人工智能科学在软土地下工程施工变形预测与控制中的应用实践——理论基础、方法实施、精细化智能管理（示例）

doi:10.3973/j.issn.2096-4498.2020.01.001

中国科学引文数据库（CSCD）来源期刊
中文核心期刊中文科技核心期刊
Scopus RCCSE中国核心学术期刊
美国EBSCO数据库俄罗斯《文摘杂志》
《日本科学技术振兴机构数据库（中国）》

隧道建设（中英文） ›› 2020, Vol. 40 ›› Issue (1): 1-8.DOI: 10.3973/j.issn.2096-4498.2020.01.001

人工智能科学在软土地下工程施工变形预测与控制中的应用实践——理论基础、方法实施、精细化智能管理（示例）

孙钧^{1, 2}，温海洋¹

（1. 同济大学隧道及地下工程研究所，上海 200092； 2. 上海市隧道（股份）集团公司院士工作室，上海 200032）

收稿日期:2019-10-23 出版日期:2020-01-20 发布日期:2020-04-04
作者简介:孙钧(1926—),男,江苏苏州人,1949 年毕业于上海国立交通大学土木工程系结构工程专业,国内外隧道与地下工程知名学者、专家,同济大学荣誉、终身、一级教授,中国科学院(技术科学部)资深院士,前国际岩石力学学会副主席暨中国国家小组主席,中国岩石力学与工程学会名誉理事长(前理事长),中国土木工程学会顾问、名誉理事(前副理事长),中国土木工程学会、中国公路学会、上海市土木工程学会等学会隧道与地下工程分会前副理事长、理事长。长江三峡工程、南水北调和港珠澳大桥等技术专家组专家。 E-mail: junsunk@163.com。

Application of Artificial Intelligence Science to Construction Deformation Prediction and Control of Underground Engineering in Soft Soil: Cases Study on Theoretical Foundation, Method Application and Fine Intelligent Technical Management

SUN Jun^{1, 2}, WEN Haiyang¹

(1. Institute of Tunnel and Underground Engineering, Tongji University, Shanghai 200092, China; 2. Academician Working Station of Shanghai Tunnel Engineering Co., Ltd., Shanghai 200032, China)

Received:2019-10-23 Online:2020-01-20 Published:2020-04-04

摘要/Abstract

摘要：

：首先，介绍了基于人工神经网络的智能预测方法（多步滚动预测）和基于智能模糊逻辑法则的施工变形控制方法对策；其次，介绍了基坑施工和盾构掘进施工变形智能预测与控制案例。经过应用实践,认为智能方法的优点是：对于结构变形位移和周边地表沉降/隆起，智能方法所得的预测值（3~5 d）与其相应实测值的精度偏差一般为5%~10%；不只是可以了解到当天已发生的信息，还可预见3~5 d将要发生的变形位移和沉降/隆起等的预测定量值；在施工变形达到超限阈值前，采用智能模糊逻辑控制法则作处理，通过调整相应的施工技术参数，即可使后续变形始终处于允许的限值之内，而无需附加额外的巨大花费，节约造价，节省工期，还可实现远程、无线、视频监控。在探讨地铁施工变形智能预测与控制的基础上，开发了盾构掘进施工中工程周边地表沉降/隆起变形的多媒体三维动态可视化仿真程序软件，研制了盾构掘进施工计算机智能管理系统。目前，上海隧道工程有限公司已在上海市沿江通道盾构施工中进行试验性应用，取得了良好的技术效益。最后，对人工智能科学发展的前景及存在的一些问题进行了探讨。

关键词: 人工智能, 神经网络, 机器学习, 轨道交通/地铁, 地下车站深大基坑, 盾构法区间隧道, 施工技术参数, 施工变形智能预测, 智能模糊逻辑控制, 精细化智能技术管理, 5G网络系统

Abstract:

In this paper, the construction deformation control method based on artificial neural network intelligent prediction method(multistep fluctuant prediction) and intelligent fuzzy logic is put forward firstly. And then the intelligent deformation prediction and control of foundation pit and shield tunneling are presented by cases study. The applicable results show that the advantages of the intelligent method are as follows: (1) the precision error between 3 to 5　day predicted values of structural deformation and surface settlement and monitored values is within 5%~10%; (2) the current data can be seen and the deformation/displacement and settlement in 3 to 5 days can be predicted; (3) the subsequent construction deformation can be effectively controlled within limit by adopting intelligent logic control and adjusting construction technical parameters; (4) and a great amount of money can be saved, the construction schedule can be shorted, and the remote, wireless and video monitoring can be realized. Meanwhile, the multimedia 3D dynamic visualized simulation software and the computer intelligent management system are developed based on the discussion of metro construction deformation prediction and control. The software and the system have been successfully applied to the Yanjiang Tunnel shield construction in Shanghai by Shanghai Tunnel Engineering Co.〖KG-*3〗, Ltd. which resulting in good technical benefits. Finally, the prospect and issues of artificial intelligence science are discussed.

Key words: artificial intelligence, neural network, machine learning, rail transit/metro, deep and large foundation pit of underground station, shield tunnel, construction technical parameters, construction deformation intelligent prediction, intelligent fuzzy logic control, fine intelligent technical management, 5G network system

中图分类号:

U 459.2

孙钧，温海洋. 人工智能科学在软土地下工程施工变形预测与控制中的应用实践——理论基础、方法实施、精细化智能管理（示例）[J]. 隧道建设, 2020, 40(1): 1-8.

SUN Jun, WEN Haiyang. Application of Artificial Intelligence Science to Construction Deformation Prediction and Control of Underground Engineering in Soft Soil: Cases Study on Theoretical Foundation, Method Application and Fine Intelligent Technical Management[J]. Tunnel Construction, 2020, 40(1): 1-8.

[1]	李琛, 骆汉宾, 刘文黎, 柳洋. 基于改进Faster R-CNN法的盾构渣土流塑性自动识别研究[J]. 隧道建设, 2022, 42(2): 268-274.
[2]	邓实强, 丁浩, 杨孟, 刘帅, 陈建忠. 基于视频图像的公路隧道火灾烟雾检测[J]. 隧道建设, 2022, 42(2): 291-302.
[3]	李赤谋, 吕明, 袁青, 陈宇佳, 王树英. 基于三维重建与Unet神经网络的隧道掌子面围岩快速分级技术[J]. 隧道建设, 2022, 42(1): 33-40.
[4]	李宏波. 基于掘进参量反演的TBM围岩等级预测识别方法研究[J]. 隧道建设, 2022, 42(1): 75-82.
[5]	刘春梅, 姜巍, 宫亚峰, 林思远. 基于K-means改进RBF神经网络对深基坑变形分析及预测[J]. 隧道建设, 2021, 41(S2): 246-254.
[6]	何嵘国, 张孝勇, 汪旭, 赵子越, 安顺彪. 基于深度学习的地铁隧道监控量测数据分析预测方法[J]. 隧道建设, 2021, 41(S2): 261-267.
[7]	吴惠明, 常佳奇, 李刚, 张东明, 黄宏伟. 基于支持向量机的盾构掘进姿态预测与施工参数优化方法[J]. 隧道建设, 2021, 41(S1): 11-.
[8]	王珩. 岩渣分类边缘终端轻量化算法研究[J]. 隧道建设, 2021, 41(S1): 161-.
[9]	李增良. 基于深度学习的盾构竖向姿态组合预测[J]. 隧道建设, 2021, 41(5): 758-763.
[10]	李增良. 基于MIC-LSTM的盾构施工地表变形动态预测[J]. 隧道建设, 2021, 41(2): 199-205.
[11]	刘锦, 李峰辉, 刘秀秀. 优化GA-BP神经网络模型及基坑变形预测[J]. 隧道建设, 2021, 41(10): 1733-1739.
[12]	郭俊凯. 公路隧道照明精确检测与智能控制系统研究[J]. 隧道建设, 2020, 40(S2): 76-81.
[13]	王开华, 杨森, 周继中, 曹其壮. 基于卷积神经网络的锚杆锚固质量评估方法[J]. 隧道建设, 2020, 40(S1): 202-208.
[14]	范文超, 孙振川, 李凤远, 张兵, 陈桥, 王发民, 王凯. 汕头海湾隧道复合地层超大直径泥水盾构掘进参数预测研究[J]. 隧道建设, 2020, 40(8): 1160-1168.
[15]	展超. 基于BP神经网络的富水砂层渣土改良试验效果预测[J]. 隧道建设, 2020, 40(7): 988-0996.

人工智能科学在软土地下工程施工变形预测与控制中的应用实践——理论基础、方法实施、精细化智能管理（示例）

Application of Artificial Intelligence Science to Construction Deformation Prediction and Control of Underground Engineering in Soft Soil: Cases Study on Theoretical Foundation, Method Application and Fine Intelligent Technical Management

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价