交叠隧道施工地表变形的进化智能预测

在分析交叠隧道盾构法施工地表变形规律的基础上 ,采用进化神经网络建立了地表变形智能预测模型 ,由此预测盾构推进中下一步地表变形以给变形控制提供依据 .通过对上海地铁明珠二期交叠区间隧道上下行线施工地表变形的预测 ,表明进化智能预测具有较高精度 ,预测和实施的相关性系数达 98%以上 ,从而论证了该方法的可行性和适用性 .     

深基坑开挖引起的周边地表变形预测

应用模糊数学理论推导出的Fuzzy测度模型,根据实际基坑的情况对地表下沉公式积分范围进行了修正,使用Matlab语言编写了预测地表下沉及水平位移变形的程序.对深基坑开挖引起地表下沉及水平位移变形量进行预测的结果表明:该模型对基坑周围土体变形量的预测结果与实测情况吻合较好,所获得的理论公式可应用于深基坑工程开挖引起的地表移动变形预测.     

框架逆作深基坑变形特性离心模型试验

以某超大型深基坑工程为背景,通过离心模型试验比较了新型框架逆作法与传统逆作法的施工方案基坑变形控制的效果;基于试验结果,研究了地表最大沉降与围护结构最大侧移之间的关系,以及地表沉降大小和影响范围.试验结果显示:框架逆作基坑地表最大沉降基本为围护墙最大侧移的0.35~0.70倍,而无支撑暴露时间对二者比值的大小有一定影响;基于实测总结的国内外多种经验地表沉降预测方法并未能很好地预测试验结果;框架逆作法与传统逆作法施工方案基坑变形控制的效果大致相当,框架逆作法方案可以达到有效控制基坑变形的目的,该结论对于框架逆作法在实际工程中的推广应用具有重要参考价值.     

建筑物下工作面部分矸石充填开采充填高度的确定

常村王庄煤矿S5-12工作面部分位于村庄保护煤柱。为实现部分充填开采后的地表沉陷变形可视化,采用概率积分法、距离幂次反比法和矩形网格模型的等值线绘制方法建立了部分充填开采时的地表沉陷变形预测方法。通过建立的预测方法计算得到满足地表建筑物安全时的煤柱内可采厚度为3.5 m,应用等效采高计算模型反推出此时的矸石最小充填高度为4.03 m。     

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。     

AHP法在确定地表变形因素权重中的应用

地表沉陷变形是一个复杂的力学过程,影响地表沉陷变形的因素集是一个由相互关联相互制约的众多因素构成的复杂系统。准确地预测各因素对地表沉陷变形的影响情况对矿产资源开采研究、采动灾害的控制、矿山生态环境的改善等具有重要的意义。层次分析法最终为综合评价地表沉陷变形以及地表沉陷变形的预测提供了科学依据。文中在分析层次分析法确定指标权重不足的基础上,结合物元分析理论,将专家作为样本,以各专家判断矩阵得出的权重构造的复合物元作为因子,通过物元分析得出各专家效度,从而建立了确定影响地表沉陷变形各因素权重的物元分析模型。该方法充分考虑各专家对不同事物的认识程度,修正了层次分析法确定权重地片面性,使指标体系能全面客观地反映被评价对象。     

倾向主断面地表残余移动变形数学模型

目的研究走向长壁冒落式开采的老采区地表沉陷盆地倾向主断面残余移动变形.方法通过对倾向主断面覆岩冒落、断裂、离层、弯曲过程的机理分析,采用概率积分法、随机介质理论和等影响原理构造了倾向主断面地表残余移动变形的数学模型,并采用实际观测数据与预测数据对比、不同数学模型分析对比两种方式进行了数学模型的验证.结果缓倾斜煤层和大倾角煤层倾向主断面实际观测数据与预测模型计算的误差均在允许范围10%以内.得出倾向主断面地表残余下沉、倾向主断面地表残余倾斜变形、倾向主断面地表残余曲率变形、倾向主断面地表残余水平移动、倾向主断面地表残余水平变形数学模型.结论各数学模型不仅能够把矿区已有岩移参数转化为残余移动变形预测参数,而且可以定量描述倾斜煤层倾向主断面地表残余移动变形规律,可推广性强.     

利用回归分析法研究矿区地表形变

为了减小由煤矿地下开采引起的地面沉陷对人们生命财产造成的危害,对某矿区采煤引起的地表变形进行了预测。本研究采集了该矿区2011-03—2012-03实际的监测数据,采用回归分析方法对该矿区进行了研究,并对矿区地表形变进行预测。预测结果与地表实际的沉降情况非常接近,说明采用回归分析法可以对矿区变形进行短期预测。     

矿山地表移动与变形的灰色预测

本文利用灰色系统对矿山地表下沉进行了预测,绘出了灰平面,经后验差检验,预测精度达到一级。灰色系统应用于地表移动与变形预测,建模简便,预测精度高,具有实用意义。     

地铁隧道施工诱发地表沉降原因及预防

本文首先总结了地铁施工引起的地表沉降力学机理,随后分析了地铁施工诱发地表变形的两类影响因素：地质因素和人为因素,最后提出地表变形的相应预测及预防措施,可供同类施工工程参考。     

基于误差分级迭代法的基坑变形预测

BP(back propagation)神经网络算法在变形预测方面存在收敛速度慢、学习效率低、容易陷入局部最小值等问题,直接影响预测结果的精准性,利用误差分级迭代法优化的神经网络能够更好地降低误差,提升预测性能.通过对比分析误差分级迭代法与BP神经网络的优势,建立误差分级迭代法模型并编制误差分级迭代法变形预测程序.采用基坑工程实测数据,经过误差分级迭代法优化后神经网络的最大误差为0.96％,与径向基神经网络预测精度相比提高3.5％,利用误差分级迭代法预测基坑变形结果其精准性较高,具有一定的实用价值.     

基于多时相InSAR技术的大渡河瀑布沟水电站形变监测与预测

形变监测与预测是对水电站异常情况进行预警和及时采取补救措施的关键。本文提出了一种长短期记忆(LSTM, Long Short-Term Memory)神经网络方法来预测大渡河流域瀑布沟水电站干涉合成孔径雷达(InSAR, Interferometric Synthetic Aperture Radar)的时间序列形变。该方法首先利用多时相干涉合成孔径雷达(MT-InSAR, Multi-temporal Interferometric Synthetic Aperture Radar)技术对2018-2020年瀑布沟水电站的哨兵一号(Sentinel-1)图像进行时间序列形变监测，然后基于时间序列InSAR形变数据采用LSTM神经网络建立了形变预测模型，最终获取瀑布沟水电站的形变速率结果和时序形变的预测结果。结果表明，瀑布沟水电站最大沉降速率达到-34 mm/a-1，LSTM预测模型训练和测试过程中点尺度的均方根误差(RMSE Root Mean Squared Error)和绝对误差平均值(MAE, Mean Absolute Error)最小值分别为2.343 mm和2.010 mm，2.094 mm和1.654 mm。LSTM形变预测模型的预测结果显示2020年5月-9月的累计沉降值将达到71.29 mm。本研究证明了LSTM神经网络是一种有效InSAR时序形变预测方法。同时该模型的预测结果也可用于瀑布沟水电站的形变预警和辅助决策。     

土钉支护变形预测的神经网络方法

应用人工神经网络方法，利用土钉支护变形观测数据，建立用于对支护系统未来变形进行预测的网络模型。同时，通过实例计算，分析了影响预测精度的原因，提出了改善预测精度的措施。计算结果表明该方法是可行的，具有广泛的工程实用价值。     

近距离重叠地铁隧道盾构法施工地面变形预测

针对盾构施工与监测过程为一时间序列的特点 ,从滚动优化思想出发 ,建立了部分最小二乘神经网络模型 ,预测盾构掘进一定距离后产生的地面变形 .最后将该模型应用到上海市轨道交通某近距离重叠地铁区间隧道工程实例中 ,结果证明 ,其训练以及预测效果均可以满足工程需要 .     

基于LM-BP和SVR的倾倒变形体变形预测

为了深入了解黄登水电站1号倾倒变形体的变形趋势,采用LM BP神经网络和SVR进行变形预测研究。基于倾倒变形体的实际变形监测资料,对位移、降雨、库水位、温度等资料进行分析,以库水位、降雨量、温度、时间作为输入参数,以位移变形作为输出参数,构建LM BP神经网络模型和SVR模型,对部分监测数据进行（先行学习）训练,对后续的监测数据进行验证预测,预测预报了研究测点的变形情况。分析结果表明,2个模型精度都比较高,LM BP神经网络模型的最大误差为2.53%,SVR模型的最大误差为4.35%,预测方法有效。     

小净距2扩4隧道变形规律的BP小波神经预测

以泉厦高速扩建工程大帽山隧道为例,通过周边位移和拱顶沉降的监测数据对小净距扩挖隧道的围岩变形规律进行分析.研究表明:小净距2扩4隧道具有和其他隧道不同的变形规律.在此基础上将小波函数引入BP神经网络建立BP小波神经网络模型,对特大断面超小净距隧道2扩4时围岩变形进行预测,并将预测结果与BP神经网络的预测结果进行对比.结果表明:BP小波神经网络模型收敛快、精度高,优于BP神经网络模型,预测的精度达10%以内,满足工程精度要求.     

基于小波神经网络的某边坡预测研究

边坡的地表位移监测是滑坡安全监控中的重要内容,对监测资料进行及时、合理和有效的分析,获取滑坡变形规律和安全状况是滑坡监测的重要工作之一。文章将基于BP算法的小波神经网络预测模型引入变形监测预报中,对工程实例进行了预测。结果表明小波神经网络预测可以取得良好的效果,且自适应预测能力较强。     

大坝变形预报的神经网络极限学习方法

针对大坝变形具有强非线性的特点以及在采用传统BP神经网络模型进行预报时存在学习速度慢、易陷入局部极小等问题,提出将极限学习机(ELM)方法用于大坝变形预报。该方法不仅可以简化网络参数选择过程,而且可以明显提高网络的训练速度,并具有良好的泛化性能。工程实例结果分析表明了ELM方法应用于大坝变形预报具有可行性和有效性。