详情

原文传递基于EOF与神经网络的隧道变形监测方法研究

论文题名：	基于EOF与神经网络的隧道变形监测方法研究
关键词：	隧道工程;变形监测;经验正交函数;神经网络算法
摘要：	随着隧道技术的迅猛发展和运营的需要，隧道工程的建设进程也日益加快。这对隧道的建设规模、造型和难度都提出了更高的要求。隧道的安全运营直接关系到国民经济的生产进程。因此，对大型隧道进行变形监测，以及对监测数据如何分析处理就显的尤为重要。为此，本文给出了隧道沉降和整体变化状态分析的模型方法。　　首先，本文对隧道变形监测的意义、国内外变形监测技术的发展研究现状以及变形监测基本的数据分析方法等进行了论述和总结。在此基础上，根据隧道数据的特点，总结了多个适合隧道数据分析的方法;并且针对这些处理方法的优缺点，选择了一种适合隧道变形趋势分析的神经网络算法;然后利用神经网络方法模拟隧道未来的变形趋势。　　其次，系统地阐述了经验正交函数(EOF)的基本原理以及在隧道变形数据时空变化规律中的应用。与其它方法相比，对于要素场空间分布特征以及时间变化特征的灵活反映，是EOF分解方法的独特之处。它的优点是可将要素场分解为与空间无关的时间函数和空间函数两部分。空间函数部分即空间主分量是不随时间变化的，是由变形要素场的主要特征所决定的。因此，只需要取前几个特征值比较大的主分量即可。这几个主分量就可以充分地描述出变形要素场的主要特征。重点讨论和研究了利用EOF建立隧道监测数据的处理理论、方法和模型，并提出了经验正交函数(EOF)与神经网络相结合的趋势预测方法。　　然后，结合克拉2西气东输管线盐水沟隧道监测预警工程进行实例分析，对变形监测数据分别进行限差分析、利用EOF进行隧道变形时空变化状态分析，通过神经网络算法进行时间内插、空间内插和空间外推方法试验，并利用神经网络方法对隧道的监测数据进行时间外推，对隧道未来的变形状态进行趋势预测。　　最后，采用EOF和神经网络相结合的方法对隧道未来变形趋势进行分析。该方法是先利用经验正交分解(EOF)方法对盐水沟隧道数据进行空间分布特征和时间变化特征分解之后，通过神经网络方法预测未来的时间分布函数，再对数据进行恢复得到隧道变形预测值。　　通过对经验正交分解和BP神经网络两种模型的研究，初步得到以下结论: 　　1.经验正交函数(EOF)分解模型可以很好地对隧道监测数据进行分解，通过对盐水沟隧道累积位移的空间分布特征和时间状态函数分析，较好地得到了隧道的时空变形特征，该方法对隧道数据空间分析具有较好的现实意义和指导意义。　　2.借助于BP神经网络模型，结合盐水沟隧道的变形监测数据，建立了隧道的神经网络预测模型，对多组数据进行时间内捅、空间内插和空间外推实验，通过实测值和预测值的比较，证明了该方法的可行性;也为监测周期不规律和部分监测点不能准确监测提供了可行的解决方法。并对未来一年内隧道的变形趋势进行分析，结果表明隧道变形趋于稳定，无变形异常。　　3.结合神经网络和EOF的思想，建立EOF与神经网络相结合的变形趋势预测模型。通过盐水沟隧道的实测数据分析，与实验结果基本符合，证实了该方法的可行性。又结果表明，EOF与神经网络相结合的趋势预测模型可以很好地预测隧道的未来变化趋势。　　4.研究结果表明，盐水沟隧道地震前后的形变特征是截然相反的。在隧道竖直方向，地震前，自进口至出口呈现为逐步抬升的趋势;地震后，则表现为下沉，且下沉量自进口到出口增大。在垂直隧道走向方向，地震前，隧道出口端至隧道内600m表现为向左侧变形，其余段则表现为向右侧变形;地震后则与之相反。顺着隧道走向方向，地震前，主要表现为隧道两端向中间挤压的变形态势;地震后相反。
作者：	吴玉苗
专业：	大地测量学与测量工程
导师：	张献州;袁林果
授予学位：	硕士
授予学位单位：	西南交通大学
学位年度：	2014
正文语种：	中文