基于双模型融合的盾构施工地面沉降量预测方法技术

本发明专利技术公开了一种基于大数据分析的盾构施工地面沉降预测方法，主要解决现有技术在盾构施工大数据场景下，地面沉降进行预测精度不高的问题,预测方法步骤包括：数据预处理；获取影响地面沉降的参数数据；建立沉降预测模型；对预测模型的参数进行优化；利用最优参数重新训练模型；模型融合；获取实时地面沉降量数据。本发明专利技术整个方案设计严谨、完整，地面沉降量预测的效率和准确性高，用于地铁施工地面沉降预测，保障工程质量和安全。

【技术实现步骤摘要】
基于双模型融合的盾构施工地面沉降量预测方法
本专利技术属于工业大数据
，涉及一种地面沉降预测方法，具体涉及一种基于优化的BP神经网络和支持向量回归机融合的地面沉降量的预测方法，可用于对盾构施工过程中多个监测点的地面沉降量进行预测。
技术介绍
伴随着中国经济的高速发展，众多人口涌入各大城市，由于城区规划面积有限，现有运输条件已经逐渐不能满足人们快速出行的需求。随着我国城镇化进程的不断推进，众多城市人口数量的大量增加使城市交通面临前所未有的挑战，城市交通状况的不断恶化引起了各级政府的高度重视，面对日益突出的交通拥堵、出行耗时等民生问题，世界各国诸多超大城市、大城市等纷纷通过改善现有城市轨道交通运力来解决面临的交通问题，改善市民职住环境，所以这就要求必须大力发展城轨交通，因此，我国地铁建设增长潜力巨大。地铁建设的重中之重在于地铁隧道的挖掘。在隧道建设中，盾构法以其明显的经济技术优势和对周边环境影响较小的特点，成为地铁隧道施工最常用的方式之一。盾构施工掘进过程中涉及众多问题，最为重要的就是施工安全问题，其中对施工安全影响最大的因素在于掘进过程中的地面沉降。地面沉降是在盾构机掘进过程中，由隧道开挖引起的土体损失以及盾体对周围土层扰动的重塑土再固结综合作用造成的地面下沉现象，如果控制不当或不能提前对其采取补救措施，则会对施工线路周边道路、建筑物、构筑物、地下油气管线、操作人员造成较大威胁。最大限度降低施工对周围土体的影响，减小施工对邻近建筑物及管线的影响，合理控制施工引起的地表沉降，及时准确、智能的预测地面沉降量具有重大的工程意义。按照预测方法原理不同主要分为：Peck公式法、数值模拟法、有限元分析法、人工智能模型预测法等。Peck公式方面，1969年，Peck研究了大量地铁隧道掘进工程实例，通过对地表沉降监测数据的分析，提出了著名的Peck公式。在基于不排水的假设下，Peck认为沉降槽体积约等于掘进过程中的地层损失量，并且隧道横断面内的沉降槽曲线形如正态分布曲线，依此公式来对地面沉降进行预测。目前，在很多盾构施工项目中Peck公式在地面沉降预测方面仍具有重要的实用意义。陈春来、赵城丽等人在Peck公式的基础上，研究了双线盾构掘进方式下的地面沉降量预测方法，并建立和修正了三维Peck公式，提出计算总地面沉降量的方法是将前期沉降和后行沉降进行叠加计算。Clough和Schmidt等人对沉降槽宽度系数进行了研究总结。O’Reilly和New在沉降槽宽度系数的计算方面也做了大量研究，他们认为隧道轴线埋深和具有线性关系，该结论为后续众多修正方法的提出奠定了基础。T.B.Celestino等人认识到了Peck公式在地面沉降预测方面的不足，该认识是通过对实测数据的整理和有限元计算结果的分析得到的。其中认识的主要不同在于沉降槽形状问题，他们认为在特定施工条件下的沉降槽形状不再呈现正态分布形状，而是类似于“塞子”的形状。同时，基于该结论提出了沉降曲线公式。数值模拟方面，吴龙海研究和总结了地面沉降和变形规律，并基于数值模拟与实地监测数据，将该规律推广到了湿陷性黄土地区。随后对地层土体损失率和沉降槽宽度系数进行了修正，其核心思想是线性回归和最小二乘法在求Peck公式相关参数中的应用，文章实践证明其方法在特定地质条件下具有较好的表现。张冬梅、黄宏伟等人充分分析了影响地面长期沉降的影响因素，在此基础上构建了软黏土时效性本构模型，模拟了衬砌的局部渗流现象。最后采用数值模拟方法对软地层条件下的地面长期沉降进行了模拟。刘洪洲、孙钧等人首先介绍了软土地层的性质以及对地面沉降的影响，然后选取了合适的土力学和材料参数，并基于此确定了有限元模型和对网格进行了优化。有限元分析方面，Rowe等人对掘进过程中开挖导致的位移采用三维弹塑性有限元分析模型进行了模拟，并对土体损失进行了计算。Karakus、Fowell等人借助有限元分析建模方法，模拟了隧道开挖面在不同开挖方式下的状态及所受影响。Izumi、Norrish介绍了有限元法在软土层地区盾构施工时的应用，并提出由于土体特性等原因致使参数估计困难，使用有限元法模拟隧道工程比较困难。Shi、Ortigao等人对掘进过程中的土体损失进行了计算，并用三维弹塑性有限元分析方法来模拟盾构施工引起的地面沉降。张海波、殷宗泽等人对土压平衡盾构机导致的地面沉降开展了三维非线性有限元分析研究，对掘进过程中的掘进参数对地面沉降的影响做了深入研究，最后利用数学表达式的形式综合了各影响因素对地面沉降的影响。值得注意的是，在有限元分析方面，用处最广的为FLAC(FastLagrangeAnalysisofContinua)，即连续介质体快速拉格朗日分析软件。该软件由美国ITASCA公司研制开发，作为有限元差分法计算程序，经常被用到岩土和地质工程力学分析中。人工智能模型方面，Kim、Bae等人指出利用经验公式或半经验公式对地面沉降量进行预测，无法同时考虑所有相关因素，导致预测准确率有待提升。为了解决上述问题，提出了利用人工神经网络模式识别和记忆的能力去捕捉盾构施工数据集中的隐含关联关系。除此之外，还对掘进数据中的异常值进行了处理，并对预测模型进行了优化。Pourtaghi、Lotfollahi-Yaghin等人基于小波理论和人工神经网络理论，针对地面沉降预测问题，提出了小波网络(wavenet)，wavenet是一个单隐层的前馈网络，其特点在于网络激活函数为小波函数。实验结果表明，以小波函数为激活函数的神经网络模型拟合能力和泛化能力相较于传统神经网络更强。孙钧、袁金荣等人在国内率先开展了人工神经网络用于地面沉降预测方面的研究，并将预测结果与现场实测结果进行了对比，发现效果较好。Shi、Ortigao等人分析了地面沉降与盾构掘进参数之间的关联关系，并基于分析结果得到BP神经网络训练模型的输入：盾构机直径、盾构埋深、掘进速度、土体力学参数等。高永强，边亦海等人对掘进过程中地面沉降预测模型的建立也采用了人工神经网络算法，并通过实例验证了算法的有效性。乔金丽、范永利等人在构建地面沉降预测模型的过程中，不仅对输入数据进行了异常值剔除，保证数据质量，而且还对BP神经网络模型训练过程中的步长进行了优化，采用变步长方法构建沉降预测模型。实践证明，该方法能有效解决BP神经网络算法易收敛到局部最优解问题。李红霞、赵新华等人针对BP神经网络模型训练时间长、速度慢、易收敛到局部极小点等问题，采用遗传算法(GeneticAlgorithm,GA)对BP神经网络的参数进行了优化，构建了了GA+BP神经网络的地面沉降预测模型，事实证明其优化策略具有明显的积极效果。王禹采用支持向量回归机(SupportVectorRegressor,SVR)构建了地面沉降预测模型，并采用相对误差和均方误差(MeanSquareError,MSE)对预测模型进行评价，同时他还对比了不同参数下的模型性能。总结以上研究现状发现，由于人工智能方法有着良好的数据理解和挖掘能力，人工智能方法尤其是BP神经网络正在被广泛应用在地面沉降预测中，并且取得了较好的预测结果。例如，谢宝琎等人2016年申请了一篇名称为“一种基于神经网络的地铁开挖引起的地表下沉分析方法”的专利，申请公本文档来自技高网...

【技术保护点】
1.一种基于双模型融合的盾构施工地面沉降量预测方法，其特征在于，包括如下步骤：(1)对历史的盾构掘进参数数据、地质参数数据和多个监测点的地面沉降量数据进行预处理：对历史采集的地质参数数据和掘进参数数据进行空值填充，并对得到完整历史地质参数数据和掘进参数数据进行异常值去除后再进行归一化，得到归一化的历史地质参数数据和归一化历史掘进参数数据；同时对历史采集的多个监测点的地面沉降量数据进行空值填充后再进行异常值去除，包括距离开挖面‑20米处历史沉降量数据、距离开挖面‑15米处历史沉降量数据、距离开挖面‑10米处历史沉降量数据、距离开挖面‑5米处历史沉降量数据、距离开挖面0米处历史沉降量数据、距离开挖面5米处历史沉降量数据、距离开挖面10米处历史沉降量数据，得到预处理后的多个监测点的历史地面沉降量数据；(2)获取影响地面沉降的参数数据；将归一化历史地质参数数据和归一化历史掘进参数数据作为Logistic回归的输入，预处理后的多个监测点的历史地面沉降量数据作为Logistic回归的输出，构建基于Logistic回归的地面沉降预测模型，从建立的Logistic回归的地面沉降预测模型中输出各参数的系数权重，该系数权重就是归一化历史地质参数数据和归一化历史掘进参数数据的权重，设定提取影响地面沉降的参数数据权重的阈值为δ，将权重大于δ的归一化历史地质参数数据和归一化历史掘进参数数据作为影响地面沉降的参数数据；(3)建立基于BP神经网络和基于支持向量机的地面沉降预测模型并对其进行训练：将归一化历史地质参数数据和归一化历史掘进参数数据作为BP神经网络的输入，预处理后的多个监测点的历史地面沉降量数据作为BP神经网络的输出，构建基于BP神经网络的地面沉降预测模型，并利用影响地面沉降的参数数据和预处理后的历史地面沉降量数据对地面沉降预测模型进行训练，得到地面沉降预测模型M1；同时将影响地面沉降的归一化地质参数数据和归一化掘进参数数据作为支持向量机的输入，预处理后的多个监测点的地面沉降量数据作为支持向量机的输出，构建基于支持向量机的地面沉降预测模型，并利用影响地面沉降的参数数据和预处理后的历史地面沉降量数据对地面沉降预测模型进行训练，得到地面沉降预测模型M2；(4)对M1的初始权值和阈值进行优化：采用基于自然进化的启发式搜索和优化技术的遗传算法对M1的初始权值和阈值进行优化，得到最优初始权值wb和最优阈值θb；(5)对M1进行训练：将最优初始权值wb、最优阈值θb、影响地面沉降的参数数据和预处理后的历史地面沉降量数据带入模型M1中，对M1进行训练，得到地面沉降预测模型M1*；(6)对M2中的Gama参数和Sigma参数进行优化：采用基于自然进化的启发式搜索和优化技术的遗传算法对M2中的Gama参数和Sigma参数进行优化,得到最优Gama参数值和最优Sigma参数值；(7)对M2进行训练：将最优Gama参数值、最优Sigma参数值、影响地面沉降的参数数据和预处理后的历史地面沉降量数据带入模型M2中，对M2进行训练，得到地面沉降预测模型M2*；(8)对地面沉降预测模型M1*与地面沉降预测模型M2*进行融合：设定模型融合的权值为αi，遍历所有权值组合，得到最优权值组合α1_best和α2_best，并利用α1_best和α2_best对地面沉降预测模型M1...

【技术特征摘要】
1.一种基于双模型融合的盾构施工地面沉降量预测方法，其特征在于，包括如下步骤：(1)对历史的盾构掘进参数数据、地质参数数据和多个监测点的地面沉降量数据进行预处理：对历史采集的地质参数数据和掘进参数数据进行空值填充，并对得到完整历史地质参数数据和掘进参数数据进行异常值去除后再进行归一化，得到归一化的历史地质参数数据和归一化历史掘进参数数据；同时对历史采集的多个监测点的地面沉降量数据进行空值填充后再进行异常值去除，包括距离开挖面-20米处历史沉降量数据、距离开挖面-15米处历史沉降量数据、距离开挖面-10米处历史沉降量数据、距离开挖面-5米处历史沉降量数据、距离开挖面0米处历史沉降量数据、距离开挖面5米处历史沉降量数据、距离开挖面10米处历史沉降量数据，得到预处理后的多个监测点的历史地面沉降量数据；(2)获取影响地面沉降的参数数据；将归一化历史地质参数数据和归一化历史掘进参数数据作为Logistic回归的输入，预处理后的多个监测点的历史地面沉降量数据作为Logistic回归的输出，构建基于Logistic回归的地面沉降预测模型，从建立的Logistic回归的地面沉降预测模型中输出各参数的系数权重，该系数权重就是归一化历史地质参数数据和归一化历史掘进参数数据的权重，设定提取影响地面沉降的参数数据权重的阈值为δ，将权重大于δ的归一化历史地质参数数据和归一化历史掘进参数数据作为影响地面沉降的参数数据；(3)建立基于BP神经网络和基于支持向量机的地面沉降预测模型并对其进行训练：将归一化历史地质参数数据和归一化历史掘进参数数据作为BP神经网络的输入，预处理后的多个监测点的历史地面沉降量数据作为BP神经网络的输出，构建基于BP神经网络的地面沉降预测模型，并利用影响地面沉降的参数数据和预处理后的历史地面沉降量数据对地面沉降预测模型进行训练，得到地面沉降预测模型M1；同时将影响地面沉降的归一化地质参数数据和归一化掘进参数数据作为支持向量机的输入，预处理后的多个监测点的地面沉降量数据作为支持向量机的输出，构建基于支持向量机的地面沉降预测模型，并利用影响地面沉降的参数数据和预处理后的历史地面沉降量数据对地面沉降预测模型进行训练，得到地面沉降预测模型M2；(4)对M1的初始权值和阈值进行优化：采用基于自然进化的启发式搜索和优化技术的遗传算法对M1的初始权值和阈值进行优化，得到最优初始权值wb和最优阈值θb；(5)对M1进行训练：将最优初始权值wb、最优阈值θb、影响地面沉降的参数数据和预处理后的历史地面沉降量数据带入模型M1中，对M1进行训练，得到地面沉降预测模型M1*；(6)对M2中的Gama参数和Sigma参数进行优化：采用基于自然进化的启发式搜索和优化技术的遗传算法对M2中的Gama参数和Sigma参数进行优化,得到最优Gama参数值和最优Sigma参数值；(7)对M2进行训练：将最优Gama参数值、最优Sigma参数值、影响地面沉降的参数数据和预处理后的历史地面沉降量数据带入模型M2中，对M2进行训练，得到地面沉降预测模型M2*；(8)对地面沉降预测模型M1*与地面沉降预测模型M2*进行融合：设定模型融合的权值为αi，遍历所有权值组合，得到最优权值组合α1_best和α2_...

【专利技术属性】
技术研发人员：常建涛，孔宪光，张召，宫思艺，王佩，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61