英语原文共 20 页，剩余内容已隐藏，支付完成后下载完整资料
地下通道盾构隧道施工中运营地铁隧道
安全控制的最优模型
Jun‐ru Zhang | Guang Huang | Xin‐ming Gou
西南交通大学土木工程学院，教育部交通隧道工程重点实验室，中国成都610031。
通信：Guang Huang，西南交通大学土木工程学院，教育部交通隧道工程重点实验室，四川成都。
资金信息：国家自然科学基金面上项目，批准号：51378435；教育部创新研究小组，中国，授予/获奖编号：IRT0955；中央大学基础研究基金，授予/奖励编号：SWJTU11ZT33
|
摘 要 |
|
沉降被认为是地下工程的重要指标。当穿越运营中的地下隧道进行隧道施工时，应监控运营中的隧道沉降。为了控制运行中的地铁隧道的隧道诱发运动，机械化隧道的运行参数（即工作面压力和灌浆压力）应保持在特定范围内。提出了一种采用统一设计方法和径向基函数神经网络的混合方法来发展沉降与相关影响因素的关系。这种连接用作隧道掘进机（TBM）的调整模块。此外，通过实现全站仪机器人和支持向量机的软计算方法，建立了铁路沉降预测模型。通过使用粒子群优化算法改进了预测工具SVM。使用粒子群优化对SVM的核函数中来自SVM的参数c和g和gamma;进行优化。长沙地铁3号线在地铁1号线隧道下施工的一个案例验证了该预测模型。通过示例证明了元模型的可行性。 关键词：土压力平衡TBM；既有地铁隧道；径向基函数神经网络；支持向量机；统一设计 |
1 引 言
在发达的城市地区，地下空间通常被运输结构，管道和地面建筑结构所占据。与这些现有结构相邻的隧道工程受到严格限制，应进行适当的设计，施工和监控。近几十年来，城市化进程导致对地下设施（例如地铁和地下公用事业）的需求不断增长。TBM隧道法由于其在保护周围环境方面的优势而通常在城市地区采用。但是，当机械化掘进靠近现有结构时，不能忽略掘进的干扰。机械化掘进的先前经验[1]表明，不适当的施工设计会损坏相邻的结构。因此，对地基沉降的预测对于现有结构的安全至关重要。
诸如有限元法和有限差分法的数值模拟方法已被广泛使用。建立了几个复杂的数值模型来模拟施工过程并对隧道开挖引起的地面沉降进行反分析。[2–5]
在施工阶段，现场监测是研究隧道与相邻建筑物之间相互作用的重要手段。一系列研究利用地面和地下沉降监测来研究变形特征，并为隧道的设计和施工提供了借鉴。[1,6-8]
当TBM在现有地铁隧道下施工时，应严格控制沉降。根据地质参数和TM力学性能参数，建立了隧道收敛预测模型。[4,9-11]使用了多种软计算方法，例如支持向量机（SVM），神经网络（NN）和贝叶斯网络[12–14]先前的研究主要集中在TBM在施工阶段的机械性能，例如刀盘的推力和转速。TBM的力学性能是工作面支护压力和灌浆压力的可见结果。因此，与以前的研究不同，本文没有考虑例如刀盘的推力和旋转速度。工作面支护压力和注浆压力被认为是影响地面和邻近结构变形的主要因素。
为了使运行参数与地面和结构变形相关联，已使用软计算方法。[15–17]Zhou等人[18]使用改进的神经网络和粒子群算法（PS）估算气室压力。在基于TBM监测数据的参数研究中，采用了类似的采用NN和PSO的框架。[9]Mooney等人[4]使用数值计算方法分析了与地面运动和不同盾构隧道参数的关系。[4]已经开发了具有蒙特卡洛模拟模型的三维有限元方法来改善盾构隧道设计。[10]
分开了先前的施工性能数值分析和预测模型。在本文中，作者试图将数值分析与启发式预测模型相结合，从而为运营中的地铁隧道的安全性建立实时预测模型。
在此，采用统一设计方法（UDM）。UDM是一种实验性的设计方法。与诸如蒙特卡洛方法的随机抽样方法不同，UDM会生成均匀分布的样本。通过适当的估算，它可以产生有效的实验采样。在结构优化分析中，UDM已成功与NN一起使用。[19,20]
由于良好的预测性能，因此在本文中使用了SVM。此外，分别通过遗传算法（GA）和PSO优化了SVM。比较了两种算法以获得更好的性能。对于二优参数搜索，GA和PSO已嵌入SVM。[21,22]但是，先前的研究并未考虑内核函数的参数优化。本文中，作者采取了进一步的措施，试图优化SVM的参数及其内核功能。
该研究的主要目的是开发基于现场监视，数值模拟和人工智能工具的安全控制框架。在预测模型中使用统一设计方法来优化数值模拟的效率。然后将PSO与SVM结合，开发了混合元模型。以地铁1号线下的长沙地铁3号线项目为例。
文章的结构安排如下。第2节介绍了测量仪器。第3节介绍了采用的方法，包括UDM，NN，SVM，PSO和GA。第4节提出了所建议的元模型的框架。第5节介绍了该研究。第6节演示了该模型的应用。
2 测量仪器
所提出的模型有两个部分的现场监测计划。首先，将测量“未开发地区”中的地下沉降（在隧道施工中不存在现有的封闭建筑物或构造）。其次，对运营中的地铁隧道进行实时自动监测，不仅观察现有的地铁管道的变形和TBM的运行参数。工作面支护压力、注浆压力等操作参数可直接从TBM上的PC机读取。监视仪器描述如下。
2.1 地下沉降监测
XJ‐5002引伸计用于测量地下沉降。环境的工作温度为minus;25至60℃。精度为每米plusmn;0.1毫米每米。沉降与屏幕上的读数数字成比例关系，如下所示。
（1）
其中D是结算的变化；R0是初始读数；R1是当前的读数；G是仪器指数。仪器由钢制成，会受到温度的影响。因此，在式（2）所示的式（1）中增加了温度指数的修正：
（2）
其中DT是温度修正后沉降的变化；T0是初始温度，T1是当前温度；K是修正指数。图1展示了XJ‐5002和现场安装的XJ‐5002。
（a）XJ‐5002
（b）Installation of XJ-5002 in site
图1 XJ‐5002引伸计的组件
2.2运营中地铁隧道的实时变形监测
在建议的模型中，Leica TS30全站仪对运营中的地铁隧道进行监测。图2给出了自动监控系统的指定配置。
使用极坐标。首先，观察员将全站仪放在已知的点上。然后，通过观察另一个已知位置，可以获得一个已知方向。通过使用全站仪，观察者可以获得目标点的三维坐标。
如图3所示，假设B和C的坐标为（XB，YB，HB），（XC，YC，HC），则假定未知A为（XA，YA，HA）。BC的方位角将通过公式（3）计算。
（3）
表示BC的方位角。然后可以将BA的方位角计算为公式（4）：
（4）
表示BA的方位角。A的坐标可以通过公式（5）计算： （5）
其中DBA是水平距离，i是BA的垂直角度，S是从B到A的距离。点A的高度可以通过公式（6）计算：
（6）
其中HLeica是全站仪的高度，Hprism是棱镜的高度。
假设全站仪为坐标原点，垂直方向为Z轴。观察者通过将随机方向定义为图4中的X轴来建立左手坐标系o‐xyz。
图2 自动监视系统的配置
图3 极坐标
图4 极坐标中的测量
极坐标中观测点P的坐标将如公式（7）所示：
（7）
其中，alpha;是水平角，beta;是垂直角，S是从P到O的距离。假设，可以得到S的微分，alpha;和beta;如式（8）。
将公式（8）转换为矩阵形式，如公式（9）：
（9）
其中，，是xyz坐标的中位数偏差，是距离的中位数偏差，和分别是垂直角和水平角的中位数偏差，根据公式（10）中所示的Helmert点误差近似公式[23]，
（10）
用公式（9）作为公式（11）替换，，：
（11）
全站仪的距离精度为1 mm 2 ppm，角度精度为1rsquo;rsquo;。根据中国测量标准（GB / T12897-2006），研究人员使用4次作为观测集，rho;为206，265 m。[24]此外，假设距离小于100 m并且角度小于15°，则，和 可以如下获得。测量某一个点的误差为0.6毫米。
3 方法
3.1 统一设计方法
UDM是一种实验设计方法。它是由Fang[25]开发的，旨在通过减少实验设计点来提高实验效率。尽管设计点的数量减少了，但是通过使用多个级别（通常超过四个级别）可以确保精度。实验量等于最大因子水平。经过近四十年的发展，UDM已广泛应用于不同领域。它具有三种特征[26]：（1）实验点在实验设计空间中均匀分布；（2）设计点数等于最大因子水平。例如，在表中，n是设计点数，p代表因子水平个数，m是列数。每个因素的最高水平可能是“p”。该实验的设计点为“p”；（3）计算量很小，精度较高。
实验设计可以定义为随机变量的函数，如
(12)
其中函数h是目标函数，而ε是随机误差。h（x）是实验的结果。Fang等人[27]指出，在实验域上对h（x)预测通常基于h(x)的平均值，即
（13）
其中P是一组实验采样点。Hua[28]表明，Koksma-Hlawaka不等式可以定义h（x）预测的最大误差：
（14）
其中V（h）是h的变化；D（P）是P的差异，是P均匀性的量度。Niedrreiter[29]表示V（h）与采样点无关。根据等式（14），当给定h的有界变化时，采样点在设计域中分布得更均匀，实验效果越好。因此，对于给定数量的因子和水平，应该选择一组具有最佳一致性的采样点。Hickenell[30]提出了居中差异（CD）来测量均匀性。CD满足Koksma-Hlawka不等式，可以表示为：
（15）
其中，n是采样点，s是因子水平。这里采用CD来测试UD表的一致性。CD越低，UDM表的一致性越好。
3.2 径向基函数NN
人工神经网络（ANN）是一种常用的智能计算算法。从不同的仿生角度发展了许多类型的NN算法。径向基函数NN（RBFNN）具有简单的结构和快速的收敛速度。因此，本研究中实现了三层RBFNN。
RBFNN由三层组成。NN的结构如图5所示。图5显示了输出向量的权重矩阵。欧几里得范式||.||确定输入数据与中心的距离；phi;（.）是一个变量的核函数。著名的高斯函数被用作内核函数。提出的方法中使用了原始的RBFNN。因此，RBFNN的详细信息可以参考Krishnamoorthy等人的文献[31]。
开发了RBFNN后，可以建立参数与数值实验结果之间的关系。平均绝对误差（MAE）用于测量估计模型的误差，如下所示：
（16）
其中n是检测到的数据集的数量； m是输出向量中的分量数，P是预测数据，T是从有限差分元素分析得出的目标数据。表1列出了所使用的模型在隐藏层中具有不同数量的神经元的性能。在隐藏层中，神经元的数量设置为26。
图5 径向基函数
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[258415]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
