详情

原文传递数据挖掘技术在土压平衡盾构掘进隧道施工沉降预测中的应用研究

论文题名：	数据挖掘技术在土压平衡盾构掘进隧道施工沉降预测中的应用研究
关键词：	隧道施工;土压平衡盾构法;地表沉降;时空变化性;数据挖掘
摘要：	土压平衡盾构法隧道施工过程难以避免对周围土体产生扰动，导致地层变形和地表沉降，对周围建筑及其它基础设施造成影响，因此必须对沉降进行准确预测和严格控制。现有地表沉降预测理论和预测模型难以克服岩土体介质材料的不确定性、影响因素的高维非线性、地表沉降发展的时空变化性难题。针对以上问题，本论文采用数据挖掘技术对土压平衡盾构掘进隧道产生的最大地表沉降进行预测研究。本文主要内容及研究成果如下：　　（1）采用数据预处理方法，对地表沉降影响范围内数据进行数据预处理；采用特征工程技术，对地表沉降高维影响因素数据进行特征选择和特征提取，在避免产生维数灾难的前提下，充分挖掘影响范围内影响因素数据中蕴含的预测地表沉降的重要信息，进而建立最能表征地表沉降工程问题的数据模型。　　（2）分别采用 Logistic 函数和 Boltzmann 函数对土压平衡盾构法隧道施工产生的地表沉降时空变化性进行分析，结果表明：地表最大沉降量的产生是伴随着盾构掘进过程的土体空间位移的积累过程，具有时空变化性，进行最大地表沉降的预测研究时，需确定地表沉降的显著影响范围，基于显著影响范围内影响因素数据进行地表沉降的预测。　　（3）根据 Logistic 函数的拟合结果，求导获取沉降速率—时间函数，函数表明盾构掘进过程中沉降速率基于峰值速率呈对称分布，基于该规律提出以沉降速率为指标的地表沉降影响范围的识别方法；基于工程 GIS 图上地表沉降二维空间坐标数据，提出了采用二维区间估计的协方差矩阵置信椭圆计算方法，获取特定沉降速率水平下土压平衡盾构掘进隧道引起的地表沉降显著影响范围。　　（4）分别建立了优化算法自适应选参的机器学习算法回归预测模型 DE-SVR和分类预测模型GV-XGBoost，基于3种地表沉降影响因素数据模型，对土压平衡盾构掘进隧道产生的最大地表沉降进行对比预测，预测结果均表明：采用协方差矩阵影响范围椭圆的估算方法获取地表沉降的影响范围，进而采用影响范围内操作参数数据进行地表沉降的机器学习方法预测，可显著提高预测模型的预测精度；在某一特定范围内，预测算法的预测性能整体随地表沉降的影响范围的扩大而加强；地表沉降影响因素数据统计特征中蕴含着反映地表沉降预测的重要信息，信息的充分挖掘有利于进一步提高预测算法模型的预测性能。本文中工程案例预测结果表明，采用沉降速率为 1mm/d时地表沉降的影响范围内影响因素 7 种统计特征数据进行地表沉降预测，回归模型预测精度R2=0.899，分类模型预测精确率为0.814，均达到模型最高预测效果。　　（5）采用 PCA 算法对工程地质数据进行降维处理，基于降维后的数据，采用 K-Means 算法对区间隧道进行地质种类的聚类，聚类效果与区间地质断面图分析结果高度吻合，聚类方法应用于地质类别识别具有较高的适用性。　　（6）采用 Apriori 关联算法，对相似工程地质区间，盾构操作参数数据及地表沉降数据之间的关联关系进行了挖掘。挖掘结果为相似工程地质条件下，盾构施工参数的设置区间提供了参考依据，进一步指导盾构隧道施工安全、高效进行。
作者：	白祥瑞
专业：	建筑与土木工程
导师：	王明洋
授予学位：	硕士
授予学位单位：	南京理工大学
学位年度：	2022