CN116484576A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116484576A CN116484576A CN202310243610.3A CN202310243610A CN116484576A CN 116484576 A CN116484576 A CN 116484576A CN 202310243610 A CN202310243610 A CN 202310243610A CN 116484576 A CN116484576 A CN 116484576A
- Authority
- CN
- China
- Prior art keywords
- soil
- earth surface
- surface subsidence
- parameters
- shield
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000002689 soil Substances 0.000 claims abstract description 84
- 230000005641 tunneling Effects 0.000 claims abstract description 35
- 230000004044 response Effects 0.000 claims abstract description 34
- 238000010276 construction Methods 0.000 claims abstract description 22
- 238000012544 monitoring process Methods 0.000 claims abstract description 19
- 238000013461 design Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 10
- 230000004927 fusion Effects 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 238000011160 research Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims 2
- 238000000342 Monte Carlo simulation Methods 0.000 claims 1
- 239000004927 clay Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000004062 sedimentation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
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
-
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
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)
- Excavating Of Shafts Or Tunnels (AREA)
Abstract
本发明提供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，所述方法包括如下步骤：S1、确定土体参数，进行合理的正交设计，构造具有代表性的土体参数组合；S2、根据工程实际的土层情况和盾构施工情况建立相应的三维有限元模型，并按照正交设计依次输入不同的土体参数组，模拟盾构掘进，获得地表沉降数据集；S3、根据地表沉降数据集构建盾构不同掘进阶段下的响应面模型；S4、获得地表沉降的实时监测数据，利用马尔科夫蒙特卡洛融合所获得的地表沉降实时监测数据，更新土体参数；S5、将更新后的土体参数代入响应面模型，进行地表沉降预测。本发明能够快速融合现场监测值，更新土体参数，提高盾构掘进过程引起的地表沉降的预测能力。
Description
技术领域
本发明属于土建工程技术领域，尤其是涉及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。
背景技术
在人口密集的市区，地铁已经成为最受人们欢迎的出行方式。由于盾构施工效率高、环境扰动小和安全可靠性高，已经成为最常见的地铁施工方式。在地铁施工中，盾构掘进会产生土体扰动，引起隧道变形，可能导致结构破坏，如渗漏、管片错位以及衬砌裂缝等。也会使周边地表产生一定的沉降，当地表沉降过大时，会对周边建筑物和生态环境造成破坏。因此需要对施工中的盾构引起的地表沉降进行预测，并予以控制。
近年来，不少学者对盾构掘进引起的地表沉降问题展开研究，常用的研究方法包括：经验公式、数值模拟、解析法等，这些方法都是将土体参数直接代入到正向计算模型中，预测结果的准确性受土体参数可靠性的影响较大。尽管岩土体参数值可以通过现场原位试验和室内试验获得，但由于经济，时间等的限制，只能得到有限的信息，因此获得的土体参数存在一些不可避免的缺陷，包括采样点的代表性，测试样品的扰动等。收集并利用现场监测数据来进行土体参数反演是目前获取“真实”参数的有效方式。
在现有的研究中，通常将有限元模型作为贝叶斯更新中的计算模型，但三维有限元模型的计算复杂，在获得土体参数后验样本的过程中需要反复调用有限元模型，造成了极大的计算负担。
发明内容
本发明第一个目的在于，提供一种基于贝叶斯更新的隧道沉降预测方法。
为此，本发明的上述目的通过如下技术方案实现：
一种基于贝叶斯更新的隧道沉降预测方法，其特征在于：所述方法包括如下步骤：
S1、收集整理已有文献资料、工程地质勘察报告和工程师的工程经验确定土体参数，进行合理的正交设计，构造具有代表性的土体参数组合；
S2、根据工程实际的土层情况和盾构施工情况建立相应的三维有限元模型，并按照正交设计依次输入不同的土体参数组，模拟盾构掘进，获得地表沉降数据集；
S3、根据地表沉降数据集构建盾构不同掘进阶段下的响应面模型；
S4、获得地表沉降的实时监测数据，利用马尔科夫蒙特卡洛(MCMC)融合所获得的地表沉降实时监测数据，更新土体参数；
S5、将更新后的土体参数代入响应面模型，进行地表沉降预测。
在采用上述技术方案的同时，本发明还可以采用或者组合采用如下技术方案：
作为本发明的一种优选技术方案：步骤S1具体包括如下步骤：
根据工程施工前的地质勘察报告、已有的文献研究资料以及工程师或者专家的工程经验确定关键土体参数，包括：各土层的弹性模量及内摩擦角，并确定各参数取值的上下限；
在此基础上，采用正交设计构造一组小而有代表性的土体参数组合，均匀分布在参数空间中。
作为本发明的一种优选技术方案：步骤S2具体包括如下步骤：
采用Plaxis建立三维有限元数值模型，模拟盾构掘进施工过程，将步骤S1所得到的土体参数组依次输入三维有限元数值模型，获得对应的地表沉降计算值，得到盾构掘进过程中各阶段的地表沉降数据集。
作为本发明的一种优选技术方案：步骤S2中，通过Python和Plaxis的交互实现批量建立和运算有限元模型，自动读取地表沉降计算结果。
作为本发明的一种优选技术方案：步骤S3具体包括如下步骤：
响应面在本发明中的作用是使用多项式函数将地表沉降和步骤S2中输入的土体参数联系起来，一般形式是一个n维多项式。采用的响应面的形式为二阶多项式，通过土体参数组和对应的地表沉降构建不同掘进阶段对应的响应面模型。响应面模型可以替代有限元模型，作为贝叶斯更新中的计算模型，实现快速计算，降低计算成本。
作为本发明的一种优选技术方案：步骤S4具体包括如下步骤：
通过水准仪获得实时的地表沉降数据，利用马尔科夫蒙特卡洛(MCMC)方法融合所获得的地表沉降实时监测数据，更新土体参数，不同的MCMC方法具有不同的转移核构造方法，本发明采用的一种较为常见的Metropolis-Hastings算法，该算法的步骤如下：
S41、任意给定初始点x(t)，且满足G(x(t))＞0；
S42、根据推荐分布F(x|x(t))产生候选样本x(t+1)；
S43、计算接受率α，公式如下：
S44、在均匀分布U[0,1]中随机产生一个随机数Y：
如果Y≤α，则接受新样本x(t+1)，
当Y＞α，令x(t+1)＝x(t)，并返回步骤S42。
作为本发明的一种优选技术方案：步骤S5具体包括如下步骤：
通过步骤S4获得更新后的土体参数，称为土体参数的后验样本，将这些参数直接代入到掘进各阶段的响应面模型中，得到各阶段的地表沉降预测值。
本发明第二个目的在于，提供一种基于贝叶斯更新的隧道沉降预测装置。
为此，本发明的上述目的通过如下技术方案实现：
一种基于贝叶斯更新的隧道沉降预测装置，其特征在于：所述基于贝叶斯更新的隧道沉降预测装置包括：
代表性土体参数组合构造单元，所述代表性土体参数组合构造单元用于收集整理已有文献资料、工程地质勘察报告和工程师的工程经验确定土体参数，进行合理的正交设计，构造具有代表性的土体参数组合；
地表沉降数据集获取单元，所述地表沉降数据集获取单元用于根据工程实际的土层情况和盾构施工情况建立相应的三维有限元模型，并按照正交设计依次输入不同的土体参数组，模拟盾构掘进，获得地表沉降数据集；
盾构不同掘进阶段下的响应面模型构建单元，盾构不同掘进阶段下的响应面模型构建单元用于根据地表沉降数据集构建盾构不同掘进阶段下的响应面模型；
土体参数更新单元，所述土体参数更新单元用于获得地表沉降的实时监测数据，利用马尔科夫蒙特卡洛(MCMC)融合所获得的地表沉降实时监测数据，更新土体参数；
地表沉降预测单元，所述地表沉降预测单元用于将更新后的土体参数代入响应面模型，进行地表沉降预测。
本发明第三个目的在于，提供一种电子设备。
为此，本发明的上述目的通过如下技术方案实现：
一种电子设备，所述电子设备包括处理器、通信接口、存储器和通信总线，所述处理器、通信接口、存储器之间通过通信总线完成相互间的通信，其特征在于：
存储器，所述存储器用于存储计算机程序，
处理器，所述处理器用于执行存储器上所存储的计算机程序以实现前文所述的基于贝叶斯更新的隧道沉降预测方法步骤。
本发明还有一个目的在于，提供一种计算机可读存储介质。
为此，本发明的上述目的通过如下技术方案实现：
一种计算机可读存储介质，其特征在于：所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现前文所述的基于贝叶斯更新的隧道沉降预测方法步骤。
本发明提供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，基于贝叶斯更新框架预测盾构施工引起的地表沉降，考虑了土体参数的不确定性，融合现场各阶段监测数据并更新不确定性参数的统计特征，提高预测的准确性；同时，通过正交设计获得均匀分布在参数空间中的参数组，将这些参数一次输入到有限元数值模型中，获得不同掘进阶段的地表沉降的数据集，基于此构建响应面模型。将响应面模型替代有限元模型作为贝叶斯更新中的计算模型，提高计算效率，做到快速融合现场监测值，更新土体参数，提高盾构掘进过程引起的地表沉降的预测能力。
附图说明
图1为本发明所提供的一种基于贝叶斯更新的隧道沉降预测方法的流程图示。
图2为以Plaxis软件根据工程实际情况建立的有限元模型图示。
图3为本发明实施例中掘进阶段1的响应面的替代效果图示。
图4为本发明实施例中用最后一阶段土体后验分布预测的各掘进阶段的沉降图示。
具体实施方式
参照附图和具体实施例对本发明作进一步详细地描述。
如图1所示，一种基于贝叶斯更新的隧道沉降预测方法，包括如下步骤：
S1、收集整理已有文献资料、工程地质勘察报告和工程师的工程经验确定土体参数，进行合理的正交设计，构造具有代表性的土体参数组合；
S2、根据工程实际的土层情况和盾构施工情况建立相应的三维有限元模型，并按照正交设计依次输入不同的土体参数组，模拟盾构掘进，获得地表沉降数据集；
S3、根据地表沉降数据集构建盾构不同掘进阶段下的响应面模型；
S4、获得地表沉降的实时监测数据，利用马尔科夫蒙特卡洛融合所获得的地表沉降实时监测数据，更新土体参数；
S5、将更新后的土体参数代入响应面模型，进行地表沉降预测。
具体地，步骤S1包括如下步骤：
根据工程施工前的地质勘察报告、已有的文献研究资料以及工程师或者专家的工程经验确定关键土体参数，如各土层的弹性模量及内摩擦角，并确定各参数取值的上下限。在此基础上，采用正交设计构造一组小而有代表性的土体参数组合，均匀分布在参数空间中。
具体地，步骤S2包括如下步骤：
本步骤采用Plaxis建立三维有限元数值模型，模拟盾构掘进施工过程，将步骤S1得到的土体参数组依次输入三维有限元数值模型，获得对应的地表沉降计算值，得到盾构掘进过程中各阶段的地表沉降数据集。在此过程中，通过Python和Plaxis的交互实现批量建立和运算有限元模型，自动读取地表沉降计算结果。
具体地，步骤S3包括如下步骤：
响应面在本发明中的作用是使用多项式函数将地表沉降和S2中输入的土体参数联系起来，一般形式是一个n维多项式。本步骤采用的响应面的形式为二阶多项式，通过土体参数组和对应的地表沉降构建不同掘进阶段对应的响应面模型。响应面模型可以替代有限元模型，作为贝叶斯更新中的计算模型，实现快速计算，降低计算成本。
具体地，步骤S4包括如下步骤：
通过水准仪获得实时的地表沉降数据，利用马尔科夫蒙特卡洛(MCMC)方法融合所获得的地表沉降实时监测数据，更新土体参数，不同的MCMC方法具有不同的转移核构造方法，本发明采用的一种较为常见的Metropolis-Hastings算法，该算法的步骤如下：
S41、任意给定初始点x(t)，且满足G(x(t))＞0；
S42、根据推荐分布F(x|x(t))产生候选样本x(t+1)；
S43、计算接受率α，公式如下：
S44、在均匀分布U[0,1]中随机产生一个随机数Y：
如果Y≤α，则接受新样本x(t+1)，
当Y＞α，令x(t+1)＝x(t)，并返回步骤S42。
具体地，步骤S5包括如下步骤：
通过步骤S4获得更新后的土体参数，称为土体参数的后验样本，将这些参数直接代入到掘进各阶段的响应面模型中，得到各阶段的地表沉降预测值。
利用本发明所提供的方法对浙江省杭州市某盾构工程进行盾构施工引起的地表沉降预测。隧道掘进场地土层分为7层，从上至下依次为填土、粉质黏土、淤泥质粉质黏土、淤泥质粉质黏土夹粉土、含粘性土碎石、强风化泥质粉砂岩、中风化泥质粉砂岩。对各土层的弹性模量和内摩擦角进行正交设计，总计14个参数，3个水平，共72次正交试验，生成72个参数组。
使用Plaxis软件根据该工程实际情况建立有限元模型，如图2所示。依次输入72个参数组并进行沉降计算，获得每个掘进阶段距离盾构轴线分别为0m，3m，7m，12m，20m处的沉降数据集。根据沉降数据集构建不同掘进阶段的响应面模型，可用于预测每个阶段距离轴线分别为0m，3m，7m，12m，20m处的沉降。以掘进阶段1为例，图3为响应面的替代效果图，图中的纵坐标为响应面的计算结果，横坐标为有限元的计算结果，从图3中可以看出响应面的替代效果较好。
将淤泥质粉质黏土夹粉土、含粘性土碎石、强风化泥质粉砂岩的弹性模量和内摩擦角作为贝叶斯更新方法中的待更新参数。利用MCMC方法，融合现场监测数据更新土体参数，获得每一阶段的土体参数后验分布。以最后一阶段的土体参数后验分布为例，预测各阶段的地表沉降，如图4所示。不同颜色的色带表示不同阶段的沉降预测的95％置信区间，不同颜色的点表示不同阶段的实际监测值，从图中可以看出本发明的地表沉降预测效果较好，预测的95％置信区间基本覆盖实测值。
上述具体实施方式用来解释说明本发明，仅为本发明的优选实施例，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改、等同替换、改进等，都落入本发明的保护范围。
Claims (10)
1.一种基于贝叶斯更新的隧道沉降预测方法，其特征在于：所述方法包括如下步骤：
S1、收集整理已有文献资料、工程地质勘察报告和工程师的工程经验确定土体参数，进行合理的正交设计，构造具有代表性的土体参数组合；
S2、根据工程实际的土层情况和盾构施工情况建立相应的三维有限元模型，并按照正交设计依次输入不同的土体参数组，模拟盾构掘进，获得地表沉降数据集；
S3、根据地表沉降数据集构建盾构不同掘进阶段下的响应面模型；
S4、获得地表沉降的实时监测数据，利用马尔科夫蒙特卡洛融合所获得的地表沉降实时监测数据，更新土体参数；
S5、将更新后的土体参数代入响应面模型，进行地表沉降预测。
2.根据权利要求1所述的基于贝叶斯更新的隧道沉降预测方法，其特征在于：步骤S1具体包括如下步骤：
根据工程施工前的地质勘察报告、已有的文献研究资料以及工程师或者专家的工程经验确定关键土体参数，包括：各土层的弹性模量及内摩擦角，并确定各参数取值的上下限；
在此基础上，采用正交设计构造一组小而有代表性的土体参数组合，均匀分布在参数空间中。
3.根据权利要求1所述的基于贝叶斯更新的隧道沉降预测方法，其特征在于：步骤S2具体包括如下步骤：
采用Plaxis建立三维有限元数值模型，模拟盾构掘进施工过程，将步骤S1所得到的土体参数组依次输入三维有限元数值模型，获得对应的地表沉降计算值，得到盾构掘进过程中各阶段的地表沉降数据集。
4.根据权利要求3所述的基于贝叶斯更新的隧道沉降预测方法，其特征在于：步骤S2中，通过Python和Plaxis的交互实现批量建立和运算有限元模型，自动读取地表沉降计算结果。
5.根据权利要求1所述的基于贝叶斯更新的隧道沉降预测方法，其特征在于：步骤S3具体包括如下步骤：
采用的响应面的形式为二阶多项式，通过土体参数组和对应的地表沉降构建不同掘进阶段对应的响应面模型。
6.根据权利要求1所述的基于贝叶斯更新的隧道沉降预测方法，其特征在于：步骤S4具体包括如下步骤：
通过水准仪获得实时的地表沉降数据，利用马尔科夫蒙特卡洛方法融合所获得的地表沉降实时监测数据，更新土体参数；具体地，采用Metropolis-Hastings算法，该算法的步骤如下：
S41、任意给定初始点x(t)，且满足G(x(t))＞0；
S42、根据推荐分布F(x|x(t))产生候选样本x(t+1)；
S43、计算接受率α，公式如下：
S44、在均匀分布U[0,1]中随机产生一个随机数Y：
如果Y≤α，则接受新样本x(t+1)，
当Y＞α，令x(t+1)＝x(t)，并返回步骤S42。
7.根据权利要求1所述的基于贝叶斯更新的隧道沉降预测方法，其特征在于：步骤S5具体包括如下步骤：
通过步骤S4获得更新后的土体参数，称为土体参数的后验样本，将这些参数直接代入到掘进各阶段的响应面模型中，得到各阶段的地表沉降预测值。
8.一种基于贝叶斯更新的隧道沉降预测装置，其特征在于：所述基于贝叶斯更新的隧道沉降预测装置包括：
代表性土体参数组合构造单元，所述代表性土体参数组合构造单元用于收集整理已有文献资料、工程地质勘察报告和工程师的工程经验确定土体参数，进行合理的正交设计，构造具有代表性的土体参数组合；
地表沉降数据集获取单元，所述地表沉降数据集获取单元用于根据工程实际的土层情况和盾构施工情况建立相应的三维有限元模型，并按照正交设计依次输入不同的土体参数组，模拟盾构掘进，获得地表沉降数据集；
盾构不同掘进阶段下的响应面模型构建单元，盾构不同掘进阶段下的响应面模型构建单元用于根据地表沉降数据集构建盾构不同掘进阶段下的响应面模型；
土体参数更新单元，所述土体参数更新单元用于获得地表沉降的实时监测数据，利用马尔科夫蒙特卡洛融合所获得的地表沉降实时监测数据，更新土体参数；
地表沉降预测单元，所述地表沉降预测单元用于将更新后的土体参数代入响应面模型，进行地表沉降预测。
9.一种电子设备，所述电子设备包括处理器、通信接口、存储器和通信总线，所述处理器、通信接口、存储器之间通过通信总线完成相互间的通信，其特征在于：
存储器，所述存储器用于存储计算机程序，
处理器，所述处理器用于执行存储器上所存储的计算机程序以实现权利要求1所述的基于贝叶斯更新的隧道沉降预测方法步骤。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1所述的基于贝叶斯更新的隧道沉降预测方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310243610.3A CN116484576A (zh) | 2023-03-14 | 2023-03-14 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310243610.3A CN116484576A (zh) | 2023-03-14 | 2023-03-14 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116484576A true CN116484576A (zh) | 2023-07-25 |
Family
ID=87218489
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310243610.3A Pending CN116484576A (zh) | 2023-03-14 | 2023-03-14 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116484576A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118153177A (zh) * | 2024-05-09 | 2024-06-07 | 中铁七局集团武汉工程有限公司 | 一种地质变形分析的特长隧道快速掘进方法及系统 |
-
2023
- 2023-03-14 CN CN202310243610.3A patent/CN116484576A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118153177A (zh) * | 2024-05-09 | 2024-06-07 | 中铁七局集团武汉工程有限公司 | 一种地质变形分析的特长隧道快速掘进方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhou et al. | Intelligent approach based on random forest for safety risk prediction of deep foundation pit in subway stations | |
| Zheng et al. | Embankment prediction using testing data and monitored behaviour: A Bayesian updating 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 | |
| Lo et al. | Bayesian updating of subsurface spatial variability for improved prediction of braced excavation response | |
| Jin et al. | Intelligent model selection with updating parameters during staged excavation using optimization method | |
| CN109948198B (zh) | 一种基于非线性函数的围岩分级可靠性评价方法 | |
| Zeng et al. | 3D probabilistic landslide run-out hazard evaluation for quantitative risk assessment purposes | |
| Liu et al. | Intelligent information-based construction in tunnel engineering based on the GA and CCGPR coupled algorithm | |
| CN103205972A (zh) | 一种分析基坑变形与坑外地面沉降关系的方法 | |
| Sundell et al. | A probabilistic approach to soil layer and bedrock-level modeling for risk assessment of groundwater drawdown induced land subsidence | |
| 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 | |
| Zetterlund et al. | Framework for value of information analysis in rock mass characterization for grouting purposes | |
| Tian et al. | Efficient and flexible Bayesian updating of embankment settlement on soft soils based on different monitoring datasets | |
| Wang et al. | Spatial random fields-based Bayesian method for calibrating geotechnical parameters with ground surface settlements induced by shield tunneling | |
| Shao et al. | Information feedback analysis in deep excavations | |
| Wikby et al. | A grid-based methodology for the assessment of time-dependent building damage at large scale | |
| CN114996909A (zh) | 地下水污染物水力阻截决策方法、装置、电子设备及存储介质 | |
| Li et al. | Investigation on the influence of the Bohai Sea Geological Environment on the submarine stratum stability based on data mining: an intelligent prediction model | |
| Tian et al. | Real-time Fusion of Multi-Source Monitoring Data with Geotechnical Numerical Model Results using Data-driven and Physics-informed Sparse Dictionary Learning | |
| Kumar et al. | Machine learning approaches for the prediction of the seismic stability of unsupported rectangular excavation | |
| Li et al. | Study on pollutant model construction and three-dimensional spatial interpolation in soil environmental survey | |
| Sainea-Vargas et al. | Assessing and updating damage probabilities for a deep excavation in Mexico City soft soils | |
| Ayizula et al. | Inverse analysis on compressibility of toronto clays | |
| Tang et al. | An efficient physics-guided Bayesian framework for predicting ground settlement profile during excavations in clay | |
| Witty et al. | Application of Geostatistical Sequential Simulation Methods for Probabilistic 3D Subsoil Modeling and Uncertainty Quantification Concept and Examples |
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 |