-
题名深圳某管廊盾构施工岩溶处置技术研究与应用
- 1
-
-
作者
于祥涛
-
机构
中铁二十局集团南方工程有限公司
-
出处
《工程建设》
2025年第2期25-30,共6页
-
基金
陕西省重点研发计划资助项目(2022SF-375)
陕西省自然科学基础研究计划资助项目(2022JQ-375)。
-
文摘
岩溶地层盾构施工风险较高,易出现盾构机倾覆、地表变形大等问题。文章依托深圳市16号线共建管廊碧新路绕行段盾构施工项目,在探明岩溶发育特征、规模与充填特性的基础上,选取3个具有代表性的溶洞进行试验研究,形成一套完备的岩溶处置施工工艺,并总结了岩溶处置时注浆加固异常情况的应对措施与注浆效果检测方法。对盾构掘进过程中地表变形与掘进姿态进行动态监测与分析,结果表明:所确定的岩溶处置方案合理、高效。本文成果可为管廊盾构施工岩溶处置提供技术参考。
-
关键词
管廊
盾构施工
注浆加固
岩溶
物探
-
Keywords
pipe gallery
shield tunneling
grouting reinforcement
karst
geophysical prospecting
-
分类号
U455
[建筑科学—桥梁与隧道工程]
-
-
题名插值与计算方法对高频反应谱计算精度的影响
- 2
-
-
作者
张晓志
于祥涛
张石磊
王伟
-
机构
东北电力大学建筑工程学院
-
出处
《世界地震工程》
CSCD
北大核心
2008年第3期63-67,共5页
-
基金
东北电力大学博士科研启动基金项目(BSJXM-200713)
-
文摘
基于线性插值得到的高频段反应谱,存在不可忽视的误差。通过采用数字加速度荷载在Δt时段内按抛物线变化的反应谱精确计算方法,以及对数字荷载的基于改进权函数算法的"精确"插值方法,可以显著改善高频段反应谱的计算精度。
-
关键词
精确法
反应谱
插值方法
数值精度
-
Keywords
accurate method
response spectrum
interpolation method
numerical precision
-
分类号
P315.7
[天文地球—地震学]
-
-
题名基于机器学习的盾构掘进地表沉降控制及参数优化研究
被引量：3
- 3
-
-
作者
胡长明
冯丽丽
李靓
于祥涛
李增良
-
机构
西安建筑科技大学土木工程学院
陕西省岩土与地下空间工程重点实验室
中铁二十局集团南方工程有限公司
-
出处
《隧道建设（中英文）》
CSCD
北大核心
2023年第12期1985-1995,共11页
-
文摘
针对盾构施工过程中引发的地表沉降问题,通过优化掘进参数实现对地表沉降的控制,保障施工顺利进行。基于长短期记忆神经网络(LSTM)与粒子群算法(PSO)等方法,提出改进LSTM-PSO掘进参数优化模型。首先,构建长短期记忆神经网络模型预测地表沉降,并与随机森林(RF)和BP神经网络的预测结果进行对比,证明LSTM模型的优越性;然后,采用组合权重改进LSTM模型,对比改进前后的地表沉降预测效果;最后,基于改进LSTM地表沉降预测模型,结合粒子群算法,构建改进LSTM-PSO掘进参数优化模型,将其应用于青岛某地铁盾构工程中并验证其可靠性。研究结果表明:1)LSTM模型在拟合精度和泛化能力方面均比RF模型和BP模型表现出更加优越的性能;采用组合权重改进LSTM模型,改进后的模型对地表沉降的预测性能得到了进一步提升。2)采用改进LSTM-PSO模型对掘进参数进行优化后,实际施工中地表沉降监测值均在合理范围内,说明所构建的改进LSTM-PSO掘进参数优化模型具有良好的可靠性和工程实用性。
-
关键词
盾构施工
地表沉降控制
掘进参数
长短期记忆神经网络
粒子群算法
-
Keywords
shield tunneling
surface settlement control
tunneling parameters
long-and short-term memory neural network
particle swarm optimization
-
分类号
U455
[建筑科学—桥梁与隧道工程]
-
-
题名基于最优组合赋权的EMD-GRU盾构竖向姿态预测
被引量：11
- 4
-
-
作者
岳琳辉
于祥涛
李增良
-
机构
中铁二十局集团有限公司
-
出处
《隧道建设（中英文）》
CSCD
北大核心
2021年第S01期167-173,共7页
-
基金
中国博士后科学基金资助项目(2020M673525)
-
文摘
为解决盾构施工过程中姿态预测不精准的问题,提出一种基于最优组合赋权的EMD-GRU盾构竖向姿态预测方法。首先,对获取到的竖向姿态数据(俯仰角)进行数据预处理;其次,为提高模型的预测精度,将原始数据集基于经验模态分解(empirical modedecomposition,EMD)的方式划分为若干个较为平稳的子序列;然后,基于门控循环单元(gatedrecurrentunit,GRU)神经网络分别建立各个子序列的预测模型;最后,基于最优组合赋权法将各个子序列的预测结果进行融合,以得到模型的最终预测结果。为验证所建立的EMD-GRU预测模型的可靠性,依托昆明地铁5号线实际盾构施工项目加以应用,并与GRU、SVR、BP模型的预测结果进行对比。结果表明,所构建的EMD-GRU预测模型具有较高的预测精度和泛化能力,可为盾构姿态精准预测提供一种新的思路。
-
关键词
地铁隧道
盾构施工
竖向姿态预测
经验模态分解
门控循环单元
-
Keywords
metro tunnel
shield construction
vertical attitude prediction
empirical mode decomposition(EMD)
gated recurrent unit(GRU)
-
分类号
U231.3
[交通运输工程—道路与铁道工程]
U455.43
[建筑科学—桥梁与隧道工程]
-
