基于卷积神经网络-长短期记忆的施工期盾构管片上浮过程预测模型.pdf
《基于卷积神经网络-长短期记忆的施工期盾构管片上浮过程预测模型.pdf》由会员分享,可在线阅读,更多相关《基于卷积神经网络-长短期记忆的施工期盾构管片上浮过程预测模型.pdf(10页珍藏版)》请在咨信网上搜索。
1、第 51 卷第 9 期2023 年 9 月同济 大 学 学报(自然科学版)JOURNAL OF TONGJI UNIVERSITY(NATURAL SCIENCE)Vol.51 No.9Sep.2023论文拓展介绍基于卷积神经网络-长短期记忆的施工期盾构管片上浮过程预测模型苏恩杰1,叶飞1,何乔2,任超1,李思翰1,张宏权3(1.长安大学 公路学院,陕西 西安 710064;2.贝尔福蒙贝利亚技术大学 信息学院,贝尔福 90000;3.中铁十二局集团第一工程有限公司,陕西 西安710038)摘要:为了实现施工期盾构管片上浮过程的智能预测,采用动力水准仪对施工期盾构管片上浮过程进行自动化监测并建
2、立了基于卷积神经网络长短期记忆(CNN-LSTM)深度学习算法的管片上浮过程智能预测模型。结果表明:管片上浮阶段呈现出“阶梯状”,即管片上浮主要发生在盾构掘进期间,且掘进状态的上浮量最大,占峰值的75.24%98.29%;CNN-LSTM模型对施工期盾构管片上浮过程具有较好的预测效果,在训练集上的均方误差MSE、平均绝对误差MAE和决定系数R2分别为0.038 7、0.148 2和0.999 3,在测试集上为 0.030 7、0.138 9 和 0.801 9;相较于反向传播(BP)模型,CNN-LSTM模型在训练集与测试集上的性能均有所提升,且测试集的提升更明显,最高可达89.71%。研究结
3、果可为盾构管片上浮的现场实测及预防处治提供新思路。关键词:盾构隧道;管片上浮;上浮过程;智能预测;自动监测中图分类号:U455文献标志码:APrediction Model of Shield Segment Floating Process During Construction Based on Convolutional Neural Networks and Long Short-Term MemorySU Enji1,YE Fei1,HE Qiao2,REN Chao1,LI Sihan1,ZHANG Hongquan3(1.School of Highway,Chang an Un
4、iversity,Xi an,710064,China;2.School of Information,University of Technology of Belfort Montbliard,Belfort 90000,France;3.The 1st Engineering Co.,Ltd.of China Railway 12th Bureau Group,Xian 710038,China)Abstract:To realize the intelligent prediction of the floating process of shield segment during c
5、onstruction,the dynamic level was used to automatically monitor the floating process of shield segment,and an intelligent prediction model of segment floating process based on convolutional neural networks and long short-term memory(CNN-LSTM)deep learning algorithm was established.The results show t
6、hat the floating stage of segment is in a shape of“ladder”,i.e.,the floating of segment mainly occurs during shield tunneling.In addition,the floating amount in the heading state is the largest,accounting for 75.24%to 98.29%of the peak value.The mean square error(MSE),average absolute error(MAE)and
7、determination coefficient R2on the training set are 0.038 7,0.148 2,and 0.999 3 respectively,and 0.030 7,0.138 9 and 0.801 9 on the test set.Compared with the back propagation(BP)model,the performance of the CNN-LSTM model in the training set and test set has been improved,and the improvement of the
8、 test set is more obvious,up to 89.71%.The research results can provide a new idea for field measurement,prevention,and treatment of shield segment floating.Key words:shield tunnel;segment uplift;floating process;intelligent prediction;automatic monitoring 盾构隧道施工方法具有机械化程度高、对地表扰动小、适用范围广、掘进速度快等优点,该工法在
9、铁路、公路、市政、水力水电等工程的应用越来越广泛1-2。我国盾构隧道壁后注浆普遍采用凝结时间较长的单液浆,因此衬砌管片在离开密封刷后经常发生上浮现象,从而导致一系列的问题,包括盾构隧道轴线偏移、管片错台、管片破损及渗漏水等3-4。由于文章编号:0253374X(2023)09-1352-10DOIDOI:10.11908/j.issn.0253-374x.23218收稿日期:2023-06-30基金项目:国家自然科学基金(51678062,51878060),中铁十二局科研开发项目第一作者:苏恩杰(1996),男,工学博士,主要研究方向为隧道及地下工程。E-mail:通信作者:叶飞(1977)
10、,男,教授,博士生导师,工学博士,主要研究方向为隧道及地下工程。E-mail:第 9 期苏恩杰,等:基于卷积神经网络长短期记忆的施工期盾构管片上浮过程预测模型管片上浮的影响因素较为复杂,为了探究盾构管片上浮机理,许多学者针对此现象进行了研究。早期黄威然等5从地质条件、盾构工法、盾构机掘进姿态、壁后注浆以及设计等5个方面对盾构隧道管片位移进行研究,并对施工阶段的盾构隧道管片漂移控制提出了建议;叶飞等6根据施工期管片上浮的特点,将盾构隧道管片上浮力分为静态上浮力和动态上浮力,分别分析其上浮机理,给出了管片上浮力的具体计算公式;肖明清等7使用有限元法对影响盾构管片上浮的地层特性、壁后注浆材料等因素进
11、行了分析,结合管片在施工期的受力状态进行分析,对管片上浮的原因进行了阐述,并提出施工、设计不同阶段控制施工期管片上浮的措施;戴志仁8在考虑管片环间的纵向约束作用下,得到了维持盾构隧道管片抗浮稳定需要的浆液最小屈服强度表达式,并明确了浆液屈服强度对盾构隧道管片抗浮的作用;董赛帅等9通过现场实测结合理论分析,对施工期管片上浮规律进行研究,将施工期管片上浮分为两个阶段进行分析,并提出相应的对策和针对性措施;针对施工期管片上浮众多影响因素,黄钟晖等10采用敏感性分析法计算出各主要影响因素的权重排序,并分析各因素的作用机制,提出了针对性的管片上浮控制措施;吕乾乾等11考虑地基回弹的影响,建立隧道开挖动态
12、模型,分析出了软弱地层的地层弹性模量与管片上浮量之间的关系;舒瑶等12统计了粉砂圆砾、砂层、泥岩粉砂质泥岩及粉质黏土等典型地层区段上浮量值的数学分布特征,分析了各典型地层段隧道上浮的主要原因,并利用纵向等效连续梁模型对各典型地层区段管片上浮量值进行预测;李明宇等13对大直径泥水盾构隧道管片在施工期间的上浮、错台以及收敛变形进行了监测,根据监测结果分析了盾构隧道横、纵向上浮分布特征,并提出管片上浮的控制措施;焦建林等14针对曲线段盾构隧道管片的上浮规律进行研究,分析不同地质及盾构机掘进姿态对管片上浮的影响,并提出了相应的盾构管片上浮综合控制措施。在盾构管片上浮预测方面,叶飞15将沿着隧道纵向隧道
13、的管片环衬砌视为埋置在土层中的等效梁,通过在等效梁上表面设置地基弹簧约束模拟覆土作用地基及覆土对管片环的作用,由此建立了早期的管片上浮预测模型。张建勇16基于双面弹性地基梁理论、,修正纵向等效连续化模型以及浆液环向充填理论,在考虑上浮力时变性的基础上,构建了管片上浮预测模型。随着人工智能技术的发展,学者们也将其运用于预测盾构管片上浮,如高玮17根据现场监测大数据采用深度信念网络得到了到较为准确的地表沉降和管片上浮预测值。综上所述,近年来许多学者针对盾构管片上浮问题开展研究,并取得了系列成果。但现有的上浮量计算模型仅考虑有限的数个参数的作用,未能较全面地反映盾构机掘进参数的影响。此外,由于现阶段
14、常用全站仪等传统方法来监测管片上浮的情况,无法精确获得管片连续的上浮数据,故现有的相关成果仅对管片最终上浮量进行预测和对比,缺乏对施工期管片上浮过程的预测研究。基于此,本文采用动力水准仪对施工期盾构管片上浮过程进行自动化监测并提出了基于卷积神经网络长短期记忆网络(convolutional neural networks and long short-term memory,CNN-LSTM)深度学习算法的管片上浮过程智能预测方法。研究结果可为盾构管片上浮的现场监测及预防处治提供新思路。1 管片上浮力学计算模型分析 目前管片力学分析主要分为局部管片竖向运动模型与隧道纵向弯曲变形模型两种。(1)
15、局部管片竖向运动模型此类方法假定刚脱出盾尾时的上浮速度为零,此时管片受到的不平衡上浮力最大,上浮加速度也为最大值,管片开始上浮。随着浆液黏滞阻力、地层应力的不断增大,管片达到受力平衡状态后最终会停止上浮,如图1所示。因此根据牛顿第二定律加速度a与合力F的关系,对时间积分可得到管片上浮速度v表达式,而速度v关于时间积分便可计算出管片竖向位移S,如式(1)(3)。该方法虽然简单易懂,但由于相关竖向力较多(图中Ff为管片受到的浆液浮力、Fy为同步注浆产生的压力差、Ft为千斤顶推力的竖向分力、G为管片自重、Fn为管片受到的黏滞阻力、Fm为环间摩擦阻力、Fj为环间螺栓剪力),需要进行多处假设且常出现超越
16、方程。此外该方法未能考虑不均匀推力等因素所产生的弯矩以及其对隧道整体纵向变形的影响。a=Fm(1)v=0t0adt(2)S=0t0vdt(3)(2)隧道纵向弯曲变形模型1353同 济 大 学 学 报(自 然 科 学 版)第 51 卷基于小泉淳19提出的纵向梁弹簧模型和志波尤纪夫20提出的纵向等效连续化梁模型,学者们提出了许多管片纵向上浮计算方法。如叶飞等21基于等效连续梁理论式(4)(5),将隧道和土体的相互作用等效为土弹簧,提出了同步注浆产生的静态上浮力和动态上浮力作用下隧道结构的纵向变形计算模型。朱令等4、杨方勤等22、舒瑶等23、黄旭民等24考虑了同步注浆过程中浆液黏度时变性、上覆土体基
17、床系数各异性、动态施工步的影响,进一步完善了隧道纵向变形计算模型(图2)。这类方法将盾构隧道管片复杂的三维受力简化为纵向的一维问题,将纵向弯曲变形视为隧道管片上浮量,虽便于计算但也忽略了盾构掘进参数的影响。此外由于常规的监测手段无法获得管片连续上浮数据,故无论是局部管片竖向运动模型还是隧道纵向弯曲变形模型均未得到有效验证,也无法解释本文所监测到的“阶梯状”上浮规律。鉴于目前上浮力学计算模型的局限性,且管片上浮受众多因素的影响,因此结合华东某盾构隧道掘进数据以及本文提出的管片上浮自动采集方法,采用人工智能中的深度学习算法,建立掘进参数与上浮过程之间的联系。EIeq=cos3cos+(2+)sin
18、EcIc(4)+cot=(12+nKbIEcAc)(5)式中:为弯曲后中性轴的位置角;Kb为连接螺栓的线刚度,Kb=EbAb/lb,Eb为螺栓弹性模量;Ab为螺栓横截面积;lb为螺栓计算长度;n为环间连接螺栓个数;Ic为隧道纵向惯性矩;Ec为管片弹性模量;Ac为隧道横截面面积;lc为相邻两管片环中心线间的距离,其大小近似于管片环宽B。2 工程概况 华东某盾构隧道为双洞单线隧道,隧道主要穿越泥质砂岩地层,地层富水性及透水性均较弱,基岩裂隙水总体贫乏,地下水总体不发育,各地层物理力学特征见表1。隧道纵坡呈“W”区间,线间距12.0 43.1 m,隧道顶部埋深为 6.4326.74 m,共设 5个联
19、络通道,全长3 058.79 m,测试区间地质剖面如图3所示。盾构区间采用刀盘直径 6 440 mm的土压平衡盾构机,盾构机主要设备参数如表2所示。盾构机上安装有数据采集系统,每隔1 min采集一次传感器参数和机器运行参数。隧道衬砌采用外径 6 200 mm,内径5 500 mm,厚度350 mm的C50钢筋混凝土管片。管片环宽有1 500 mm和1 200 mm两种规格,均为通用楔形环,楔形量为37.2 mm。环向分块采用一块封顶块、两块邻接块、三块标准块。3 数据获取与处理 3.1管片连续上浮数据3.1.1采集装置采用AR-SS-SZY01动力水准仪对管片上浮进行连续的自动化监测,它可在振
20、动和运动环境下能准确地测量出竖向位移,测量精度为0.5 mm,最图1管片受力示意图18Fig.1Schematic diagram of segment force18图2施工动态示意图Fig.2Diagram of dynamic construction1354第 9 期苏恩杰,等:基于卷积神经网络长短期记忆的施工期盾构管片上浮过程预测模型高可支持30 Hz的采集频率。配套的设备及材料有储液罐、网关采集器、水管、气管及电缆线(图4)。为了确保储液罐和基准水准仪安装在稳定的位置,将它们设置于脱出台车的管片上,距离盾尾 75 m以上。3.1.2采集过程(1)储液罐和基准水准仪安装:将储液罐和基
21、准水准仪安装在不发生上的位置。(2)装置串联成型:用水管、气管及电缆线将储液罐与水准仪、以及水准仪之间串联。(3)排出气体:往储液罐中持续注入纯净水,将水管与水准仪中的气体排出,使整个系统处于无气泡状态。(4)安装测点水准仪:待管片拼装完成后,将测点水准仪固定于待监测的管片内壁。(5)数据自动采集:用电缆线链接基准水准仪与网关采集器,接通电源,自动采集与记录第269-271三环管片上浮数据。3.2掘进参数盾构机自带的运行监测系统可采集设备倾角、刀盘转速、顶推工作状态、油缸推进压力、总推进力、油缸行程等157个参数,在除掉“人舱CO浓度”等与管片上浮相关性较小的参数后,选取刀盘驱动系统、推进系统
22、、铰接系统等盾构掘进参数,经过筛减后的样本集中参数为36个,如表3所示。由于篇幅所限,深度学习数据集以269环数据为主,收集盾构管片从脱出盾尾至稳定过程的掘进参数,样本容量为3 754个。4 基于CNN-LSTM的施工期盾构管片上浮预测方法 4.1CNN算法卷积神经网络(convolutional neural networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络,由卷积层、池化层和全连接层组成,能自动提取数据特征并过滤输入数据噪声,可有效挖掘盾构掘进数据之间的相互关联并从中剔除噪声干扰25。4.2LSTM算法长 短 期 记 忆 网 络(long short-term me
23、mory,LSTM)是一种时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。LSTM算法引入存储单元,避免了传统的递归神经表1地层物理力学特征Tab.1Physical and mechanical characteristics of strata地层编号1-23-1-23-76-2-16-2-26-2-3土质素填土黏土碎石土全风化泥质砂岩强风化泥质砂岩中风化泥质砂岩密度/(gm-3)1.881.912.001.872.122.21内摩擦角/()105553540-黏聚力/kPa8.015.038.016.020.0-压缩模量/MPa6.009.81-10.8922.
24、00-图3地质剖面图Fig.3Geological section map表2盾构机参数配置表Tab.2Parameters of shield machine主部件名称整机概述盾体推进系统同步注浆系统铰接系统细部件名称主机总长/m整机总长/m总重/t水平转弯半径/m纵向爬坡能力/前盾外径(板厚)/mm中盾直径(板厚)/mm尾盾直径(板厚)/mm盾尾间隙/mm盾尾密封最大工作压力/MPa油缸规格/mm最大推进速度/(mmmin-1)分区数最大推力/kN注浆口数量/个铰接系统铰接角度/()参数配置984450250356 410(50)6 400(40)6 390(35)300.3220/180
25、-210080442 5754被动铰接1.31355同 济 大 学 学 报(自 然 科 学 版)第 51 卷网络(recurrent neural network,RNN)的梯度消失和梯度爆炸问题26。如图5所示,存储单元由输入门、具有自递归连接的神经元、遗忘门和输出门这4个主要元素组成(xt指第t个输入序列元素值;c指代记忆单元或称为细胞状态;i指代输入门;f指代遗忘门;ct-1指前一时刻的细胞状态;o指代输出门;ht-1指代在t-1时刻的隐层状态;ht指当前状态的输出)。输入门可允许或阻止输入信号改变存储单元的状态,输出门可允许或阻止存储单元的状态对其他神经元产生影响,遗忘门可以调节存储单
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 卷积 神经网络 长短 记忆 施工期 盾构 管片 上浮 过程 预测 模型
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。