详情

原文传递基于深度学习的盾构隧道施工力学响应分析

论文题名：	基于深度学习的盾构隧道施工力学响应分析
关键词：	盾构隧道;深度学习;沉降预测;Peck公式;力学响应;数值模拟
摘要：	近年来，伴随着中国城镇化与区域经济的高速发展，中国的城市轨道交通在全国范围内迅速发展，仅2022年就增加了1080.6公里，日益复杂的地表与地下环境对盾构隧道施工的安全性提出了严峻挑战。因此，研究盾构隧道施工引发的力学响应显得尤为重要。鉴于此，本文以杭州地区盾构地铁隧道工程案例为依托，结合当下发展迅速的深度学习算法，分析盾构隧道施工过程中造成的地表沉降和某些风险因素下隧道结构的力学响应。本研究的主要成果如下：　　（1）收集整理杭州盾构隧道工程的相关数据并进行统计分析：相关数据包括地层参数及几何数据，五种影响较大的盾构掘进数据（总推力、土仓压力、刀盘扭矩、贯入度、注浆量）以及测点沉降数据，并提出了用一维列向量表示盾构隧道上方地层数据的输入新方法。结果表明：该方法不仅能准确描述地质组成，而且还能准确表达不同地层的位置、厚度，实现了对实际地层的精准描述，为深度学习提供了十分可靠的输入方法。　　（2）比较三种深度学习算法的最大沉降量预测效果：以选取的性能评估指标（均方误差（MSE）、平均绝对误差（MAE））为基础，比较本文提出的FC-CNN神经网络与卷积神经网络和全连接神经网络在最大沉降量智能预测中的表现的差异。结果表明：FC-CNN神经网络的预测效果最优，最大误差仅为10mm，小于后两者的15mm，且FC-CNN神经网络的最大概率沉降与实际值的最大概率沉降基本重合，在最大最小两端的变化趋势也与实际值的变化趋势更为接近，说明FC-CNN神经网络融合了全连接神经网络和卷积神经网络的优势，实现了对盾构隧道施工期地表轴线沉降的精确预测。　　（3）总结地表横向沉降曲线公式并构建深度学习模型预测模型：对比分析了现有的地表横向沉降曲线公式，针对最大沉降值和宽度系数的相关性，对算法结构进行优化，提出最大沉降值和宽度系数相结合的损失函数，并加入反弯点沉降项以考虑该问题中的实际物理信息，建立横向沉降曲线的预测模型。结果表明：正态曲线（Peck公式）和负二次幂曲线（Sagaseta公式）在多个截面上均表现出了极佳的效果，其中在最大沉降大于15mm时，正态拟合的效果优于曲线拟合；在最大沉降小于15mm时，曲线拟合的效果优于正态拟合；运用新提出的损失函数预测到的沉降曲线更贴合实际沉降曲线，在最大沉降和反弯点处误差更小，验证了建立最大沉降值和宽度系数相结合的损失函数的必要性。　　（4）总结对盾构隧道安全性影响较大的多源致险因素，通过数值模拟研究了多源致险因素下盾构隧道的结构响应，构建深度学习模型实现对盾构隧道的结构响应的智能预测。结果表明：地铁结构上部附加荷载、地表开挖对地铁结构影响显著；运用深度学习能够实现对不同工况下盾构隧道结构响应的智能预测，且预测结果具有较好的拟合度，平均相对误差小于2%；深度学习模型能够在特殊荷载发生时及时对隧道结构的力学响应做出准确预测。
作者：	潘亦杨
专业：	土木工程
导师：	房倩
授予学位：	硕士
授予学位单位：	北京交通大学
学位年度：	2023