详情

原文传递基于机器学习的盾构施工同步注浆参数反演及地表沉降预测方法研究

论文题名：	基于机器学习的盾构施工同步注浆参数反演及地表沉降预测方法研究
关键词：	地下隧道;盾构施工;同步注浆;参数反演;沉降预测
摘要：	盾构法作为地下隧道施工的主要方法之一，广泛应用于城市地下交通建设中，盾构掘进所引起的地层变形程度是评价工程安全性的重要依据。为了对盾构施工中的地层变形进行预测，大量学者采用了数值分析法和近年兴起的机器学习法进行研究。数值分析法计算结果准确度高，但工程中获取的参数与实际值存在差异，往往需要对建立的模型进行大量的调试和标定工作，效率低下，而机器学习法虽然计算速度快，但其计算的准确度很大程度取决于训练所用数据集，且存在结果缺乏理论支撑、模型泛化能力差的弱势。针对以上问题，本文从北京铁路地下直径线隧道工程出发，将有限元数值模拟与机器学习算法结合，通过机器学习算法建立数值计算的代理模型，对不同输入参数下既有数值模型的结果进行预测，引入智能优化算法实现了对地层参数和同步注浆参数的反演，并在此基础上提出了基于机器学习代理模型盾构施工地表沉降预测方法。本文的主要研究内容及成果如下: 　　（1）从实际工程出发，结合现场监测数据和施工记录，总结盾构施工对地层扰动的影响规律。建立数值模型，对盾构施工中注浆参数和埋深比对地表沉降的影响进行探究。　　（2）不同机器学习算法对既有数值模型计算结果预测及代理模型的建立。利用数值模型生成数据集用于机器学习算法训练，选取在岩土工程领域广泛应用的反向传播神经网络（BP-ANN）、随机森林（RF）、支持向量机回归（SVR）三种机器学习算法，利用随机搜索法对各算法的超参数进行设置，以误差评价指标为标准比较不同算法对既有数值模型结果的预测准确度，选取最优的算法建立数值计算代理模型。测试结果表明，BP-ANN虽然预测误差的离散性最小但是计算效率低。SVR虽然计算效率最高，但是预测结果的平均误差离散性最大。RF能够很好的兼具计算效率和准确度，相较BP-ANN和SVR更适于预测数值模拟结果，最终利用RF建立数值计算代理模型。　　（3）对比粒子群（PSO）、差分进化（DE）、人工鱼群（AFSA）三种不同优化算法的性能，将最佳优化算法与代理模型结合（AFSA-RF）实现对数值模型中的土层参数和注浆参数反演，把反演值输入数值模型计算并于监测数据对比以验证反演效果。结果表明，AFSA所得反演值与标准值最接近，反演效果最好。将AFSA与代理模型结合，基于现场监测数据对土层参数和注浆参数进行反演，所得反演值可以减少数值计算结果与监测数据之间平均误差约35.8%，提升了数值计算准确度。　　（4）设计了基于代理模型的地表沉降预测方法，通过建立不同埋深比的均质土层的数值模型建立数据集，使用随机森林算法建立地表沉降预测代理模型。将监测数据输入AFSA-RF获取土层参数反演值，将反演值按深度加权平均后与埋深比和施工参数一同输入地表沉降预测代理模型，实现对地表沉降的预测，该方法还能利用盾构推进过程中采集的监测数据，不断扩增数据集。结果表明，该方法可以有效地对盾构施工引起的地表沉降进行预测，数据集的不断扩增可以提升沉降预测结果的准确度。
作者：	马力行
专业：	建筑与土木工程
导师：	刘超
授予学位：	硕士
授予学位单位：	广州大学
学位年度：	2022