论文部分内容阅读
在盾构施工中影响地表沉降变形的因素比较多,过多的参数往往会增加传统力学预测模型的困难。除此之外,目前针对盾构施工地表沉降风险评估方法都是基于静态数据进行分析,很少将风险因素与施工掘进过程进行动态风险评估。因此本文以成都地铁八号线元华出入段区间隧道施工为项目背景,选取了对环境变动有较强鲁棒性的最小二乘支持向量回归机(LS-VSM)来改进地表沉降预测模型,并针对盾构施工各风险因素状态的不同,建立了基于贝叶斯网络的盾构施工地表沉降风险动态评估模型,对地铁盾构施工引起的地表沉降风险展开系统研究。本文的研究内容及成果主要包括:(1)通过对影响地表沉降变形因素分析,基于成都地铁八号线元华出入段区间盾构施工现场监测统计的大量数据样本,从核函数类型和地表沉降影响因素角度分别建立了基于最小二乘支持向量机(LS-VSM)回归的多维变量输入和地表中心沉降变量输出的非线性预测模型。结果表明:高斯核函数具有较强的统计学习能力,其泛化能力也较高,适用于盾构施工地表中心最大沉降的非线性预测回归;隧道几何参数、地层力学性质参数和盾构掘进技术参数三者综合考虑建立的地表沉降预测模型预测精度是最高的。(2)为了比较最小二乘支持向量机(LS-VSM)回归和BP神经网络在处理小样本、多因素复杂非线性预测问题上的优越性,建立了基于BP神经网络的地表沉降预测模型,并与最小二乘支持向量机(LS-VSM)建立的回归模型得到的结果进行了对比分析。结果证明LS-VSM回归模型相比较BP神经网络模型有更好的预测能力。这也验证了LS-VSM法在处理小样本、多因素复杂非线性预测问题上相比BP神经网络更加精确。(3)对2004-2018年发生的盾构施工事故进行了不完全统计,通过对国内外文献和事故风险源整理,识别和提取了地铁盾构施工沉降关键风险因素,提出了一种基于贝叶斯网络的盾构施工地表沉降动态风险评级方法,通过采用GeNIe软件对建立的地表沉降贝叶斯网络模型后验概率和敏感度进行了分析。并将该模型应用于成都地铁八号线元华出入段隧道盾构工程项目上,通过该模型对盾构掘进过程中地表沉降风险进行实时跟踪,大大降低了掘进过程中由于地表沉降过大造成的坍塌事故发生。