深基坑墙体位移的神经网络动态预测

针对基坑工程变形监测预报的重要性,将神经网络技术用于深基坑工程的变形预测,并用ＶＣ＾＋＋语言加以实现,最后用实例论证了神经网络方法用于基坑工程变形预测的可靠性和实用性。     

Ⅵ级围岩公路隧道衬砌粘贴钢板和粘贴碳纤维布加固方法对比试验研究

通过1∶10的模型试验,将公路隧道常见的两种内表面补强方式——粘贴钢板和粘贴碳纤维布加固的方法进行对比分析。试验在Ⅵ级围岩背景下进行,五种工况分别为原型试验和不同时机、不同加固方式的试验。试验表明:两种加固方式均可提升衬砌承载力,碳纤维加固提高的幅度更大;通过加固,结构刚度明显增加,通过碳纤维加固的结构刚度提高更多;但临近破坏时,粘钢由于其延展性会有一段缓冲期,这一点是碳纤维加固所欠缺的。另外,原型试验的剩余承载力与裂缝密度的对应关系可用于指导工程实践。     

隧道衬砌裂缝的远距离图像测量技术

针对远距离数字照相所采集的隧道衬砌裂缝图像自身特点,结合实验数据拟合标定曲线的相机标定方法,采用图像增强预处理、循环迭代法裂缝区域提取、数学形态学修整、亚像素边缘检测等图像处理手段,提出隧道衬砌裂缝识别及宽度量测新算法.经室内试验验证,当拍摄距离小于8m时,算法精度较高,裂缝宽度量测误差一般小于0.40mm;根据现场实际情况可知,该算法误差最大为0.37mm,最小为0.08mm,平均误差为0.20mm,满足工程测量的要求.     

双侧卸载工况下盾构隧道错缝拼装结构变形特征

依托厦门地铁2号线区间隧道,采用相似模型试验和有限元数值模拟分析了隧道双侧卸载工况下结构的受力变形特征、破坏形式及损伤过程,得到盾构隧道管片错缝拼装结构在双侧卸载工况下的变形控制指标.结果表明,管片混凝土裂缝宽度达到设计允许值0.15 mm时的收敛变形值为3.29‰D(D为隧道直径);螺栓屈服时收敛变形值为10.67‰D,结构破坏形式表现为由管片开裂、螺栓屈服直到变形过大并垮塌.     

母猪产后子宫炎的防治

母猪产后子宫炎是一种较普遍发生的疾病.慢性或隐性子宫炎是影响母猪不孕的主要因素.在屡配不孕的母猪中,有50%由于患此病而被淘汰.该病在产程较长、有助产史的母猪中尤为多发.     

上海典型土层与混凝土接触特性的试验研究

利用直剪试验 ,结合上海典型土层 ,分别在饱和和水下 2种情况 ,对褐黄色粉质粘土、粘质粉土、淤泥质粘土、灰色粘土、灰色粉质粘土、暗绿色粉质粘土和草黄色砂质粉土与混凝土的相互作用 ,进行了试验研究 ,得到了几种典型土体与混凝土相互作用的切向位移应力关系、法向位移应力关系、摩擦角、粘聚力、破坏比以及初始切向法向刚度 ,从而为相关问题的数值模拟提供了参数依据 .     

大跨度公路隧道围岩竖向压力分布特征探讨

结合龙头山大跨度隧道围岩压力监测,探讨了竖向压力与隧道埋深、围岩级别的关系;并采用深、浅埋隧道法、普氏系数法以及别尔巴乌麦尔法分别对不同的监测断面计算其围岩压力,对于高级别围岩Ⅳ、Ⅴ,普氏系数法计算结果和实测值较为吻合,而深、浅埋隧道法和别尔巴乌麦尔法计算结果比较一致,但是均大于实测值;对于Ⅱ、Ⅲ围岩,深、浅埋隧道法与实测值较为吻合,普氏系数法要小于实测值,而别尔巴乌麦尔法则大于实测值;从围岩压力与埋深的关系可以看出,深、浅埋隧道法、别尔巴乌麦尔法与实测值的变化趋势基本一致,但比实测值偏大,普氏系数法则比较接近于实测压力的平均值.根据不同的计算方法讨论了不同计算方法对大跨度隧道的适用性,为大跨度隧道围岩压力的设计计算提供有意义的参考.     

粘弹性动态增量反演分析在隧道施工中的应用

对深圳莲盐高速公路隧道围岩中的凝灰熔岩进行了流变试验,得到了围岩的流变模型;结合隧道的施工过程,根据围岩的收敛变形和拱顶下沉,采用改进的自适应遗传算法对粘弹性位移进行优化反分析,并利用反演得到的围岩参数,如弹性模量、粘滞系数等对变形进行预测.研究表明,利用试验得到的围岩流变模型,结合隧道施工过程的动态增量反演分析,可以较好地模拟围岩的实际性态,对指导施工具有重要意义.     

基于集成Dropout-DNN模型的盾构掘进速度预测方法

为了提升土压平衡盾构机的掘进速度预测精度,提出一种集成Dropout-DNN模型的盾构掘进速度预测方法。依据济南地铁R1线盾构隧道段工况数据,将数据集划分为五份,并选取刀盘转速、刀盘扭矩、总推进力、螺机转速、土仓压力这五个参数为输入参数,分别建立了五个Dropout-DNN模型并进行集成实现了盾构掘进速度的预测,进一步对不同的预测方法进行了对比分析。研究结果表明：各Dropout-DNN模型预测精度具有一定的差异性但基本良好,其决定系数均大于0.6、平均绝对百分误差均小于10%,而集成的Dropout-DNN模型决定系数为0.695、平均绝对百分误差小于5%,可见集成模型预测精度较高；基于BP神经网络、DNN模型实现的盾构掘进速度预测模型其决定系数分别为0.502、0.566,可见提出的集成Dropout-DNN模型预测精度提升明显。