范雷刚，田林亚，陈喜凤

(河海大学地球科学与工程学院，江苏 南京 2 10098)

0 引言

地铁投入运营后，由于受列车荷载、周围施工活动等外界因素的影响，极易造成隧道结构沉降、位移、裂缝、倾斜等变形。其中，沉降变形是最关键因素［1］。过大的沉降变形会对地铁隧道的结构防水性能以及耐久性构成威胁。因盾构隧道的纵向刚度较小，当纵向变形或曲率较大时，隧道即可能出现因环缝张开过大而漏水、漏泥或管片纵向受拉破坏等情况［2］。因此，研究和准确预测运营期地铁隧道的沉降变形显得非常重要。

目前，地铁隧道沉降监测数据的处理方法中，时间序列模型、灰色模型、卡尔曼滤波等被广泛应用［3-5］，并取得了较好的效果。传统的数据处理方法一般是直接使用实测变形数据建模分析，没有充分考虑观测过程中的各种噪声。卡尔曼滤波虽然能够剔除一部分噪声，但是由于该模型的状态系统噪声和测量噪声都是依靠经验来取值，具有一定的随意性［6］，并不一定符合地铁隧道内复杂的实际情况。如果模型的动态噪声判断不准，将会增加状态估计的误差，甚至可能引起滤波发散［7］。自适应卡尔曼滤波能够对观测数据进行递推滤波，同时，对噪声的统计特性进行估计和修正，以减小模型误差，提高预测精度。对于不同的变形监测数据，采用自适应卡尔曼滤波进行数据处理时，还应根据实际情况选择合理的滤波模型。

1 卡尔曼滤波与自适应卡尔曼滤……

登录APP查看全文