Time series prediction for ground settlement in portal section of mountain tunnels
-
摘要: 地表沉降监测值具有复杂性及非线性动态变化特征,以往静态模型预测时常存在易受历史监测数据干扰且模型输入权值及阈值选择较为困难的问题,鉴于此,提出一种洞口段地表沉降动态预测方法。利用3次样条函数插值法将监测数据等距化,并结合时序分析理论和变分模态分解（VMD）,将地表沉降分解为趋势项和随机项位移；通过采用灰狼优化算法（GWO）对在线贯序极限学习机模型（OSELM）的权值及阈值进行优化,建立了GWO-OSELM动态预测模型,分别对位移分量进行预测；以重庆市兴隆隧道洞口段为例,利用该模型进行预测,并与传统模型进行对比,最后探讨了激励函数的选择对模型预测性能的影响及随机项位移的部分影响因素。结果表明：非等距时序数据预处理后,模型能够有效地对位移分量进行预测,预测精度高、误差小,且Sigmoid激励函数更适合该模型,而地表沉降速率和拱顶下沉速率对随机项位移有重要影响。可为山岭隧道洞口段地表沉降的长期预测提供一种新的思路和方法。Abstract: The monitoring value of ground settlement is characterized by complexity and nonlinear dynamic change. Aiming at the problems that the previous static models are easily disturbed by historical monitoring data and the model input weights and thresholds are more difficult to choose, a dynamic prediction method for ground settlement of the portal section of tunnels is proposed. The ground settlement is equidistant by the cubic-spline function interpolation method and decomposed into the trend and random term displacement by the time series analysis theory and the variational mode decomposition (VMD). By using the grey wolf optimizer (GWO) to optimize the weights and thresholds of the online sequential extreme learning machine (OSELM), the GWO-OSELM dynamic prediction model is established to predict the displacement components separately. Taking the portal section of Xinglong tunnel in Chongqing as an example, the proposed model is compared with the traditional model. Finally, the influences of the choice of activation function on the prediction performance of the model and some factors influencing the random term displacement are analyzed. The results show that the model can effectively predict the displacement components after the preprocessing of non-equidistant time series data, and it has high prediction accuracy and small prediction error. Moreover, the Sigmoid activation function is more suitable for the model, and the rates of the ground settlement and the vault subsidence have important influences on the random term displacement. The model provides a new way of thinking and a method for the long-term prediction of ground settlement in the portal section of mountain tunnels.
-
0. 引言
随着地球资源被大规模开发利用,移步有大量可利用资源的外星球成为了当前科学界的永恒的研究热点话题。目前,中国的“探月三期”工程走到了最为关键的一步——“绕、落、回”三步走的最后一步。中国计划于2020年实施“嫦娥五号”探月任务。借鉴美、苏等探月大国的采样方式,中国在采样阶段也将采用钻进取芯方式对月球次表层月壤进行采样[1-3]。钻取过程中,月球次表层广泛分布的临界尺度颗粒由于其无法被取芯孔采集也无法被螺旋槽排出的特性,增加了采样的风险。目前,为了提高钻进可靠性,大多数研究着重于优化取芯钻具的结构设计方面[4-5],忽略了临界尺度颗粒在钻进过程中的动力学特性与钻进参数之间的关系。
李宁等[6]根据切削、静压及钻压作用过程建立旋进式触探试验推导出岩石的内摩擦角及黏聚力等的计算公式。刘泉声等[7]研究岩石脆性指标对滚刀破岩功率的影响,结果表明滚刀更难贯入硬质岩石。Siavash等[8]针对弧形切削刃对岩石切削负载影响研究,结果表明影响切削力的主要因素为切削刃与岩石相互作用面积、切削刃包络形状。Li等[9]通过直尺切削试验,获得模拟月岩破碎行为及其负载特性,设计了一种高效能钻头,大大提高钻进可靠性。根据切削土壤的破坏形式,Che等[10]开展了岩石切削性能和失效行为研究,试验结果表明,切削力随切削深度、前角以及岩石单轴抗压强度的增加而增大,但是受切削速度的影响程度较弱。Dagrain等[11]将岩石切削过程中的负载特性分成几个主要阶段进行分析,结果表明随着切削深度的增加切削具的负载表现形式不同,随着钻进深度的增加钻进负载明显增加。刘天喜等[12]和庞勇等[13]通过钻取试验监测月壤大颗粒在不同位置时的运移特性及对钻具钻进力载的影响,试验结果表明,影响月壤大颗粒的典型力载特征及影响大颗粒运移特性的关键因素是表面形态。
本文针对在月球钻进取芯过程中,月壤临界尺度工况中的临界尺度颗粒受钻削作用时的孔底置出与孔壁置入运移特性与钻采阻力之间的对应关系进行探究,建立月壤临界尺度颗粒切削模型,通过离散元仿真方法及直尺切削试验验证方式,探究切削阻力时域曲线不同特征与临界尺度颗粒运移特性之间的关系。
1. 临界尺度颗粒运移特性
中国“嫦娥五号”探测器于2020年底在月球正面软着陆,首次完成了地外天体无人自动采样并返回地球,预计带回2 kg月壤样品[14]。如图1所示,取芯钻具安装在无人着陆器上,其在钻机的驱动下钻进月球次表层,做回转和进尺运动,钻头对原位月壤进行破碎,钻杆排出破碎月壤,取芯机构进行月壤样品回收,软袋包裹月壤样品进入月壤封装装置。广泛分布的月壤临界尺度颗粒对采样任务影响极大,可直接影响取芯效果。探测器的着陆位置即为选定的钻取位置,其内月壤颗粒分布情况未知,无法自主识别并避免恶劣工况。
如图2所示,为临界尺度颗粒的孔底置出与孔壁置入运移特性示意图。临界尺度颗粒无法进入采样孔也不能被钻杆螺旋槽排出,一部分直接嵌入孔壁；另一部分则位于钻头下方与切削具一同切削月壤,当其受到的切削阻力大于切削刃之间的夹紧力时,其中的一部分临界尺度颗粒脱离钻头嵌入孔壁,另一部分未被破碎的临界尺度颗粒被切削刃从孔底置出,剩余的存在于钻头下方。在临界尺度颗粒运移效果不良时,极易形成聚积区[15],加剧钻头的磨损速度,甚至出现卡钻、跳钻等机械故障,导致钻进失败。
图2中：vz为进给速度,v为钻具线速度,ω为钻具旋转速度。
图3为月壤临界尺度颗粒钻取工况的地面模拟试验,当钻杆退出钻孔后,观察钻孔内壁可发现部分临界尺度颗粒内嵌在孔壁上,对钻进过程中的钻具的功耗和进给力数据进行监测,发现不平稳。
2. 月壤临界尺度颗粒切削模型
钻杆的阻力矩可用于判别月面钻进的可靠性。当钻进深度变化范围较小时,阻力矩波动程度可用来表示被钻对象的物理特性。因此,在钻削作用下,建立月壤临界尺度颗粒切削模型,可以通过二者相互作用过程中的钻具钻采阻力的变化趋势与临界尺度颗粒的运移特性之间建立联系。临界尺度颗粒与切削刃的轴向、径向重叠长度如图4所示。
![]()
图 4 临界尺度颗粒与切削刃作用示意图Figure 4. Schematic diagram of overlap of critical fragments and cutter当钻头部分切削月壤时,将切削刃前方的月壤均质颗粒、月壤临界尺度颗粒进行独立分析,力学示意图如5所示。根据土壤切削失效准则,在切削方向上会形成失效月壤,本模型不考虑失效月壤的形成（后续试验采用吸力装置进行处理）。
![]()
图 5 切削刃与月壤作用受力示意图Figure 5. Schematic diagram of axial section forces on cutter and lunar soil interaction切削刃水平方向的切削阻力
F=cosξ1Fth+cosξ2Ftc, (1) 式中,F为切削刃的总切削阻力,Ftc为切削刃对临界尺度颗粒的作用力,Fth为切削刃对均质颗粒的作用力,ξ1及ξ2分别为均质颗粒及临界尺度颗粒对切削刃产生的阻力与水平方向的夹角。
切削深度固定时,不计前端失效月壤及临界尺度颗粒碎屑的影响,根据切削刃前刀面与模拟月壤总的接触面积不变,所以有
Δs=Δs1+Δs2, (2) 式中,Δs1,Δs2分别为切削过程中接触临界尺度颗粒的面积、接触均质月壤的面积,Δs为切削刃切削模拟月壤的总面积。
费雷特直径定义为颗粒在某一平面投影轮廓上的最远两点的距离,当切削刃与临界尺度颗粒轴向重叠长度大于切削深度时,费雷特直径可等效为本文所述的切削刃与临界尺度颗粒径向重叠部分长度。根据林呈祥等[16]对TJ-1模拟月壤颗粒的形貌参数统计,得出
{Δs3=0.545Q2−0.207Q+0.707(Q＞0) ,Δs3=0 (Q=0) , (3) 式中,Δs3为临界尺度颗粒的投影轮廓面积,Q为临界尺度颗粒的费雷特直径。
根据已有研究及对原位月壤的研究数据拟合[17],月壤自然堆积密度
ρz 和下钻深度z呈一定线性关系：ρz=1.92z+12.2z+18。 (4) 孔隙率n,孔隙比e与月壤自然堆积密度满足
e=n1−n , (5) n=1−ρzρ0 , (6) 式中,
ρ0 为月壤相对密度,探月工程中一般取3.1 g/cm3。内聚力c与内摩擦角φ如下式
tanφ=1.3779e−0.3925, (7) c=60959e−22.552n。 (8) 根据被动土压力系数Kp与内摩擦角φ之间的关系得
Kp=tan2(π4+φ2)。 (9) 当切削刃前刀面上全部为均质颗粒时,切削刃在回转过程中受到的阻力主要为出露刃对均质月壤的切削作用,而孔壁的月壤会有向钻头运动的趋势,孔壁月壤会对该切削刃的侧壁有压力作用。根据朗肯土压力理论,当切削刃前刀面侧壁的月壤达到极限抗剪强度时,作用于切削刃上的作用力为主动或被动土压力[18]。对切削刃力学分析如图6（a）所示。
在切削方向上建立力学平衡方程式：
Fth−N1−f2cosθ−f3sinα+N3cosα=0, (10) N1=12Δs2(ρzgCKp+2c√Kp), (11) f2=[ρzgzKp+2c√Kp−ρzg(B+C)Kp]⋅12D(B+C)。 (12) 式中 N1为被动土压力；F2为孔壁对切削刃侧壁的土压力；f2为F2作用面产生的摩阻力；α为切削刃前角；C为切削刃出露刃长度；B=切削刃刃长-C；D为切削刃侧面长度；N3为侧向土滑落对切削刃的支持力；f3为N3作用面产生的摩阻力；θ为钻进规程角。
由于切削刃做恒速螺旋下切运动,N3及f3可忽略,将式（11）,（12）代入式（10）得
Fth=12{Δs2(ρzgCKp+2c√Kp)+fD(B+C)⋅[ρzgzKp+2c√Kp−ρzgKp(B+C)]}, (13) 式中,f为切削刃与土体接触摩擦系数。
在切削过程中,切削刃切削月岩产生月岩碎屑,并被切削刃持续切削,切削刃与月岩之间的相互作用力不断增加,碎屑部分被挤压,形成密实核,因此需要在宏观上对密实核处进行描述[20]。切削具回转,月岩表现为即抗压又抗剪。当切削刃仅接触月岩时,岩石回转切削力学模型如图6（b）所示,在切削刃与月岩相互接触的极小区域内,由于应力集中,密实核传递给母岩的合力为Fm,密实核的成型描述如图7所示。
作用于母岩的合力
Fm=2√2dQσs, (14) 式中,d为密实核半径,
σs 为月岩抗压强度。在切削方向上建立力学平衡方程式：
Ftc−μN−Fmcos(π4−η)sinη+Fmsin(π4−η)cosη=0, (15) 式中,μ为月岩与切削刃之间的滑动摩擦系数,N为月岩对切削刃支持力,η为切削刃前刀角,h为切削深度
整理式（14）,（15）得
Ftc=2μAhσstanα2+δΔs1σs, (16) 式中,δ为常量,与岩石破碎角（岩石剪切面与切削方向的夹角）有关,A为切削刃的底刃长度。
将式（8）,（9）,（13）和（16）代入式（1）中,即可得到在钻削作用下不同重叠率时切削刃的切削阻力：
F=12{Δs2[1.92gC(z+12)tan2(π+2φ4)z+18+2ctan(π+2φ4)]+fD(B+C)1.92g(z−B−C)(z+12)tan2(π+2φ4)z+18+2ctan(π+2φ4)}+2μAhσstanα2+δΔs1σs。 (17) 根据式（17）得到切削阻力受切削刃与临界尺度颗粒的不同作用位置及颗粒粒径影响下的变化曲线,如图8所示。可知,固定钻深时,切削阻力受到二者相互作用位置的影响最大。
![]()
图 8 固定钻进深度下的单刃切削阻力Figure 8. Cutting resistances of fixed single edge at depth of drilling取芯钻具在恒进尺、回转运动的条件下,不同的下钻角度、预钻区临界尺度颗粒分布情况及在钻进过程中月壤颗粒的差速扰动均会对二者的相互作用位置产生影响,因此,定义归一化参数法向重叠率γD：
γD=QΔs1AΔs3。 (18) 3. 孔底置出与孔壁置入仿真模拟
3.1 切削轨迹等效分析
取芯钻具的一个钻进规程包括恒定的回转和进给运动,Wheeler等[19]建立了惯性力与准静态切削模型叠加的模型,认为切削具线速度在低于4.36 km/h范围内,惯性力受到切削速度的影响不显著。中国探月任务中所使用的取芯钻具的回转速度为60～120 rpm,钻具最大径为30 mm,转速换算成线速度如表1所示,属于慢速切削速度范围内。因此,在惯性力不受影响的情况下,可将等距的螺旋线型的切削轨迹等效为直线型的切削轨迹。等效成直线运动之后切削轨迹上包含的颗粒类型,如图9所示。
表 1 钻具回转速度与线速度换算表Table 1. Conversion of rotary speed and linear speed of drilling tool回转速度/rpm 60 80 100 120 线速度/(mm·s-1) 47.1 61.2 78.7 94.2 3.2 参数设置
本文采用离散元方法DEM进行仿真模拟。在对模拟月壤进行参数标定时,假设均质颗粒与临界尺度颗粒均为Molerus I型土体,各向同性。参考相关文献[20～22],仿真环境参数标定如表2所示。切削模拟月壤颗粒运动分析与应力分布对比,测定大范围稳定的仿真边界,并且可以完整的显示临界尺度颗粒的运移特性,本文设置仿真边界为x×y×z=100 mm×50 mm×40 mm。
表 2 仿真环境参数标定Table 2. Parameter calibration of simulation environment参数 数值 颗粒泊松比 0.35 均质颗粒半径/mm 1.0 临界尺度颗粒粒径/mm 15 颗粒密度/(kg·m-3) 2900 颗粒剪切模量/Pa 1×108 切削刃泊松比 0.3 切削刃密度/(kg·m-3) 7800 切削刃杨氏模量/Pa 7×107 切削深度/mm重力加速度/(m·s-2) 41.6 切削速度/(mm·s-1) 94.2 颗粒-颗粒恢复系数 0.1 颗粒-颗粒静摩擦系数 0.514 颗粒-颗粒动摩擦系数 0.1 颗粒-几何体恢复系数 0.2 颗粒-几何体静摩擦系数 0.3 颗粒-几何体动摩擦系数 0.1 图10为在切削过程中,某瞬时临界尺度颗粒速度云图。从图10（a）可以看出,切削刃不断切削临界尺度颗粒,在切削方向上失效模拟月壤不断堆积,临界尺度颗粒质心上升,产生孔底置出现象；从图10（b）可以看出,受切削作用后,嵌入孔壁的临界尺度颗粒的运移速度接近于0,受到切削刃的差速扰动后没有回落现象,产生孔壁置入现象。
3.3 仿真结果分析
设置切削速度为94.2 mm/s切削深度为4 mm,仿真模拟结果分别如图11（a）,（b）所示。当法向重叠率
γ15 =0.026时,临界尺度颗粒被切削刃有效拨开,产生孔壁置入现象,当法向重叠率γ15 =0.439,且切削刃底刃中点与颗粒质心重合时,临界尺度颗粒随动于切削刃,质心不断上升,产生孔底置出现象。临界尺度颗粒的孔底置出与孔壁置入现象,对应切削阻力时域曲线特征为连续峰值和仅有一个峰值点。通过仿真结果验证,可以根据切削阻力时域曲线特征判断临界尺度颗粒的运移特性。
4. 临界尺度颗粒的运移特性模拟试验
4.1 试验方法及原理
试验采用哈尔滨工业大学宇航空间机构及控制研究中心研制的直尺切削试验台SLC-1,如图12所示,试验台采用伺服电动缸作为直线运动的驱动装置,进尺调整机构调整切削深度,通过六维力传感器实现对切削阻力的测量,利用高速摄像机对临界尺度颗粒的运移特性进行记录。切削过程中,切削方向及侧向会产生失效模拟月壤[23],影响六维力传感器精度,因此,利用吸力装置来处理失效部分。
经过筛选,选取小粒径、中粒径、大粒径的月壤临界尺度颗粒如图13（a）所示,粒径范围分别为3～14,14～16,16～30 mm。根据月壤粒径范围,月壤均质颗粒选用粒径范围在0.025～0.05 mm的天然玄武岩粉末,月壤临界尺度颗粒选用粒径为10～30 mm的天然玄武岩颗粒。通过液压机加载压实,使制备的模拟月壤的密度、内聚力、内摩擦角、孔隙比更接近真实月壤,制备的待切削的模拟月壤样本如图13（b）所示,压实之后的均质月壤物理力学参数如表3所示。
表 3 试验制备均质月壤物理力学参数Table 3. Physical and mechanical parameters of prepared homogeneous lunar soil参数 密度/(g·cm-3) 泊松比 孔隙比 内摩擦角/(°) 数值 2.1 0.35 0.31 34.96 4.2 试验结果分析
（1）切削速度对切削阻力的影响分析
对全部由月壤均质颗粒制备的模拟月壤进行直尺切削试验,通过控制切削刃的切削速度,得出切削刃的切削阻力时域变化曲线,如图14（a）～（c）所示,得出平均切削阻力,可以明显看出,切削速度的变化对切削阻力影响可以忽略。
（2）孔壁置入与孔底置出现象分析
切削速度分别为61.2,78.7和94.2 mm/s的情况下,切削模拟月壤产生的切削阻力时域变化曲线分别如图15（a）～（c）所示。各曲线均经过滤波处理,空载时的切削阻力时域变化曲线均为在0 N附近波动的曲线。切削均质颗粒时,为在平均切削阻力附近波动的曲线。如图15（a）所示,当法向重叠率分别为
γ13 =0.035及γ15 =0.026时,所产生的切削阻力时域变化曲线特征为均产生单峰值点,临界尺度颗粒产生孔壁置入现象,且此时法向重叠率较低,临界尺度颗粒更容易产生孔壁置入现象,与其粒径大小无关。如图15（b）所示,当法向重叠率分别为γ13=0.198及γ15=0.148时,切削阻力时域变化曲线特征分别为仅有一个单峰值点和连续峰值。如图15（c）所示,当法向重叠率分别为γ13=0.587及γ15=0.439,且切削刃质心与临界尺度颗粒质心的连线平行于切削方向时,切削阻力时域变化曲线特征均为含有连续峰值。如图16（a）所示,临界尺度颗粒-1被切削刃有效拨开,其质心偏移一侧均质颗粒产生松动,临界尺度颗粒嵌入孔壁,产生孔壁置入现象。如图16（b）所示,在切削轨迹上,临界尺度颗粒-2被切削刃持续切削,直至切削过程结束未脱离切削刃,从临界尺度颗粒初始位置可以看出,临界尺度颗粒最终上升至模拟月壤表面,产生孔底置出现象。
（3）法向重叠率对切削阻力的影响分析
由图17可以看出,在下钻深度变化范围较小的情况下,相同粒径的临界尺度颗粒,随着法向重叠率增加,切削刃的切削阻力呈逐渐增大趋势。
5. 结论
（1）法向重叠率的增加,会导致切削刃的切削阻力增加,并且临界尺度颗粒粒径因素对切削阻力影响较小。
（2）当法向重叠率越小时,临界尺度颗粒越容易产生孔壁置入现象。当法向重叠率越大时,临界尺度颗粒越容易产生孔底置出现象。
（3）钻具的切削阻力时域变化曲线可作为判别临界尺度颗粒运移特性的依据。当切削阻力时域变化曲线中含有连续峰值和仅有一个峰值点时,临界尺度颗粒分别产生孔底置出和孔壁置入现象,临界尺度颗粒粒径因素对其运移特性影响较小。
衷心感谢中交隧道局重庆项目经理部和国家科技基础条件平台-国家气象科学数据中心提供的监测数据及气象数据支持！ -
表 1 地表沉降量测频率
Table 1 Measurement frequencies of ground settlement
量测项目 d 量测频率 地表沉降 d < 2B （1~2次）/d 2b < d < 5B 1次/（2~3 d） d > 5B 1次/7 d 注： d为开挖断面距量测断面的距离,B为隧道开挖宽度。
下载: 导出CSV
表 2 ZK38+020趋势项位移预测精度及误差
Table 2 Prediction accuracies and errors of trend term displacement of ZK38+020
模型 R RMSE/ mm MAE/ mm D1-4 D1-5 D1-4 D1-5 D1-4 D1-5 训练集 测试集 训练集 测试集 训练集 测试集 训练集 测试集 训练集 测试集 训练集 测试集 GWO-OSELM 0.9999 0.9994 0.9999 0.9998 0.0089 0.0106 0.0127 0.0051 0.0077 0.0088 0.0105 0.0044 OSELM 0.9998 0.9996 0.9998 0.9998 0.0484 0.1889 0.0566 0.2349 0.0401 0.1803 0.0506 0.2282 ELM 0.9998 0.9989 0.9996 0.9997 0.0668 0.3581 0.0881 0.4870 0.0553 0.3392 0.0725 0.4724
下载: 导出CSV
表 3 ZK38+015趋势项位移预测精度及误差
Table 3 Prediction accuracies and errors of trend term displacement of ZK38+015
模型 R RMSE/ mm MAE/ mm D1-4 D1-5 D1-4 D1-5 D1-4 D1-5 训练集 测试集 训练集 测试集 训练集 测试集 训练集 测试集 训练集 测试集 训练集 测试集 GWO-OSELM 0.9999 0.9991 0.9999 0.9998 0.0123 0.0540 0.0261 0.0166 0.0109 0.0405 0.0217 0.0155 OSELM 0.9994 0.9990 0.9993 0.9998 0.0825 0.2426 0.0711 0.2696 0.0732 0.2363 0.0618 0.2547 ELM 0.9994 0.9992 0.9995 0.9996 0.0945 0.5241 0.0754 0.6082 0.0790 0.5060 0.0475 0.5733
下载: 导出CSV
表 4 ZK38+020随机项位移预测精度及误差
Table 4 Prediction accuracies and errors of random term displacement of ZK38+020
模型 R RMSE/ mm MAE/ mm D1-4 D1-5 D1-4 D1-5 D1-4 D1-5 训练集 测试集 训练集 测试集 训练集 测试集 训练集 测试集 训练集 测试集 训练集 测试集 GWO-OSELM 0.9995 0.9839 0.9994 0.9731 0.0205 0.0162 0.0258 0.0114 0.0168 0.0137 0.0222 0.0093 OSELM 0.9938 0.9887 0.9961 0.9774 0.0748 0.1202 0.0717 0.0868 0.0523 0.1189 0.0570 0.0865 ELM 0.9982 0.9913 0.9989 0.9792 0.0440 0.1317 0.0553 0.1245 0.0369 0.1309 0.0438 0.1243
下载: 导出CSV
表 5 ZK38+015随机项位移预测精度及误差
Table 5 Prediction accuracies and errors of random term displacement of ZK38+015
模型 R RMSE/ mm MAE/ mm D1-4 D1-5 D1-4 D1-5 D1-4 D1-5 训练集 测试集 训练集 测试集 训练集 测试集 训练集 测试集 训练集 测试集 训练集 测试集 GWO-OSELM 0.9994 0.9673 0.9995 0.9912 0.0206 0.0124 0.0163 0.0259 0.0118 0.0104 0.0115 0.0241 OSELM 0.9974 0.9721 0.9953 0.9862 0.0449 0.1272 0.0515 0.1444 0.0331 0.1268 0.0328 0.1439 ELM 0.9901 0.9881 0.9991 0.9802 0.0931 0.2190 0.0994 0.1837 0.0666 0.2186 0.0769 0.1822
下载: 导出CSV
表 6 ZK38+020累积位移预测精度及误差
Table 6 Prediction accuracies and errors of cumulative displacement of ZK38+020
模型 R RMSE/ mm MAE/ mm D1-4 D1-5 D1-4 D1-5 D1-4 D1-5 训练集 测试集 训练集 测试集 训练集 测试集 训练集 测试集 训练集 测试集 训练集 测试集 GWO-OSELM 0.9999 0.9994 0.9999 0.9997 0.0230 0.0167 0.0340 0.0093 0.0203 0.0136 0.0281 0.0071 OSELM 0.9989 0.9998 0.9991 0.9997 0.0976 0.3085 0.1125 0.3201 0.0762 0.3000 0.0919 0.3143 ELM 0.9991 0.9986 0.9990 0.9993 0.0976 0.4865 0.1255 0.6100 0.0697 0.4700 0.0962 0.5979
下载: 导出CSV
表 7 ZK38+015累积位移预测精度及误差
Table 7 Prediction accuracies and errors of cumulative displacement of ZK38+015
模型 R RMSE/ mm MAE/ mm D1-4 D1-5 D1-4 D1-5 D1-4 D1-5 训练集 测试集 训练集 测试集 训练集 测试集 训练集 测试集 训练集 测试集 训练集 测试集 GWO-OSELM 0.9999 0.9975 0.9998 0.9996 0.0274 0.0567 0.0302 0.0246 0.0200 0.0443 0.0241 0.0207 OSELM 0.9989 0.9984 0.9983 0.9986 0.0895 0.3679 0.0989 0.4063 0.0766 0.3643 0.0806 0.3971 ELM 0.9962 0.9951 0.9960 0.9980 0.1736 0.7358 0.1629 0.7763 0.1338 0.7250 0.1125 0.7550
下载: 导出CSV
表 8 模型预测精度及误差
Table 8 Prediction accuracies and errors of model
类别 R RMSE/ mm MAE/ mm 训练集 测试集 训练集 测试集 训练集 测试集 RBF 0.9996 0.9813 0.0746 0.5205 0.0625 0.4852 Sigmoid 0.9999 0.9997 0.0340 0.0093 0.0281 0.0071 Sine 0.9999 0.9991 0.0314 0.2221 0.0266 0.2077
下载: 导出CSV
表 9 相关性对比结果
Table 9 Comparitive results of correlation
方法 单日降雨量 双日降雨量 拱顶下沉速率 地表沉降速率 GRaMM 0.4968 0.4519 0.7114 0.7664 MIC 0.4716 0.4584 0.8642 0.9600
下载: 导出CSV
-
[1] 王迎超, 尚岳全, 徐兴华, 等. 隧道出洞口松散围岩塌方时空预测研究[J]. 岩土工程学报, 2010, 32(12): 1868-1874. https://www.cnki.com.cn/Article/CJFDTOTAL-YTGC201012011.htm WANG Ying-chao, SHANG Yue-quan, XU Xing-hua, et al. Time and space prediction of collapse of loose wall rock at tunnel exit[J]. Chinese Journal of Geotechnical Engineering, 2010, 32(12): 1868-1874. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YTGC201012011.htm
[2] 谢亦朋, 杨秀竹, 阳军生, 等. 松散堆积体隧道围岩变形破坏细观特征研究[J]. 岩土力学, 2019, 40(12): 4925-4934. https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX201912043.htm XIE Yi-peng, YANG Xiu-zhu, YANG Jun-sheng, et al. Mesoscopic characteristics of deformation and failure on surrounding rocks of tunnel through loose deposits[J]. Rock and Soil Mechanics, 2019, 40(12): 4925-4934. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX201912043.htm
[3] ZHENG D, HUANG J, LI D Q, et al. Embankment prediction using testing data and monitored behaviour: a Bayesian updating approach[J]. Computers and Geotechnics, 2017, 93: 150-162.
[4] 姚仰平, 王珅, 王乃东, 等. 临线堆载影响下高铁路基长期沉降预测方法[J]. 岩土工程学报, 2019, 41(4): 625-630. https://www.cnki.com.cn/Article/CJFDTOTAL-YTGC201904005.htm YAO Yang-ping, WANG Shen, WANG Nai-dong, et al. Prediction method for long-term settlements of high-speed railway subgrade under influences of nearby loads[J]. Chinese Journal of Geotechnical Engineering, 2019, 41(4): 625-630. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YTGC201904005.htm
[5] WANG S H, ZHANG Z S, REN Y P, et al. UAV photogrammetry and AFSA-Elman neural network in slopes displacement monitoring and forecasting[J]. KSCE Journal of Civil Engineering, 2020, 24(8): 19-29.
[6] 李麟玮, 吴益平, 苗发盛, 等. 考虑变形状态动态切换的阶跃型滑坡位移区间预测方法[J]. 岩石力学与工程学报, 2019, 38(11): 2272-2287. https://www.cnki.com.cn/Article/CJFDTOTAL-YSLX201911012.htm LI Lin-wei, WU Yi-ping, MIAO Fa-sheng, et al. Displacement interval prediction method for step-like landslides considering deformation state dynamic switching[J]. Chinese Journal of Rock Mechanics and Engineering, 2019, 38(11): 2272-2287. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YSLX201911012.htm
[7] MOGHADDASI M R, NOORIAN-BIDGOLI M. ICA-ANN, ANN and multiple regression models for prediction of surface settlement caused by tunneling[J]. Tunnelling and Underground Space Technology, 2018, 79: 197-209.
[8] CHEN R P, ZHANG P, KANG X, et al. Prediction of maximum surface settlement caused by earth pressure balance (EPB) shield tunneling with ANN methods[J]. Soils and Foundations, 2019, 59(2): 284-295.
[9] TOMAS J, SEJNOHA M, SEJNOHA J. Applying bayesian approach to predict deformations during tunnel construction[J]. International Journal for Numerical and Analytical Methods in Geomechanics, 2018, 42(15): 1765-1784.
[10] ZHANG P, WU H N, CHEN R P, et al. Hybrid meta-heuristic and machine learning algorithms for tunneling-induced settlement prediction: A comparative study[J]. Tunnelling and Underground Space Technology, 2020, 99.
[11] DRAGOMIRETSKIY K, ZOSSO D. Variational mode decomposition[J]. IEEE Transactions on Signal Processing, 2014, 62(3): 531-544.
[12] LIANG N Y, HUANG G B, SARATCHANDRAN P, et al. A fast and accurate online sequential learning algorithm for feedforward networks[J]. IEEE Transactions on Neural Networks, 2006, 17(6): 1411-1423.
[13] MIRJALILI S, MIRJALILI S M, LEWIS A. Grey wolf optimizer[J]. Advances in Engineering Software, 2014, 69(3): 46-61.
[14] 公路隧道施工技术规范：JTG F60—2009[S]. 2009. Technical Specification for Highway Tunnel Construction: JTG F60—2009[S]. 2009. (in Chinese)
[15] WANG Z, YAO W J, CAI Y Q, et al. Analysis of ground surface settlement induced by the construction of a large-diameter shallow-buried twin-tunnel in soft ground[J]. Tunnelling and Underground Space Technology, 2019, 83: 520-532.
[16] ZHANG A B, CHEN T Y, LIU X X, et al. Monitoring data filter and deformation information extraction based on wavelet filter and empirical mode decomposition[J]. Applied Mechanics and Materials, 2015, 742: 261-271.
[17] DU H, SONG D Q, CHEN Z, et al. Prediction model oriented for landslide displacement with step-like curve by applying ensemble empirical mode decomposition and the PSO-ELM method[J]. Journal of Cleaner Production, 2020, 270.
[18] 李麟玮, 吴益平, 苗发盛, 等. 基于变分模态分解与GWO-MIC-SVR模型的滑坡位移预测研究[J]. 岩石力学与工程学报, 2018, 37(6): 1395-1406. https://www.cnki.com.cn/Article/CJFDTOTAL-YSLX201806008.htm LI Lin-wei, WU Yi-ping, MIAO Fa-sheng, et al. Displacement prediction of landslides based on variational mode decomposition and GWO-MIC-SVR model[J]. Chinese Journal of Rock Mechanics and Engineering, 2018, 37(6): 1395-1406. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YSLX201806008.htm
[19] 王鹏宇, 王述红. 四类常见边坡岩石类别识别和边界范围确定的方法[J]. 岩土工程学报, 2019, 41(8): 1505-1512. https://www.cnki.com.cn/Article/CJFDTOTAL-YTGC201908018.htm WANG Peng-yu, WANG Shu-hong. Method for identifying four common rock types of slopes and determining boundary range[J]. Chinese Journal of Geotechnical Engineering, 2019, 41(8): 1505-1512. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YTGC201908018.htm
[20] LIANG D D, LI M C, WEI R M, et al. Strategy for intercorrelation identification between metabolome and microbiome[J]. Analytical Chemistry, 2019, 91(22): 14424-14432.
-
期刊类型引用(7)
1. 刘婷婷，阳润超，丁鹿阳，李新平，曾乐乐. 含非贯通节理花岗岩的力学特性与细观起裂机制研究. 岩石力学与工程学报. 2023(05): 1070-1082 . 
百度学术
2. 罗亚琼，张超，李洁，卢霖，任中俊. 土石混合体大型三轴剪切变形特性及模拟方法. 水利水电技术(中英文). 2023(05): 168-176 . 百度学术
3. 蒋培林，丁书学，南华，乔静，刘江，田永超，李佳赛，李树杰. 中间主应力影响下加锚试样应力-应变曲线特征参数分析. 科学技术与工程. 2023(18): 7725-7733 . 百度学术
4. 戴俊，杨清清，张敏，蒋昊轩，王林涛，任一平. 微波照射下花岗岩单轴压缩损伤本构模型. 科学技术与工程. 2023(19): 8350-8357 . 百度学术
5. 刘兆阳，于开治，熊文彬. 围压作用下的泡沫铝特性研究. 科技与创新. 2023(15): 105-107+111 . 百度学术
6. 辛子朋，柴肇云，孙浩程，李天宇，刘新雨，段碧英. 砂质泥岩峰后破裂承载特征与块体分布规律研究. 岩土力学. 2023(08): 2369-2380 . 百度学术
7. 宋清蔚，朱万成，徐晓冬，张鹏海，陈承桢，刘溪鸽. 岩石破坏过程实时监测预警软件系统——搭建与初步应用. 金属矿山. 2022(10): 155-164 . 百度学术
其他类型引用(9)
计量
- 文章访问数: 325
- HTML全文浏览量: 26
- PDF下载量: 263
- 被引次数: 16
