基于数据增强和机器学习算法的盾构隧道引发地面沉降预测及应用

doi:10.3973/j.issn.2096-4498.2022.S1.038

隧道建设（中英文） ›› 2022, Vol. 42 ›› Issue (S1): 331-341.DOI: 10.3973/j.issn.2096-4498.2022.S1.038

基于数据增强和机器学习算法的盾构隧道引发地面沉降预测及应用

管浩1，刘维1, *，王峰2，赵华菁1，张功3，张高海4

(1. 苏州大学轨道交通学院, 江苏苏州 215000； 2. 中铁十八局集团有限公司, 广东珠海 519000； 3. 北京住总集团有限公司, 北京 100000； 4. 中国铁建投资集团有限公司, 广东珠海 519000)

出版日期:2022-07-22 发布日期:2022-08-23
作者简介:管浩(1998—)，男，江苏扬州人，苏州大学道路与铁道工程专业在读硕士，研究方向为隧道与地下空间。Email: 20205246014@stu.suda.edu.cn。*通信作者：刘维， Email: ggoulmmeng@suda.edu.cn。

Prediction of Surface Settlement Caused by Shield Tunneling Based on Data Enhancement and Machine Learning Algorithm

GUAN Hao1, LIU Wei1, *, WANG Feng2, ZHAO Huajing1, ZHANG Gong3, ZHANG Gaohai4

(1. School of Rail Transportation, Soochow University, Suzhou 215000, Jiangsu, China; 2. China Railway 18th Bureau Group Co., Ltd., Zhuhai 519000, Guangdong, China; 3. Beijing Uni-Construction Group Co., Ltd., Beijing 100000, China; 4. China Railway Construction Investment Group Co., Ltd., Zhuhai 519000, Guangdong, China)

Online:2022-07-22 Published:2022-08-23

摘要/Abstract

摘要： 为解决地铁盾构隧道施工引起的地表沉降预测过程中数据样本不足、对数据预处理较为粗糙的问题，选取北京地区32个地铁盾构隧道施工引起的地面沉降数据作为数据库，采用合成少数类过采样技术(synthetic minority oversampling technique, SMOTE)算法对数据库进行扩增，并在此基础上选取BP神经网络(back propagation, BP)、随机森林(random forest, RF)、支持向量机(support vector machine, SVM)和K近邻(K-nearest neighbor, KNN)4种机器学习模型对沉降进行预测分析。分析结果表明： 1）经过预处理后的数据集预测能力显著增强，其中，KNN模型表现最佳，测试集平均绝对误差仅为1.60 mm； 2）采用KNN模型对北京轨道交通12号线西坝河—三元桥区间地层沉降进行预测，基于该模型预测值的Peck公式与实测值拟合度较高； 3）基于数据增强下的KNN模型对于盾构施工引起的地面沉降变形有良好的预测效果。

关键词: 盾构隧道, 地面沉降, 机器学习算法, 数据扩增, 地面沉降预测

Abstract: The prediction of surface settlement induced by shield tunneling has many problems such as insufficient data samples and relatively rough data preprocessing. As a result, a case study is conducted on Beijing metro shield tunneling projects, and the surface settlement induced by shield tunneling of 32 cases are selected. Then, the synthetic minority oversampling technology is used to enlarge the database, and four machine learning models, namely back propagation, random forest, support vector machine, and knearest neighbor (KNN), are employed to predict the surface settlement. The comparative analysis shows the following: (1) The prediction ability of the preprocessed database is significantly enhanced, and KNN shows a smallest average absolute error of the test set, which is 1.60 mm. (2) The bestperforming model is applied to XibaheSanyuanqiao shield tunneling section of Beijing metro line 12, and the predicted results agree well with the monitored results. (3) The KNN model based on the data enhancement has a good surface settlement prediction effect.

Key words: shield tunnel, surface settlement, machine learning algorithm, data enhancement, surface settlement prediction

管浩, 刘维, 王峰, 赵华菁, 张功, 张高海. 基于数据增强和机器学习算法的盾构隧道引发地面沉降预测及应用[J]. 隧道建设, 2022, 42(S1): 331-341.

GUAN Hao, LIU Wei, WANG Feng, ZHAO Huajing, ZHANG Gong, ZHANG Gaohai. Prediction of Surface Settlement Caused by Shield Tunneling Based on Data Enhancement and Machine Learning Algorithm[J]. Tunnel Construction, 2022, 42(S1): 331-341.

[1]	张稳军, 牛荣健, 起建兵, 张弛, 张高乐, 何历超, 吕计瑞. 浅埋超大直径盾构隧道千斤顶推力对衬砌管片受力变形的影响研究[J]. 隧道建设, 2022, 42(S1): 66-78.
[2]	魏纲, 张书鸣, 崔允亮, 丁智. 地面堆载下盾构隧道不同加固方法的加固效果研究[J]. 隧道建设, 2022, 42(S1): 85-92.
[3]	李鹏飞, 丘锦润, 王利民, 帅玉兵, 王锡军, 张明聚, 王浩. 盾构隧道内机械法修建废水泵房技术研究[J]. 隧道建设, 2022, 42(S1): 404-412.
[4]	帅玉兵, 丘锦润, 李鹏飞, 王利民, 王浩, 王锡军, 张明聚. 盾构隧道内机械法施工竖井泵房封底试验与数值模拟研究[J]. 隧道建设, 2022, 42(S1): 128-135.
[5]	李培楠, 翟一欣, 范杰, 陈培新. 异形盾构施工注浆工况下衬砌结构受力分析与荷载设置[J]. 隧道建设, 2022, 42(S1): 212-221.
[6]	何占坤. 盾构隧道下穿既有车站桩筏基础影响分析及施工控制——以杭州地铁5号线盾构隧道下穿杭州南站站房工程为例 [J]. 隧道建设, 2022, 42(S1): 222-231.
[7]	张继超, 曾垂刚, 崔乐健, 杨振兴, 孙飞祥, 翟乾智. 基于Loganathan & Poulos、Clough修正公式的浅埋超大直径盾构隧道地面沉降预测 [J]. 隧道建设, 2022, 42(S1): 274-280.
[8]	李翔, 孙文昊, 孙州, 陈立保. 盾构法隧道穿越活动断裂带方案探讨[J]. 隧道建设, 2022, 42(S1): 369-375.
[9]	刘志涛, 张京京, 王立川, 刘旭鹏, 花伟. 盾构下穿砖混民房建筑群施工控制技术研究——以合肥轨道交通1号线三期工程为例 [J]. 隧道建设, 2022, 42(S1): 427-432.
[10]	花楠, 翟志国, 刘柳. 邻近高压电力铁塔盾构隧道被击穿管片修复施工技术[J]. 隧道建设, 2022, 42(S1): 466-479.
[11]	王志成, 王涵. 穿越多种典型地层的超大直径泥水盾构选型研究——以芜湖长江隧道为例 [J]. 隧道建设, 2022, 42(S1): 493-499.
[12]	王峻, 李明, 王育江, 田倩, 李世龙, 李敏. 江阴靖江长江隧道工作井侧墙抗裂防渗研究与应用[J]. 隧道建设, 2022, 42(9): 1514-1520.
[13]	李霖皓, 陈珂, 胡云华, 龙凡. 基于钻孔数据的盾构隧道纵向结构参数化计算[J]. 隧道建设, 2022, 42(9): 1615-1621.
[14]	何应道, 肖明清, 封坤, 曹翔鹏, 郭文琦. 公轨合建盾构隧道管片-内部结构复合体系横向抗震性能研究——以济南黄河隧道为例 [J]. 隧道建设, 2022, 42(8): 1404-1413.
[15]	陈海军, 张聚文, 孙志彬, 傅鹤林. 基于上限分析与随机响应面法的盾构隧道掌子面可靠度研究[J]. 隧道建设, 2022, 42(7): 1177-1186.

基于数据增强和机器学习算法的盾构隧道引发地面沉降预测及应用

Prediction of Surface Settlement Caused by Shield Tunneling Based on Data Enhancement and Machine Learning Algorithm

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