一种盾构施工引起地面沉降的预测方法及系统与流程

1.本发明涉及计算机技术领域，具体涉及一种盾构施工引起地面沉降的预测方法及系统。


背景技术：

2.随着我国经济建设的快速发展，大力发展地下轨道交通成为我国大城市解决交通问题的有效途径。在密集的城市线网规划中，新建隧道施工不可避免的会对土层造成扰动，导致地表沉陷，建筑物开裂，因此控制隧道下穿引起土层沉降已成为目前城市地下工程建设的一个重要的研究方向。
3.对盾构施工引起的地表变形问题，常用研究方法有经验法、数值法、解析法等。经验法中最具有代表性的peck公式，通过大量对相关工程案例数据的整理分析，揭示了土层沉降呈横向拟正态分布。有学者利用有限元软件探讨了同步注浆、二次注浆、土舱压力、盾构掘进速度等因素，结果表明掘进速度较快时其造成的地表沉降更小。传统方法被大量运用于工程实践当中，但是在实际工程中，由于诸多不确定因素并没有被考虑在内，与工程实践中的沉降值仍有较大的误差。
4.近年来，机器学习由于其很强的非线性拟合能力，被广泛运用于地下工程领域。在深度学习中，一般要求样本的数量要充足，样本数量越多，训练出来的模型效果越好。但是实际预测时，样本数量往往不足或者样本质量不够好，导致模型预测结果存在较大误差。


技术实现要素：

5.本发明的目的是提供一种盾构施工引起地面沉降的预测方法及系统，提高对于盾构施工引起的地面沉降变形的预测能力。
6.为了解决上述技术问题，本发明提供了一种盾构施工引起地面沉降的预测方法，包括以下步骤：
7.s1：获取当地盾构案例数据建立数据库，对数据库中数据进行预处理制作数据集，其中，所述预处理包括采用smote算法对数据进行扩增；
8.s2：将数据集输入knn机器学习模型进行训练，选取训练参数最优的knn机器学习模型作为预测模型，预测盾构施工引起的最大地表沉降值；
9.s3：运用指标对预测模型进行评估，测试预测模型的预测精度。
10.作为本发明的进一步改进，所述步骤s1具体包括以下步骤：
11.s1.1：建立数据库，收集近十五年间制定地区的盾构穿越案例，所述数据库中的数据类型包括隧道参数、地层参数和盾构参数；
12.s1.2：通过引入smote算法对数据扩增，对少数类样本进行分析并根据少数类样本人工合成新样本添加到数据集中；
13.s1.3：在knn机器学习模型训练之前对输入数据变量进行标准化处理；
14.s1.4：将扩增后数据集分为4个子集，轮流将其中3个子集用于训练，剩余的1个子
集用于测试。
15.作为本发明的进一步改进，所述引入smote算法对数据扩增具体为：
[0016][0017]
其中，xi为一个少数类数据样本，x
ij
为xi的邻近数据样本，为新的数据样本。
[0018]
作为本发明的进一步改进，所述标准化处理：
[0019][0020]
其中，为初始样本数据的均值，σ为原始数据的标准差，x
*
是标准化后的值。
[0021]
作为本发明的进一步改进，所述步骤s2具体包括以下步骤：
[0022]
s2.1：盾构引起的地表横向沉降槽近似呈现为正态分布,在沉降槽曲线符合高斯分布的基础上，假定地表沉降在不排水的条件下发生，软弱地层隧道上方横向地表沉降用地表沉降公式来描述：
[0023][0024]
其中，s为地面任一点的沉降值，s
max
为地面沉降的最大值，位于沉降曲线的对称中心上，y为从沉降曲线中心到所计算点的距离，i为从沉降曲线对称中心到曲线拐点的距离，v1为地层体积损失率，d为隧道深度；
[0025]
通过对大量地表沉降数据和工程资料的分析后，得出i一般与隧道深度d以及周围地层内摩擦角相关，且参数主要与工程地质情况、隧道施工方法、施工技术水平因素相关，即选取土层的粘聚力及内摩擦角、隧道的埋深、盾构直径为超参数；
[0026]
s2.2：对超参数进行选择和调整，通过网格寻优方法找到一组最合适参数，网格网格寻优方法是将所有可能的参数进行组合，然后对各组参数进行训练，并验证结果是否是最优的，即找到最优的参数组合；
[0027]
s2.3：最优的参数组合对应的knn机器学习模型，作为预测模型，输出盾构施工引起的最大地表沉降值。
[0028]
作为本发明的进一步改进，所述步骤s2具体还包括以下步骤：
[0029]
利用训练好的预测模型对测试集进行预测，使用python的scikit-learn库实现knn机器学习模型对原始数据集和smote预处理后数据集进行预测，其中测试集被用来检验每种模型最优超参数组合的预测性能。
[0030]
作为本发明的进一步改进，所述步骤s3具体包括以下步骤：采用均方根误差rmse、平均绝对误差mae两个指标对模型进行评估：
[0031]
rmse：mae：
[0032]
其中，n是样本总数，ri是预测沉降值，pi是实测沉降值。
[0033]
作为本发明的进一步改进，对于任意一组训练样本，输出的预测沉降值ri与真实测沉降值pi之间存在一定的误差，运用rmse、mae的计算公式计算后，rmse、mae越小，说明预测模型拥有更好的预测精度。
[0034]
一种盾构施工引起地面沉降的预测系统，包括：
[0035]
数据处理单元，用于获取当地盾构案例数据建立数据库，对数据库中数据进行预处理制作数据集，其中，所述预处理包括采用smote算法对数据进行扩增；
[0036]
预测模型单元，用于将数据集输入knn机器学习模型进行训练，选取训练参数最优的knn机器学习模型作为预测模型，预测盾构施工引起的最大地表沉降值；
[0037]
评估单元，用于运用指标对预测模型进行评估，测试预测模型的预测精度。
[0038]
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述方法的步骤。
[0039]
本发明的有益效果：本发明从机器学习的角度出发，针对盾构施工引起地面沉降，构造预测模型；在充分获取地区盾构案例数据的背景下利用机器学习的方法，提出了一种盾构施工引起地面沉降的预测方法，显著提高对地面沉降预测的准确性；本发明引入合成少数过采样技术，可以解决数据库分布不均且样本较少的缺点，可以对不同特征维度的数据进行伸缩变换，使得不同度量之间的特征具有可比性，同时不改变原始数据的分布；基于数据增强下的knn模型由于其对沉降预测范围广，预测误差小，泛化能力好，为盾构施工导致地表沉降的不良结果提供了有效预测手段。
附图说明
[0040]
图1是本发明的方法流程示意图；
[0041]
图2是本发明的knn算法示意图；
[0042]
图3是本发明的实施例隧道平面布置示意图；
[0043]
图4是本发明的实施例数据集扩增前数据分布图；
[0044]
图5是本发明的实施例数据集扩增后数据分布图；
[0045]
图6是本发明的实施例数据集扩增前箱型图；
[0046]
图7是本发明的实施例数据集扩增后箱型图；
[0047]
图8是本发明的实施例数据集扩增前沉降预测值图；
[0048]
图9是本发明的实施例数据集扩增后沉降预测值图。
具体实施方式
[0049]
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
[0050]
如图1所示，本发明提供了一种盾构施工引起地面沉降的预测方法，包括以下步骤：
[0051]
s1：获取当地盾构案例数据建立数据库，对数据库中数据进行预处理制作数据集，其中，所述预处理包括采用smote算法对数据进行扩增；
[0052]
s2：将数据集输入knn机器学习模型进行训练，选取训练参数最优的knn机器学习模型作为预测模型，预测盾构施工引起的最大地表沉降值；
[0053]
s3：运用指标对预测模型进行评估，测试预测模型的预测精度。
[0054]
具体的，首先获取当地盾构案例数据，对数据进行预处理，接着输入获取参数，运用knn机器学习对数据进行训练，预测盾构引起的最大地表沉降值，最后，运用指标对模型进行评估，测试模型的预测精度。与现有技术相比，本发明在获取地区案例盾构参数背景
下，利用机器学习算法，采用合成少数类过采样技术smote算法对数据库进行扩增，在此基础上选取knn机器学习模型对沉降进行预测分析。经过预处理后的数据集，对于盾构施工引起的地面沉降变形的预测能力有显著的提高，对盾构施工的变形控制具有指导意义，为施工现场智能化提供参考。
[0055]
knn模型能够捕捉地下采场开挖稳定性与各类输入参数之间的复杂关系并且给出较为准确的分类准确性。knn算法原理是通过测量不同样本之间的距离，然后根据距离选择最近的k个邻居来进行分类，如图2所示。如果一个样本在特征空间中的k个最临近的样本中的大多数属于某一个类别，则该样本也属于这个类别。最终预测的结果为所有邻近样本的目标属性值的平均值。
[0056]
步骤s1具体为：
[0057]
s1.1，建立数据库，收集了近十五年间制定地区的盾构穿越案例。所取案例需分布广泛，具有一定代表性。数据库中的数据类型包括地质参数和盾构参数等，参数的选取主要根据其对沉降的影响程度来确定；
[0058]
s1.2，通过引入合成少数过采样技术，即smote数据扩增方法，解决数据库分布不均且样本较少的缺点。对少数类样本进行分析并根据少数类样本人工合成新样本添加到数据集中；
[0059]
s1.3，在模型训练之前对输入变量进行标准化处理，运用标准化处理的计算公式，以解决数据库中由于不同特征的数据处于不同的数量级，导致不利于机器学习算法的训练及输出的问题；
[0060]
s1.4，为了使预测模型在训练集和测试集均有较强的预测能力，采用4折交叉验证法来验证预测模型的泛化能力。即训练模型之前把扩增后数据分为4个子集，轮流将其中3个子集用于训练，剩余的1个子集用于测试。保证每一组数据都可以作为测试集被预测过一次，从而相对客观地反映预测模型的泛化性。
[0061]
步骤s2具体为：
[0062]
s2.1，在盾构施工引起的地面沉降预测中，参数的选取直接关系到模型训练的好坏。盾构引起的地表横向沉降槽近似呈现为正态分布,在沉降槽曲线符合高斯分布的基础上，假定地表沉降在不排水的条件下发生，软弱地层隧道上方横向地表沉降可用地表沉降公式来描述。数据库中的数据类型包括地质参数和盾构参数等，参数的选取主要根据其对沉降的影响程度来确定，通过对大量地表沉降数据和工程资料的分析后，得出i一般与隧道深度d以及周围地层内摩擦角相关，且参数主要与工程地质情况，隧道施工方法，施工技术水平等因素相关。结合具体案例，本发明选取了土层的粘聚力及内摩擦角，隧道的埋深，盾构直径为研究参数；
[0063]
s2.2，超参数的选择关系到模型质量以及在新输入数据上推断正确结果的能力，同时超参数也会影响算法运行的时间。网格寻优的目的是找到一组最合适参数，网格搜索就是将所有可能的参数进行组合，然后对各组参数进行训练，并验证结果是否是最优的，即找到最优的参数组合。
[0064]
步骤s3具体为：
[0065]
s3.1，利用训练好的模型对测试集进行预测。使用python的scikit-learn库实现knn机器学习模型对原始数据集和smote预处理后数据集进行预测，其中测试集被用来检验
每种模型最优超参数组合的预测性能。
[0066]
s3.2，对于任意一组训练样本，输出的预测值ri与真实值pi之间都存在一定的误差。通常采用均方根误差rmse(root mean square error)、平均绝对误差mae(mean absolute error)两个指标对模型进行评估，运用rmse、mae的计算公式计算后，rmse、mae越小，说明模型拥有更好的预测精度。
[0067]
基于同一发明构思，如图1所示，本提供了一种盾构施工引起地面沉降的预测系统，其解决问题的原理与所述一种盾构施工引起地面沉降的预测方法类似，重复之处不再赘述。
[0068]
一种盾构施工引起地面沉降的预测系统，包括：
[0069]
数据处理单元，用于获取当地盾构案例数据建立数据库，对数据库中数据进行预处理制作数据集，其中，所述预处理包括采用smote算法对数据进行扩增；
[0070]
预测模型单元，用于将数据集输入knn机器学习模型进行训练，选取训练参数最优的knn机器学习模型作为预测模型，预测盾构施工引起的最大地表沉降值；
[0071]
评估单元，用于运用指标对预测模型进行评估，测试预测模型的预测精度。
[0072]
本发明在充分获取地区盾构案例数据的背景下利用机器学习的方法，提出的盾构施工引起地面沉降的预测系统，显著提高对地面沉降预测的准确性。
[0073]
本发明具有以下优点：
[0074]
(1)本发明通过引入合成少数过采样技术，可以解决数据库分布不均且样本较少的缺点；
[0075]
(2)可以对不同特征维度的数据进行伸缩变换，使得不同度量之间的特征具有可比性，同时不改变原始数据的分布；
[0076]
(3)基于数据增强下的knn模型由于其对沉降预测范围广，预测误差小，泛化能力好，为盾构施工导致地表沉降的不良结果提供了有效预测手段。
[0077]
实施例
[0078]
如图3所示，取用北京市轨道交通工程12号线西坝河-三元桥区间隧道实例，以右线盾构隧道为研究对象，区间里程为右csk116 979.16～右csk118 348.21，盾构由三元桥方向驶向西坝河方向，采用盾构法施工，盾构刀盘直径6.68m，管片外径6.4m，管片宽1.2m。右线盾构隧道主要穿越地层依次为三层，地质勘探参数如表1所示。选取右线隧道中心线60个监测断面的40个监测点。地表沉降监测采用自动化监测，自动化监测频率为20-60分钟/次，本工程沉降监测主要采用trimble dini03精密电子水准仪进行，监测精度为
±
0.3mm。
[0079]
表1：
[0080][0081]
(1)smote扩增数据分布前后对比：
[0082]
利用knn算法，选择离样本点最近的k个同类样本点(本研究取最近邻为5)，从最近的k个同类样本点中，随机挑选样本点，对于每一个随机选中的样本点，利用smote算法构造新的样本点，重复以上步骤合成ⅰ类、ⅱ类和ⅲ类样本。利用python中的pandas库绘制变量散点图并整理出数据分布表，图4和图5分别是扩增前后的数据分布图。
[0083]
图6和图7分别是经过扩增前后的机器学习算法的箱型图，经过预处理后的knn算法的预测范围均有提升，预测能力都有显著地增强。
[0084]
利用扩增前和扩增后的knn模型对该工程进行预测，得出西-三区间沉降预测值和实测值对比，如图8和图9所示：mae和rmse分别由扩增前的6.21mm和8.05mm降到了扩增后的3.75mm和5.46mm，表明基于smote数据增强下的knn模型在实际工程运用中有着良好的效果。
[0085]
本发明与现有技术相比，本发明在获取地区案例盾构参数背景下，利用机器学习算法，采用合成少数类过采样技术smote算法对数据库进行扩增，在此基础上选取knn机器学习模型对沉降进行预测分析。经过预处理后的数据集，对于盾构施工引起的地面沉降变形的预测能力有显著的提高，对盾构施工的变形控制具有指导意义，为施工现场智能化提供参考。
[0086]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0087]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0088]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一
个方框或多个方框中指定的功能的步骤。
[0089]
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。