盾构掘进地表沉降机器学习预测与控制研究综述

被引：38

作者：

陈仁朋

邹聂

吴怀娜

程红战

机构：

[1] 湖南大学地下空间开发先进技术研究中心

[2] 湖南大学建筑安全与节能教育部重点实验室

[3] 湖南大学土木工程学院

来源：

华中科技大学学报(自然科学版) | 2022年 / 50卷 / 08期

关键词：

盾构隧道; 地表沉降; 沉降控制; 沉降预测; 机器学习;

D O I：

10.13245/j.hust.220806

中图分类号：

U455.43 [盾构法（全断面开挖）]; P642.26 [地面沉降];

学科分类号：

070907 [水文地质学]; 082301 [道路与铁道工程];

摘要：

针对采用机器学习方法预测与控制盾构掘进地表沉降的研究，围绕预测模型输入参数、预测目标、预测算法和沉降控制四个关键环节的发展过程进行系统性地阐述，总结目前亟须解决的多个关键问题，并对未来的发展方向进行展望．研究发现：综合隧道几何、地层和掘进参数等信息预测盾构掘进引起的地表沉降是目前主流的研究方向；几何参数主要选取埋深，选取地层参数时须同时考虑物理与空间因素，选取掘进参数时须进行相关性分析和控制输入参数的总数；预测沉降时应选用能考虑时序因素的算法，结合最优超参数的智能算法优化模型性能；对于沉降控制的研究尚处于起步阶段，针对掘进参数的推荐与调整方法应持续深入研究．

引用

页码：56 / 65

页数：10

共 52 条

[1]

品字形隧道安全间距与开挖长度地表沉降分析 [J].

刘宁 ;

黄义雄 ;

蔡炜 ;

陈坤 .

华中科技大学学报(自然科学版), 2021, 49 (05) :98-103

[2]

不同埋深隧道开挖对地表沉降影响的三维有限元分析 [J].

严鹏飞 ;

殷建光 ;

葛新辉 ;

万青青 ;

李宏波 .

广西大学学报(自然科学版), 2021, 46 (01) :60-66

[3]

Advanced prediction of tunnel boring machine performance based on big data.[J].Jinhui Li;Pengxi Li;Dong Guo;Xu Li;Zuyu Chen;.Geoscience Frontiers.2021, 01

[4]

基于循环神经网络的盾构隧道引发地面最大沉降预测 [J].