[發明專利]一種預測地下鐵路建設過程中地表沉降的方法

無效

• 申請號: 201410082559.3
• 申請日: 2014-03-08
• 公開（公告）號: CN103810524A
• 公開（公告）日: 2014-05-21
• 發明（設計）人: 戴成元;劉露
• 申請（專利權）人: 遼寧工程技術大學
• 主分類號: G06N3/08
• 分類號: G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明涉及土木工程中沉降變形研究，特別涉及隧道施工過程中引起的地面沉降的神經網絡預測方法。?

背景技術

近年來，隨著我國城市建設發展，城市地下工程迅速發展，主要包括地下鐵道，過街通道，各種市政地下工程以及人防設施等。地下工程施工可能引起地層移動而導致不同程度的沉降和位移，由于施工技術、周圍環境和巖土介質的復雜性，即使采用最先進的施工方法，其施工引起的地層移動也是不可能完全消除的。當地層移動和地表變形超過一定限度時就會造成地面沉陷、基坑垮塌、隧道破壞、周邊建筑物損害、地下管線損害等事故，從而影響到隧道和地表建筑物的正常使用和安全運營，甚至造成人身傷亡和財產損失事故。因此，正確評估施工過程地面沉降量，選擇最佳施工技術，制定完善措施確保施工地區樓房、建筑物與地下管線等重要設施的安全顯得尤為重要，神經網絡橫向比較對地鐵施工引起地面沉降進行預測能夠達到精度高，預測及時的目的。?

發明內容

針對隧道施工過程中，其上方地面沉降監測的重要性和存在的問題，本發明提出一種基于神經網絡橫向比較的地鐵施工引起地面沉降預測方法。?

根據巖土力學理論，巖土沉降變形主要和彈性模量、容重、泊松比、粘聚力、內摩擦角等5個地層參數有關和相對距離6個參數作為輸入參數，將以上參數X1、X2、X3、X4、X5、X6依次作為網絡輸入參數；將地面沉降觀測點的沉降預測值作為網絡輸出值。?

使用Matlab軟件的神經網絡工具箱軟件包編寫了網絡模型代碼,?并且用該軟件包訓練及檢驗所創建的模型。選擇Levenberg-Marquardt算法來訓練神經網絡。?

為詳細分析沉降量并根據對沉降量的規律分析，研究規定40m長隧道作為一個模擬單位，在一個模擬單位中，確定中心（20m）處正上方地面設主測點，掘進面每推進2m測量一次主測點處地面沉降量，主測點下方的隧道界面（隧道中間截面）為參數確定的參考截面。模型如圖1，并假設各個模擬單位內的地質特性相同。在這個標段中選取10個模擬單位，前9個是訓練數據，1個為模擬驗證數據。?

模擬過程為：?

1.確定輸入值：上文提到用前9（S1-S9）個模擬單位的加權平均后各參考截面的巖土力學參數和相對距離作為訓練輸入值。

2.確定輸出值：為挖掘過程中的沉降變化，分別將各個不同相對距離所測得的主測點沉降量作為輸出值。?

3模擬：本過程使用matlab的神經網絡工具箱，選擇Levenberg-?Marquardt算法來訓練。?

通過本發明涉及到的方法對地鐵施工引起地面沉降進行預測能夠達到精度高，預測及時的目的。?

附圖說明

圖1?隧道模擬單位示意圖。?

圖2?構建的神經網絡結構。?

圖3?掘進面到主測點距離對應的主測點地面沉降量的發展趨勢圖。?

圖4?S10的數據變化趨勢。?

圖5?模型中的相關力學參數。?

圖6?模型中加權后的相關力學參數。?

圖7?主測點處地面沉降量統計表。?

圖8?主測點處地面沉降量統計表。?

圖9?單隱含層內的神經元估計數量統計表。?

圖10?公式（1）。?

圖11?公式（2）。?

圖12?主測點的數據分析表。?

圖13?公式（3）。?

圖14?公式（4）。?

圖15?公式（5）。?

圖16?公式（6）。?

圖17?公式（7）。?

圖18?小誤差概率及結果。?

圖19?預測結果。?

圖20?模型檢驗標準。?

具體實施方式

為使本發明的上述目的、特征和優點更加明顯易懂，下面結合使用到的相關理論和具體實施方式對本發明作進一步詳細的說明。?