论文部分内容阅读
改革开放以来,地下采矿工程、地下交通工程与地下综合管廊等得到了不断发展。地下工程的开挖势必会引起地下水位和应力场等的重新分布,从而可能导致不同程度的沉降和变形位移。当地层移动和地表变形超过一定的限度时就会造成巷道或基坑破坏、地面沉陷与地表建筑物垮塌等事故。在地下工程开挖施工中,如何准确监测并超前预测其变形的发生发展显得尤为重要。本文以地下工程中的某煤矿和某城市地下工程为研究对象,对其开挖过程中的监测数据时间序列采用时序分析法进行分析,运用R/S分析模型、ARIMA模型、BP神经网络模型、ARIMA-BP集成模型分别对某煤矿和某地下工程的变形进行时间序列分析和预测,取得了较好的效果。主要研究工作如下:(1)鉴于地下工程变形数据时间序列中的非线性特征,而R/S分析法具有良好的非线性描述能力,因此研究利用R/S分析模型;同时利用BP神经网络模型良好的非线性拟合能力有机组合ARIMA模型,构建了ARIMA-BP集成模型,以充分挖掘实测数据时间序列中的有效信息。(2)以某煤矿为例,利用R/S分析模型对矿区地表沉陷重点监测区域进行沉降趋势预测,并采用精密水准实测数据与开采实际情况进行验证,预测结果与实测数据基本一致。同时利用ARIMA模型、BP神经网络模型、ARIMA-BP集成模型对矿区地表沉陷区域6个有代表性的监测点进行预测分析,结果表明集成模型的预测精度要高于单一模型。(3)以某地下工程为例,利用ARIMA预测模型、BP神经网络预测模型、ARIMA-BP集成模型分别对深基坑周边地表沉降、地下连续墙顶竖向位移、地下连续墙顶水平位移等监测数据进行预测分析。结果表明,以上预测模型对于上述监测数据都具有一定的预测能力,同样集成模型的预测效果好于单一模型,而集成模型中的ARIMA-BP误差校正集成模型对于监测数据预测的精度最优。