基于BP神经网络的基坑开挖对临近桥桩水平位移预测研究

基坑开挖会引起周围土体位移从而对邻近桩基造成负面影响,干扰桩基正常工作,导致桩身层产生附加弯矩、侧向位移。以郑州大四环及大河路快速化基坑临近桥梁桩基为背景,建立BP(Back Propagation)人工神经网络预测模型,同时结合三维数值模拟及实际监测数据对桩基水平位移进行预测。结果表明,基坑开挖对邻近桩基的影响会随着两者距离的增大而慢慢减弱,且桥梁产生的竖向位移在开挖过程中始终大于其他方向位移。通过将基于BP神经网络建立的预测模型与真实值对比验证了该预测模型可以快速、准确地预测基坑开挖引起的临近桥桩的变形值,可以为桩基位移的预测提供一定参考。     

隧道开挖引起地下管线竖向位移的初参数法求解

现有解析法对隧道开挖导致临近地下管线产生位移的分析较少且考虑影响因素不全面.针对这一问题,在Winkler弹性地基梁理论基础上,建立管线竖向位移的计算模型,提出求解隧道开挖引起的临近地下管线竖向位移的初参数法.通过采用ABAQUS软件中的管土相互作用模块进行管线变形的有限元数值模拟,验证了计算方法的正确性.工程实例的计算结果和实测数据的对比表明文中计算方法的合理性.初参数法综合考虑管线和土体双重因素的影响,克服了已有方法的局限性,且计算结果符合实测管线位移小于自由场土体位移规律.     

基坑开挖对围护墙竖向变形的影响机理

采用数值分析方法,研究开挖卸荷引起的基坑围护墙竖向变形机理.在有限差分软件中建立考虑土与结构共同作用的分析模型,采用理想弹塑性接触模型模拟墙土接触力学特性,对比分析了3种土体参数下墙体和墙底土体竖向位移、墙土相对位移和墙体两侧摩阻力分布特性.结果表明:墙体的竖向位移主要由墙底土体竖向隆起和墙土相对滑动共同决定;坑底土体位移主要受到土体卸荷回弹的影响,与土层参数关系较大;当黏聚力增大时,墙体的下沉量减小;砂土的摩擦角越大,墙体的竖向隆起量也越大;墙土相对滑动则受墙体两侧的摩阻力共同作用,而摩阻力受参数取值的影响;当接触属性变强时,坑内摩阻力上升的趋势将增强,墙体发生的竖向隆起量也显著增加.     

紧邻基坑同步施工下坑间隧道的变形特性

摘要：
采用非线性平面有限元方法研究紧邻基坑同步施工下坑间土体与隧道的变形特性.将该方法运用到上海某基坑工程中的隧道位移预测,实测数据与有限元结果比较吻合,验证了其可行性.通过参数分析,讨论了基坑之间的距离、开挖宽度对坑间土体竖向位移的影响,并由此推算出了使得坑间地表土体平均竖向位移接近零的最优基坑间距与开挖宽度的关系.同时讨论了盾构隧道、明挖暗埋隧道与基坑的距离对于隧道竖向位移、支护结构侧移的影响.研究表明,开挖完成后,坑间盾构隧道的沉降比周围土体的沉降略小,而有围护结构的明挖暗埋隧道则表现为上抬,距离基坑越远,上抬量越小.
     

大直径土压平衡盾构下穿既有线U形槽结构变形

为确保盾构安全顺利地下穿地铁运营U形槽线路,避免下穿过程中引起U形槽结构过量沉降,影响运营安全,以北京新机场线2、3号风井盾构区间大直径土压平衡盾构下穿既有大兴线U形槽为工程背景,研究了砂卵石地层盾构隧道开挖对U形槽变形影响。通过对U形槽结构竖向位移、横向位移、轨道竖向位移、轨距等大量监测数据进行分析,得出盾构隧道开挖过程中既有结构的变形规律。结果表明:下方隧道开挖会造成U形槽和轨道结构产生不均匀隆起、沉降变形,竖向变形在2. 0 mm以内;隧道横向变形表现为不规则波动,变形在±0. 5 mm以内;轨距变化在±1 mm以内。既有U形槽结构竖向位移与盾构掘进参数关系密切;通过严格控制盾构施工参数,采用二次注浆、深孔注浆方式对管片背后进行填充,可大幅减少结构沉降。研究结果可为控制U形槽结构变形,确保既有线运行的安全提供借鉴。     

大直径土压平衡盾构下穿既有线U型槽结构变形

为确保盾构安全顺利地下穿地铁运营U形槽线路,避免下穿过程中引起U形槽结构过量沉降,影响运营安全,以北京新机场线2、3号风井盾构区间大直径土压平衡盾构下穿既有大兴线U形槽为工程背景,研究了砂卵石地层盾构隧道开挖对U形槽变形影响。通过对U形槽结构竖向位移、横向位移、轨道竖向位移、轨距等大量监测数据进行分析,得出盾构隧道开挖过程中既有结构的变形规律。结果表明:下方隧道开挖会造成U形槽和轨道结构产生不均匀隆起、沉降变形,竖向变形在2. 0 mm以内;隧道横向变形表现为不规则波动,变形在±0. 5 mm以内;轨距变化在±1 mm以内。既有U形槽结构竖向位移与盾构掘进参数关系密切;通过严格控制盾构施工参数,采用二次注浆、深孔注浆方式对管片背后进行填充,可大幅减少结构沉降。研究结果可为控制U形槽结构变形,确保既有线运行的安全提供借鉴。     

考虑土体空间变异性的管廊基坑开挖过程中变形及能量演化特征分析

基坑开挖工程的稳定性受所在区域土体参数的空间变异性影响较大,其施工过程伴随着基坑内部能量的相互转化,为研究复杂多层土基坑开挖过程中土体参数的空间变异性影响及能量演化特征,本文依托佛山市某综合管廊基坑项目,基于中心点法建立了多层土的杨氏模量随机场模型,结合FLAC软件构建了复杂多层土的随机场-有限差分耦合计算基坑开挖的数值模型。研究结果表明：基于随机场参数的统计分析及位移实测对比分析验证了所建立模型的准确性;基于均质模型与随机场模型的测点变形趋势一致,但不同测点处位移的变异性存在显著差别,基坑总体变形可控;基坑开挖过程中,弹性应变能的一部分转化为塑性应变能,开挖完成后基坑处于稳定状态。     

复合土钉墙变形性能的三维弹塑性ADINA有限元分析

运用大型非线性有限元软件ADINA,模拟某深基坑土钉+水泥土搅拌桩复合土钉墙基坑开挖与支护的施工过程,建立了整体三维有限元模型,模型考虑了基坑的整体空间作用,克服了二维平面或局部的三维有限元模型分析的不足.分别得出了基坑的整体位移、开挖面的水平位移、坑后地面沉降的位移、坑底隆起的位移,并与现场实测值进行了对比.结果表明,计算值与实测值基本吻合,说明建立的非线性有限元计算模型和分析方法是可靠的,能够较好地运用于实际工程的分析和预测.     

基于Mindlin应力解的分层土中群桩基础沉降计算方法

为了考虑地基土的分层特性和桩端下卧层计算深度对群桩基础沉降的影响,基于Mindlin竖向应力解用分层总和的思想建立群桩的土体竖向位移柔度矩阵,参照弹性理论法的分析过程,建立了分层土中群桩基础沉降的计算方法.与工程实例对比表明,对于工后沉降量不大的群桩基础,本文方法可以给出较合理的沉降计算值.     

基坑变形数值分析中土体力学参数的确定方法

依托上海地区地铁车站基坑,提出了结合有限元的多目标反分析参数确定理论与算法,以不同开挖工况中的围护墙体水平位移和临近地表沉降作为目标,分析确定典型软土层的修正剑桥模型参数.对基坑开挖施工过程用ABAQUS进行有限元模拟,同时选取AMALGAM算法,利用Matlab对基坑工程中的土体参数进行反分析.结果发现,根据基坑开挖前一步实测变形确定的计算参数能够有效预测下一步开挖变形,开挖到一定深度时所确定的土体参数能够准确地预测后续步开挖的影响.证实了多目标反分析对后续施工步预测的精确度,并且得到了长寿路车站基坑第2~6步的9个土体参数反分析结果,可作为基坑工程的借鉴.     

基于双桥静力触探的长三角全新统冲积层力学参数BP网络预测方法

基于双桥静力触探参数推求区域性土性力学参数的需要,以长三角地区全新统冲积层黏土、粉质黏土、粉土及粉砂为研究对象,通过双桥静力触探参数与螺旋板载荷试验、平板载荷试验、剪切试验及压缩试验的对比分析,认为双桥静探数据可作为土质力学参数预测的评价指标。以此为基础建立长三角全新统冲积层双桥静力触探数据与力学参数的BP神经网络预测模型。最后运用模型对江都泰富港务有限公司原料场双桥静力触探孔各土层力学参数进行计算。结果表明:双桥静探数据可作为长三角全新统冲积层土质力学参数预测的评价指标;建立的力学参数BP神经网络模型具有很高的预测精度,能够满足长三角地区全新统冲积地层的实际工程需求。     

基于BP神经网络的隧道下穿既有运营地铁线注浆施工参数预测——以广州地铁18号线隧道注浆工程为例

新建隧道下穿既有运营地铁线施工过程中极易对既有运营地铁线产生不利影响,而广泛采用的超前预注浆尚处于以经验性选取注浆施工参数的阶段,导致工程事故频发。为此,首先以开挖段地层物性参数、地层位移变化值作为输入层,注浆施工参数为输出层,构建了基于BP(back propagation)神经网络的注浆施工参数预测模型;其次,以MAPE(mean absolute percentage error)作为预测精度评价指标,采取试算法对BP神经模型参数(隐含层节点数目、学习率)进行了探讨;最后,将提出的BP神经网络用于指导工程实践。研究结果表明：当BP神经网络预测模型隐含层节点数为9、学习率为0.01、训练次数为20 000以及精度目标值为1×10^-4时,模型适用性评价显示预测值与监测值之间最大相对误差为19,平均相对误差均低于13,说明提出的BP神经网络预测模型可行;进一步的工程应用结果表明：采用预测的注浆施工参数进行注浆后掌子面稳定、开挖过程中未发生隧道塌方等事故,满足相关规范要求。研究成果也可在隧道下穿其他结构或建筑物灾害防控注浆工程中得到推广应用。     

基于机器学习的深基坑三维土层重建

在深基坑施工过程中,需要通过少量钻孔数据来进行土层三维模型重建,以获取土质信息分布.提出一种基于机器学习的土层重建方法,首先设计土层生成算法来进行土层训练数据集的数据增强.然后根据钻孔信息数据结构设计了预测模型特征编码方法,作为预测模型的标准输入,通过搭建卷积神经网络模型,对土层结构进行特征提取,形成土层预测模型.随后,利用预测模型对待预测地块中的离散格点进行土层属性预测,获得土层体数据.最后,对土层体数据利用Marching Cubes算法生成封闭等值面,形成土层实体块,从而实现了对三维土层的重建.本模型能够适应不同层数、不同类型的地层,具备了实际工程应用的初步条件.     

基于分形和神经网络相结合的土体冻胀量预测

根据土体的粒度分布具备分形性质的特征，通过理论分析和计算获得了所研究土体的分形维数，从而实现了土体结构特征的量化，为采用神经网络对冻胀量的预测过程中考虑士体的结构特征奠定了基础。在研究了BP神经网络的基础上，建立了其拓扑结构，采用L-M优化算法进行了迭代求解，预测结果与试验结果具有良好的一致性和吻合度，反映了土体冻胀过程的非线性特征和局部特征，弥补了理论模型和数值分析中无法考虑土体内部结构的缺陷，以及在预测中考虑土体的结构特征是必要的。     

基于神经网络模型的井间参数预测方法

目的研究储层精细评价技术中的储层参数井间预测方法。方法基于人工神经网络模型,结合油藏微相研究成果,采用井位和微相信息作为神经网络的输入信息,采用神经网络模型对储层参数进行空间预测。结果利用空间分散井位点的孔隙度资料和地区沉积微相信息,对孤岛油田渤21断块油藏进行井间孔隙度内插预测,其井间参数的预测精度得到明显提高,为油藏建模提供了可靠的基础。结论基于神经网络模型的井间参数预测方法,可以为储层精细评价提供高质量的油藏地质模型。     

基于SOA-BP神经网络的SLS成型件精度预测模型

针对选择性激光烧结(selective laser sintering,SLS)成型件精度难以控制以及工艺参数优化实验成本高等问题,提出了一种利用人群搜索算法(seeker optimization algorithm,SOA)优化BP(back propagation)神经网络对SLS成型件精度预测的方法。首先选择激光功率、预热温度、扫描速度、扫描间距以及分层厚度五个工艺参数设计正交试验获取样本数据。然后根据SOA算法特有的利己、利他、预动和不确定推理四大行为确定搜索策略,获取BP神经网络最优权值和阈值。最后采用MATLAB建立优化后的BP神经网络预测模型对样本数据进行预测分析,并与传统BP神经网络和粒子群算法(particle swarm optimization,PSO)优化的BP神经网络预测结果进行对比。结果表明:基于SOA-BP神经网络的预测模型具有较高的预测精度,最大绝对误差仅为0.028,对SLS成型件精度的提高和工艺参数的选取具有指导作用。     

BP神经网络在储层物性参数预测中的应用——以梁家楼油田沙三中为例

在储层四性特征及其四性关系研究的基础上，应用BP神经网络方法，对梁家楼油田沙三中储层的物性参数（孔隙度、渗透率）进行了预测，并对其预测精度进行了检验。将神经网络解释结果与常规数理统计方法精度对比可见，神经网络法的参数预测精度有较大的提高，显示出BP神经网络法在储层参数预测中的优势与应用潜能。     

软土地基基坑开挖对坑底桩受力与位移影响的时效分析

深基坑开挖卸荷会对坑底工程桩的桩身受力和位移特性产生影响,同时在实际工程中,软土在开挖情况下具有较为明显的蠕变效应,但较少有人研究蠕变对坑底工程桩桩土相互作用的影响。采用两阶段分析方法,第一阶段基于H-K三参量模型推导出Mindlin的时域解,提出了一种用于计算基坑开挖卸荷引起的坑底土体竖向附加应力的计算方法,并进一步解得坑底土体竖向位移场的时域解。第二阶段通过建立桩身控制方程,利用有限差分法得到开挖卸荷后考虑坑底土体蠕变变形的单桩非线性分析方法。研究结果表明,得到的时域解能够较好地反映软土基坑开挖条件下考虑土体蠕变变形时坑底单桩的桩身轴力和位移特性发展趋势,为相关工程提供参考。     

竖井工法开挖深基坑对下卧既有隧道上浮变形的控制

基坑开挖卸荷将改变地应力平衡状态,位于基坑正下方的地铁隧道将随基底一定深度范围内土层回弹而发生上浮变形。本文结合深圳地铁11号线正上方某采用竖井工法开挖的基坑工程为例,通过建立三维有限元模型分析下卧地铁隧道随竖井开挖过程的变形规律及竖井工法保护机制。结果表明：基坑开挖对下卧地铁隧道竖向卸荷作用显著,采用竖井工法能有效减缓隧道上浮趋势,减小最终上浮量;隧道纵向变形呈双峰形态,纵向变形曲率半径未超过规定值;隧道横截面随开挖过程而发生两侧拱腰压缩、拱顶与拱底之间拉伸的变形趋势,附加弯矩随开挖卸载率增大而逐渐减小,最大附加弯矩位于拱顶附近;竖井工法能减小基底土层的扰动程度,有效抑制基底土体以及隧道围土塑性区发展深度和面积,从而有效控制下卧地铁隧道的隆起量。     

基于模块化神经网络的船舶航迹航速预测

为提高船舶航迹航速预测精度,提出一种模块化神经网络MNN(modular neural network)船舶航迹航速预测方法。首先,利用归一化互信息与专家知识确定预测目标的辅助变量从而分解任务;然后,将RBF(radial basis function)神经网络和Elman神经网络用于子网络搭建,使用减法聚类算法确定初始子网络结构,在此基础上提出误差反馈方法将RBF神经网络训练的最大误差所对应的样本作为隐含层新增神经元并通过粒子群算法PSO(particle swarm optimization)优化RBF神经网络学习参数,运用性能函数动态调整Elman神经网络隐含层神经元数目以此构造模块化神经网络对目标进行预测;最后,实验结果表明模块化神经网络预测精度与网络结构均优于传统BP与RBF神经网络,证明了所提方法的有效性。