详情

原文传递基于机器学习算法的浅埋隧道地表沉降预测模型研究

论文题名：	基于机器学习算法的浅埋隧道地表沉降预测模型研究
关键词：	浅埋隧道;地表沉降;预测模型;机器学习;支持向量回归;遗传算法
摘要：	随着信息技术的快速发展，隧道地表沉降的自动监测预警已成为保证隧道结构安全的重要途径。在隧道建造过程中对监测数据进行收集过后，通过对数据进行分类和实验,得到一个近似隧道地表沉降实际值的预测数据，以防范安全隐患，这一研究领域已成为近年来隧道结构变形监测的研究热点。随着工程规模的增大，数据结构的复杂性越来越高，这对隧道结构的施工和运行安全提出了更高的要求，传统的预测方法已经不能很好的胜任，通过智能化的预测模型对隧道地表沉降进行深度研究和优化越来越多的参数能够在一定程度上为隧道施工安全方面提供保障，这对于地下空间工程施工安全具有重要意义。　　浅埋隧道是最常见的隧道类型之一，其施工安全一直是国家所关注的重点，浅埋隧道施工的特点是上覆土层薄，对地层环境影响大，围岩受力复杂，安全问题繁多。浅埋隧道在施工过程中常常会受到多种复杂因素影响，一般都具有共同的特点，即都具有非线性特征，传统的数学模型很难去解释这种复杂的关系。近年来，相关问题大多由机器学习模型所解决，相比于传统数学模型，机器学习对非线性数据的处理所得到的结果更加的可靠，无论是预测的速度和精度都取得优势。　　本文以重庆市水土高新区海天堡隧道工程为背景，该隧道为标准的浅埋隧道，隧道全段大部分都属于浅埋段，分别采用了LR、GA-PSO-BPNN、EMD-SVR-WNN以及SVR四种模型对其地表沉降进行预测实验，在基础机器学习算法作为基础的前提下，对其做出优化形成更加合适的模型。本文所涉及的实验和收获的成果如下：　　（1）利用支持向量回归算法（SVR）建立了浅埋隧道地表沉降值的预测模型，将支持向量回归算法作为该预测模型的基础算法的前提下，后续改变了参数所形成的模型：ε-支持向量回归(ε-SVR)、v-支持向量回归(v-SVR)和最小二乘法支持向量回归（Ls-SVR），将以上三种模型用于预测浅埋隧道地表沉降。然后分别采用线性核函数、poly核函数、径向基核函数以及sigmoid核函数分别建立了性能不同的几种预测模型。选取了与浅埋隧道地表沉降有关的7个参数进行建模，即注浆压力、隧道埋深、注浆量、距隧道中轴线距离、地层黏聚力以及内摩擦角等。建模数据采用的是重庆市两江新区海天堡隧道右幅YK3+773-YK3+890浅埋段地表沉降数据，根据实验结果得出：Ls-SVR模型在RMSE、MSE以及决定系数R2上都要高于其他两种SVR模型，Ls-SVR预测模型是三种SVR模型中精度最高。　　（2）遗传算法是优化算法中最常使用的，将其对组合模型粒子群算法（PSO）的BP神经网络（PSO-BPNN）参数进行优化从而得到一种全新的算法GA-PSO-BPNN组合模型，并预测了重庆市海天堡隧道的地表沉降。采用了粒子群优化算法以及遗传算法对BP神经网络模型的收敛速度和预测精度进行分析和优化，并且地表沉降测量点到隧道中轴线的距离将数据分类的方法进一步深层次地提高了地表沉降预测精度。结果表明，GA-PSO-BPNN组合模型的收敛方面表现出来的速度更加快速，特别是对距离隧道中线8m内监测点的沉降预测更加精确。　　（3）采用了一种基于经验模态分解、支持向量回归以及小波神经网络三种算法所组成的模型（EMD-SVR-WNN）对浅埋隧道地表沉降进行预测。通过EMD模型对地表沉降监测数据进行分解，采用能量矩阵将沉降数据有效地划分为相对稳定的趋势项和随机波动的剩余分量。根据随机项和趋势项的不同特点，分别采用WNN和SVR方法进行预测，并将预测结果综合得到最终沉降预测。最后，采用海天堡隧道在施工过程中地表沉降实测沉降数据集对四种模型的性能进行了测试,实验结果显示，EMD-SVR-WNN和GA-PSO-BPNN两种组合模型的预测效果高于单项模型Ls-SVR和LR，四种模型的性能排名为：EMD-SVR-WNNgt;GA-PSO-BPNNgt;Ls-SVRgt;LR。　　总之，结合数据预处理，本文提出的组合预测模型具有预测时间短、针对性强、预测精度高等特点，能基于预测结果有效揭示浅埋隧道地表沉降变化规律，适用于隧道工程领域。
作者：	刘宇豪
专业：	测绘工程
导师：	冯晓
授予学位：	硕士
授予学位单位：	重庆交通大学
学位年度：	2022