[發明專利]一種基于土質參數量化的地面沉降預測方法及系統

在審

• 申請號: 202211217491.6
• 申請日: 2022-10-04
• 公開（公告）號: CN115577626A
• 公開（公告）日: 2023-01-06
• 發明（設計）人: 劉文;陳陽陽;李昂;丁劍輝;陳陽;劉文黎
• 申請（專利權）人: 中交第二航務工程局有限公司;華中科技大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F111/10;G06F119/14
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 孔娜

本發明屬于盾構隧道工程領域，并具體公開了一種基于土質參數量化的地面沉降預測方法及系統，其包括如下步驟：獲取隧道結構數據、盾構運行數據和土質數據；采用多層土壤系統轉化方法對土質數據進行轉化，對轉化后的土質數據和隧道結構數據、盾構運行數據進行標準化，得到數據集；根據數據集對機器學習模型進行訓練，選取超參數最優的機器學習模型作為預測模型，將該預測模型用于預測盾構施工引起的最大地面沉降。本發明將隧道結構參數、盾構機運行參數和土質參數作為機器學習模型的輸入，特別對于土質數據，采用多層土壤系統轉化方法處理橫截面，能夠提高對于盾構施工引起的地面沉降變形的預測能力。

技術領域

本發明屬于盾構隧道工程領域，更具體地，涉及一種基于土質參數量化的地面沉降預測方法及系統。

背景技術

城市化進程中基礎設施建設需求的快速增長，導致城市土地資源嚴重短缺，空間供需矛盾日益突出。地鐵隧道是城市地下空間工程建設的一個重要方面，隧道開挖通常采用盾構法。遇到復合地層時，隧道開挖過程中原始地層和應力場的變化比均質地層更復雜，開挖風險更大。這會導致相鄰表面的不均勻沉降，從而影響周圍建筑物的安全。為了減少盾構隧道施工造成的破壞并最大限度地減少對周圍環境的不利影響，工程師必須更好估計地表沉降的規律性。

一些研究人員試圖開發預測隧道誘發地表沉降的方法，包括經驗方法、二維(2D)和三維(3D)數值方法，以及機器學習(ML)和人工智能(AI)方法。其中，ML和AI方法發展最快。然而，機器學習和人工智能方法的廣泛使用不僅促進了隧道誘發沉降預測的研究，而且也帶來了一些挑戰。

大量的實踐表明，土質特性的表征對ML模型有著重要影響。土質特性與地表沉降密切相關，現有的機器學習算法應用的土質物理力學參數處理方法相對簡單。例如使用加權平均方法計算鉆孔處的土壤壓縮模量作為ML模型地質條件的輸入特征。取平均或加權平均的方法，其處理過程和結果難以描述地質剖面的土質特性復雜性。

發明內容

針對現有技術的以上缺陷或改進需求，本發明提供了一種基于土質參數量化的地面沉降預測方法及系統，其目的在于，從土力學的角度來處理盾構隧道工程中土質數據，提高對于盾構施工引起的地面沉降預測能力。

為實現上述目的，按照本發明的一方面，提出了一種基于土質參數量化的地面沉降預測方法，包括如下步驟：

獲取隧道結構數據、盾構運行數據和土質數據；采用多層土壤系統轉化方法對土質數據進行轉化，對轉化后的土質數據和隧道結構數據、盾構運行數據進行標準化，得到數據集；

根據數據集對機器學習模型進行訓練，選取超參數最優的機器學習模型作為預測模型，將該預測模型用于預測盾構施工引起的最大地面沉降。

作為進一步優選的，所述多層土壤系統轉化方法，具體為：

其中，n為土的總層數，H_i和E_i分別是第i層土的厚度和彈性模量，μⁱ和μⁿ是分別是第i和第n層土的泊松比，H是n層土厚度的總和，E_e是轉化后的土質數據。

作為進一步優選的，將數據集劃分為訓練集和測試集；對于訓練集，在訓練機器學習模型時采用交叉驗證方法，即將訓練集分為多個子集，輪流將其中部分子集用于訓練，剩余子集用作測試。

作為進一步優選的，采用AdaBoost機器學習模型，根據訓練集對AdaBoost機器學習模型進行訓練，并通過貝葉斯優化算法選取模型的最優超參數組合。

作為進一步優選的，進行貝葉斯優化時，采用最小化目標函數值選取最優超參數組合，具體的：

對機器學習模型超參數集合中的任一組超參數組合：根據訓練集對機器學習模型進行訓練及測試，測試后得到負決定系數-R²；