- 中国科学引文数据库(CSCD)核心期刊
- 中文核心期刊中文科技核心期刊
- Scopus RCCSE中国权威学术期刊
- 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) ›› 2022, Vol. 42 ›› Issue (S1): 331-341.DOI: 10.3973/j.issn.2096-4498.2022.S1.038
管浩1, 刘维1, *, 王峰2, 赵华菁1, 张功3, 张高海4
GUAN Hao1, LIU Wei1, *, WANG Feng2, ZHAO Huajing1, ZHANG Gong3, ZHANG Gaohai4
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。