隧道地表沉降预测的时变参数灰序模型TGM-AR

在趋势项提取法中,针对逐步回归法比较烦琐及灰色模型预测精度低的缺点,结合灰色预报系统的灰色性和时变性,根据变形体的实际变形规律,将时变参数a(t),b(t)及灰色理论应用于时序模型建模中,提出并建立时变参数灰序模型TGM-AR.时变参数灰色模型用于提取趋势项部分,时序模型用于提取随机部分.将模型应用于隧道地表的沉降分析和预测,结果表明模型预报精度高,且趋势项的物理意义明确.     

基坑周围地表沉降的人工神经网络预测

针对杭及上海软土地区的基坑围护工程,分析了基坑周围地表沉降的影响因素,结合人工神经网络原理,建造了基坑周围地表沉降的人工神经网络预测模型,采用BP神经网络和所建造的数学模型,对软土地区的最大地表沉降量及沉降范围进行预测。结果表明,该模型映射精度较高,有较好的实际应用价值。     

基于遗传规划的盾构隧道开挖地表最大沉降预测

由于盾构隧道开挖引起的地面沉降是一个重要而艰巨的任务,许多影响因素都必须考虑,如隧道埋深、盾构直径、盾构掘进时推力、盾构推进速率、注浆填充率、注浆压力、地层的黏聚力、摩擦角、压缩模量等．然而目前没有模型能完全反映各种因素对地面沉降的影响规律,综合考虑各种影响因素,运用遗传规划理论对地表最大沉降进行预测．利用地表沉降实测数据对模型进行测试,建立了确定盾构隧道开挖引起地表最大沉降的遗传规划模型．研究结果表明：预测值与实测值是一致的,误差小于10％．     

基于MATLAB技术在地表沉降观测的应用

随着煤矿开采不断进行,地表沉降观测技术水平日臻成熟完善。为了保证地表建构筑物的正常使用寿命和民用建筑物的安全性,避免因沉降原因造成巨大的经济损失,对地表一定时期内的沉降观测工作、监测数据的内业处理以及处理后的成图效果等技术都显得越来越重要。本文介绍了地表沉降监测网的布设方案、数据处理以及利用MATLAB语言对观测数据进行插值、拟合,从而绘制出下沉曲线及预计曲线图。     

浅谈深基坑开挖周围地表沉降的预测方法

深基坑开挖是一项复杂的系统工程,在支护加固以及变形控制不当的情况下,常会因边缘地面沉降量超出设计值而危及周围各种构筑物的正常使用：如地下市政管线的破裂,周围建筑物的倾斜等。本文总结并对比基坑开挖周围地表沉降的预测方法,并提出了自己的一些看法。     

PS-InSAR技术及其在地表沉降中的应用

PS-InSAR技术是对传统的InSAR技术的扩展应用,利用一系列在时间序列上保持相位稳定的永久散射体,分析时间序列上相位变化提取研究区域的变形信息,并且能够克服失相关和大气延迟等问题,能够有效利用已有数据,获取高精度的、高空间分辨率的地表沉降信息,是进行地表沉降监测的一种新的方法。     

富水深基坑降水引起的地表沉降预测

随着城市轨道交通的发展,富水地区地铁深基坑降水引发的工程问题时有发生,引起广泛关注。传统算法计算地基沉降只考虑降水前后土体自重应力的变化。在此基础上进一步考虑渗流动水压力引起的有效应力变化和止水帷幕对土体沉降的约束影响,提出一种简化的计算降水引起基坑外地表沉降的方法。并结合实际工程对该方法进行验证。结果表明:考虑地下水渗透力的影响使降水后土体有效应力较不考虑渗流时增加5%左右,地下水渗流对土体有效应力的影响不可忽略。止水帷幕对土体沉降的约束影响在距支护结构1倍降水深度范围内,计算该范围内土体沉降需将止水帷幕影响考虑在内。同时考虑降水前后自重应力变化、渗透力影响、止水帷幕约束这三者的共同作用,得出的理论计算结果与实测值误差在12%以内,验证了计算方法的有效性。     

Weibull模型在地基沉降预测中的应用

采用Weibull生长曲线模型对2个工程实例的地基沉降情况进行了预测,并将预测结果与常用的指数模型和双曲线模型进行了对比分析.对比结果表明:weibull模型能够很好的预测地基沉降情况,预测精度更高,误差更小.因此,相对于指数模型和双曲线模型来说,Weibull模型的适用范围更广,更适合于作为地基沉降预测模型.     

Logistic模型在地基沉降预测中的应用

针对复合地基沉降规律和Logistic模型的特点和适用性,提出了应用Logistic模型预测复合地基沉降.通过对工程实例的分析表明,Logistic模型预测复合地基沉降具有很好的适用性和较高的预测精度,可为复合地基的施工设计提供依据.     

基于机器学习算法的盾构掘进地表沉降预测方法

针对有限元、地层损失率等方法难以考虑多参数耦合作用情况下的地表沉降预测的问题,基于BP神经网络(BPNN)和随机森林算法(RF)两种机器学习算法的多参数、非线性拟合能力,提出了预测盾构掘进过程中地表最大沉降以及纵向沉降曲线的预测方法.通过粒子群算法(PSO)确定机器学习算法的最优超参数,通过k折交叉验证方法提高预测方法的鲁棒性.结果表明BP神经网络的预测结果误差较大,难以预测到较大的地表沉降,随机森林算法能够准确预测地表最大沉降和纵向沉降曲线.     

灰色Logistic I/II模型在煤矿开采沉降预测中的应用

 地下煤炭资源被人工采出以后,因上覆岩层的失稳、垮落、重新密实而使地表出现开裂、塌陷和变形等地质灾害。传统的研究煤矿开采沉陷的方法主要有地质法、实地监测法、物理和数值模拟法等,这些方法耗费大量人力、物力、财力,且部分参数的获取十分困难。为了获得在煤矿开采区域内地表沉降情况的准确信息,本文利用采动卸压原理和“三带”模型,以湖南省金竹山矿业公司的土珠煤矿开采沉降实况为研究背景,分析其地下采煤时地表裂缝与沉降的发生机制与特征。提出在开采垂直裂缝最大估算高度直接影响地表浅部的2煤层和3煤层时,应根据理论分析和实地观测的方法进行沉降预测,适时提供有效的安全预警信息;在开采垂直裂缝最大估算高度不影响地表的深部煤层时,可根据实际观测的历史数据建立灰色Logistic I/II模型进行地面沉降预测,无须再进行实际监测。通过实践验证和模型精度检验表明,灰色Logistic I/II模型预测精度高,预测值与实际值拟合度高,能准确提供有效信息,为地表环境的复垦规划提供重要参考依据。     

上中路隧道地表沉降分析报告

采用三维弹塑性有限单元法，分别对隧道开挖和基坑开挖所引起的地表沉降进行计算，建立一个统一的整体力学分析模型，并考虑施工工序、空间效应和地基基础的共同作用，对基坑和隧道的开挖对于地表沉降的影响范围和程度，做一个定性的判断。     

Richards曲线模型在地基沉降预测中的应用

鉴于地基沉降曲线和Richards模型曲线的相似性,本文对Richards模型在地基沉降预测中的适用性进行了探讨和分析.工程实例应用结果表明:该模型能够非常好的反映地基沉降随时间的发展全过程,能够非常准确的预测地基沉降量.因此,该模型非常适合于作为地基沉降的预测模型.本文的研究工作为地基沉降预测提供了一种新方法和新思路...     

基于中心点三角白化权函数的地表沉降模糊综合评价模型及应用

根据金属矿山地下开采对地面沉降影响的因素构建了影响地面沉降评价指标体系,分别借助Fuzzy AHP法和中心点三角白化权函数确定各指标权重和隶属度,建立了金属矿山地表沉降模糊综合评价模型.运用此模糊综合评价模型对江西某矿地下开采引发地表沉降进行了评价.     

基于灰色关联支持向量机的地表沉降预测

基于隧道地表沉降是一个非常复杂的系统工程,受到多种高维非线性、随机性和有限样本等因素的影响,提出隧道地表沉降预测的灰色关联支持向量机分析方法.该方法基于灰色关联分析确定影响沉降量的主要因子,利用学习样本构建数值模型,并通过支持向量机学习建立沉降与随机变量之间的非线性映射关系.为避免人为选择参数的盲目性,采用模拟退火算法搜索支持向量机核函数和参数,进而对未来的变形进行预测.通过对工程实例样本进行学习和预测,并将误差结果与单一的支持向量机模型进行对比.研究结果表明:该方法科学可靠;可用于含有大量随机变量的隧道沉降分析.     

改进GAP法盾构隧道开挖地表沉降预测

针对盾构隧道开挖引起的地表沉降问题,基于GAP法模型的基本原理,通过对该模型的改进,借助FLAC2D进行数值分析,对盾构隧道的地表沉降规律进行了研究.得出了同一盾构直径随着隧道埋深增加的情况下,地表最大沉降值逐渐减小、地表沉降槽逐渐变宽的规律,且隧道埋深和地表最大沉降值存在某种线性关系.该成果对盾构隧道开挖引起的地表沉降分析具有一定的参考价值和指导意义.     

基于深度学习的盾构隧道施工地表沉降预测方法

针对现有盾构隧道施工引发地表沉降预测方法中存在的难以同时挖掘数据之间的非线性特征关系和双向时序信息的问题,通过融合卷积神经网络(CNN)、双向长短期记忆(BiLSTM)与自注意力机制(SA)提出一种基于深度学习的地表最大沉降预测方法(CNN-BiLSTM-SA)。该方法首先利用CNN提取网络输入数据之间的非线性特征关系,利用BiLSTM网络提取输入数据的双向时序信息,然后引入SA机制为CNN提取的特征分配相应的权重,有效捕获时间序列中的关键信息,最后通过全连接层输出最终地表沉降预测结果。以湖南万家丽路电力盾构隧道工程为依托构建地表沉降数据集,并选用ANN、RNN、LSTM、BiLSTM模型开展对比分析。研究结果表明：评估指标CNN-BiLSTM-SA的平均绝对误差(MAE)、均方根(RMSE)、决定系数(R2)、平均绝对百分误差(MAPE)均为最优,具有更好的地表沉降预测性能。     

基于ABC-BP神经网络的地铁盾构地表沉降预测

为研究地层参数和盾构掘进参数与地表沉降的非线性关联性,依托南京地铁6号线盾构区间,采用人工蜂群算法ABC优化BP神经网络,建立可预测地表沉降的ABC-BP神经网络模型。连续3个断面地表沉降预测结果表明:ABC-BP神经网络的预测精度和预测稳定性优于BP神经网络,且预测值与实测值一致;ABC-BP神经网络可较为准确地反映盾构机接近监测断面过程中的地表变形演变规律,最终实现地表变形控制的目的。提出了ABC-BP神经网络现场应用思路,构建了地层-掘进参数-沉降的关系,进而通过地层参数直接实现对盾构掘进参数和地表变形控制。     

改进的灰色模型在软土路基沉降预测中的应用

路基的最终沉降变形对于确定铺筑路面时间、控制和安排施工进度以及路堤的安全与正常使用至关重要.GIM(1)模型是一种改进的GM(1,1)模型,采用等维GIM(1)模型对路基沉降进行了动态滚动预测,预测结果表明该模型精度能够满足工程需要.     

D-InSAR技术地表沉降监测概述

传统的地表沉降监测技术,如全球定位系统、精密水准测量和土工测量等,存在空间分辨率低、监测范围小和费用高的局限性。本文介绍了近几年迅速发展的监测地表沉降的合成孔径雷达差分干涉测量(D-InSAR)技术,主要对合成孔径雷达干涉测量(InSAR)技术的原理、D-InSAR技术的原理和处理流程做了详细的阐述,并对D-InSAR技术中的不足作了说明。