CN117251902A - 大直径盾构掘进地表沉降预测方法及系统 - Google Patents
大直径盾构掘进地表沉降预测方法及系统 Download PDFInfo
- Publication number
- CN117251902A CN117251902A CN202310847256.5A CN202310847256A CN117251902A CN 117251902 A CN117251902 A CN 117251902A CN 202310847256 A CN202310847256 A CN 202310847256A CN 117251902 A CN117251902 A CN 117251902A
- Authority
- CN
- China
- Prior art keywords
- parameters
- surface subsidence
- earth surface
- prediction model
- subsidence
- 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 61
- 230000005641 tunneling Effects 0.000 title claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000010606 normalization Methods 0.000 claims abstract description 11
- 238000012795 verification Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 13
- 230000035515 penetration Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 238000009933 burial Methods 0.000 claims description 4
- 238000001125 extrusion Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 12
- 230000007246 mechanism Effects 0.000 abstract description 7
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 238000012216 screening Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 11
- 230000009467 reduction Effects 0.000 description 5
- 239000002689 soil Substances 0.000 description 5
- 238000004140 cleaning Methods 0.000 description 4
- 238000004062 sedimentation Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects 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
- 230000002427 irreversible effect Effects 0.000 description 1
- KJONHKAYOJNZEC-UHFFFAOYSA-N nitrazepam Chemical compound C12=CC([N+](=O)[O-])=CC=C2NC(=O)CN=C1C1=CC=CC=C1 KJONHKAYOJNZEC-UHFFFAOYSA-N 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- 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
- 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- 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)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Structural Engineering (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Pure & Applied Mathematics (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Excavating Of Shafts Or Tunnels (AREA)
Abstract
本发明涉及大直径盾构掘进地表沉降预测方法及系统，包括以下步骤：获取盾构机运行参数、地质地层参数和隧道几何参数，基于训练完毕的预测模型得到地表沉降预测值；其中，预测模型在训练时，根据预处理后的盾构机运行参数、地质地层参数和隧道几何参数，与地表沉降之间的关系，确定相关系数满足需求的参数作为预测模型的样本数据集，并经归一化处理得到训练数据，预测模型输出地表沉降预测值，经验证后得到训练完毕的预测模型。考虑影响地表沉降的参数之间的关系及规则，筛选出一部分参数并结合带有注意力机制的长短期记忆神经网络，实现施工期间对地表沉降的预测。
Description
技术领域
本发明涉及数据分析技术领域，具体为大直径盾构掘进地表沉降预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
盾构施工期间引发的地表沉降是一种缓慢发展的灾害，在沉降初期不易被观察到，但当累积到某个量点时会引起灾害质变，演化的二次灾害会造成不可逆转的破坏性危害，例如引起地面塌陷、地下管网破坏、周围建筑倾斜及倒塌等，此类灾害在大直径盾构掘进过程中的影响巨大。
针对上述问题，现有技术利用各类方法对盾构施工期间地表产生的沉降进行预测，例如理论知识和数值模拟方法，理论知识方法根据数学知识推算地表沉降的变形形态和影响范围，数值仿真利用计算机模拟现实盾构掘进所引发地表沉降状况过程。以上方法仅能预测地表沉降的静态沉降值，不适合用于实时地表沉降预测，难以满足盾构隧道施工期间对地表沉降的监测要求。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供大直径盾构掘进地表沉降预测方法及系统，通过考虑影响地表沉降的参数之间的关系及规则，筛选出一部分参数并结合长短期记忆神经网络作为骨干网络，引入注意力机制算法生成地表沉降预测模型，预测某监测点在大直径盾构前中后施工过程的最大地表沉降值变化情况。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供大直径盾构掘进地表沉降预测方法，包括以下步骤：
获取盾构机运行参数、地质地层参数和隧道几何参数，基于训练完毕的预测模型得到地表沉降预测值；
其中，预测模型在训练时，根据预处理后的盾构机运行参数、地质地层参数和隧道几何参数，与地表沉降之间的关系，确定相关系数满足需求的参数作为预测模型的样本数据集，并经归一化处理得到训练数据，预测模型输出地表沉降预测值，经验证后得到训练完毕的预测模型。
盾构机运行参数包括贯入度、掘进速度、刀盘扭矩、刀盘挤压力、工作舱压力、切口压力、主驱动力和注浆量，地质地层参数包括地表沉降值、地层类别、泊松比、承载力和黏聚力，隧道几何参数包括隧道直径、隧道埋深和刀盘与沉降监测点间距离。
预处理包括数据清洗、数据降维和数据标准化。
确定相关系数满足需求的参数作为预测模型的样本数据集，具体为：
盾构机运行参数、地质地层参数和隧道几何参数经预处理后建立样本数据集；
以样本数据集中的参数名称作为横坐标与纵坐标，绘制样本数据集中的参数与地表沉降之间的热力关系图，图中每块方格内的数值和颜色深度是横坐标参数与纵坐标所对应参数的相关系数值；
以相关系数值满足设定值的参数作为预测模型的样本数据集。
样本数据集经归一化处理，以盾构机运行参数、地质地层参数和隧道几何参数作为训练数据的输入样本，地表沉降值作为训练数据的输出样本。
输入样本基于长短期记忆网络中每一个细胞的遗忘门、更新门和输出门传递到下一个细胞，得到的输出结果传递到注意力层，通过注意力层增加关键特征权重，抑制无用信息并将筛选的关键特征输出至展平层将结果展平，经全连接层输出地表沉降预测值。
经验证后得到训练完毕的预测模型，具体为：以样本数据集经归一化处理后的部分数据作为测试集，基于平均绝对误差、均方根误差和决定系数确定预测模型的性能，并调整预测模型的参数，得到训练完毕的预测模型。
本发明的第二个方面提供实现上述方法所需的系统，包括：
数据采集模块，被配置为：获取盾构机运行参数、地质地层参数和隧道几何参数；
数据处理模块，被配置为：数据采集模块得到的数据经预处理后，根据与地表沉降之间的热力关系图，确定相关系数满足需求的参数作为预测模型的样本数据集，并经归一化处理得到训练数据；
模型训练模块，被配置为：根据训练数据输出地表沉降预测值；
模型测试模块，被配置为：根据测试样本验证地表沉降预测值的准确性，得到训练完毕的预测模型。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的大直径盾构掘进地表沉降预测方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的大直径盾构掘进地表沉降预测方法中的步骤。
与现有技术相比，以上一个或多个技术方案存在以下有益效果：
1、通过考虑各种地表沉降相关参数之间的关系及规则，在获取的盾构机运行参数、地质地层参数和隧道几何参数中，以热力图的形式筛选一部分参数建立地表沉降样本数据集，配合带有注意力机制的长短期记忆网络，实现对不同施工环境下地表沉降的快速预测，为后续大直径盾构掘进过程所引发地表沉降问题提供了有力保障，相较于传统预测方法，在预测性能和准确性上有了大幅度提升。
2、带有注意力机制的长短期记忆网络可以有效表征地表变形和盾构掘进参数之间的非线性关系，随着施工的进行，盾构掘进参数对地表沉降的影响不断变化，结合筛选出的参数，能够在盾构施工进行期间实时的输出地表沉降的预测值，相较于传统方法得到的静态沉降值，能够满足盾构隧道施工期间监测地表沉降的要求。
3、施工期间产生的盾构机运行参数、地质地层参数和隧道几何参数，通过数据清洗、数据降维、数据标准化等数据预处理方法对样本数据集进行优化，综合考虑了各种地层、盾构掘进、地表参数(土仓压力、贯入度、推力、切口压力、注浆量、刀盘扭矩、泊松比、承载力、刀盘转速以及黏聚力等)对地表沉降的影响，相较于只考虑盾构掘进和地层因素预测地表沉降而言，具有更高的精确性。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明一个或多个实施例提供的大直径盾构掘进地表沉降预测系统结构示意图；
图2是本发明一个或多个实施例提供的大直径盾构掘进地表沉降预测流程示意图；
图3是本发明一个或多个实施例提供的基于相关系数选取影响参数的热力图；
图4是本发明一个或多个实施例提供的地表沉降预测模型示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
正如背景技术中所描述的，现有技术实现地表沉降的预测通常采用理论知识和数值模拟方法，两类方法仅能预测地表沉降的静态沉降值，不适合用于实时地表沉降预测，难以满足盾构隧道施工期间对地表沉降的监测要求。
因此以下实施例给出大直径盾构掘进地表沉降预测方法及系统，通过LSTM神经网络(长短期记忆神经网络)作为骨干网络，加入注意力机制建立LSTM-Attention地表沉降预测模型，用皮尔森相关系数方法从大量地质、盾构掘进、几何参数等数据中筛选出与地表沉降关联系数较高的参数，建立盾构掘进地表沉降数据集，将训练样本输入到预测模型的架构网络中进行训练来生成预测模型，并对该模型进行下一步优化后应用于地表沉降预测。
大直径盾构掘进，指采用盾构法在地下空间掘进，形成直径10～14m的隧道工程。
实施例一：
如图2-图4所示，大直径盾构掘进地表沉降预测方法，包括以下步骤：
步骤1：通过现场勘测等方式来获取地表沉降值、地层参数和盾构掘进运行参数(土仓压力、贯入度、推力、切口压力、注浆量、刀盘扭矩、泊松比、承载力、刀盘转速、黏聚力等)，对获取的数据进行去除噪音数据、缺省值填补等初步数据处理操作，并建立样本数据集；
步骤2：如图3所示，绘制样本数据集的参数与地表沉降之间的热力关系图，横坐标和纵坐标都是数据集中的参数名字，图中每块方格内的数值和颜色深度是横坐标与纵坐标所对应参数的相关系数值，数值越高，说明参数变量间的线性相关程度越高。反之，说明参数变量间的线性相关程度弱。选取相关系数高于设定值的参数作为地表沉降预测模型的样本数据集，本实施例选取与地表沉降相关系数高于0.35的参数作为地表沉降预测模型的样本数据。
步骤3：对样本数据集进行归一化处理，获得无量纲数据集，便于比较多参数影响程度大小，并将隧道、地层、盾构掘进运行参数(土仓压力、贯入度、推力、切口压力、注浆量、刀盘扭矩、泊松比、承载力、刀盘转速、黏聚力等)作为输入样本，将地表沉降值作为输出样本；
步骤4：将归一化后的80％特征数据集用于预测模型的训练，得到基于LSTM-Attention地表沉降预测模型，建立输入参数(土仓压力、贯入度、推力、切口压力、注浆量、刀盘扭矩、泊松比、承载力、刀盘转速、黏聚力等)与地表沉降之间的非线性数学关系；
步骤5：将归一化处理后的20％特征数据集用于对地表沉降预测模型的测试验证，通过回归分析评价指标MAE、RMSE、R2，定量评估地表沉降预测模型的预测性能，即通过判断3个指标的相关数值是否满足预先设置的阈值，对于R2来说，若大于等于预先设定的阈值，保留LSTM-Attention地表沉降预测模型(预测模型示意图如图4所示)，继续进行下一步，若小于设置的阈值，对预测模型超参数进行微调，优化相关网络层，在返回步骤4；
MAE为平均绝对误差，用来衡量预测值与真实值之间的平均绝对误差，MAE数值越小越好，其计算公式为：
式中，n为样本数量，yi为第i个测试样本的实际数值，为模型预测的第i个样本值；
RMSE为均方根误差，典型的回归指标，常用于指示模型在预测中会产生多大的误差。误差越小，数值越小；误差越大，数值越大。其计算公式为：
式中，n为样本数量，yi为第i个测试样本的实际数值，为模型预测的第i个样本值；
R2为决定系数，表示总离差平方和中可以由回归平方和解释的比例，比值越大说明模型越精确，回归效果越显著。决定系数分子部分表示真实值与预测值的平方差之和，分母部分表示真实值与均值的平方差之和，其计算公式为：
式中，n为样本数量，yi为第i个测试样本的实际数值，为模型预测的第i个样本值，/>为测试样本实际数值的平均数；
步骤6：基于建立的LSTM-Attention地表沉降预测模型，输入现场工程勘测数据(土仓压力、贯入度、推力、注浆压力、注浆量、地层类别、地层强度、地下水位、隧道直径、隧道埋深等)，通过模型运行计算输出地表沉降预测值。
上述过程通过皮尔森相关系数方法分析并筛选相关系数大的参数，综合考虑了各种地表沉降相关参数之间的关系及规则，筛选一部分参数(土仓压力、贯入度、推力、切口压力、注浆量、刀盘扭矩、泊松比、承载力、刀盘转速、黏聚力等)，建立地表沉降样本数据集。建立了基于LSTM-Attention神经网络模型的地表沉降预测方法，通过特征训练集保证模型的预测性能，实现对不同施工环境下地表沉降的快速预测，为后续大直径盾构掘进过程所引发地表沉降问题提供了有力保障。相较于传统预测方法，在预测性能和准确性上有了大幅度提升。
上述过程通过数据清洗、数据降维、数据标准化等数据预处理方法对样本数据集进行优化，综合考虑了各种地层、盾构掘进、地表参数(土仓压力、贯入度、推力、切口压力、注浆量、刀盘扭矩、泊松比、承载力、刀盘转速、黏聚力等)对地表沉降的影响，相较于只考虑盾构掘进和地层因素预测地表沉降而言，具有更高的精确性。
实施例二：
如图1所示，实现上述方法的系统，包括数据采集模块、数据处理模块、模型训练模块、模型测试模块以及地表沉降预测模型。
数据采集模块，统计并记录地表沉降相关数据集，通过大量文献调研和相关项目案例分析，大直径盾构掘进过程中影响地表沉降的因素大致可以分为三种：盾构机运行参数、地质地层参数、隧道几何参数。盾构机运行参数包括贯入度、掘进速度、刀盘扭矩、刀盘挤压力、工作舱压力、切口压力、主驱动力和注浆量，地质地层参数包括地表沉降值、地层类别、泊松比、承载力和黏聚力，隧道几何参数包括隧道直径、隧道埋深和刀盘与沉降监测点间距离。通过现场勘察、沉降监测点、盾构驾驶舱等方式来获取数据。
数据处理模块，通过数据清洗、数据降维、数据标准化等操作方法对原始采集数据进行预处理，生成一个良好的地表沉降预测样本数据集。其中80％的样本数据作为训练集，其余20％的样本数据作为测试集。
模型训练模块，通过深度学习中的长短期记忆神经网络作为地表沉降预测模型的骨干网络并引入注意力机制算法，将训练集样本数据输入到预测模型的骨干网络中进行训练生成LSTM-Attention预测模型。LSTM细胞的工作原理在于对训练样本数据依次通过LSTM细胞中的遗忘门、更新门、输出门传递到下一个LSTM细胞，直至走完所有的LSTM细胞输出结果到注意力机制层，经注意力机制层加强关键特征学习，将学习结果输出值展平层和全连接层来输出相关地表沉降预测数据。
模型测试模块，测试生成的LSTM-Attention地表沉降预测模型的准确性，将预处理后的20％特征样本数据用于测试模型验证，通过平均绝对误差(MAE)、均方误差(MSE)、均方根误差(RMSE)、R2等指标，定量判断预测模型的准确性和精确性。
地表沉降预测模型，预测某监测点在大直径盾构掘进前中后全过程的地表沉降变化情况。基于所建立的LSTM-Attention地表沉降预测模型，输入盾构掘进、地层及隧道性质参数(土仓压力、贯入度、推力、切口压力、注浆量、刀盘扭矩、泊松比、承载力、刀盘转速、黏聚力等)，通过预测模型输出地表沉降值，有效实现盾构掘进全过程某点地表沉降趋势。
通过皮尔森相关系数方法分析并筛选与地表沉降相关系数大的参数，综合考虑了各种地表沉降相关参数之间的关系及规则，筛选部分参数建立地表沉降样本数据集，并基于LSTM-Attention神经网络模型实现对不同施工环境下地表沉降的快速预测，为后续大直径盾构掘进过程所引发地表沉降问题提供了有力保障。相较于传统预测方法，在预测性能和准确性上有了大幅度提升。
数据清洗、数据降维、数据标准化等数据预处理方法对样本数据集进行优化，综合考虑了各种地层、盾构掘进、地表参数对地表沉降的影响，相较于只考虑盾构掘进和地层因素预测地表沉降而言，具有更高的精确性。
实施例三：
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的大直径盾构掘进地表沉降预测方法中的步骤。
实施例四：
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的大直径盾构掘进地表沉降预测方法中的步骤。
以上实施例二至四中涉及的各步骤或模块与实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.大直径盾构掘进地表沉降预测方法，其特征在于，包括以下步骤：
获取盾构机运行参数、地质地层参数和隧道几何参数，基于训练完毕的预测模型得到地表沉降预测值；
其中，预测模型在训练时，根据预处理后的盾构机运行参数、地质地层参数和隧道几何参数，与地表沉降之间的关系，确定相关系数满足需求的参数作为预测模型的样本数据集，并经归一化处理得到训练数据，预测模型输出地表沉降预测值，经验证后得到训练完毕的预测模型。
2.如权利要求1所述的大直径盾构掘进地表沉降预测方法，其特征在于，所述盾构机运行参数包括贯入度、掘进速度、刀盘扭矩、刀盘挤压力、工作舱压力、切口压力、主驱动力和注浆量，地质地层参数包括地表沉降值、地层类别、泊松比、承载力和黏聚力，隧道几何参数包括隧道直径、隧道埋深和刀盘与沉降监测点间距离。
3.如权利要求1所述的大直径盾构掘进地表沉降预测方法，其特征在于，所述预处理包括数据清洗、数据降维和数据标准化。
4.如权利要求1所述的大直径盾构掘进地表沉降预测方法，其特征在于，确定相关系数满足需求的参数作为预测模型的样本数据集，具体为：
盾构机运行参数、地质地层参数和隧道几何参数经预处理后建立样本数据集；
以样本数据集中的参数名称作为横坐标与纵坐标，绘制样本数据集中的参数与地表沉降之间的热力关系图，图中每块方格内的数值和颜色深度是横坐标参数与纵坐标所对应参数的相关系数值；
以相关系数值满足设定值的参数作为预测模型的样本数据集。
5.如权利要求4所述的大直径盾构掘进地表沉降预测方法，其特征在于，预测模型的样本数据集经归一化处理，以盾构机运行参数、地质地层参数和隧道几何参数作为训练数据的输入样本，地表沉降值作为训练数据的输出样本。
6.如权利要求5所述的大直径盾构掘进地表沉降预测方法，其特征在于，输入样本基于长短期记忆网络中每一个细胞的遗忘门、更新门和输出门传递到下一个细胞，得到的输出结果传递到注意力层，通过注意力层增加关键特征权重，抑制无用信息并将筛选的关键特征输出至展平层将结果展平，经全连接层输出地表沉降预测值。
7.如权利要求1所述的大直径盾构掘进地表沉降预测方法，其特征在于，经验证后得到训练完毕的预测模型，具体为：以样本数据集经归一化处理后的部分数据作为测试集，基于平均绝对误差、均方根误差和决定系数确定预测模型的性能，并调整预测模型的参数，得到训练完毕的预测模型。
8.大直径盾构掘进地表沉降预测系统，其特征在于，包括：
数据采集模块，被配置为：获取盾构机运行参数、地质地层参数和隧道几何参数；
数据处理模块，被配置为：数据采集模块得到的数据经预处理后，根据与地表沉降之间的热力关系图，确定相关系数满足需求的参数作为预测模型的样本数据集，并经归一化处理得到训练数据；
模型训练模块，被配置为：根据训练数据输出地表沉降预测值；
模型测试模块，被配置为：根据测试样本验证地表沉降预测值的准确性，得到训练完毕的预测模型。
9.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述权利要求1-7任一项所述的大直径盾构掘进地表沉降预测方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1-7任一项所述的大直径盾构掘进地表沉降预测方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310847256.5A CN117251902A (zh) | 2023-07-11 | 2023-07-11 | 大直径盾构掘进地表沉降预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310847256.5A CN117251902A (zh) | 2023-07-11 | 2023-07-11 | 大直径盾构掘进地表沉降预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117251902A true CN117251902A (zh) | 2023-12-19 |
Family
ID=89132011
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310847256.5A Pending CN117251902A (zh) | 2023-07-11 | 2023-07-11 | 大直径盾构掘进地表沉降预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117251902A (zh) |
-
2023
- 2023-07-11 CN CN202310847256.5A patent/CN117251902A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| He et al. | Deep convolutional neural network for fast determination of the rock strength parameters using drilling data | |
| Wang et al. | Bayesian perspective on geotechnical variability and site characterization | |
| Ng et al. | Predictive model for uniaxial compressive strength for Grade III granitic rocks from Macao | |
| Huang et al. | Fragility assessment of tunnels in soft soils using artificial neural networks | |
| Wang et al. | Probabilistic inverse analysis of excavation-induced wall and ground responses for assessing damage potential of adjacent buildings | |
| Xue et al. | Classification model for surrounding rock based on the PCA-ideal point method: an engineering application | |
| 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 | |
| CN115586086A (zh) | 一种基于大数据的井壁失稳分析方法 | |
| CN116291271A (zh) | 一种基于随钻测试的岩土体参数反演方法及系统 | |
| Gowida et al. | Synthetic well-log generation: New approach to predict formation bulk density while drilling using neural networks and fuzzy logic | |
| CN112329287A (zh) | 一种基于试桩监测数据的p-y曲线贝叶斯学习方法 | |
| CN117251902A (zh) | 大直径盾构掘进地表沉降预测方法及系统 | |
| Kovacevic et al. | The use of neural networks to develop CPT correlations for soils in northern Croatia | |
| Malkawi et al. | Enhancing of uniaxial compressive strength of travertine rock prediction through machine learning and multivariate analysis | |
| MolaAbasi et al. | A framework to predict the load-settlement behavior of shallow foundations in a range of soils from silty clays to sands using CPT records | |
| Wang et al. | Bayesian perspective on ground property variability for geotechnical practice | |
| Sun et al. | Health Assessment of Foundation Pit Based on the Fuzzy Analytical Hierarchy Process | |
| CN116108587B (zh) | 一种考虑多源信息不确定性的tbm利用率预测方法 | |
| Jangir et al. | Evaluating Adaptive Neuro-Fuzzy Inference System (ANFIS) To Assess Liquefaction Potential And Settlements Using CPT Test Data | |
| Suzuki | Reduction of Uncertainty through Piling Data within the Same Site in the Press-in Piling Method | |
| CN117110584B (zh) | 一种应变型隧道岩爆烈度等级预测方法 | |
| Lu | Uncertainty Analysis in Rock Mass Classification and Its Application to Reliability Evaluation in Tunnel Construction | |
| Liu | A Geostatistical Approach toward Shear Wave Velocity Modeling and Uncertainty Quantification in Seismic Hazard | |
| Jacotă et al. | HETEROGENOUS DISTRIBUTION OF INITIAL WATER SATURATION USING ARTIFICIAL NEURAL NETWORKS | |
| CN117973191A (zh) | 一种基于随钻测试的围岩综合劣化度实时评价方法 |
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 |