论文部分内容阅读
摘要:城市地铁建设正逐步进入快速有序的发展阶段,各种类型的地铁事故也时常发生。因此,在隧道基坑工程中需要一种预测方法来合理的避免事故发生。针对上海市轨道交通17号线上的某车站站所产生的深层水平位移问题,运用MATLAB神经网络工具箱仿真并建立SOM神经网络预测模型。实验结果表明, 通过输入已知数据建立的SOM神经网络预测变形曲线与实测位移的绝对误差值在0.123~1.43mm之间,误差值范围小,在实际工程中是可以接受的。因此,建立SOM神经网络模型对于基坑变形问题有很好的预测能力,该方法为地下工程提供了新的预测手段。
关键词:隧道工程;车站;SOM神经网络;MATLAB分析
中图分类号: U455 文献标志码:A文章编号:1672-1098(2017)04-0032-04
Abstract:The construction of urban subway is entering the stage of rapid and orderly development, but it was reported subway accidents of different types occurred frequently. Therefore, it is necessary to adopt a forecasting method to avoid accidents. In order to solve the deep horizontal displacement problem in Shanghai rail traffic No. 17 line station Cao Ying Lu, neural network toolbox of MATLAB simulation was used and SOM neural network prediction model was established. The experimental results showed that SOM neural network was established by the input data to predict the absolute error of deformation curve and the measured displacement values between 0.123~1.43mm, the error range was small, which is acceptable in the actual project. Therefore, the SOM neural network model has a good ability to predict the deformation of the foundation pit.
Key words:tunnel engineering;station;SOM neural network;MATLAB simulation
地鐵地下施工具有技术交叉性、风险隐蔽性、复杂性和施工环境恶劣性、特殊性、无序性、动态性的特点[1],再加上其大规模,高速度的建设必然会导致地铁施工高风险的存在[2]。2004年3月17日,广州地铁3号线大石车站,地铁基坑塌方,造成1人死亡。2004年4月20日,新加坡地铁环线地铁基坑坍塌事故导致路面坍塌,并造成1人死亡,3人轻伤,3人失踪。2005年7月21日,由于岩层倾斜、超挖、超时、超载等造成海珠城广场基坑发生坍塌,并有5人死亡、8人受伤[3-4]。以上事故中地铁基坑施工客观上均存在很大的风险,施工人员未能对基坑事故发生的原因和规律进行综合分析并从中吸取教训,未对施工的风险进行有效分析并采取针对性预防措施是基坑事故发生的重要原因[5]。
随着时代的发展,计算机技术的逐渐成熟,模拟地下深层水平位移的手段也越来越多[6]。BP神经网络是一种多层前馈型神经网络,但在训练时容易陷入局部最优,且隐含层数目不容易确定[7]。因此地铁车站基坑变形采用SOM神经网络预测方法,SOM神经网络最大的优点是不需要知道分等类别的先验知识,不需要事先人为确定分等评价因素指标的权重[8]。只要根据具体的样本便可以通过网络完成学习训练,有效的克服了主观因素的干扰,使得分等结果更加客观准确[5]。
因此,本文通过对车站基坑位移实时监测并结合SOM神经网络,在此基础上,用实测数据来检验预测曲线的可靠性。结合实际工程案例进行分析,以期为基坑位移预测提供参考。
某车站是上海市轨道交通17号线上地下车站中的一座,其位于某车站东侧,沿盈港路呈东西走向。车站为地下二层岛式站台车站,车站中心里程SK12+671.015,车站主体总长为215m,标准段宽度为19.54m。
主体围护结构采用800mm厚地下连续墙,端头井墙深31m,标准段墙深28m。某车站环境及围护测点图,立柱桩编号如图1和图2所示。
SOM是由输入层和竞争层组成的单层神经网络,输入层是一维的神经元,有n个节点[9]。竞争层是二维的神经元,按二维的形式排列成节点矩阵,有M=m^2个节点。输入层的神经元和竞争层的神经元都有权值连接,竞争层节点相互间也可能有局部连接[10]。
SOM算法是一种无导师的聚类法,它能将任意维输入模式在输出层映射成一维或者二维离散图形,并保持其拓扑结构不变,即在无导师的情况下,通过对输入模式的自组织学习,在竞争层将分类结果表示出来[11]。
3SOM在MATLAB中的实现
由表2可知,建立的SOM神经网络的模型与实际监测到的数据存在一定的误差,该误差随着深度的加大而加大,但已知位移已经在8~8.5m之间出现拐点,而预测曲线则是在9~10m之间出现了拐点。实测位移在深度26.5m以后一直呈下降趋势,在深度29.5m时,还监测到为负数,而预测曲线在29~29.5m之间出现拐点。但这些误差还在可承受的误差范围内,并且预测的位移值要比实测的位移值偏大故偏安全,仍然可采用[13-14]。 2)工程中对该曲线误差机理分析
工程中,第一道混凝土支撑在2~2.5m之间,第二道钢支撑在5~6m之间,第三道钢支撑在9~9.5m之间。曲线逐渐呈“啤酒肚”型,这说明地下连续墙墙体曲线最终形成上下两端小,中间大的特点(在0~8m之间呈上升趋势,但在8~8.5m则出现极大值,并之后下降趋势),这种情况说明顶部位移受到了制约作用:一方面是由于压顶梁和第一道支撑对连续墙侧移明显限制[15-16];二是在基岩或深埋土体中被地下连续墙嵌入,较强的约束住墙角,因此侧向位移在墙角处被收敛,即显著的空间效应存在于深基坑两端中,从而位移的发展被抑制了[15-16]。
本文对上海市轨道交通17号线某车站车站中的地下深层水平位移所采用的方法对未来地铁的施工和监测有一定的借鉴作用。特别是采用SOM神經网络的预测理论和方法,这是一种新的方法在地铁车站基坑施工中所使用。
1)对于复杂环境下的地下基坑施工,对其变形位移监测需要格外重视,建立完善的信息化施工监控体系变得至关重要。
2)此次采用的SOM神经网络仍然具有一定小误差,为了能使误差尽可能的小,需要进一步的探讨和解决,如学习率、领域和总学习次数等初始函数的不同,网络分析会出现各异的结果,需要编程者根据实际情况进行判断选择,但是SOM神经网络不失为为地铁施工监测的一个较为先进的方法。
参考文献:
[1]胡长明,陆征宇,梅源,等.软土地层地铁盾构施工风险可拓评估方法研究[J].安全与环境学报, 2017, 17 (1) :21-26.
[2]张旭,张成平,韩凯航,等.隧道下穿既有地铁车站施工结构沉降控制案例研究[J].岩土工程学报, 2017, 39 (4) :759-766.
[3]M LTD. Mimo equalization optimized for baud rate clock recovery in coherent dp-qpsk metro systems [J]. Optical Fiber Technology, 2017, 22 :23-27.
[4]C ZOU,Y WANG,JA MOORE. Train-induced field vibration measurements of ground and over-track buildings [J]. Science of the Total Environment, 2017, 575 :1 339-1 351.
[5]钱七虎,戎晓力.中国地下工程安全风险管理的现状,问题及相关建议[J].岩石力学与工程学报, 2008, 27(4):649-665.
[6]兰守奇.地铁车站深基坑工程灾害评价与安全施工控制研究[D].上海:同济大学, 2009.
[7]丁杨.BP神经网络在隧道基坑工程中的实际运用[J].河北工程大学学报(自然科学版), 2016, 33(2):30-33.
[8]熊熊,张维.商业银行监管的SOM神经网络的分类方法[J].系统工程理论与实践, 2002, 22(6):26-32.
[9]高浪,谢康和.人工神经网络在岩土工程中的应用[J].土木工程学报,2002, 35(4):77-81.
[10]陈园园,李宁,丁四保.城市群空间联系能力与SOM神经网络分级研究——以辽中南城市群为例[J].地理科学,2011, 31(12):1 461-1 467.
[11]赵建华,李伟华.有监督SOM神经网络在入侵检测中的应用[J].计算机工程, 2012, 38(12):110-111.
[12]张志军,丁德馨,饶龙,等.基于人工神经网络的岩土工程反演设计方法研究[J].哈尔滨工程大学学报, 2006, 27(B7):393-396.
[13]ZY CHEN,RJ KUO. Combining SOM and evolutionary computation algorithms for RBF neural network training[J]. Journal of Intelligent Manufacturing, 2017,2017:1-18.
[14]赵建华,李伟华.有监督SOM神经网络在入侵检测中的应用[J].计算机工程, 2012, 38(12):110-111.
[15]马旭凯,谷立臣,李世龙.基于SOM神经网络的柴油机故障诊断[J].机械制造与自动化, 2009, 38(2):81-83.
[16]杨占华,杨燕. SOM神经网络算法的研究与进展[J].计算机工程,2006, 32(16):201-202.
(责任编辑:李 丽,吴晓红,编辑:丁 寒)
关键词:隧道工程;车站;SOM神经网络;MATLAB分析
中图分类号: U455 文献标志码:A文章编号:1672-1098(2017)04-0032-04
Abstract:The construction of urban subway is entering the stage of rapid and orderly development, but it was reported subway accidents of different types occurred frequently. Therefore, it is necessary to adopt a forecasting method to avoid accidents. In order to solve the deep horizontal displacement problem in Shanghai rail traffic No. 17 line station Cao Ying Lu, neural network toolbox of MATLAB simulation was used and SOM neural network prediction model was established. The experimental results showed that SOM neural network was established by the input data to predict the absolute error of deformation curve and the measured displacement values between 0.123~1.43mm, the error range was small, which is acceptable in the actual project. Therefore, the SOM neural network model has a good ability to predict the deformation of the foundation pit.
Key words:tunnel engineering;station;SOM neural network;MATLAB simulation
地鐵地下施工具有技术交叉性、风险隐蔽性、复杂性和施工环境恶劣性、特殊性、无序性、动态性的特点[1],再加上其大规模,高速度的建设必然会导致地铁施工高风险的存在[2]。2004年3月17日,广州地铁3号线大石车站,地铁基坑塌方,造成1人死亡。2004年4月20日,新加坡地铁环线地铁基坑坍塌事故导致路面坍塌,并造成1人死亡,3人轻伤,3人失踪。2005年7月21日,由于岩层倾斜、超挖、超时、超载等造成海珠城广场基坑发生坍塌,并有5人死亡、8人受伤[3-4]。以上事故中地铁基坑施工客观上均存在很大的风险,施工人员未能对基坑事故发生的原因和规律进行综合分析并从中吸取教训,未对施工的风险进行有效分析并采取针对性预防措施是基坑事故发生的重要原因[5]。
随着时代的发展,计算机技术的逐渐成熟,模拟地下深层水平位移的手段也越来越多[6]。BP神经网络是一种多层前馈型神经网络,但在训练时容易陷入局部最优,且隐含层数目不容易确定[7]。因此地铁车站基坑变形采用SOM神经网络预测方法,SOM神经网络最大的优点是不需要知道分等类别的先验知识,不需要事先人为确定分等评价因素指标的权重[8]。只要根据具体的样本便可以通过网络完成学习训练,有效的克服了主观因素的干扰,使得分等结果更加客观准确[5]。
因此,本文通过对车站基坑位移实时监测并结合SOM神经网络,在此基础上,用实测数据来检验预测曲线的可靠性。结合实际工程案例进行分析,以期为基坑位移预测提供参考。
1项目概况
某车站是上海市轨道交通17号线上地下车站中的一座,其位于某车站东侧,沿盈港路呈东西走向。车站为地下二层岛式站台车站,车站中心里程SK12+671.015,车站主体总长为215m,标准段宽度为19.54m。
主体围护结构采用800mm厚地下连续墙,端头井墙深31m,标准段墙深28m。某车站环境及围护测点图,立柱桩编号如图1和图2所示。
SOM是由输入层和竞争层组成的单层神经网络,输入层是一维的神经元,有n个节点[9]。竞争层是二维的神经元,按二维的形式排列成节点矩阵,有M=m^2个节点。输入层的神经元和竞争层的神经元都有权值连接,竞争层节点相互间也可能有局部连接[10]。
SOM算法是一种无导师的聚类法,它能将任意维输入模式在输出层映射成一维或者二维离散图形,并保持其拓扑结构不变,即在无导师的情况下,通过对输入模式的自组织学习,在竞争层将分类结果表示出来[11]。
3SOM在MATLAB中的实现
由表2可知,建立的SOM神经网络的模型与实际监测到的数据存在一定的误差,该误差随着深度的加大而加大,但已知位移已经在8~8.5m之间出现拐点,而预测曲线则是在9~10m之间出现了拐点。实测位移在深度26.5m以后一直呈下降趋势,在深度29.5m时,还监测到为负数,而预测曲线在29~29.5m之间出现拐点。但这些误差还在可承受的误差范围内,并且预测的位移值要比实测的位移值偏大故偏安全,仍然可采用[13-14]。 2)工程中对该曲线误差机理分析
工程中,第一道混凝土支撑在2~2.5m之间,第二道钢支撑在5~6m之间,第三道钢支撑在9~9.5m之间。曲线逐渐呈“啤酒肚”型,这说明地下连续墙墙体曲线最终形成上下两端小,中间大的特点(在0~8m之间呈上升趋势,但在8~8.5m则出现极大值,并之后下降趋势),这种情况说明顶部位移受到了制约作用:一方面是由于压顶梁和第一道支撑对连续墙侧移明显限制[15-16];二是在基岩或深埋土体中被地下连续墙嵌入,较强的约束住墙角,因此侧向位移在墙角处被收敛,即显著的空间效应存在于深基坑两端中,从而位移的发展被抑制了[15-16]。
本文对上海市轨道交通17号线某车站车站中的地下深层水平位移所采用的方法对未来地铁的施工和监测有一定的借鉴作用。特别是采用SOM神經网络的预测理论和方法,这是一种新的方法在地铁车站基坑施工中所使用。
5结论
1)对于复杂环境下的地下基坑施工,对其变形位移监测需要格外重视,建立完善的信息化施工监控体系变得至关重要。
2)此次采用的SOM神经网络仍然具有一定小误差,为了能使误差尽可能的小,需要进一步的探讨和解决,如学习率、领域和总学习次数等初始函数的不同,网络分析会出现各异的结果,需要编程者根据实际情况进行判断选择,但是SOM神经网络不失为为地铁施工监测的一个较为先进的方法。
参考文献:
[1]胡长明,陆征宇,梅源,等.软土地层地铁盾构施工风险可拓评估方法研究[J].安全与环境学报, 2017, 17 (1) :21-26.
[2]张旭,张成平,韩凯航,等.隧道下穿既有地铁车站施工结构沉降控制案例研究[J].岩土工程学报, 2017, 39 (4) :759-766.
[3]M LTD. Mimo equalization optimized for baud rate clock recovery in coherent dp-qpsk metro systems [J]. Optical Fiber Technology, 2017, 22 :23-27.
[4]C ZOU,Y WANG,JA MOORE. Train-induced field vibration measurements of ground and over-track buildings [J]. Science of the Total Environment, 2017, 575 :1 339-1 351.
[5]钱七虎,戎晓力.中国地下工程安全风险管理的现状,问题及相关建议[J].岩石力学与工程学报, 2008, 27(4):649-665.
[6]兰守奇.地铁车站深基坑工程灾害评价与安全施工控制研究[D].上海:同济大学, 2009.
[7]丁杨.BP神经网络在隧道基坑工程中的实际运用[J].河北工程大学学报(自然科学版), 2016, 33(2):30-33.
[8]熊熊,张维.商业银行监管的SOM神经网络的分类方法[J].系统工程理论与实践, 2002, 22(6):26-32.
[9]高浪,谢康和.人工神经网络在岩土工程中的应用[J].土木工程学报,2002, 35(4):77-81.
[10]陈园园,李宁,丁四保.城市群空间联系能力与SOM神经网络分级研究——以辽中南城市群为例[J].地理科学,2011, 31(12):1 461-1 467.
[11]赵建华,李伟华.有监督SOM神经网络在入侵检测中的应用[J].计算机工程, 2012, 38(12):110-111.
[12]张志军,丁德馨,饶龙,等.基于人工神经网络的岩土工程反演设计方法研究[J].哈尔滨工程大学学报, 2006, 27(B7):393-396.
[13]ZY CHEN,RJ KUO. Combining SOM and evolutionary computation algorithms for RBF neural network training[J]. Journal of Intelligent Manufacturing, 2017,2017:1-18.
[14]赵建华,李伟华.有监督SOM神经网络在入侵检测中的应用[J].计算机工程, 2012, 38(12):110-111.
[15]马旭凯,谷立臣,李世龙.基于SOM神经网络的柴油机故障诊断[J].机械制造与自动化, 2009, 38(2):81-83.
[16]杨占华,杨燕. SOM神经网络算法的研究与进展[J].计算机工程,2006, 32(16):201-202.
(责任编辑:李 丽,吴晓红,编辑:丁 寒)