量进行描点绘图,得到全周期的地表沉降曲线。
进一步的,所述步骤4中:
先行沉降ANFIS的输入特征包括出土率、土仓压力、刀盘扭矩、刀盘转速、盾构机总推力、掘进面支护压力、黏聚力、内摩擦角、压缩模量、重度、含水率,输出特征为先行沉降的沉降量;
推进沉降ANFIS的输入特征包括不平衡压力差、刀盘扭矩、刀盘转速、盾构机总推力、掘进面支护压力、黏聚力、内摩擦角、压缩模量、重度、含水率,输出特征为推进沉降的沉降量;
盾尾空隙沉降ANFIS的输入特征包括出注浆时间、注浆压力、注浆量、渗透系数、黏聚力、内摩擦角、压缩模量、重度、含水率,输出特征为盾尾后续沉降的沉降量;
固结沉降ANFIS的输入特征包括孔隙水压力和土的渗透性参数,输出特征为黏性土固结沉降量;
后续沉降ANFIS的输入特征包括砂土土性参数,输出特征为卵砂石时间效应引起的后续沉降量。
进一步的,所述步骤4中,每个沉降阶段的ANFIS构建原理相同,盾尾空隙沉降ANFIS构建过程如下:
1)建立Sugeno型模糊推理的自适应神经网络模糊系统ANFIS;
2)所述盾尾空隙沉降ANFIS的输入特征为9个,输出特征1个,根据专家经验设置不同的模糊集,设置隐藏层数为1,将隐藏层上各节点的权重初始化为区间(-1,1)上的随机数;
3)建立初始模糊推理规则,例如注浆压力分为3项模糊集分别为适量、过大、过小。施工参数为3项模糊集,土质参数设为2项模糊集,具体的量值的判断可依据实际情况确定,使得模糊推理系统具有明确的物理意义;
4)采用Sigmoid MF作为输入变量的隶属度函数,输出采用一阶线性隶属度函数linear。
进一步的,所述步骤4中,在进行模型训练时,通过梯度下降法,使得网络参数不断收敛到全局或局部最小值,从而得到最优或最相近的解,具体包括:(1)建立神经网络部分的网络结构,对网络节点权重进行初始化,其中,网络结构和参数通过经验进行判断;(2)设置隐藏层,具体的设置隐藏层数为1;(3)将训练数据集输入系统中;(4)计算中间层和输出层输出,并通过误差的反向传播进行参数更新;(5)当误差小于限值时,模型训练结束。
进一步的,所述步骤3中的数据预处理包括高低频率数据统一、空缺值与异常值处理以及归一化处理;
高低频率数据统一:以地表监测数据的实际现场采集频率为主,将盾构推进参数和地质参数按照地表监测数据的采集频率进行统一;
空缺值与异常值处理:首先确定空缺值所在的推进环的环号,然后计算该推进环的平均值来填充空缺值;对于异常值,先计算出每个特征的盒须图,根据盒须图中离散点分布确定正常范围,将超出正常范围的数据替换为该环的平均值;
数据归一化操作:采用min-max标准化对数据集输入特征做线性变化,使结果映射到(0,1)区间。
进一步的,所述高低频率数据统一具体原理为:设Et,t+1表示时刻t到时刻t+1之间收集到的盾构推进参数,Tx1,x2表示里程x1,x2之间的地质参数,对Et,t+1、Tx1,x2中的每个特征求平均值,得到与地表监测数据相同频率的盾构推进数据和地质参数。
进一步的,所述步骤5中,在进行预测分析时,具体为:
1)分别输入先行沉降段参数、推进沉降段参数、盾尾空隙沉降段参数,得到不同阶段各自的沉降量;
2)将上述三个沉降段的沉降量进行汇总,输出盾构施工的瞬时沉降量;
3)判断土体为黏性土还是卵砂石地层;
4)若为黏性土则输入黏性土固结沉降所需的土质参数,若为卵砂石地层则输入影响后续沉降的土质参数;
5)得到工后沉降后,将工后阶段的沉降量与步骤2)得到的瞬时沉降量进行汇总,输出地表总的沉降量,进而得到地表沉降全周期曲线。
进一步的,所述步骤1中,盾构机未到沉降监测点时为先行沉降;盾构机刀盘到达沉降监测点到盾尾离开监测点的过程为推进沉降;盾尾脱开后注浆完成前为盾尾空隙沉降;黏性土由超静孔隙水压力造成的为固结沉降;卵砂石土沉降时间效应造成的为后续沉降。
根据权利要求1所述的EPB隧道施工地表沉降全周期自适应模糊推理预测方法,其特征在于:所述步骤5中得到全周期的沉降预测曲线之后,将其与现场施工实测数据进行对比,并根据最新的沉降数据更新训练数据集,重新训练所述全周期预测模型并进行应用
与现有技术相比,本发明的优点和积极效果在于:
本方案基于自适应神经模糊推理系统(ANFIS)建立EPB隧道施工引起地表沉降的全周期预测模型,且单个预估子项的自适应神经模糊推理系统中都蕴含有本阶段引起地表沉降的主要因素,将传统神经网络中的“不可见”性降低,使得该方法具有明确的物理意义;得到隧道施工全周期沉降曲线,可以更加直观的了解地表沉降的整个过程;
不但可以精准的预测隧道施工各个阶段应有的沉降量,而且能通过实际监测值和预测值的对比反作用于盾构隧道的开挖掘进工作,及时调节盾构开挖的施工参数,更好的指导工作人员对施工参数的调整,为更好的研究隧道开挖引起地层位移的机理做出贡献。
附图说明
图1为本发明实施例所述预测方法的整体原理示意图;
图2为本发明实施例自适应神经模糊推理系统(ANFIS)结构示意图。
具体实施方式
为了能够更加清楚地理解本发明的上述目的、特征和优点,下面结合附图及实施例对本发明做进一步说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用不同于在此描述的其他方式来实施,因此,本发明并不限于下面公开的具体实施例。
一种EPB隧道施工地表沉降全周期自适应模糊推理预测方法,如图1所示,包括以下步骤:
步骤1、沉降阶段划分:基于EPB隧道掘进引起的地表沉降特征,将全周期的地表沉降过程分为先行沉降阶段、推进沉降阶段、盾尾空隙沉降阶段和工后沉降阶段,所述工后沉降阶段包括固结沉降和后续沉降;
步骤2、参数收集:根据历史施工中盾构掘进数据,得到主要的EPB施工参数、形成土质参数、施工参数和各阶段地表沉降量,形成数据集;
步骤3、数据预处理构建训练数据集:对步骤2中形成的数据集中,传感器传输的异常值和空值进行分析和剔除,得到符合客观规律的特征数据,形成训练数据集;
步骤4、建立自适应神经模糊推理系统,并对其进行训练:在各阶段分别建立单个预估子项的自适应神经模糊推理系统,基于训练数据集,训练各个阶段的自适应神经模糊推理系统,组装各个阶段的自适应神经模糊推理系统,得到隧道施工引起地表沉降的全周期预测模型;
步骤5、应用预测:将待预测施工期间的施工参数、土质参数输入全周期预测模型,得到隧道开挖全周期地表沉降数据,以及地表最终沉降量。
具体的,下面结合具体案例进行详细说明,
1、沉降过程划分
在实际的盾构施工过程中,通过对影响因素和沉降特征进行分析,将EPB开挖引起地表沉降的全周期分为若干阶段,每一阶段影响地表沉降的主要因素又有所不同,基于此思想将地表的沉降过程进行划分,本实施例中,地表的沉降过程大致可分为瞬时沉降和工后沉降;其中瞬时沉降包括先行沉降、推进沉降、盾尾空隙沉降;工后沉降主要可分为黏性土的固结沉降和卵砂石地层由沉降时间效应造成的后续沉降。
另外,需要说明的是,盾构机未到沉降监测点时为先行沉降;盾构机刀盘到达沉降监测点到盾尾离开监测点的过程为推进沉降;盾尾脱开后注浆完成前为盾尾空隙沉降;黏性土由超静孔隙水压力造成的为固结沉降;卵砂石土沉降时间效应造成的为后续沉降。
2、参数收集
EPB掘进过程中影响各阶段地表沉降的主要因素不尽相同,结合CPT(圆锥静力触探方法)、SPT(标准贯入试验)、地质勘测报告,确定主要的土壤剖面地质特性、土质参数。以盾尾后续沉降为例,影响盾尾后续沉降的主要施工参数包括注浆量、注浆时间、注浆压力,主要土质参数为渗透性、压缩模量、含水率等,对于各个阶段选取对此阶段影响最大的参数进行收集,形成适应于各个阶段的数据集。
3、数据预处理构建训练数据集
预处理数据包括高低频率数据统一、空缺值与异常值处理、归一化处理,处理完成后得到自适应神经模糊推理系统ANFIS的训练数据集。
其中,高低频率数据统一具体表现为:以地表监测数据的实际现场采集频率为主,将盾构推进参数和地质参数按照地表监测数据的采集频率进行统一,具体为:
设x1,x2表示t时刻和t+1时刻对应盾构机推进里程坐标,记yt,yt+1表示t时刻和t+1时刻现场检测得到的地表沉降数据,Et,t+1表示时刻t到时刻t+1之间收集到的盾构推进参数,Tx1,x2表示里程x1,x2之间的地质参数,其中Et,t+1、Tx1,x2为统称,表示各类盾构参数和地质参数,在具体类别中应进行细分例如Et,t+1 1表示出土率、Et,t+1 2表示土仓压力如此进行细分,分别对Et,t+1、Tx1,x2中的每个特征求平均值,即可得到与地表监测数据相同频率的盾构推进数据和地质参数。
空缺值和异常值的预处理通过删除元组的方法对数据进行,首先确定空缺值所在的推进环的环号,然后计算该推进环的平均值来填充空缺值,对于异常值,先计算出每个输入特征的盒须图,所述每个输入特征即为每个子ANFIS模块中的输入物理量,例如先行沉降中的土仓压力、刀盘扭矩、刀盘转速等,根据盒须图中离散点分布确定正常范围(因为在盾构机推进过程中经常遇到孤石、洞等特殊地质情况,从而造成瞬间的扭矩过大、刀盘转速过快等异常情况甚至还会造成盾构机的卡机、叩头等,应予以修正和剔除,正常范围依据力学理论以及工程经验进行判断,当本次推进数据搜集较多时,也可以作为正常范围的参考),将超出正常范围的数据替换为该环(或该推进区段)的平均值。
数据归一化操作,为消除不同特征之间的的量纲差异对神经网络的影响,采用min-max标准化对模型的输入特征做线性变化,使结果映射到(0,1)区间。
4、建立自适应神经模糊推理系统模型并对其进行训练,得到隧道施工引起地表沉降的全周期预测模型,具体包括以下步骤:
(1)针对每个阶段,提取若干与当前沉降阶段关联的施工参数和土质参数,建立先行沉降ANFIS、推进沉降ANFIS、盾尾空隙沉降ANFIS,得到瞬时沉降时程曲线;
比如,以先行沉降ANFIS为例进行说明,先行沉降ANFIS为11输入、单输出的地表先行沉降预估子模块,ANFIS中的Layer I层是自适应节点,结点输入X1、X2、X3……X11(11组输入特征),满足模糊集合Ai(i=1、2、3)Bi(i=1、2、3)Ci(i=1、2、3)……Ji(i=1、2、3)Ki(i=1、2、3)(11组模糊集)的程度用隶属度函数Oi表示,采用Sigmoid MF作为输入变量的隶属度函数,将Sigmoid MF函数型隶属度函数,设定a,b两个特征参数,其函数形式为X1、X2、X3的节点输入的隶属度函数列阵如下:
本实施例中设置此隶属度函数的物理意义为判断出土率、土仓压力、刀盘扭矩、刀盘转速、黏聚力、内摩擦角、压缩模量(此即为输入特征)等推进参数以及土质参数相较于一般工程项目而言是否过大、过小,或者适中,以便于下一步更精准的预测。其中模糊规则为,如果(if)X1是A1且X2是B1X3是C1……那么(then)g1=α1X1+α2X2+α3X3...;其中X1、X2、X3…X10、X11分别为模型的11个输入,gi是规则i推理得到的模型输出,Ai(i=1、2、3)Bi(i=1、2、3)Ci(i=1、2、3)为模糊集合,[αi、βi、γi…]为自适应参数,Layer II、Layer III层的节点为固定节点,其主要作用是将上述每个规则(if…then)的激励强度归一化,Layer IV层的每个节点也是自适应节点,最后一层Layer V是固定节点,所有信号求和即可得总的输出。模型运行结束时,通过减法聚类算法和模糊C均值聚类算法将模型中的参数进行初始化,以便于进行下一轮训练。
(2)然后判断是否为黏性土,建立固结沉降ANFIS和后续沉降ANFIS,得到其对应的沉降量,黏性土的判断准则可以通过粘聚力量值的输入进行判断,当输入地层的粘聚力值c=0时,土层为无黏性土(砂性土),此时将数据输入至后续沉降ANFIS;当粘聚力c>0时,则土层为黏性土层,此时将数据输入至固结沉降ANFIS;基于此,即可实现土层中黏性土或砂性土的判断,建立固结沉降ANFIS和后续沉降ANFIS的步骤同上,不再赘述;
(3)若土层为黏性土层,则将先行沉降ANFIS、推进沉降ANFIS、盾尾空隙沉降ANFIS、固结沉降ANFIS所输出的各阶段沉降量进行汇总、加和,得到最终沉降量,并可以通过各阶段所输出的沉降量进行描点绘图,即可得到全周期的地表沉降曲线,同理于砂性土地层。
本实施例分别针对每个阶段提炼若干与当前沉降阶段关联度高的施工参数和土质参数,并建立属于各个阶段的自适应神经模糊推理系统(ANFIS),包括先行沉降ANFIS、推进沉降ANFIS、盾尾空隙沉降ANFIS,进而依据底层项目的沉降量(即先行沉降预测值、推进沉降预测值、盾尾空隙沉降预测值)评估高一层次的项目(如瞬时沉降量、固结沉降、后续沉降)。在固结沉降ANFIS推理系统、后续沉降ANFIS推理系统中,将上述三种沉降量(先行沉降ANFIS、推进沉降ANFIS、盾尾空隙沉降ANFIS)作为其输入特征,以实现通过上一层的评估结果,进而评估高一层次的项目,使得评估结果更具有准确性。
同理,构建黏性土固结沉降ANFIS、卵砂石地区后续沉降ANFIS,与上一级的瞬时沉降结合即可得到最终的沉降量。通过划分各ANFIS系统,逐层、逐阶段得到各个沉降过程的沉降量,形成多层次的神经模糊推理系统。
即本方案将整个沉降过程依据时间划分为若干阶段,并将先行沉降、推进沉降、盾尾空隙沉降划分为第一层,固结沉降和后续沉降划分为第二层,整个施工全过程的沉降量归为第三层。其一:将固结沉降和后续沉降的输入特征中设置上述三种沉降量因素进行模型训练,当第一层的预计结果得出后,输入到第二层,进行评估,实现逐层、逐阶段预估,增加模型准确性。其二:最终地表沉降量以及地表沉降时程曲线的获得需要将上述所划分的阶段沉降量进行汇总加和。从上述两个方面实现本套技术方案的逐层、逐阶段预估。
依据底层阶段的输出结果继续输出相邻高一层次的项目,由低到高,逐阶段进行预估,形成多层次的ANFIS系统。
每个沉降阶段的ANFIS构建原理相同,比如,以盾尾空隙沉降ANFIS为例阐述,其余系统与此相似,具体的:
1)ANFIS各层结构具体说明:第一层为输入层,作为各阶段特征(刀盘扭矩、刀盘转速等)的输入口,其每一个节点对应一个输入常量,其作用是不加变化的将输入信号传送到下一层;第二层是量化输入层,其作用是通过隶属度函数将输入变量模糊化;第三层为神经网络的隐含层,其作用与神经网络基本相同,用于实现输入变量模糊值到输出变量模糊值之间的映射;第四层为量化输出层,其输出的是模糊化数值;第五层是加权输出层,实现输出的清晰化。
2)建立Sugeno型模糊推理的自适应神经网络模糊系统ANFIS;
3)所述盾尾空隙沉降ANFIS的输入特征为9个,输出特征1个,根据专家经验设置不同的模糊集,设置隐藏层数为1,将隐藏层上各节点的权重初始化为区间(-1,1)上的随机数;
4)建立初始模糊推理规则,例如注浆压力分为3项模糊集分别为适量、过大、过小。施工参数为3项模糊集,土质参数设为2项模糊集,具体的量值的判断可依据实际情况确定,使得模糊推理系统具有明确的物理意义;
5)采用Sigmoid MF作为输入变量的隶属度函数,输出采用一阶线性隶属度函数linear;
5、模型训练
本实施例采用的模型为自适应神经模糊推理系统,神经网络部分的优化方法为梯度下降法,梯度下降法为机器学习中的公知技术,通过梯度下降法,使得待定参数逐步逼近全局最小值。具体为通过梯度下降法,使得网络参数不断收敛到全局或局部最小值,从而得到最优或最相近的解,梯度下降法的迭代公式为w=w-a×dw,其中w为待训练的网格参数,a是学习率,为常数,dw为梯度。
模型训练的过程为:(1)建立神经网络部分的网络结构,对网络节点权重进行初始化,其中,网络结构和参数通过经验进行判断。(2)设置隐藏层,具体的设置隐藏层数为1。(3)将训练数据集输入系统中。(4)计算中间层和输出层输出,并通过误差的反向传播进行参数更新(5)当误差小于限值时,模型训练结束。
具体步骤,其一:以先行沉降ANFIS为例阐述,首先搜集一定数量的特征参数组(即固定出土率、土仓压力、刀盘扭矩、刀盘转速、盾构机总推力、掘进面支护压力、黏聚力、内摩擦角、压缩模量、重度、含水率和对应先行沉降值),并进行数据的预处理,构建训练样本,形成训练数据集。其二:输入上一步所搜集处理得到的训练样本,输入ANFIS系统中,让ANFIS结构中的自适应参数通过学习经验调整并优化整个网络的逼近能力,以期达到要求的精确程度。其三:构建测试样本数据,基于测试集的输入数据,输入至上一步经过训练的模型中,计算得到地表先行沉降值,并计算其误差,若误差符合要求,即模型训练完成,若误差超过要求,则返回第二步进行重新训练。
6、应用模型
应用所述地表沉降全周期预测模型时,需要将各个阶段的施工参数、土质参数输入,分别对Et,t+1、Tx1,x2中的每个特征求平均值,所得即为地表沉降预测模型的输入:input=(avg(bt,t+1),avg(Ex1,x2),st),输出:output=st+1,即可得到各个阶段沉降量,随后借助matlab进行简单编程,使用ans叠加命令,plot出图命令即可实现将各阶段预测的沉降进行汇总、加和以及图像输出,即可得到地表最终沉降量以及全周期的地表沉降曲线。具体的,其原理如下:
1)分别输入先行沉降段参数、推进沉降段参数、盾尾空隙沉降段参数,得到不同阶段各自的沉降量;
2)模型依据程序自行将各自的沉降量进行汇总,输出盾构施工的瞬时沉降量;
3)判断土体为黏性土还是卵砂石地层;
4)若为黏性土则输入黏性土固结沉降所需的土质参数,若为卵砂石地层则输入影响后续沉降的土质参数;
5)得到工后沉降后,模型自行与之前的瞬时沉降量进行汇总,输出地表总的沉降量,特别的也得到地表沉降全周期曲线。
本实施例中,先行沉降ANFIS中输入11个输入特征,分别为出土率、土仓压力、刀盘扭矩、刀盘转速、盾构机总推力、掘进面支护压力、黏聚力、内摩擦角、压缩模量、重度、含水率,通过训练数据集的训练,先行沉降ANFIS中输出特征一个,即先行沉降的沉降量;
推进沉降ANFIS中输入10个输入特征,分别为不平衡压力差、刀盘扭矩、刀盘转速、盾构机总推力、掘进面支护压力、黏聚力、内摩擦角、压缩模量、重度、含水率,通过训练数据集的训练,推进沉降ANFIS中输出特征一个,即推进沉降的沉降量;
盾尾空隙沉降ANFIS中输入9个输入特征,分别为出注浆时间、注浆压力、注浆量、渗透系数、黏聚力、内摩擦角、压缩模量、重度、含水率。通过训练数据集的训练,推进沉降ANFIS中输出特征一个,即盾尾后续沉降的沉降量;
向黏性土固结沉降ANFIS、卵砂石地区后续沉降ANFIS中分别输入相应的输入特征。通过训练数据集的训练,分别输出一个输出特征,即黏性土固结沉降量和卵砂石时间效应引起的后续沉降量;
单个预估子项的自适应神经模糊推理系统中都蕴含有本阶段地表沉降的主要因素,降低了传统神经网络的“不可见”性,使得该系统具有明确的物理意义;最后将所有阶段的沉降量进行汇总最后输出一个总的特征即:全周期的沉降预测曲线,输出地表全周期沉降曲线之后与现场施工实测数据进行对比,并根据最新的沉降数据更新训练数据集,重新训练所述EPB隧道施工引起地表沉降的全周期预测模型。
本方案主要涉及利用历史施工参数、土质信息等,构建能够自主学习、模糊推理的全周期地表沉降预测模型,施工过程中每一次的盾构掘进实测数据进行处理后,补充到ANFIS训练数据集中,以便更新样本特征数据库,而且应用中将正在施工过程中的土质参数、盾构施工参数、地表沉降量实测值与预测值进行对比分析,以反作用于指导盾构机的推进工作,通过与开挖过程中的实测值进行对比分析,及时调整盾构施工参数。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域,但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (9)
1.EPB隧道施工地表沉降全周期自适应模糊推理预测方法,其特征在于,包括以下步骤:
步骤1、沉降阶段划分:基于EPB隧道掘进引起的地表沉降特征,将全周期的地表沉降过程分为先行沉降、推进沉降、盾尾空隙沉降和工后沉降,所述工后沉降包括固结沉降和后续沉降;
步骤2、参数收集:根据历史施工中盾构掘进数据,得到EPB施工参数、形成土质参数、施工参数和各阶段地表沉降量,形成数据集;
步骤3、数据预处理构建训练数据集:对步骤2中形成的数据集中,传感器传输的异常值和空值进行分析和剔除,基于预处理后的特征数据,构建训练数据集;
步骤4、建立自适应神经模糊推理系统,并对其进行训练:在对步骤1划分的沉降各阶段分别建立单个预估子项的自适应神经模糊推理系统,基于训练数据集,训练各个阶段的自适应神经模糊推理系统,组装各个阶段的自适应神经模糊推理系统,得到隧道施工引起地表沉降的全周期预测模型;
在构建全周期预测模型时,具体包括以下步骤:
(1)针对步骤1划分的多个沉降阶段,提取若干与当前沉降阶段关联的施工参数和土质参数,建立先行沉降ANFIS、推进沉降ANFIS、盾尾空隙沉降ANFIS,得到瞬时沉降时程曲线;
(2)结合得到的瞬时沉降时程曲线,并根据是否为黏性土,建立固结沉降ANFIS或后续沉降ANFIS,得到其对应的沉降量;
(3)若土层为黏性土层,则将先行沉降ANFIS、推进沉降ANFIS、盾尾空隙沉降ANFIS、固结沉降ANFIS组合,得到全周期预测模型;
若土层为非黏性土层,则将先行沉降ANFIS、推进沉降ANFIS、盾尾空隙沉降ANFIS、后续沉降ANFIS组合,得到全周期预测模型;
步骤5、预测分析:将待预测施工期间的施工参数、土质参数输入全周期预测模型,得到全周期的沉降预测曲线,进而实现对盾构掘进过程中的地表沉降预测。
2.根据权利要求1所述的EPB隧道施工地表沉降全周期自适应模糊推理预测方法,其特征在于:所述步骤5中,在进行预测分析时,具体为:
1)分别输入先行沉降段参数、推进沉降段参数、盾尾空隙沉降段参数,得到不同阶段各自的沉降量;
2)将上述三个沉降段的沉降量进行汇总,输出盾构施工的瞬时沉降量;
3)判断土体为黏性土还是卵砂石地层;
4)若为黏性土则输入黏性土固结沉降所需的土质参数,若为卵砂石地层则输入影响后续沉降的土质参数;
5)得到工后沉降后,将工后阶段的沉降量与2)得到的瞬时沉降量进行汇总,输出地表总的沉降量,进而得到地表沉降全周期曲线。
3.根据权利要求1所述的EPB隧道施工地表沉降全周期自适应模糊推理预测方法,其特征在于:所述步骤4中,每个沉降阶段的ANFIS构建原理相同,盾尾空隙沉降ANFIS构建过程如下:
1)建立Sugeno型模糊推理的自适应神经网络模糊系统ANFIS;
2)确定盾尾空隙沉降ANFIS的输入特征和输出特征,并设置模糊集和隐藏层数,将隐藏层上各节点的权重初始化为区间(-1,1)上的随机数;
3)建立初始模糊推理规则;
4)采用SigmoidMF作为输入变量的隶属度函数,输出采用一阶线性隶属度函数linear。
4.根据权利要求3所述的EPB隧道施工地表沉降全周期自适应模糊推理预测方法,其特征在于:所述步骤4中,在进行模型训练时,通过梯度下降法,使得网络参数不断收敛到全局或局部最小值,从而得到最优或最相近的解,模型训练结束。
5.根据权利要求2所述的EPB隧道施工地表沉降全周期自适应模糊推理预测方法,其特征在于,所述步骤4中,
先行沉降ANFIS的输入特征包括出土率、土仓压力、刀盘扭矩、刀盘转速、盾构机总推力、掘进面支护压力、黏聚力、内摩擦角、压缩模量、重度、含水率,输出特征为先行沉降的沉降量;
推进沉降ANFIS的输入特征包括不平衡压力差、刀盘扭矩、刀盘转速、盾构机总推力、掘进面支护压力、黏聚力、内摩擦角、压缩模量、重度、含水率,输出特征为推进沉降的沉降量;
盾尾空隙沉降ANFIS的输入特征包括出注浆时间、注浆压力、注浆量、渗透系数、黏聚力、内摩擦角、压缩模量、重度、含水率,输出特征为盾尾后续沉降的沉降量;
固结沉降ANFIS的输入特征包括孔隙水压力和土的渗透性参数,输出特征为黏性土固结沉降量;
后续沉降ANFIS的输入特征包括砂土土性参数,输出特征为卵砂石时间效应引起的后续沉降量。
6.根据权利要求1所述的EPB隧道施工地表沉降全周期自适应模糊推理预测方法,其特征在于:所述步骤3中的数据预处理包括高低频率数据统一、空缺值与异常值处理以及归一化处理;
高低频率数据统一:以地表监测数据的实际现场采集频率为主,将盾构推进参数和地质参数按照地表监测数据的采集频率进行统一;
空缺值与异常值处理:首先确定空缺值所在的推进环的环号,然后计算该推进环的平均值来填充空缺值;对于异常值,先计算出每个特征的盒须图,根据盒须图中离散点分布确定正常范围,将超出正常范围的数据替换为该环的平均值;
数据归一化操作:采用min-max标准化对数据集输入特征做线性变化,使结果映射到(0,1)区间。
7.根据权利要求6所述的EPB隧道施工地表沉降全周期自适应模糊推理预测方法,其特征在于:所述高低频率数据统一具体原理为:设Et,t+1表示时刻t到时刻t+1之间收集到的盾构推进参数,Tx1,x2表示里程x1,x2之间的地质参数,对Et,t+1、Tx1,x2中的每个特征求平均值,得到与地表监测数据相同频率的盾构推进数据和地质参数。
8.根据权利要求1所述的EPB隧道施工地表沉降全周期自适应模糊推理预测方法,其特征在于:所述步骤1中,盾构机未到沉降监测点时为先行沉降;盾构机刀盘到达沉降监测点到盾尾离开监测点的过程为推进沉降;盾尾脱开后注浆完成前为盾尾空隙沉降;黏性土由超静孔隙水压力造成的为固结沉降;卵砂石土沉降时间效应造成的为后续沉降。
9.根据权利要求1所述的EPB隧道施工地表沉降全周期自适应模糊推理预测方法,其特征在于:所述步骤5中得到全周期的沉降预测曲线之后,将其与现场施工实测数据进行对比,并根据最新的沉降数据更新训练数据集,重新训练所述全周期预测模型并进行应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111067041.9A CN113762635B (zh) | 2021-09-13 | 2021-09-13 | Epb隧道施工地表沉降全周期自适应模糊推理预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111067041.9A CN113762635B (zh) | 2021-09-13 | 2021-09-13 | Epb隧道施工地表沉降全周期自适应模糊推理预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113762635A CN113762635A (zh) | 2021-12-07 |
CN113762635B true CN113762635B (zh) | 2022-09-13 |
Family
ID=78795074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111067041.9A Active CN113762635B (zh) | 2021-09-13 | 2021-09-13 | Epb隧道施工地表沉降全周期自适应模糊推理预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113762635B (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876034B (zh) * | 2018-06-13 | 2021-09-14 | 重庆邮电大学 | 一种改进的Lasso+RBF神经网络组合预测方法 |
KR20210063755A (ko) * | 2019-11-25 | 2021-06-02 | 한국도로공사 | 보강토교대의 장기침하예측을 위한 장기침하측정방법 및 그 장치 |
CN111832223A (zh) * | 2020-06-29 | 2020-10-27 | 上海隧道工程有限公司 | 基于神经网络的盾构施工地表沉降预测方法 |
-
2021
- 2021-09-13 CN CN202111067041.9A patent/CN113762635B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113762635A (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109978226B (zh) | 基于循环神经网络的盾构施工地面沉降预测方法 | |
CN109343505A (zh) | 基于长短期记忆网络的齿轮剩余寿命预测方法 | |
CN112183993B (zh) | 一种tbm掘进控制参数智能预测及优化决策方法 | |
CN111832223A (zh) | 基于神经网络的盾构施工地表沉降预测方法 | |
KR101967978B1 (ko) | 쉴드 tbm의 순굴진속도 예측 장치 및 그 방법 | |
CN111784070A (zh) | 一种基于XGBoost算法的滑坡短临智能预警方法 | |
CN113886917B (zh) | 基于cnn-lstm模型的铁路沿线区域地面沉降预测预警方法 | |
CN113326660B (zh) | 基于GA-XGBoost模型的隧道围岩挤压变形预测方法 | |
Luo et al. | A deep learning prediction model for structural deformation based on temporal convolutional networks | |
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 | |
CN110826790A (zh) | 一种绞吸式挖泥船施工生产率智能预测方法 | |
CN114548482A (zh) | 一种基于蠕变型滑坡动能变化率临滑预警方法 | |
CN114792044A (zh) | 一种耦合空间特性基坑邻近地表沉降智能预警方法及系统 | |
CN115952590A (zh) | 基于bo-rf-mompa混合算法的盾构隧道优化设计方法及设备 | |
CN107368463B (zh) | 基于光纤光栅传感网络数据的巷道非线性变形预测方法 | |
CN114564886A (zh) | 一种基于地质参数量化的盾构掘进参数预测方法 | |
CN114139458A (zh) | 基于机器学习的钻井参数优化方法 | |
CN116384554A (zh) | 机械钻速预测方法、装置、电子设备及计算机存储介质 | |
CN113946899A (zh) | 一种基于实时地质信息的泥水盾构掘进参数预测方法 | |
CN111460737B (zh) | 泥水气压平衡盾构的智能沉降预测方法及系统 | |
CN114661006A (zh) | 一种耙吸挖泥船抽舱吹岸过程优化控制系统及方法 | |
CN113762635B (zh) | Epb隧道施工地表沉降全周期自适应模糊推理预测方法 | |
CN115019476B (zh) | 一种基于多源信息融合的滑坡时空信息监测预警方法 | |
CN115577626A (zh) | 一种基于土质参数量化的地面沉降预测方法及系统 | |
CN114091339A (zh) | 一种基于gru的耙吸挖泥船艏吹瞬时产量预测方法 |
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 |