一种地下大空间施工全过程多因素安全阶段性预测方法技术

本发明专利技术公开了一种地下大空间施工全过程多因素安全预测方法及系统，包括：构建并训练施工前安全预测神经网络模型，以使其形成输入层到输出层的非线性映射关系；构建并训练施工中安全预测神经网络模型，以使其形成输入层到输出层的非线性映射关系；串联所述施工前安全预测神经网络模型与所述施工中安全预测神经网络模型，形成施工预测串联模型，利用所述施工预测串联模型进行施工全过程分阶段的安全预测。本发明专利技术基于具有自适应性、非线性和容错性强的神经网络建立施工安全预测模型，能够不依赖于岩土系统的内部工作机理在施工前对地下大空间施工进行安全预测，并在施工中实时预测，且形成串联模型进行施工全过程预测。

【技术实现步骤摘要】
一种地下大空间施工全过程多因素安全阶段性预测方法
本专利技术涉及土木工程施工
，尤其涉及一种地下大空间施工全过程多因素安全预测方法及系统。
技术介绍
地下工程实践表明，在施工过程中的地质环境、水文环境、周围建筑环境和施工方法的选取都会对施工中的变形、应力、应变、沉降、位移等产生影响，多数情况下工程技术人员仅仅能够通过在施工中通过采集施工中的监测数据，来把握变形、应力、应变、沉降、位移等的变化，进而改进施工方法，不能在施工之前就可以有个大概的预测，这往往会因为改进不及时而造成各种灾害的发生、各种施工安全事故的发生。此外，目前主要采用理论计算的方法对施工中变形、应力、应变、沉降、位移等多安全因素进行预测。然而，由于缺乏对岩土系统内在工作机理的认知，建立相应的理论计算表达式时必然存在巨大困难，并且关于岩土工程系统的安全干扰因素的预测计算表现出非常复杂的高阶非线性特性，而非线性计算本身就具有一定的难度。神经网络由于具有自适应性、非线性和容错性强等特点，特别适合于处理各种非线性问题。它可以通过大量样本的学习来抽取出隐含在样本中的因果本文档来自技高网...

【技术保护点】
1.一种地下大空间施工全过程多因素安全预测方法，其特征在于，所述方法包括：/n步骤1，构建施工前安全预测神经网络模型，利用第一训练样本对所述施工前安全预测神经网络模型进行训练，以使所述施工前安全预测神经网络模型性能趋于稳定并形成其输入层到输出层的非线性映射关系；/n其中，所述施工前安全预测神经网络输入层的输入参数为：工程地质条件、水文条件、周围建筑环境、施工方法、管理水平、施工水平；所述施工前预测神经网络的输出参数为对应的应力、应变、位移、沉降的预测值；/n步骤2，构建施工中安全预测神经网络模型，利用第二训练样本对所述施工中安全预测神经网络模型进行训练，以使所述施工中安全预测神经网络所述施工前...

【技术特征摘要】
1.一种地下大空间施工全过程多因素安全预测方法，其特征在于，所述方法包括：
步骤1，构建施工前安全预测神经网络模型，利用第一训练样本对所述施工前安全预测神经网络模型进行训练，以使所述施工前安全预测神经网络模型性能趋于稳定并形成其输入层到输出层的非线性映射关系；
其中，所述施工前安全预测神经网络输入层的输入参数为：工程地质条件、水文条件、周围建筑环境、施工方法、管理水平、施工水平；所述施工前预测神经网络的输出参数为对应的应力、应变、位移、沉降的预测值；
步骤2，构建施工中安全预测神经网络模型，利用第二训练样本对所述施工中安全预测神经网络模型进行训练，以使所述施工中安全预测神经网络所述施工前预测神经网络性能趋于稳定并形成其输入层到输出层的非线性映射关系；
其中，所述施工中安全预测神经网络模型输入层的输入参数为：施工中某一时间节点的应力、应变、位移、沉降的输入值；所述施工中安全预测神经网络模型的输出参数为所述施工中下个时间节点的应力、应变、位移、沉降预测值；
步骤3，以所述施工前安全预测神经网络模型的输出参数为所述施工中安全预测神经网络模型的输入参数，串联所述施工前安全预测神经网络模型与所述施工中安全预测神经网络模型，形成施工预测串联模型，利用所述施工预测串联模型进行施工全过程分阶段的安全预测。


2.根据权利要求1所述的方法，其特征在于，还包括：将施工中实时监测到的应力、应变、位移、沉降输入至所述施工中安全预测神经网络模型，以通过所述施工中安全预测神经网络模型在施工中对下一时间节点的应力、应变、位移、沉降进行实时预测。


3.根据权利要求1所述的方法，其特征在于...

【专利技术属性】
技术研发人员：肖清华，雷升祥，王立新，何亚涛，李聪明，李储军，汪珂，韩翔宇，熊强，邱泽民，
申请(专利权)人：西南交通大学，中铁第一勘察设计院集团有限公司，
类型：发明
国别省市：四川;51