CN115577626A - 一种基于土质参数量化的地面沉降预测方法及系统 - Google Patents

一种基于土质参数量化的地面沉降预测方法及系统 Download PDF

Info

Publication number
CN115577626A
CN115577626A CN202211217491.6A CN202211217491A CN115577626A CN 115577626 A CN115577626 A CN 115577626A CN 202211217491 A CN202211217491 A CN 202211217491A CN 115577626 A CN115577626 A CN 115577626A
Authority
CN
China
Prior art keywords
data
soil
soil property
prediction
ground settlement
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
Application number
CN202211217491.6A
Other languages
English (en)
Inventor
刘�文
陈阳阳
李昂
丁剑辉
陈阳
刘文黎
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.)
Huazhong University of Science and Technology
CCCC Second Harbor Engineering Co
Original Assignee
Huazhong University of Science and Technology
CCCC Second Harbor Engineering Co
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 Huazhong University of Science and Technology, CCCC Second Harbor Engineering Co filed Critical Huazhong University of Science and Technology
Priority to CN202211217491.6A priority Critical patent/CN115577626A/zh
Publication of CN115577626A publication Critical patent/CN115577626A/zh
Pending legal-status Critical Current

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
    • G06F30/27—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)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Excavating Of Shafts Or Tunnels (AREA)

Abstract

本发明属于盾构隧道工程领域，并具体公开了一种基于土质参数量化的地面沉降预测方法及系统，其包括如下步骤：获取隧道结构数据、盾构运行数据和土质数据；采用多层土壤系统转化方法对土质数据进行转化，对转化后的土质数据和隧道结构数据、盾构运行数据进行标准化，得到数据集；根据数据集对机器学习模型进行训练，选取超参数最优的机器学习模型作为预测模型，将该预测模型用于预测盾构施工引起的最大地面沉降。本发明将隧道结构参数、盾构机运行参数和土质参数作为机器学习模型的输入，特别对于土质数据，采用多层土壤系统转化方法处理横截面，能够提高对于盾构施工引起的地面沉降变形的预测能力。

Description

一种基于土质参数量化的地面沉降预测方法及系统
技术领域
本发明属于盾构隧道工程领域，更具体地，涉及一种基于土质参数量化的地面沉降预测方法及系统。
背景技术
城市化进程中基础设施建设需求的快速增长，导致城市土地资源严重短缺，空间供需矛盾日益突出。地铁隧道是城市地下空间工程建设的一个重要方面，隧道开挖通常采用盾构法。遇到复合地层时，隧道开挖过程中原始地层和应力场的变化比均质地层更复杂，开挖风险更大。这会导致相邻表面的不均匀沉降，从而影响周围建筑物的安全。为了减少盾构隧道施工造成的破坏并最大限度地减少对周围环境的不利影响，工程师必须更好估计地表沉降的规律性。
一些研究人员试图开发预测隧道诱发地表沉降的方法，包括经验方法、二维(2D)和三维(3D)数值方法，以及机器学习(ML)和人工智能(AI)方法。其中，ML和AI方法发展最快。然而，机器学习和人工智能方法的广泛使用不仅促进了隧道诱发沉降预测的研究，而且也带来了一些挑战。
大量的实践表明，土质特性的表征对ML模型有着重要影响。土质特性与地表沉降密切相关，现有的机器学习算法应用的土质物理力学参数处理方法相对简单。例如使用加权平均方法计算钻孔处的土壤压缩模量作为ML模型地质条件的输入特征。取平均或加权平均的方法，其处理过程和结果难以描述地质剖面的土质特性复杂性。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于土质参数量化的地面沉降预测方法及系统，其目的在于，从土力学的角度来处理盾构隧道工程中土质数据，提高对于盾构施工引起的地面沉降预测能力。
为实现上述目的，按照本发明的一方面，提出了一种基于土质参数量化的地面沉降预测方法，包括如下步骤：
获取隧道结构数据、盾构运行数据和土质数据；采用多层土壤系统转化方法对土质数据进行转化，对转化后的土质数据和隧道结构数据、盾构运行数据进行标准化，得到数据集；
根据数据集对机器学习模型进行训练，选取超参数最优的机器学习模型作为预测模型，将该预测模型用于预测盾构施工引起的最大地面沉降。
作为进一步优选的，所述多层土壤系统转化方法，具体为：
Figure BDA0003876797360000021
其中，n为土的总层数，Hi和Ei分别是第i层土的厚度和弹性模量，μi和μn是分别是第i和第n层土的泊松比，H是n层土厚度的总和，Ee是转化后的土质数据。
作为进一步优选的，将数据集划分为训练集和测试集；对于训练集，在训练机器学习模型时采用交叉验证方法，即将训练集分为多个子集，轮流将其中部分子集用于训练，剩余子集用作测试。
作为进一步优选的，采用AdaBoost机器学习模型，根据训练集对AdaBoost机器学习模型进行训练，并通过贝叶斯优化算法选取模型的最优超参数组合。
作为进一步优选的，进行贝叶斯优化时，采用最小化目标函数值选取最优超参数组合，具体的：
对机器学习模型超参数集合中的任一组超参数组合：根据训练集对机器学习模型进行训练及测试，测试后得到负决定系数-R2；
当
Figure BDA0003876797360000031
最小时，其对应的超参数组合即为最优超参数组合。
作为进一步优选的，对任一组超参数组合，通过交叉验证方法对机器学习模型进行多次训练及测试，取多次交叉验证结果的平均值作为其最终的决定系数。
作为进一步优选的，决定系数R2的计算式如下：
Figure BDA0003876797360000032
其中，n指用于测试的样本总数，yi是第i个样本的记录沉降值，
Figure BDA0003876797360000033
是第i个样本的预测沉降值，
Figure BDA0003876797360000034
是记录沉降值的平均值。
作为进一步优选的，得到预测模型后，通过测试集计算预测模型的决定系数R2，从而评估预测模型的预测精度，R2值越大，说明预测模型的预测精度越高。
作为进一步优选的，转化后的土质数据、隧道结构数据、盾构运行数据均为样本数据，对样本数据进行标准化，具体为：
Figure BDA0003876797360000035
其中，x为待标准化的样本数据，
Figure BDA0003876797360000036
为初始样本数据的均值，σ为初始样本数据的标准差，x*是标准化后的值。
按照本发明的另一方面，提供了一种基于土质参数量化的地面沉降预测系统，其包括处理器，所述处理器用于执行如上述基于土质参数量化的地面沉降预测方法。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，主要具备以下的技术优点：
1、本发明提出一种复合土层土质特性处理方法，从土力学的角度来处理盾构隧道工程中土质特性的表征，解决机器学习输入指标构建过程中复杂地质剖面描述难的问题，经过处理后的数据集，对于因隧道施工诱导的地表沉降预测能力显著提高；同时结合机器学习模型，实现对于盾构施工引起的地面沉降的准确预测。
2、本发明提出一种基于AdaBoost算法的沉降预测模型，解决盾构施工诱导的地面沉降预测问题；该基于AdaBoost算法的沉降预测模型，预测精度高，泛化能力好，为盾构施工诱导的地表沉降提供了良好的预测手段。
附图说明
图1为本发明实施例基于土质参数量化的地面沉降预测方法流程图；
图2是本发明实施例多层土壤系统转化方法示意图；
图3是本发明实施例数据集数据转换后数据分布示意图；
图4是本发明实施例数据集两种土质数据处理方法箱型图；
图5是本发明实施例数据集数据转换后沉降预测值图。
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。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明实施例提供的一种基于土质参数量化的地面沉降预测方法，如图1所示，包括如下步骤：
S1：获取当地盾构案例数据建立数据库，数据库收集的数据种类包括隧道结构数据、盾构运行数据和土质数据。
S2：对数据库中土质参数进行处理。根据当地的地质勘探资料，建立地下盾构区间地下空间模型，根据地下空间模型对土质数据进行处理，具体采用多层土壤系统转化方法处理横截面处的土质数据。
进一步的，多层土壤系统转化方法具体表示为：
Figure BDA0003876797360000051
其中，Hi和Ei分别是第i层土的厚度和弹性模量，μi和μn是分别是第i和第n层土的泊松比，H是n层土厚度的总和，Ee是转化后的土质数据。
S3：对数据库中隧道结构数据、盾构运行数据和转化后的土质数据进行标准化处理，得到数据集，并制作训练集和测试集；
进一步的，标准化处理具体为：
Figure BDA0003876797360000052
其中，
Figure BDA0003876797360000053
为初始样本数据的均值，σ为原始数据的标准差，x*是标准化后的值。
进一步的，制作训练集和测试集具体为：
将数据集按一定比例划分为训练集和测试集。对于训练集，在训练模型时采用交叉验证方法；例如，将训练数据集分为10个子集，轮流将其中9个子集用于训练，剩余1个子集用作测试。
S4：将处理好的数据集输入AdaBoost机器学习模型进行训练，选取训练参数最优的AdaBoost机器学习模型作为预测模型，预测盾构施工引起的最大地表沉降。
进一步的，步骤S4具体包括以下步骤：
S4.1：盾构引起的地表横向沉降槽近似呈现为正态分布，通过大量的地表沉降数据和工程资料分析后得出，地表沉降主要与工程地质情况、施工方法和施工技术水平相关，将标准化处理的结构数据、盾构运行数据和转化后的土质数据作为训练参数。
S4.2：对AdaBoost超参数进行选择和调整，通过贝叶斯优化算法找到一组最合适的参数。贝叶斯优化方法采用最小化目标函数值的方法选取最合适的超参数。本发明采用负决定系数-R2作为超参数优化时的评价指标，根据划分的数据集，每次迭代过程中，取10次交叉验证结果的评价指标的平均值
Figure BDA0003876797360000061
作为超参数组合情况下模型的预测性能指标。当
Figure BDA0003876797360000062
取的最小值时，AdaBoost模型取得最优的超参数组合。决定系数R2计算方法如下所示：
Figure BDA0003876797360000063
其中，n指样本数，yi是记录值(即实际地面沉降值)，
Figure BDA0003876797360000064
是预测值(即模型预测出的地面沉降值)，
Figure BDA0003876797360000065
是记录值的平均值。
S4.3：采用最优超参数组优化AdaBoost模型，得到盾构施工引起的最大地表沉降预测模型。
进一步的，使用Python的Scikit-Learn库，利用优化后的AdaBoost机器学习模型，采用训练集数据重新训练模型，得到训练好的预测模型。
S5：运用指标对预测模型进行评估，测试预测模型的预测精度。
进一步的，对于任意一组训练样本，输出的预测沉降值与记录沉降值之间存在一定的误差，通过测试集，运用R2对预测模型进行评估，R2值越大，说明模型拥有更好的预测精度。
以下为具体实施例：
岩土层分布如图2左侧所示，采用多层土壤系统转化方法处理后，效果如图2右侧所示。数据集的分布图如图3所示，其中隧道横截面处土质数据采用多层土壤系统转化方法处理。图3中，横向从左到右(纵向从上到下)依次是覆土厚度、弹性模量、泊松比、掘进速度、总推力、土仓压力、注浆量、刀盘转速、刀盘扭矩、螺旋输送机转速、盾尾油脂、泡沫剂用量、地表沉降。
图4是多层土壤转换方法与加权平均方法处理土质数据的箱型图。
采用加权平均方法处理土质数据(F1)和多层土壤转换方法处理土质数据(F2)，分别得到两组不同数据处理方法得到的训练数据集，并且添加不带土质参数的训练数据集作为对照(F3)。采用三种训练数据集训练模型，得到的预测结果如图5所示，经过多层土壤转换方法处理后的预测模型，预测能力显著增强。
本发明针对盾构施工诱导的地表沉降预测问题，提出一种针对AdaBoost中输入指标的土质参数处理技术，采用多层土壤转换方法处理复合土层截面。经过处理后的数据集，对于因隧道施工诱导的地表沉降预测能力显著提高，对于盾构施工变形控制有重要的指导意义，对提高施工现场的数字化管理有参考意义。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于土质参数量化的地面沉降预测方法，其特征在于，包括如下步骤：
获取隧道结构数据、盾构运行数据和土质数据；采用多层土壤系统转化方法对土质数据进行转化，对转化后的土质数据和隧道结构数据、盾构运行数据进行标准化，得到数据集；
根据数据集对机器学习模型进行训练，选取超参数最优的机器学习模型作为预测模型，将该预测模型用于预测盾构施工引起的最大地面沉降。
2.如权利要求1所述的基于土质参数量化的地面沉降预测方法，其特征在于，所述多层土壤系统转化方法，具体为：
Figure FDA0003876797350000011
其中，n为土的总层数，Hi和Ei分别是第i层土的厚度和弹性模量，μi和μn是分别是第i和第n层土的泊松比，H是n层土厚度的总和，Ee是转化后的土质数据。
3.如权利要求1所述的基于土质参数量化的地面沉降预测方法，其特征在于，将数据集划分为训练集和测试集；对于训练集，在训练机器学习模型时采用交叉验证方法，即将训练集分为多个子集，轮流将其中部分子集用于训练，剩余子集用作测试。
4.如权利要求3所述的基于土质参数量化的地面沉降预测方法，其特征在于，采用AdaBoost机器学习模型，根据训练集对AdaBoost机器学习模型进行训练，并通过贝叶斯优化算法选取模型的最优超参数组合。
5.如权利要求4所述的基于土质参数量化的地面沉降预测方法，其特征在于，进行贝叶斯优化时，采用最小化目标函数值选取最优超参数组合，具体的：
对机器学习模型超参数集合中的任一组超参数组合：根据训练集对机器学习模型进行训练及测试，测试后得到负决定系数-R2；
当
Figure FDA0003876797350000021
最小时，其对应的超参数组合即为最优超参数组合。
6.如权利要求5所述的基于土质参数量化的地面沉降预测方法，其特征在于，对任一组超参数组合，通过交叉验证方法对机器学习模型进行多次训练及测试，取多次交叉验证结果的平均值作为其最终的决定系数。
7.如权利要求5所述的基于土质参数量化的地面沉降预测方法，其特征在于，决定系数R2的计算式如下：
Figure FDA0003876797350000022
其中，n指用于测试的样本总数，yi是第i个样本的记录沉降值，
Figure FDA0003876797350000023
是第i个样本的预测沉降值，
Figure FDA0003876797350000024
是记录沉降值的平均值。
8.如权利要求7所述的基于土质参数量化的地面沉降预测方法，其特征在于，得到预测模型后，通过测试集计算预测模型的决定系数R2，从而评估预测模型的预测精度，R2值越大，说明预测模型的预测精度越高。
9.如权利要求1-8任一项所述的基于土质参数量化的地面沉降预测方法，其特征在于，转化后的土质数据、隧道结构数据、盾构运行数据均为样本数据，对样本数据进行标准化，具体为：
Figure FDA0003876797350000025
其中，x为待标准化的样本数据，
Figure FDA0003876797350000026
为初始样本数据的均值，σ为初始样本数据的标准差，x*是标准化后的值。
10.一种基于土质参数量化的地面沉降预测系统，其特征在于，包括处理器，所述处理器用于执行如权利要求1-9任一项所述的基于土质参数量化的地面沉降预测方法。
CN202211217491.6A 2022-10-04 2022-10-04 一种基于土质参数量化的地面沉降预测方法及系统 Pending CN115577626A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211217491.6A CN115577626A (zh) 2022-10-04 2022-10-04 一种基于土质参数量化的地面沉降预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211217491.6A CN115577626A (zh) 2022-10-04 2022-10-04 一种基于土质参数量化的地面沉降预测方法及系统

Publications (1)

Publication Number Publication Date
CN115577626A true CN115577626A (zh) 2023-01-06

Family

ID=84582487

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211217491.6A Pending CN115577626A (zh) 2022-10-04 2022-10-04 一种基于土质参数量化的地面沉降预测方法及系统

Country Status (1)

Country Link
CN (1) CN115577626A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116108547A (zh) * 2023-04-11 2023-05-12 北京城建设计发展集团股份有限公司 盾构隧道内堆载设计和动态控制方法、系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116108547A (zh) * 2023-04-11 2023-05-12 北京城建设计发展集团股份有限公司 盾构隧道内堆载设计和动态控制方法、系统
CN116108547B (zh) * 2023-04-11 2023-06-20 北京城建设计发展集团股份有限公司 盾构隧道内堆载设计和动态控制方法、系统

Similar Documents

Publication Publication Date Title
CN112989708B (zh) 一种基于lstm神经网络的测井岩性识别方法及系统
CN113326660B (zh) 基于GA-XGBoost模型的隧道围岩挤压变形预测方法
CN112396130A (zh) 静力触探试验岩层智能识别方法、系统、计算机设备及介质
CN109101776B (zh) 基于挡墙侧移监测数据的基坑反分析方法
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
CN114723095A (zh) 缺失测井曲线预测方法及装置
CN115577626A (zh) 一种基于土质参数量化的地面沉降预测方法及系统
CN116384554A (zh) 机械钻速预测方法、装置、电子设备及计算机存储介质
CN115481565A (zh) 一种基于lstm和蚁群算法的土压平衡盾构机掘进参数预测方法
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
CN116050603A (zh) 基于混合智能方法的暗挖隧道变形预测和优化方法及设备
CN115982141A (zh) 一种针对时序数据预测的特征优化方法
CN116305850A (zh) 一种基于随机森林模型的地层热导率预测方法
CN113323676B (zh) 用主成分分析-长短记忆模型确定盾构机刀盘扭矩的方法
CN113156492B (zh) 一种应用于tbm隧道岩爆灾害实时智能预警方法
CN114564886A (zh) 一种基于地质参数量化的盾构掘进参数预测方法
Dong et al. Advanced prediction of the sinking speed of open caissons based on the spatial-temporal characteristics of multivariate structural stress data
CN114488297A (zh) 一种断层识别方法及装置
Zeng et al. Local coupled Markov chain model for simulating varied stratigraphy
Bian et al. Regional 3D geological modeling along metro lines based on stacking ensemble model
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
CN115293462B (zh) 一种基于深度学习的漏失通道尺寸范围预测方法
CN117333033A (zh) 复合地层盾构掘进速度预测方法、装置、设备及存储介质
CN118211174A (zh) 基于融合模型的隧道病害结构形变预测方法及系统
CN116861783A (zh) 基于BiRNN-FC-BO算法的基坑多监测点变形同时预测方法

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