何 军,林广东,申小军,徐龙飞,裴莉莉,余 婷

1(中交隧道工程局有限公司,北京 100102)

2(中交一公局集团有限公司,北京 100020)

3(长安大学 公路学院,西安 710064)

4(长安大学 信息工程学院,西安 710064)

隧道在建设中往往伴随着地质复杂,工程量大,建设条件恶劣等因素的影响,并且在山体结构中时常分布有裂隙发育较严重风化岩体,这导致隧道施工过程中不可避免地会造成地表沉降,甚至可能会导致地面沉陷、建筑物开裂及管线破坏等情况的发生[1,2]. 因此对隧道沉降的变化规律进行科学分析与处理,对最终沉降量做出准确的预测,具有十分重要理论意义与实际应用价值[3,4].

近年来,国内外学者对隧道沉降量的分析及预测进行了大量的研究并取得了一定的成果[5,6]. 曾学宏等[7]使用BP (backpropagation)神经网络和长短时记忆网络(long short term memory network,LSTM)两种网络模型独立对实际工程中获取到的两组地铁隧道数据进行了分析研究,并对两种模型的预测精准度进行了对比.针对地表沉降的预测,赵振华等[8]采用回归分析法,使用Peck 公式得到了较好的地表沉降预测. 他们建立的BP 神经网络地表沉降预测模型,同样获得了较为理想的预测结果. 潘恺等[9]提出了动态灰色时序神经网络组合模型. 对于南京二号线的地铁沉降数据,利用3 种算法的组合对其进行分析预测,并对比了其与动态灰色模型和动态灰色时序模型的预测精准度. 李伟等[10]提出一种Adaboost.RT 算法集成多种不同基学习模型的隧道预测方法. 针对非线性……