申请/专利权人：汕头大学

申请日：2021-04-06

公开（公告）日：2023-03-21

公开（公告）号：CN113128106B

主分类号：G06F30/27

分类号：G06F30/27;G06N3/049;G06N3/0442;G06N3/08;G06Q50/08

优先权：

专利状态码：有效-授权

法律状态：2023.03.21#授权;2021.08.03#实质审查的生效;2021.07.16#公开

摘要：本发明公开一种岩溶地层盾构施工引起地表沉降的确定方法，包括以下步骤：S1：收集隧道的几何参数；S2：收集地质参数以及岩溶洞穴的几何参数；S3：收集隧道盾构施工中盾构操作参数；S4：收集最大地表沉降；S5：基于步骤S1至S4收集的参数，建立盾构数据集，划分训练集和测试集；S6：建立长短记忆深度学习神经网络，通过扩展训练模式将训练集输入所述网络进行训练，并采用试错法确定全连接隐藏层中的节点数，利用测试集进行测试，当测试集准确率达到要求时结束训练，保存此时训练好的网络；S7：利用步骤S6得到的训练好的长短记忆深度学习神经网络对地表沉降进行预测。本发明考虑到岩溶洞穴的影响和地面沉降长期作用的影响，更加准确地预测地面沉降。

主权项：1.一种岩溶地层盾构施工引起地表沉降的确定方法，其特征在于，包括以下步骤：S1：根据隧道设计图纸确定隧道每一环管片埋深D，收集隧道的几何参数；S2：通过隧道沿线地质勘察确定地层分布、地质参数以及岩溶洞穴的几何参数，并计算每一环管片的加权地质参数；S3：收集隧道盾构施工中盾构操作参数并对盾构操作参数进行预处理；S4：收集隧道中心线监测点处测得的最大地表沉降；S5：基于步骤S1至S4收集的参数，建立盾构数据集，划分训练集和测试集并进行归一化处理；S6：建立长短记忆深度学习神经网络，通过扩展训练模式将训练集输入所述长短记忆深度学习神经网络进行训练，并采用试错法确定长短记忆深度学习神经网络中全连接隐藏层中的节点数，利用测试集对长短记忆深度学习神经网络进行测试，当测试集准确率达到要求时结束训练，保存此时训练好的长短记忆深度学习神经网络；S7：利用步骤S6得到的训练好的长短记忆深度学习神经网络对地表沉降进行预测；步骤S2中所述通过隧道沿线地质勘察确定地层分布、地质参数以及岩溶洞穴的几何参数具体为：沿拟建隧道区间两侧交叉布置钻探孔，通过取土试样获取地层分布和地质参数，所述地层分布为根据沿线钻探孔测得的各地层上下界面的厚度th，所述地质参数为对沿线钻探孔得到的各层土样进行物理力学试验得到的地质参数，包括土层重度γ，粘聚力c，和内摩擦角所述岩溶洞穴的几何参数为岩溶洞穴的分布、大小和处理情况，所述处理情况为是否存在岩溶洞穴以及岩溶洞穴是否经过灌浆填充处理，其中以1表示经过填充处理的岩溶洞穴，0.5表示未经填充处理的岩溶洞穴，0.1表示不存在岩溶洞穴；步骤S6中，所述长短记忆深度学习神经网络包括输入层、长短记忆深度学习单元层、全连接隐藏层和输出层，所述长短记忆深度学习神经在时间维度上具有t时间步长，用于预测t时间步长的时间序列数据；所述长短记忆深度学习单元层包括输入门、输出门、遗忘门和输入单元，通过单元内部门控操作对输入层当前的t时间步长输入数据Xt以及前一个长短记忆深度学习单元细胞状态ct-1进行重置和更新：it＝SWi×Xt+Ri×yLt-1+bift＝SWf×Xt+Rf×yLt-1+bfot＝SWo×Xt+Ro×yLt-1+bozt＝TWz×Xt+Rz×yLt-1+bzct＝it⊙zt+ct-1⊙ftyLt＝Tct⊙otyHt＝TWH×yLtYt＝TWY×yHt式中，Yt表示长短记忆深度学习神经网络在t时间步长的输出数据；Wi、Wo、Wf、Wz分别表示输入门、输出门、遗忘门、长短记忆深度学习单元的输入单元的权重；Ri、Ro、Rf、Rz分别表示输入门、输出门、遗忘门和输入单元的递归权重；bi、bo、bf、bz分别表示输入门、输出门、遗忘门和输入单元的偏置权重；表示长短记忆深度学习单元在t时刻的输出数据；it、ft、ot、zt分别表示输入门、遗忘门、输出门和输入单元在t时间步长的输出数据；ct表示在t时间步长的长短记忆深度学习单元的细胞状态；表示在t时刻全连接隐藏层的输出数据；WH、WY分别表示全连接隐藏层和输出层的权重；S表示sigmoid函数，T代表双曲正切函数，⊙表示矩阵逐元素相乘的Hadamard乘积算子；所述输出层用于接收全连接隐藏层的信息，并输出预测地表沉降值；所述t时间步长的时间序列数据是指将训练集和测试集的数据在时间维度上进行一个升维处理，每次输入长短记忆深度学习神经网络的变量为t时间步长的序列；所述扩展训练模式是指在隧道开挖过程中，将不断增加的历史数据添加到数据集中，形成扩展数据库，扩展数据库将继续重新训练扩展的长短记忆深度学习神经网络；所述试错法是指对比全连接隐藏层节点数从1到20的训练性能，通过均方根误差和测定系数来判断其性能，从而确定全连接隐藏层中的节点数；所述均方根误差用来定义长短记忆深度学习方法的成本函数J： 式中，λ表示正则化参数，j表示第j组输入数据集，N表示样本数，yj表示第j组实测的地表沉降，ypj表示第j组预测的地表沉降；步骤S7中利用步骤S6得到的训练好的长短记忆深度学习神经网络对地表沉降进行预测，具体为：将未来指定盾构管片对应的地质参数、几何参数、预设盾构操作参数输入网络，对地面沉降进行预测；判断预测值是否在控制范围内，若在此范围内，则预设盾构操作参数设置合理，可调整隧道开挖施工，对地表沉降进行控制；若不在控制范围内，则需要对盾构操作参数进行优化，以使预测值满足要求；按照最优盾构操作参数进行下一环的施工，更新隧道施工历史数据并重复预测直到掘进完成。

全文数据：

权利要求：

百度查询： 汕头大学 一种岩溶地层盾构施工引起地表沉降的确定方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD