CN115423167A - 一种地铁深基坑施工安全预警及辅助决策方法及系统 - Google Patents
一种地铁深基坑施工安全预警及辅助决策方法及系统 Download PDFInfo
- Publication number
- CN115423167A CN115423167A CN202211036435.2A CN202211036435A CN115423167A CN 115423167 A CN115423167 A CN 115423167A CN 202211036435 A CN202211036435 A CN 202211036435A CN 115423167 A CN115423167 A CN 115423167A
- Authority
- CN
- China
- Prior art keywords
- foundation pit
- data
- information
- state
- partition
- 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.)
- Pending
Links
- 238000010276 construction Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005192 partition Methods 0.000 claims abstract description 60
- 238000004088 simulation Methods 0.000 claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000000638 solvent extraction Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 38
- 238000012360 testing method Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000010206 sensitivity analysis Methods 0.000 claims description 7
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000007670 refining Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 21
- 238000012544 monitoring process Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 230000001965 increasing effect Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 238000009412 basement excavation Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013377 clone selection method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000003014 reinforcing effect Effects 0.000 description 2
- 238000005067 remediation Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000011378 shotcrete Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- 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
- G06F30/23—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
- G06F30/27—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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Civil Engineering (AREA)
- Mathematical Optimization (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Architecture (AREA)
- Educational Administration (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
Abstract
本发明涉及一种地铁深基坑施工安全预警及辅助决策方法及系统,包括:获取地铁深基坑的物理数据;物理数据包括基坑实体信息、基坑状态信息和基坑环境信息;基于物理数据应用聚类算法对地铁深基坑进行分区;对每一分区应用CSA‑BPNN神经网络并结合地铁深基坑数字孪生模型输出的仿真数据进行地质参数反演;将基于地铁深基坑数字孪生模型得到的地质参数预测值、基坑实体仿真信息和基坑环境仿真信息输入到基坑状态预测模型中,得到每一分区的基坑状态预测值并进行施工安全预警及辅助决策。基于对基坑进行细化分区,从而能够对每一分区进行状态预测,提高状态预测的准确性进而更精准的进行安全预警和辅助决策。
Description
技术领域
本发明涉及地铁深基坑监测技术领域,特别是涉及一种地铁深基坑施工安全预警及辅助决策方法及系统。
背景技术
基坑工程是城市建设项目中耗时长、成本和危险系数都较高的工程项目。工程中基坑开挖深度大于等于5m的属于深基坑,地铁车站修建常采用明挖法修建。
工程基坑监测多由第三方监测单位负责,基坑安全预警取值参照GB50497-2009《建筑基坑工程监测技术规范》,其中对基坑安全预警值的规定与基坑围护类型和基坑的深度有关。
目前,基坑工程的检测数据分析和预警阈值确定未考虑时空效应,传统的基坑工程安全预警按照规范规定,且基坑区域的状态控制阈值均相同,一是工程中阈值过低导致局部区域频繁报警;二是阈值过高导致部分区域处于危险状态。对基坑施工过程的既有数据挖掘较少,不能充分利用历史数据对基坑未来状态进行预测。对于基坑安全难以提供及时的战略指导和措施上的改进建议,对应急抢险控制措施的实施效果分析和可视化不充分,易错过最优补救时机或补救措施控制效果差导致工程处于危险状态。所以,亟需一种考虑基坑时空效应的地铁深基坑施工安全预警及辅助决策方法及系统。
发明内容
本发明的目的是提供一种地铁深基坑施工安全预警及辅助决策方法及系统,对基坑空间进行分区,对每一分区分别进行地质参数反演以及状态预测,能够大大提高基坑状态预测的准确性,并且对每一分区设置状态预警阈值,准确的进行施工安全预警进而进行辅助决策。
为实现上述目的,本发明提供了如下方案:
一种地铁深基坑施工安全预警及辅助决策方法,包括:
获取地铁深基坑的物理数据;所述物理数据包括基坑实体信息、基坑状态信息和基坑环境信息;所述基坑实体信息为基坑尺寸数据;所述基坑状态信息为基坑受力和变形数据;
基于所述物理数据应用K-Means算法对所述地铁深基坑进行分区;
对每一分区,以所述基坑实体信息和所述基坑环境信息以及对应的所述基坑状态信息为输入,以地质参数为标签训练第一CSA-BPNN神经网络,得到地质参数预测模型;所述地质参数包括弹性模量和内摩擦角;
将所述物理数据输入至地铁深基坑数字孪生模型进行仿真预测,输出仿真数据,并将所述仿真数据输入至所述地质参数预测模型中,得到地质参数预测值;
将所述地质参数预测值、所述基坑实体信息和所述基坑环境信息为输入,所述基坑状态信息为标签训练第二CSA-BPNN神经网络,得到基坑状态预测模型;
将基于所述地铁深基坑数字孪生模型得到的所述地质参数预测值、基坑实体仿真信息和基坑环境仿真信息输入到所述基坑状态预测模型中,得到每一所述分区的基坑状态预测值;
根据每一所述分区的基坑状态预测值进行施工安全预警及辅助决策。
本发明还提供一种地铁深基坑施工安全预警及辅助决策系统,包括:
基坑物理数据获取模块,用于获取地铁深基坑的物理数据;所述物理数据包括基坑实体信息、基坑状态信息和基坑环境信息;所述基坑实体信息为基坑尺寸数据;所述基坑状态信息为基坑受力和变形数据;
分区模块,用于基于所述物理数据应用K-Means算法对所述地铁深基坑进行分区;
地质参数预测模型构建模块,用于对每一分区,以所述基坑实体信息和所述基坑环境信息以及对应的所述基坑状态信息为输入,以地质参数为标签训练第一CSA-BPNN神经网络,得到地质参数预测模型;所述地质参数包括弹性模量和内摩擦角;
地质参数预测模块,用于将所述物理数据输入至地铁深基坑数字孪生模型进行仿真预测,输出仿真数据,并将所述仿真数据输入至所述地质参数预测模型中,得到地质参数预测值;
基坑状态预测模型构建模块,用于将所述地质参数预测值、所述基坑实体信息和所述基坑环境信息为输入,所述基坑状态信息为标签训练第二CSA-BPNN神经网络,得到基坑状态预测模型;
基坑状态预测模块,用于将基于所述地铁深基坑数字孪生模型得到的所述地质参数预测值、基坑实体仿真信息和基坑环境仿真信息输入到所述基坑状态预测模型中,得到每一所述分区的基坑状态预测值;
预警及决策模块,用于根据每一所述分区的基坑状态预测值进行施工安全预警及辅助决策。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明涉及一种地铁深基坑施工安全预警及辅助决策方法及系统,包括:获取地铁深基坑的物理数据;物理数据包括基坑实体信息、基坑状态信息和基坑环境信息;基于物理数据应用K-Means算法对所述地铁深基坑进行分区;对每一分区应用第一CSA-BPNN神经网络并结合地铁深基坑数字孪生模型输出的仿真数据进行地质参数反演;将基于地铁深基坑数字孪生模型得到的地质参数预测值、基坑实体仿真信息和基坑环境仿真信息输入到基坑状态预测模型中,得到每一分区的基坑状态预测值;根据每一分区的基坑状态预测值进行施工安全预警及辅助决策。基于对基坑进行细化分区,从而能够对每一分区进行状态预测,提高状态预测的准确性进而更精准的进行安全预警和辅助决策。
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,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中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得其他的附图。
图1为本发明实施例1提供的一种地铁深基坑施工安全预警及辅助决策方法流程图;
图2为本发明实施例1提供第二CSA-BPNN神经网络训练流程图。
具体实施方式
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,所描述的实施例仅仅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。
本发明的目的是提供一种地铁深基坑施工安全预警及辅助决策方法及系统,对基坑空间进行分区,对每一分区分别进行地质参数反演以及状态预测,能够大大提高基坑状态预测的准确性,并且对每一分区设置状态预警阈值,准确的进行施工安全预警进而进行辅助决策。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示,本实施例提供一种地铁深基坑施工安全预警及辅助决策方法,包括:
S1:获取地铁深基坑的物理数据;所述物理数据包括基坑实体信息、基坑状态信息和基坑环境信息;所述基坑实体信息为基坑尺寸数据;所述基坑状态信息为基坑受力和变形数据。
物理数据是现场物理模型(现实中的基坑)由各类传感器测量得到,数据量随时间增加,其中包含基坑实体信息、基坑状态信息和基坑周边环境信息等。
基坑实体信息是指基坑的空间几何尺寸和设计的围护结构尺寸及空间位置,基坑的空间几何尺寸包括基坑长度、宽度、深度,围护结构尺寸及空间位置包括围护结构的类型(地连墙、内支撑、连续桩等),围护结构长度、内支撑尺寸(长、宽、高)和基坑的相对位置。
基坑状态信息是基坑开挖后的基坑与围护结构的变形和受力情况及响应的测点位置信息,其中变形包括(基坑围护结构水平位移和顶部竖向位移,坑底土体竖向变形,坑外土体竖向变形,坑外深层土体水平变形),围护结构变形和受力(内支撑水平变形和竖向变形,内支撑轴力),测点位置信息(处于基坑的位置,如水平和竖向位置)。通过监测基坑测斜、内支撑轴力、锚索应力、地下水位、地表变形、基坑三维点云、天气信息(温度、降雨等)、周边荷载和邻近结构倾斜沉降数据进行基坑状态信息的构建。
基坑环境信息是指基坑所处的周围环境,环境信息分为水文地质、外荷载、临近敏感构建筑物(风险工程)等,其中水文地质包括地层(地层类型、地层参数(回弹模量、泊松比、重度、含水量、内摩擦角、粘聚力、剪胀角等)、地层埋深、地下水位高度、是否含有承压水等);外荷载(基坑周围堆载、堆载位置);临近敏感构建筑物(风险等级、控制标准、与基坑的空间位置(水平距离、竖向距离等))。
根据已有的工程信息(来自于物理模型的物理数据),建立基坑物理模型数据库,但由于物理模型数据库的数据量不足,会影响预测模型的准确性,对此需要进行数据的扩充。所以在步骤2之前还包括:
(1)建立不同支护类型的基坑数字化模型;
通过FLAC3D有限差分软件,对由端头井和中间常规段组成的基坑分别建立各种常用围护形式(挡墙支护、桩排支护、地连墙内支撑、地连墙锚索) 等常用类型的数值模型,将环境因素考虑进数值模型,并对各类支护的数字化模型计算进行封装建立模板库。
(2)对不同支护类型的所述基坑数字化模型进行多因素水平试验,得到试验数据。
基于封装的数字化模型模板,采用多因素水平试验设计。
(3)将所述试验数据和所述物理数据合并作为后续训练数据库。合并后的数据用于对所述地铁深基坑进行分区、所述第一CSA-BPNN神经网络和所述第一CSA-BPNN神经网络的训练。
S2:基于所述物理数据应用K-Means算法对所述地铁深基坑进行分区。为了提高聚类结果的准确性,这里的物理数据可以采用合并后的数据。
其中,步骤S2具体包括:
S21:采用主成分分析法对所述合并后的数据进行预处理,所述预处理包括降维,并将冗余的数据进行剔除和重新组合。
S22:将预处理后的数据中包含预设百分比数信息的数据提取出来并应用K-Means算法对所述地铁深基坑进行分区。例如,将代表整体90%信息的参数作为K-Means算法的输入数据,并根据K-means计算得到基坑空间效应分区数和分区参数的分布情况。
K-means算法:
a.确定K-means聚类算法的最佳聚类参数K:采用Gap statistic方法, Gap(K)=E(logDk)-logDk,其中Dk为损失函数,这里E(logDk)指的是logDk的期望。这个数值通过蒙特卡洛模拟产生,在历史基坑状态样本库里所在的区域中按照均匀分布随机产生和原始样本数一样多的随机样本库,并对这个随机样本调整k(基坑空间效应分区数)并做K-Means,从而得到一个分区误差Dk。如此往复多次,通常20次,可以得到20个logDk。对这20个数值求平均值,就得到了E(logDk)的近似值。最终可以计算Gap statisitc。而Gap statistic取得最大值所对应的k就是最佳的基坑空间效应分区数量。
b.每个基坑历史状态数据集中不同位置的基坑样本分别计算样本到k个聚类中心的距离,并根据其与k个聚类中心的距离分类,将其划分到距离最小的一个k代表的类别里;
c.调整k个聚类中心的位置,改变k个聚类中心位置,重复步骤b,直到符合终止条件(所有点到其分类中心k的总距离最小),此时获得基坑空间效应分区数量k,以及分区在空间上对应的基坑位置。
S3:对每一分区,以所述基坑实体信息和所述基坑环境信息以及对应的所述基坑状态信息为输入,以地质参数为标签训练第一CSA-BPNN神经网络,得到地质参数预测模型;所述地质参数包括弹性模量和内摩擦角。
低敏感性的参数通过地质报告获得,而影响比较大的参数通过参数反演获得。为了在地质参数反演中减小计算量,将对最终基坑状态信息影响较小的基坑基坑实体信息和基坑环境信息不作为参数反演的目标参数。将训练模型中的基坑状态信息作为目标,将基坑实体信息和基坑环境信息作为影响因素,分析二者间参数间的相关性,采用Morris全局敏感性参数计算方法,计算基坑状态信息对应的各参数(基坑实体和基坑环境信息参数)的敏感性参数,根据敏感性参数确定主要影响因素和次要影响因素;在不同的状态阶段和不同的基坑区域进行参数敏感性分析,将分析结果作为分区地质参数反演的参考参数。
为了后续的参数反演进行参数的敏感性分析,确定主要影响参数,减少后续的参数反演的计算量。步骤S3具体包括:
对每一分区,利用参数敏感性分析方法确定所述物理数据中的关键基坑实体信息和关键基坑环境信息。
其中,敏感性分析所述采用的公式为:
式中:q为水平测试的水平总数;Yi为第i水平的计算值;Yi+1为i+1水平的计算值;Pi为第i水平的参数值;Pi+1为第i+1水平参数值;Y0为计算结果初始值;P0为计算参数的初始值。
以所述关键基坑实体信息和所述关键基坑环境信息以及对应的所述基坑状态信息为输入,以所述地质参数为标签训练第一CSA-BPNN神经网络,得到所述地质参数预测模型。
克隆选择算法(CSA)优化权重、阈值和每层神经元个数的负反馈调节神经网络(BPNN)进行各区的地质参数预测,将基坑区域围护结构响应值(受力和变形情况)作为输入,将地质参数(弹性模量、内摩擦角等)作为输出;采用建立的训练数据库进行模型训练。
S4:将所述物理数据输入至地铁深基坑数字孪生模型进行仿真预测,输出仿真数据,并将所述仿真数据输入至所述地质参数预测模型中,得到地质参数预测值。
基于深基坑物理模型构建数字孪生模型,将物理数据输入到数字孪生模型中后,能够承载基坑物理实体的属性信息,将模型的运行过程可视化。地铁深基坑数字孪生模型基于输入的物理数据进行仿真模拟,实时输出仿真数据。
S5:将所述地质参数预测值、所述基坑实体信息和所述基坑环境信息为输入,所述基坑状态信息为标签训练第二CSA-BPNN神经网络,得到基坑状态预测模型。
CSA-BPNN算法:(以变形预测为例)
a.创建BPNN网络,采用一个N层的神经网络模型,输入与隐藏层间用 ELU(Exponential LinearUnits)函数,ELU函数如下:
训练函数选择traingd,隐藏层传递函数和隐层与输出层函数选择Tanh函数。
输入参数为基坑几何参数、力学参数和地质参数,输出参数为基坑位移响应。
b.将BPNN的神经网络的学习率η、隐藏层数N和每层神经元个数mi作为CSA算法的优化目标函数。
c.CSA-BPNN模型训练,利用建立训练数据库归一化建立训练数据集,在基于建立的数据集,将数据集划分为三个集合,分别为训练集、验证集和测试集,三者之间的比例为7:1.5:1.5。
d.利用训练集和验证集确定BPNN模型最佳参数,设置学习率η、隐藏层数N和每层神经元个数mi,在该参数下训练M-times,采用验证集计算该参数下训练的模型其误差,如果误差不满足预设误差,则调整新的学习率η、隐藏层数N和每层神经元个数mi,再重新训练M-times,直至满足预设误差,或训练的模型预测误差达到最小值,输出最优的学习率η、隐藏层数N和每层神经元个数mi。
e.基于最佳的网络参数(学习率η、隐藏层数N和每层神经元个数mi),进行BPNN在该架构(等效于模型的参数)下的最佳超参数与网络结构参数的优化训练,提高模型训练效率和预测精度,模型训练完毕后进行模型测试。
解释:BPNN的训练精度与适配度主要根据其网络结构有关,因此需要在该训练库下选择适用于基坑变形预测的网格结构参数,所以通过不断的不同水平的试算与CSA协助调整参数(寻优,CSA为克隆选择算法),目的找到最适合该训练数据库的网络架构。
将已建立的训练数据集,结合利用分区地质参数反演得到的地质参数、基坑实体、基坑环境参数作为输入,将基坑状态参数为输出,对建立的CSA-BPNN 模型进行训练,直至达到目标精度,完成预测模型的训练。
S6:将所述地铁深基坑数字孪生模型输出的所述地质参数预测值、基坑实体仿真信息和基坑环境仿真信息输入到所述基坑状态预测模型中,得到每一所述分区的基坑状态预测值。
根据CSA-BPNN基坑分区参数反演校准地质参数,将校正的地质参数、基坑实体和环境信息代入训练好的模型预测下一施工阶段基坑状态信息,同时还可以通过封装的数字化建模模板库(各类支护的数字化模型计算进行封装) 预测分区的基坑状态信息。
S7:根据每一所述分区的基坑状态预测值进行施工安全预警及辅助决策。
其中,步骤S7具体包括:
(1)基于所述地铁深基坑的物理模型,对每一所述分区设置基坑状态预警值。
根据基坑的安全等级和周围环境安全保护等级,分别选取基坑各区域的基坑安全状态阈值。
(2)将每一所述分区的所述基坑状态预测值与对应的所述基坑状态预警值进行比较进行施工安全预警及辅助决策。
当预测基坑状态值超过设定的安全状态阈值,现场基坑监测频率增加,及时通过服务器向工程施工、设计、建立和管理方发送预警信息。
基坑状态出现安全风险预警后的施工辅助决策(例如:现场施工引起基坑状态处于危险,通过数字孪生模型排查,发现因为现场施工因为地下水突然升高造成的状态超限,对于该类提供了施工控制措施,结合目前的基坑状态信息、实体和环境信息,分析何中控制措施的控制效率最高,为施工技术人员提供施工决策的辅助。将可能造成风险的原因库总结如下,如后续出现超过该覆盖范围的情况及时进行补充。因为出现风险点后增加了辅助措施,这对于前文所提的第二CSA-BPNN的基坑状态预测方法应用造成影响,对于这类特殊情况,采用封装的数字化建模模板库)。
基坑预警后的应急辅助决策:
a.水文地质风险:当基坑开挖突然出现暴露地质情况与勘察不一致导致基坑状态增加,可通过增强局部支撑,辅以局部区域注浆加固以增强对其控制效果;当因极端降雨等情况导致基坑影响范围地下水位上升,应增加地表导水和基坑排水,同时增强基坑状态监测,必要时增强结构局部支护防止基坑坍塌事故发生。通过数字化建模模板库对地质突变和地下水位变化基坑状态预测,并分析施作辅助措施后的状态控制效果。
b.周边环境风险:周边地下管线、建筑物、隧道等情况,施工前根据风险评级和专家意见制定施工方案,严格控制基坑开挖引起的既有结构的状态,加强基坑监测,必要时可采取注浆加固地层,增加基坑钢支撑,加固既有结构等,并通过数字化建模模板库分析状态控制效果。
c.重点保护工程:当基坑工程在古建筑、精密实验室或重大工程附近施工,加强施工过程监测,及时根据基坑状态监测数据和预警信息,及时采取必要的辅助措施:加强支护(控制扰动源)、隔离桩(阻断传播途径)和既有结构加固(加固既有结构),确保重点保护工程安全,并通过数字化建模模板库分析状态控制效果。
d.基坑支撑失效和基坑边超载:当基坑发生堆在超限等情况,应分析监控量测信息,及时组织专家对预警信息和基坑历史信息分析判断,判断基坑围护结构是否稳定,是否需要增加辅助支护措施,并通过数字化建模模板库分析状态控制效果,及时规避可能的基坑施工风险。
e.冰冻:基坑工程不可避免遇到冬季施工,冬季施工引起的喷射混凝土不密实、掉块、强度低和锚索失效等问题引起地面沉降和开裂,采取详尽的冬季施工专项方案,避免发生重大的安全隐患。
本实施例中,1、基于基坑时空效应的分区(基坑不同区域状态规律和特点,进行分区预测和预警);2、基坑状态分区预测:利用动态监控数据和人工智能算法修正土体参数,通过人工智能算法和封装的数字化模型进行基坑状态动态预测;3、基坑安全预警和辅助决策(通过分区地质参数反演结合封装的数字化建模模板库与第二CSA-BPNN的基坑状态预测,实现基坑安全预测、辅助决策和风险分类辅助措施效果预测)。
现有基坑预测不能考虑基坑的时空效应,传统的预测算法未考虑基坑地质的空间效应,导致基坑未分块细化预测及控制,未能对施工辅助措施效果进行评价,不利于基坑预警后的快速应急决策。
因此,与现有技术相比,本实施例的方法,结合特征的基坑状态特征,建立基于基坑空间效应的分区方法,对不同区域基坑状态进行分区精细化监测、准确预测和预警;使用动态监测数据实施校准基坑地质参数,实现对基坑状态预测的准确性,并结合封装的数字化建模对状态预测和辅助效果预测,为辅助决策提供参考;建立了响应的预警和应急辅助决策系统,提高了地铁深基坑施工安全。
实施例2
本实施例提供一种地铁深基坑施工安全预警及辅助决策系统,包括:
基坑物理数据获取模块T1,用于获取地铁深基坑的物理数据;所述物理数据包括基坑实体信息、基坑状态信息和基坑环境信息;所述基坑实体信息为基坑尺寸数据;所述基坑状态信息为基坑受力和变形数据;
分区模块T2,用于基于所述物理数据应用K-Means算法对所述地铁深基坑进行分区。
具体的,所述分区模块T2具体包括:
数据预处理单元,用于采用主成分分析法对所述合并后的数据进行预处理,所述预处理包括降维,并将冗余的数据进行剔除和重新组合;
分区单元,用于将预处理后的数据中包含预设百分比数信息的数据提取出来并应用K-Means算法对所述地铁深基坑进行分区。
地质参数预测模型构建模块T3,用于对每一分区,以所述基坑实体信息和所述基坑环境信息以及对应的所述基坑状态信息为输入,以地质参数为标签训练第一CSA-BPNN神经网络,得到地质参数预测模型;所述地质参数包括弹性模量和内摩擦角。
具体的,所述地质参数预测模型构建模块T3具体包括:
关键参数获取单元,用于对每一分区,利用参数敏感性分析方法确定所述物理数据中的关键基坑实体信息和关键基坑环境信息;
训练单元,用于以所述关键基坑实体信息和所述关键基坑环境信息以及对应的所述状态信息为输入,以所述地质参数为标签训练第一CSA-BPNN神经网络,得到所述地质参数预测模型。
地质参数预测模块T4,用于将所述物理数据输入至地铁深基坑数字孪生模型进行仿真预测,输出仿真数据,并将所述仿真数据输入至所述地质参数预测模型中,得到地质参数预测值。
基坑状态预测模型构建模块T5,用于将所述地质参数预测值、所述基坑实体信息和所述基坑环境信息为输入,所述基坑状态信息为标签训练第二 CSA-BPNN神经网络,得到基坑状态预测模型。
基坑状态预测模块T6,用于将基于所述地铁深基坑数字孪生模型得到的所述地质参数预测值、基坑实体仿真信息和基坑环境仿真信息输入到所述基坑状态预测模型中,得到每一所述分区的基坑状态预测值;
预警及决策模块T7,用于根据每一所述分区的基坑状态预测值进行施工安全预警及辅助决策。
其中,所述预警及决策模块T7具体包括:
状态预警阈值设置单元,用于基于所述地铁深基坑的物理模型,对每一所述分区设置基坑状态预警值;
预警及决策单元,用于将每一所述分区的所述基坑状态预测值与对应的所述基坑状态预警值进行比较进行施工安全预警及辅助决策。
所述系统还包括:数据扩充模块T8;所述数据扩充模块T8包括:
基坑数字化模型构建单元T81,用于建立不同支护类型的基坑数字化模型;
试验数据获取单元T82,用于对不同支护类型的所述基坑数字化模型进行多因素水平试验,得到试验数据;
数据合并单元T83,用于将所述试验数据和所述物理数据合并;合并后的数据用于对所述地铁深基坑进行分区、所述第一CSA-BPNN神经网络和所述第二CSA-BPNN神经网络的训练。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种地铁深基坑施工安全预警及辅助决策方法,其特征在于,包括:
获取地铁深基坑的物理数据;所述物理数据包括基坑实体信息、基坑状态信息和基坑环境信息;所述基坑实体信息为基坑尺寸数据;所述基坑状态信息为基坑受力和变形数据;
基于所述物理数据应用K-Means算法对所述地铁深基坑进行分区;
对每一分区,以所述基坑实体信息和所述基坑环境信息以及对应的所述基坑状态信息为输入,以地质参数为标签训练第一CSA-BPNN神经网络,得到地质参数预测模型;所述地质参数包括弹性模量和内摩擦角;
将所述物理数据输入至地铁深基坑数字孪生模型进行仿真预测,输出仿真数据,并将所述仿真数据输入至所述地质参数预测模型中,得到地质参数预测值;
以所述地质参数预测值、所述基坑实体信息和所述基坑环境信息为输入,所述基坑状态信息为标签训练第二CSA-BPNN神经网络,得到基坑状态预测模型;
将基于所述地铁深基坑数字孪生模型得到的所述地质参数预测值、基坑实体仿真信息和基坑环境仿真信息输入到所述基坑状态预测模型中,得到每一所述分区的基坑状态预测值;
根据每一所述分区的基坑状态预测值进行施工安全预警及辅助决策。
2.根据权利要求1所述的方法,其特征在于,所述基于所述物理数据应用K-Means算法对所述地铁深基坑进行分区之前还包括:
建立不同支护类型的基坑数字化模型;
对不同支护类型的所述基坑数字化模型进行多因素水平试验,得到试验数据;
将所述试验数据和所述物理数据合并;合并后的数据用于对所述地铁深基坑进行分区、所述第一CSA-BPNN神经网络和所述第二CSA-BPNN神经网络的训练。
3.根据权利要求2所述的方法,其特征在于,所述基于所述物理数据应用K-Means算法对所述地铁深基坑进行分区,具体包括:
采用主成分分析法对所述合并后的数据进行预处理,所述预处理包括降维,并将冗余的数据进行剔除和重新组合;
将预处理后的数据中包含预设百分比数信息的数据提取出来并应用K-Means算法对所述地铁深基坑进行分区。
4.根据权利要求1或2所述的方法,其特征在于,所述对每一分区,以所述基坑实体信息和所述基坑环境信息以及对应的所述状态信息为输入,以地质参数为标签训练第一CSA-BPNN神经网络,得到地质参数预测模型,具体包括:
对每一分区,利用参数敏感性分析方法确定所述物理数据中的关键基坑实体信息和关键基坑环境信息;
以所述关键基坑实体信息和所述关键基坑环境信息以及对应的所述基坑状态信息为输入,以所述地质参数为标签训练第一CSA-BPNN神经网络,得到所述地质参数预测模型。
5.根据权利要求1所述的方法,其特征在于,所述根据每一所述分区的基坑状态预测值进行施工安全预警及辅助决策,具体包括:
基于所述地铁深基坑的物理模型,对每一所述分区设置基坑状态预警值;
将每一所述分区的所述基坑状态预测值与对应的所述基坑状态预警值进行比较,进行施工安全预警及辅助决策。
6.一种基于权利要求1至5任一项所述的方法的地铁深基坑施工安全预警及辅助决策系统,其特征在于,包括:
基坑物理数据获取模块,用于获取地铁深基坑的物理数据;所述物理数据包括基坑实体信息、基坑状态信息和基坑环境信息;所述基坑实体信息为基坑尺寸数据;所述基坑状态信息为基坑受力和变形数据;
分区模块,用于基于所述物理数据应用K-Means算法对所述地铁深基坑进行分区;
地质参数预测模型构建模块,用于对每一分区,以所述基坑实体信息和所述基坑环境信息以及对应的所述状态信息为输入,以地质参数为标签训练第一CSA-BPNN神经网络,得到地质参数预测模型;所述地质参数包括弹性模量和内摩擦角;
地质参数预测模块,用于将所述物理数据输入至地铁深基坑数字孪生模型进行仿真预测,输出仿真数据,并将所述仿真数据输入至所述地质参数预测模型中,得到地质参数预测值;
基坑状态预测模型构建模块,用于将所述地质参数预测值、所述基坑实体信息和所述基坑环境信息为输入,所述基坑状态信息为标签训练第二CSA-BPNN神经网络,得到基坑状态预测模型;
基坑状态预测模块,用于将基于所述地铁深基坑数字孪生模型得到的所述地质参数预测值、基坑实体仿真信息和基坑环境仿真信息输入到所述基坑状态预测模型中,得到每一所述分区的基坑状态预测值;
预警及决策模块,用于根据每一所述分区的基坑状态预测值进行施工安全预警及辅助决策。
7.根据权利要求6所述的系统,其特征在于,所述系统还包括:数据扩充模块;所述数据扩充模块包括:
基坑数字化模型构建单元,用于建立不同支护类型的基坑数字化模型;
试验数据获取单元,用于对不同支护类型的所述基坑数字化模型进行多因素水平试验,得到试验数据;
数据合并单元,用于将所述试验数据和所述物理数据合并;合并后的数据用于对所述地铁深基坑进行分区、所述第一CSA-BPNN神经网络和所述第二CSA-BPNN神经网络的训练。
8.根据权利要求7所述的系统,其特征在于,所述分区模块具体包括:
数据预处理单元,用于采用主成分分析法对所述合并后的数据进行预处理,所述预处理包括降维,并将冗余的数据进行剔除和重新组合;
分区单元,用于将预处理后的数据中包含预设百分比数信息的数据提取出来并应用K-Means算法对所述地铁深基坑进行分区。
9.根据权利要求7所述的系统,其特征在于,所述地质参数预测模型构建模块具体包括:
关键参数获取单元,用于对每一分区,利用参数敏感性分析方法确定所述物理数据中的关键基坑实体信息和关键基坑环境信息;
训练单元,用于以所述关键基坑实体信息和所述关键基坑环境信息以及对应的所述状态信息为输入,以所述地质参数为标签训练第一CSA-BPNN神经网络,得到所述地质参数预测模型。
10.根据权利要求6所述的方法,其特征在于,所述预警及决策模块具体包括:
状态预警阈值设置单元,用于基于所述地铁深基坑的物理模型,对每一所述分区设置基坑状态预警值;
预警及决策单元,用于将每一所述分区的所述基坑状态预测值与对应的所述基坑状态预警值进行比较进行施工安全预警及辅助决策。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211036435.2A CN115423167A (zh) | 2022-08-29 | 2022-08-29 | 一种地铁深基坑施工安全预警及辅助决策方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211036435.2A CN115423167A (zh) | 2022-08-29 | 2022-08-29 | 一种地铁深基坑施工安全预警及辅助决策方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115423167A true CN115423167A (zh) | 2022-12-02 |
Family
ID=84200948
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211036435.2A Pending CN115423167A (zh) | 2022-08-29 | 2022-08-29 | 一种地铁深基坑施工安全预警及辅助决策方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115423167A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115840889A (zh) * | 2023-02-17 | 2023-03-24 | 中国空气动力研究与发展中心计算空气动力研究所 | 用于转捩预测的特征值的处理方法、装置、设备及介质 |
CN116151628A (zh) * | 2023-04-19 | 2023-05-23 | 深圳市岩土综合勘察设计有限公司 | 隧道施工中地面沉降的监测与预警系统 |
CN116307385A (zh) * | 2023-03-16 | 2023-06-23 | 深圳市勘察测绘院(集团)有限公司 | 一种基于极端环境勘探作业档案数据分析方法 |
CN117633999A (zh) * | 2023-12-22 | 2024-03-01 | 中交第三航务工程局有限公司 | 一种基于地下水位的深基坑安全评估方法及系统 |
-
2022
- 2022-08-29 CN CN202211036435.2A patent/CN115423167A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115840889A (zh) * | 2023-02-17 | 2023-03-24 | 中国空气动力研究与发展中心计算空气动力研究所 | 用于转捩预测的特征值的处理方法、装置、设备及介质 |
CN115840889B (zh) * | 2023-02-17 | 2023-05-26 | 中国空气动力研究与发展中心计算空气动力研究所 | 用于转捩预测的特征值的处理方法、装置、设备及介质 |
CN116307385A (zh) * | 2023-03-16 | 2023-06-23 | 深圳市勘察测绘院(集团)有限公司 | 一种基于极端环境勘探作业档案数据分析方法 |
CN116307385B (zh) * | 2023-03-16 | 2023-08-25 | 深圳市勘察测绘院(集团)有限公司 | 一种基于极端环境勘探作业档案数据分析方法 |
CN116151628A (zh) * | 2023-04-19 | 2023-05-23 | 深圳市岩土综合勘察设计有限公司 | 隧道施工中地面沉降的监测与预警系统 |
CN116151628B (zh) * | 2023-04-19 | 2023-07-07 | 深圳市岩土综合勘察设计有限公司 | 隧道施工中地面沉降的监测与预警系统 |
CN117633999A (zh) * | 2023-12-22 | 2024-03-01 | 中交第三航务工程局有限公司 | 一种基于地下水位的深基坑安全评估方法及系统 |
CN117633999B (zh) * | 2023-12-22 | 2024-05-24 | 中交第三航务工程局有限公司 | 一种基于地下水位的深基坑安全评估方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Prediction of lining response for twin tunnels constructed in anisotropic clay using machine learning techniques | |
Oh et al. | Neural network-based seismic response prediction model for building structures using artificial earthquakes | |
CN115423167A (zh) | 一种地铁深基坑施工安全预警及辅助决策方法及系统 | |
Qin et al. | Model updating in complex bridge structures using kriging model ensemble with genetic algorithm | |
Naghadehi et al. | A new open-pit mine slope instability index defined using the improved rock engineering systems approach | |
Yang et al. | Improved PLS and PSO methods-based back analysis for elastic modulus of dam | |
CN104989456B (zh) | 一种大跨度地下工程开挖围岩稳定性监测预警方法 | |
Huang et al. | Fragility assessment of tunnels in soft soils using artificial neural networks | |
Lu et al. | Prediction method of bridge static load test results based on Kriging model | |
Rezaei et al. | Vertical displacement estimation in roof and floor of an underground powerhouse cavern | |
Behnia et al. | Predicting crest settlement in concrete face rockfill dams using adaptive neuro-fuzzy inference system and gene expression programming intelligent methods | |
Luo et al. | A deep learning prediction model for structural deformation based on temporal convolutional networks | |
CN103205972A (zh) | 一种分析基坑变形与坑外地面沉降关系的方法 | |
Kovačević et al. | Application of neural networks for the reliability design of a tunnel in karst rock mass | |
Johari et al. | A genetic-based model to predict maximum lateral displacement of retaining wall in granular soil | |
Jia et al. | Bridge seismic damage assessment model applying artificial neural networks and the random forest algorithm | |
Lin et al. | Ensemble model for risk status evaluation of excavation | |
Mrówczyńska et al. | The network structure evolutionary optimization to geodetic monitoring in the aspect of information entropy | |
CN115828374A (zh) | 适用于复合地层隧道施工期非均匀变形预测方法及系统 | |
Mohammadi et al. | Stochastic optimization model for determining support system parameters of a subway station | |
CN113221434A (zh) | 一种基坑变形预测方法 | |
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 | |
Ghorbani et al. | Evaluation of Induced Settlements of Piled Rafts in the Coupled Static‐Dynamic Loads Using Neural Networks and Evolutionary Polynomial Regression | |
Kumar et al. | Integration of AFELA and machine learning for analysis of shallow foundation over horseshoe tunnel in rock mass | |
Zhao et al. | Prediction of ground subsidence by shield tunneling using ensemble learning |
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 |