基于IPSO-SVR的盾构下穿既有道路沉降预测分析

doi:10.12141/j.issn.1000-565X.220553

华南理工大学学报(自然科学版) ›› 2023, Vol. 51 ›› Issue (6): 62-71.doi: 10.12141/j.issn.1000-565X.220553

所属专题： 2023年交通运输工程

基于IPSO-SVR的盾构下穿既有道路沉降预测分析

魏海斌¹ 魏东升¹ 蒋博宇¹ 马子鹏¹ 刘佳佳²

^1.吉林大学交通学院，吉林长春 130000
^2.中铁二十二局集团轨道工程有限公司，北京 100043

收稿日期:2022-08-23 出版日期:2023-06-25 发布日期:2022-11-25
通信作者: 魏海斌（1971-），男，博士，教授，主要从事道路工程研究。 E-mail:weihb@jlu.edu.cn
作者简介:魏海斌（1971-），男，博士，教授，主要从事道路工程研究。
基金资助:
国家重点研发计划项目(2018YFB1600200)

Prediction Analysis of Settlement of Existing Road Under Shield Tunneling Based on IPSO-SVR

WEI Haibin¹ WEI Dongsheng¹JIANG Boyu¹ MA Zipeng¹ LIU Jiajia²

^1.Transportation College，Jilin University，Changchun 130000，Jilin，China
^2.China Railway 22nd Bureau Group Track Engineering Co. ，Ltd. ，Beijng 100043，China

Received:2022-08-23 Online:2023-06-25 Published:2022-11-25
Contact: 魏海斌（1971-），男，博士，教授，主要从事道路工程研究。 E-mail:weihb@jlu.edu.cn
About author:魏海斌（1971-），男，博士，教授，主要从事道路工程研究。
Supported by:
the National Key Research and Development Program of China(2018YFB1600200)

摘要/Abstract

摘要：

目前，有关盾构隧道平行下穿既有道路的沉降预测研究相对较少。为准确预测在盾构过程中不同因素对既有平行道路沉降的影响规律，本研究提出一种基于改进粒子群优化的支持向量回归（IPSO-SVR）预测模型，将其应用于实际地铁隧道工程的地表道路沉降预测中。以长春地铁6号线下穿飞跃路区间工程为依托，结合盾构施工过程中盾构掘进参数、地层信息与道路沉降的监测，应用libsvm网格搜索法缩小超参数范围，同时结合非线性递减策略改进粒子群算法中惯性权重与加速因子的变化情况，最终建立IPSO-SVR预测模型，实现区间内后续路段的沉降预测。研究结果表明，对比网格搜索法与常规粒子群优化训练中目标函数（均方误差）的变化情况，经改进后的粒子群优化的收敛速度有较好提升，目标函数收敛效果更好，其最小值缩小近15%。本研究提出的IPSO-SVR对道路沉降预测平均绝对误差（MAE）为0.287，拟合决定系数R²为0.884，平均相对误差仅为8.91%，较反向传播（BP）神经网络、支持向量回归（SVR）、粒子群优化的支持向量回归（PSO-SVR）预测模型有更佳性能表现。由此可知，IPSO-SVR对于复杂情况下多因素耦合作用的非线性预测具有较高精度，其预测方法具有可行性与泛化性，可为道路沉降有效控制提供可靠依据，对保证道路正常运营与盾构施工安全有重要意义。

关键词: 盾构隧道, 沉降预测, 粒子群优化, 支持向量回归, 多因素耦合

Abstract:

At present, there are relatively few studies on the settlement prediction of shield tunnels crossing existing roads in parallel. To accurately predict the influence of different factors on the settlement of existing parallel roads in the shield process, this study proposed a support vector regression prediction model based on the improved particle swarm optimization (IPSO-SVR), which was applied to the surface road settlement prediction of actual subway tunnel engineering. Based on the Changchun Metro Line 6 under-crossing Feiyue Road section project, combined with the shield boring parameters, formation information and road settlement monitoring during the construction of the shield tunnel, this paper used the grid search method of libsvm to reduce the range of hyperparameters, and improved the change of inertia weight and acceleration factor in particle swarm optimization algorithm by combining the nonlinear decline strategy. Finally, IPSO-SVR prediction model was established to achieve the settlement prediction of subsequent sections in the interval. The results show that, comparing the changes of the objective function (mean square error) in the grid search method and in the conventional particle swarm optimization training, the convergence speed of the improved particle swarm optimization is greatly improved; the convergence effect of the objective function is better, and the minimum value is reduced by nearly 15%. The mean absolute error (MAE) of IPSO-SVR prediction of road settlement proposed in this paper is 0.287, the fitting coefficient R² is 0.884, and the average relative error is only 8.91%, which has better performance than back propagation (BP) neural network, support vector regression (SVR) and particle swarm optimization support vector regression (PSO-SVR) prediction models. It can be seen that IPSO-SVR has high precision for nonlinear prediction of multi-factor coupling under complex conditions, and its prediction method is feasible and generalizable. IPSO-SVR can provide a reliable basis for effective control of road settlement and is of great significance for ensuring the normal operation of roads and the safety of shield construction.

Key words: shield tunnel, settlement prediction, particle swarm optimization, support vector regression, multi-factor coupling

中图分类号:

U455.43

魏海斌, 魏东升, 蒋博宇, 等. 基于IPSO-SVR的盾构下穿既有道路沉降预测分析[J]. 华南理工大学学报(自然科学版), 2023, 51(6): 62-71.

WEI Haibin, WEI Dongsheng, JIANG Boyu, et al. Prediction Analysis of Settlement of Existing Road Under Shield Tunneling Based on IPSO-SVR[J]. Journal of South China University of Technology(Natural Science Edition), 2023, 51(6): 62-71.

图/表 16

图1

表1

图2

图3

表2

表3

图4

图5

表4

图6

图7

图8

图9

图10

图11

表5

参考文献 29

1	《中国公路学报》编辑部．中国交通隧道工程学术研究综述·2022［J］．中国公路学报，2022，35（4）：1-40.
	Editorial Department of China Journal of Highway and Transport ．Review on China’s traffic tunnel engineering research：2022［J］．China Journal of Highway and Transport，2022，35（4）：1-40.
2	《中国公路学报》编辑部．中国公路交通学术研究综述·2012［J］．中国公路学报，2012，25（3）：2-50.
	Editorial Department of China Journal of Highway and Transport ．An academic research summary on China highway and transport：2012 ［J］．China Journal of Highway and Transport，2012，25（3）：2-50.
3	秦睿成，李兴高．黏土地层盾构掘进速度对地表沉降影响研究［J］．土木工程学报，2020，53（S1）：1-6.
	QIN Ruicheng， LI Xinggao ．Influence of shield driving speed on ground surface settlement in clay layers［J］．China Civil Engineering Journal，2020，53（S1）：1-6.
4	张英杰．常州地区并行盾构隧道施工引起的地表沉降规律及预测研究［D］．北京：北京交通大学，2020.
5	LUO Z J， LI Z， TAN J Z，et al ．Three-dimensional fluid-soil full coupling numerical simulation of ground settlement caused by shield tunneling ［J］．European Journal of Environmental and Civil Engineering，2020，24（8）：1261-1275.
6	岳迎新．盾构隧道下穿城市既有道路路面沉降的研究［D］．太原：太原理工大学，2020.
7	张运强，曹文贵，周苏华，等．基于Peck公式的盾构隧道施工引起的地层三维沉降预测［J］．铁道科学与工程学报，2021，18（1）：153-161.
	ZHANG Yunqiang， CAO Wengui， ZHOU Suhua，et al ．Prediction of three-dimensional subface and subsurface settlement caused by shield tunnelling based on Peck formula［J］．Journal of Railway Science and Engineering，2021，18（1）：153-161.
8	DENG X H， WANG B L ．Analysis of influence of shield tunneling crossing underneath intercity railway and shield tunneling parameters optimization［J］．Applied Mechanics and Materials，2013，2545（353/354/355/356）：1619-1624.
9	孙钧，袁金荣．盾构施工扰动与地层移动及其智能神经网络预测［J］．岩土工程学报，2001，23（3）：261-267.
	SUN Jun， YUAN Jinrong ．Soil disturbance and ground movement under shield tunnelling and its intelligent prediction by using ANN technology［J］．Chinese Journal of Geotechnical Engineering，2001，23（3）：261-267.
10	张碧文，钱王苹，漆泰岳，等．城市地铁下穿高铁路基沉降预测及安全控制［J］．地下空间与工程学报，2021，17（1）：282-289.
	ZHANG Biwen， QIAN Wangping， QI Taiyue，et al ．Prediction of the high-speed railway subgrade settlement induced by the tunnel construction and its safety control［J］．Chinese Journal of Underground Space and Engineering，2021，17（1）：282-289.
11	刘育林．基于SSA-SVR的煤矸石路基沉降预测模型研究［J］．河北地质大学学报，2021，44（6）：99-104.
	LIU Yulin ．Study on settlement prediction model of coal gangue subgrade based on SSA-SVR［J］．Journal of Hebei GEO University，2021，44（6）：99-104.
12	陈伟航，罗强，王腾飞，等．基于Bi-LSTM的非等时距路基工后沉降滚动预测［J］．浙江大学学报（工学版），2022，56（4）：683-691.
	CHEN Weihang， LUO Qiang， WANG Tengfei，et al ．Bi-LSTM based rolling forecast of subgrade post-construction settlement with unevenly spaced time series［J］．Journal of Zhejiang University（Engineering Science），2022，56（4）：683-691.
13	周中，张俊杰，丁昊晖，等．基于GA-Bi-LSTM的盾构隧道下穿既有隧道沉降预测模型［J］．岩石力学与工程学报，2023，42（1）：224-234.
	ZHOU Zhong， ZHANG Junjie， DING Haohui，et al ．Settlement prediction model of shield tunnel under-crossing existing tunnel based on GA-Bi-LSTM［J］．Chinese Journal of Rock Mechanics and Engineering，2023，42（1）：224-234.
14	HOU G Y， XU Z D， LI L，et al ．Shield tunneling parameter matching model and UI interface［J］．Advances in Civil Engineering，2020，2020：1-12.
15	ZHU C H， LI N ．Prediction and analysis of surface settlement due to shield tunneling for Xi’an Metro［J］．Canadian Geotechnical Journal，2016，54（4）：529-546.
16	CORTES C， VAPNIK V ．Support-Vector Networks［J］．Machine Learning，1995，20（3）：273-297.
17	EBERHART R， KENNEDY J ．A new optimizer using particle swarm theory［C］∥ Proceedings of the Sixth International Symposium on Micro Machine and Human Science．San Francisco：IEEE，1995：39-43.
18	CLERC M ．Particle swarm optimization［M］．London：ISTE，2006.
19	吕文玉，王海金，伍永平，等．基于PSO-SVR预测模型的综采工作面周期来压研究［J］．煤炭工程，2022，54（4）：86-91.
	Wenyu LYU， WANG Haijin， WU Yongping，et al ．PSO-SVR prediction model of periodic weighting in fully mechanized working face［J］．Coal Engineering，2022，54（4）：86-91.
20	陈仁朋，邹聂，吴怀娜，等．盾构掘进地表沉降机器学习预测与控制研究综述［J］．华中科技大学学报（自然科学版），2022，50（8）：56-65.
	CHEN Renpeng， ZOU Nie， WU Huaina，et al ．Review of prediction and control for surface settlement caused by shield tunneling based on machine learning［J］．Journal of Huazhong University of Science and Technology（Natural Science Edition），2022，50（8）：56-65.
21	HU M， LI W， YAN K，et al ．Modern machine learning techniques for univariate tunnel settlement forecasting：a comparative study［J］．Mathematical Problems in Engineering，2019，2019：1-12.
22	CHANG C C， LIN C J ．LIBSVM：a library for support vector machines［J］．ACM Transactions on Intelligent Systems and Technology，2011，2（3）：1-27.
23	赵冬梅，吴亚星，张红斌．基于IPSO-BiLSTM的网络安全态势预测［J］．计算机科学，2022，49（7）：357-362.
	ZHAO Dongmei， WU Yaxing， ZHANG Hongbin ．Network security situation prediction based on IPSO-BiLSTM ［J］．Computer Science，2022，49（7）：357-362.
24	张社荣，孙博，王超．影响盾构隧道地表沉降的多因素分析［J］．四川大学学报（工程科学版），2012，44（4）：6-11.
	ZHANG Sherong， SUN Bo， WANG Chao ．Multivariate analysis on the ground settlement of shield tunneling［J］．Journal of Sichuan University（Engineering Science Edition），2012，44（4）：6-11.
25	郑刚，路平，曹剑然．基于盾构机掘进参数对地表沉降影响敏感度的风险分析［J］．岩石力学与工程学报，2015，34（S1）：3604-3612.
	ZHENG Gang， LU Ping， CAO Jianran ．Risk analysis based on the parameters sensitivity analysis for ground settlement induced by shield tunneling［J］．Chinese Journal of Rock Mechanics and Engineering，2015，34（S1）：3604-3612.
26	张望喜，杨学峰，张瑾熠，等．基于Sobol法的RC框架结构随机化Pushover分析及参数敏感性［J］．重庆大学学报，2020，43（3）：70-78.
	ZHANG Wangxi， YANG Xuefeng， ZHANG Jinyi，et al ．Randomized pushover analysis and parameter sensitivity of reinforced concrete frame structure based on Sobol’ method［J］．Journal of Chongqing University，2020，43（3）：70-78.
27	李美水，杨晓华．基于Sobol方法的SWMM模型参数全局敏感性分析［J］．中国给水排水，2020，36（17）：95-102.
	LI Meishui， YANG Xiaohua ．Global sensitivity analysis of SWMM parameters based on Sobol method［J］．China Water & Wastewater，2020，36（17）：95-102.
28	张俊，殷坤龙，王佳佳，等．基于时间序列与PSO-SVR耦合模型的白水河滑坡位移预测研究［J］．岩石力学与工程学报，2015，34（2）：382-391.
	ZHANG Jun， YIN Kunlong， WANG Jiajia，et al ．Displacement prediction of Baishuihe landslide based on time series and PSO-SVR model［J］．Chinese Journal of Rock Mechanics and Engineering，2015，34（2）：382-391.
29	杨馨宇．基于多源数据的季冻区路基沉降预测方法研究［D］．长春：吉林大学，2021.

类别	注浆压力	同步注浆量	盾构推力	土方重	刀盘扭矩	贯入度	土仓压力
一阶影响指数	0.054 3	0.082 7	-0.198 9	0.026 5	-0.468 8	-0.296 3	0.328 3
全局影响指数	0.045 9	0.186 4	0.120 3	0.332 4	0.161 2	0.079 2	0.162 1

地层类别	天然密度/（g·cm^-3）	粘聚力/kPa	内摩擦角/（°）	侧压力系数	泊松比	孔隙比
粉质粘土	1.96	29	20	0.425	0.30	0.738
全风化泥岩	2.03	27	22	0.390	0.25	0.609
强风化泥岩	—	43	23	0.360	—	—
中风化泥岩	2.08	52	25	0.330	0.21	0.713

样本环号	深跨比	地下水埋深/m	粘聚力/kPa	内摩擦角/（°）	侧压力系数	同步注浆量/m³	盾构推力/kN	刀盘扭矩/（kN·m）	土方重/kN	土仓压力/kPa	最大沉降值/mm
250	1.70	3.25	47.12	20.3	0.39	6.4	13 000	3 600	31.83	110	6.76
255	1.70	3.28	47.82	22.5	0.37	7.2	12 600	3 800	33.63	110	6.78
260	1.69	3.28	48.72	22.4	0.33	7.0	12 000	3 100	34.41	110	6.99
265	1.69	3.39	46.90	21.4	0.36	7.0	10 000	3 100	34.04	120	6.84
270	1.68	3.40	44.19	20.5	0.38	6.8	12 000	3 900	33.45	110	6.77
︙	︙	︙	︙	︙	︙	︙	︙	︙	︙	︙	︙
525	1.91	5.12	55.26	24.4	0.32	7.0	8 000	3 100	33.17	130	3.57
530	1.92	5.36	55.44	25.2	0.37	6.4	9 000	3 000	33.08	120	4.99
535	1.93	5.41	53.69	21.3	0.29	7.0	7 500	3 100	32.55	130	3.23
540	1.94	5.44	56.84	24.2	0.36	6.4	7 200	3 300	32.70	120	3.93
545	1.96	5.50	54.16	21.0	0.32	7.0	7 000	3 100	33.14	130	3.46

预测模型类型	平均相对误差/%	最大相对误差/%
BP	19.42	44.67
SVR	11.14	23.93
PSO-SVR	10.09	17.79
IPSO-SVR	8.91	14.69

[1]	赵强, 刘传卫, 张娜, 等. 基于粒子群优化的主动稳定杆系统自抗扰控制[J]. 华南理工大学学报(自然科学版), 2023, 51(6): 52-61.
[2]	李潇, 汪涛, 张毅, 等. 网联车混行条件下交通流量融合方法[J]. 华南理工大学学报(自然科学版), 2022, 50(5): 49-55.
[3]	龙雪琴, 李景涛, 王建军, 等. 实时信息下共线公交线路发车时刻表的协同优化[J]. 华南理工大学学报(自然科学版), 2022, 50(2): 23-32.
[4]	谢杰辉, 牛富俊, 彭智育, 等. 滨海高速公路软基变形规律及沉降预测应用[J]. 华南理工大学学报（自然科学版）, 2021, 49(4): 97-107.
[5]	张金豹赵永强刘明孔令贤. 基于Ⅱ型广义 logistic 分布和粒子群优化的退化可靠性建模 [J]. 华南理工大学学报（自然科学版）, 2019, 47(5): 96-102.
[6]	冯佰威冯梅常海超张丽妹. 基于径向基插值的曲面变形方法在船型多目标优化中的应用[J]. 华南理工大学学报(自然科学版), 2019, 47(2): 128-136.
[7]	李旻谭孟上官文斌李志超刘杰尤黎民. 轿车窗台外侧密封条装配性能的分析与优化方法 [J]. 华南理工大学学报（自然科学版）, 2018, 46(5): 117-124.
[8]	潘迪夫陈军鲍天哲韩锟 . 多输出支持向量机混合模型在机车调簧中的应用 [J]. 华南理工大学学报(自然科学版), 2018, 46(4): 22-28.
[9]	沃焱吴嘉茜. 基于LLE和PSO的快速虹膜图像重构算法[J]. 华南理工大学学报（自然科学版）, 2018, 46(1): 97-102.
[10]	胡郁葱陈枝伟黄靖翔. 基于双层规划的公共电动自行车租赁点选址模型[J]. 华南理工大学学报（自然科学版）, 2017, 45(4): 118-123.
[11]	金杉金志刚刘永磊. 执勤行车时间的KMP - RBF 融合预测方法[J]. 华南理工大学学报（自然科学版）, 2017, 45(3): 35-41,47.
[12]	田晟马美娜许凯. 随机均衡配流下的连续性交通网络设计[J]. 华南理工大学学报（自然科学版）, 2017, 45(11): 17-23.
[13]	夏成军谢应耿李猛孙闻. 变压器中性点电容型隔直装置的优化配置[J]. 华南理工大学学报（自然科学版）, 2016, 44(8): 68-73.
[14]	牛海清叶开发许佳吴炬卓罗健斌陆国俊. 基于粒子群优化支持向量机的电缆温度计算[J]. 华南理工大学学报（自然科学版）, 2016, 44(4): 77-83.
[15]	徐华张庭. 云计算环境下基于改进离散粒子群的并行调度算法[J]. 华南理工大学学报（自然科学版）, 2015, 43(9): 95-99.

基于IPSO-SVR的盾构下穿既有道路沉降预测分析

Prediction Analysis of Settlement of Existing Road Under Shield Tunneling Based on IPSO-SVR

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 16

参考文献 29

相关文章 15

编辑推荐

Metrics

本文评价

模型类别	超参数
BP	l=0.1，h=1，s=10
SVR	C=1，γ=0.1
PSO-SVR	C=2.034 9，γ=0.140 3