- 无标题文档
查看论文信息

中文题名:

 

特殊地质条件对地铁盾构施工效率的影响研究

    

姓名:

 胡耀越    

学号:

 1049721803125    

保密级别:

 公开    

论文语种:

 chi    

学科代码:

 081400    

学科名称:

 工学 - 土木工程    

学生类型:

 硕士    

学位:

 工学硕士    

学校:

 武汉理工大学    

院系:

 土木工程与建筑学院    

专业:

 土木工程建造与管理    

研究方向:

 工程管理    

第一导师姓名:

 陈伟    

第一导师院系:

 武汉理工大学    

完成日期:

 2021-04-02    

答辩日期:

 2021-05-20    

中文关键词:

 

地铁盾构施工 ; 特殊地质 ; 施工效率 ; SA-LS-SVM模型 ; 全局灵敏度分析

    

中文摘要:

随着地铁建设规模不断增长,盾构法也越来越广泛地应用到地铁工程建设过程中。因地铁施工环境复杂,使得盾构掘进过程中存在大量的不确定性、容易遇到特殊地质条件。由于特殊地层地段的地层岩性、分布、厚度及性能变化较大,造成的刀具贯入度低、无法连续正常掘进等问题时常发生,甚至导致长时间停机,因而盾构时长明显增加,盾构施工效率显著降低,从而造成拖延施工进度、增加施工成本的不利局面。因此,如何科学分析特殊地质对盾构施工效率的影响,进而实施有效控制,确保施工计划的顺利完成,成为当前亟待解决的重要问题。

首先,本文运用统计学方法,分析地质条件、掘进参数以及盾构施工效率之间的逻辑关系,聚焦地质条件对盾构施工效率的影响机理,将地质条件量化为地层参数,并进一步筛选出关键的地层参数对盾构施工效率进行分析。

其次,以有效预测特殊地质条件下的盾构施工效率为目的,将模拟退火(SA)算法与最小二乘支持向量机(LS-SVM)相结合,利用SA搜寻LS-SVM的最优参数,并将筛选出的地层参数作为输入变量,建立盾构施工效率的预测模型(SA-LS-SVM)。在此基础上,分析由于盾构施工效率降低所引起增加的施工成本,并基于建立的盾构施工效率预测模型对增加的施工成本进行评估,从而从成本增加视角分析因效率降低对项目造成的影响程度。

最后,为进一步研究地层参数与盾构施工效率间的关联性,在建立的SA-LS-SVM模型的基础上,采用Sobol’法对关键地层参数进行全局灵敏度分析,以搜索影响盾构施工效率及施工成本的关键敏感参数,为采取预控措施提供依据。

论文选取武汉地铁A号线某特殊地质区间工程进行案例分析,结果表明:盾构施工效率预测模型的测试集平均相对绝对值误差为3.49%,增加的施工成本测算误差为-9.14%;地层参数间具有交互作用,各地层参数对盾构施工效率的全局敏感程度由高到低依次为:内摩擦角、泊松比、弹性模量、黏聚力、渗透系数。论文研究成果可为同类型工程盾构施工效率的预控管理提供参考。

参考文献:

[1]张爱军.上软下硬地层盾构掘进姿态施工参数模糊控制研究[J].铁道科学与工程学报,2018,15(11):2920-2927.

[2]周文波.盾构法隧道施工技术及应用[M].北京:中国建筑工业出版社,2004.

[3]袁大军,王梦恕,宋克志.盾构技术在中国的应用与发展[J].日本东京:中日第三届盾构技术研讨会,2005.8.29-31.

[4]苏兴.盾构掘进参数的数据分析及优化研究[D].石家庄:石家庄铁道大学,2018.

[5]黄强兵,彭建兵,王飞永,等.特殊地质城市地下空间开发利用面临的问题与挑战[J].地学前缘,2019,26(03):85-94.

[6]陶冶,周诚,秦艳.基于掘进参数分析的地铁盾构施工效率研究[J].施工技术,2016,45(S1): 416-421.

[7]张志奇,李彤,韩爱民,等.复杂地层盾构掘进速率和刀盘扭矩预测模型及其地层适应性研究[J].隧道建设,2016,36(12):1449-1455.

[8]张社荣,方鑫,和孙文.基于MIV-BP模型和AIC准则的盾构掘进参数优化研究[J].铁道标准设计,2019,63(08):95-101.

[9]李超,李涛,李正,等.基于BP神经网络的复合地层盾构掘进参数预测与分析[J].土木工程学报,2017,50(S1):145-150.

[10]周斌,张怀亮,程永亮.复合地层盾构机推进速度SVM预测模型研究[J].铁道建筑技术,2014(10):48-51.

[11]梁桥欣,魏礼,何省.南宁地铁复合地层盾构施工关键技术[J].铁道建筑,2017,57(10):67-70.

[12]竺维彬,王晖,鞠世健.复合地层中盾构滚刀磨损原因分析及对策[J].现代隧道技术,2006(04):72-76+82.

[13]曹利,邱龑.基于推进参数的盾构刀具磨损预测模型研究[J].现代隧道技术,2017,54(03):155-161.

[14]吴俊,袁大军,李兴高,等.盾构刀具磨损机理及预测分析[J].中国公路学报,2017,30(08):109-116+142.

[15]张宏伟,金平,刘朋飞,等.深圳风化花岗岩地层盾构防泥饼渣土改良技术[J].施工技术,2019,48(17):62-66+80.

[16]李志军,翟志国,赵康林.泥水盾构刀盘结泥饼形成原因及防治技术[J].地下空间与工程学报,2014,10(S2):1866-1871.

[17]王志华,赵兴科.石墨/镍复合涂层在泥水盾构机刀盘泥饼防治中的应用[J].隧道与轨道交通,2018(04):38-41+59.

[18]申军波.浅谈盾构长距离穿越复合地层施工技术[J].门窗,2016(03):146-147.

[19]赵三宝.岩溶地区超浅覆土泥水盾构开仓换刀及泥饼处理技术[J].工程建设与设计,2017(09):165-168+171.

[20]Hassanpour J , Rostami J , Khamehchiyan M , et al. TBM Performance Analysis in Pyroclastic Rocks: A Case History of Karaj Water Conveyance Tunnel[J]. Rock Mechanics & Rock Engineering, 2010, 43(4):427-445.

[21]Lin C G , Zhang Z M , Wu S M , et al. Key techniques and important issues for slurry shield under-passing embankments: A case study of Hangzhou Qiantang River Tunnel[J]. Tunnelling and Underground Space Technology incorporating Trenchless Technology Research, 2013, 38:306-325.

[22]Suwansawat S , Einstein H H . Artificial neural networks for predicting the maximum surface settlement caused by EPB shield tunneling[J]. Tunnelling and Underground Space Technology incorporating Trenchless Technology Research, 2006, 21(2):133-150.

[23]Afifipour M , Sharifzadeh M , Shahriar K , et al. Interaction of twin tunnels and shallow foundation at Zand underpass, Shiraz metro, Iran[J]. Tunnelling & Underground Space Technology Incorporating Trenchless Technology Research, 2011, 26(2):356-363.

[24]Roxborough F F , Phillips H R . Rock excavation by disc cutter[J]. International Journal of Rock Mechanics & Mining Sciences & Geomechanics Abstracts, 1975, 12(12):361-366.

[25]Snowdon R A, Ryley M D, Temporal J . A study of disc cutting in selected British rocks[J]. International Journal of Rock Mechanics & Mining Sciences & Geomechanics Abstracts, 1982, 19(3):107-121.

[26]Li X C , Li X G , Yuan D J . Application of an interval wear analysis method to cutting tools used in tunneling shields in soft ground[J]. Wear, 2017, 392.

[27]Johnson S T., Fowell R J. Compressive strength is not enough(Assessing pick wear for drag tool-equipped machines)[C].The 27th U.S. Symposium on Rock Mechanics. Tuscaloosa: American Rock Mechanics Association.1986:840-845.

[28]Macias F J , Dahl F , Bruland A . New Rock Abrasivity Test Method for Tool Life Assessments on Hard Rock Tunnel Boring: The Rolling Indentation Abrasion Test (RIAT)[J]. Rock Mechanics and Rock Engineering, 2016, 49(5):1679-1693.

[29] Küpferle J , Roettger A , Theisen W , et al. The RUB Tunneling Device – A newly developed test method to analyze and determine the wear of excavation tools in soils[J]. Tunnelling and Underground Space Technology incorporating Trenchless Technology Research, 2016, 59(oct.):1-6.

[30]Zumsteg R , Puzrin A M , Anagnostou G . Effects of slurry on stickiness of excavated clays and clogging of equipment in fluid supported excavations[J]. Tunnelling and Underground Space Technology, 2016, 58:197-208.

[31]Burbaum U , Sass I . Physics of adhesion of soils to solid surfaces[J]. Bulletin of Engineering Geology and the Environment.2016,76(3):1-9.

[32] Hollmann F S , Thewes M . Assessment method for clay clogging and disintegration of fines in mechanised tunnelling[J]. Tunnelling & Underground Space Technology Incorporating Trenchless Technology Research, 2013, 37(aug.):96-106.

[33] Zumsteg R , Ploetze M , Puzrin A M . Effect of Soil Conditioners on the Pressure and Rate-Dependent Shear Strength of Different Clays[J]. Journal of Geotechnical & Geoenvironmental Engineering, 2012, 138(9):1138-1146.

[34] Liu P F, Wang S Y, Ge L , et al. Changes of Atterberg limits and electrochemical behaviors of clays with dispersants as conditioning agents for EPB shield tunnelling[J]. Tunnelling and Underground Space Technology, 2018, 73(MAR.):244-251.

[35]王传俭.基于BP神经网络的填海区复杂地层盾构掘进参数预测与应用[J].城市住宅,2019,26(02):129-132.

[36]刘兴旺.盾构施工地铁项目机械费用仿真研究[D].兰州:兰州交通大学,2018.

[37]翟志国.泥水盾构施工技术[J]. 水科学与工程技术, 2009(2):76-79.

[38]曹曦.盾构机密封舱土压预测及智能优化控制策略[D].大连:大连理工大学,2015.

[39]余志刚.泥质粉砂岩地层泥水盾构掘进参数变化规律及关联性分析[J].施工技术,2018,47(01):116-121.

[40]王济平.SPSS简明操作教程以案例分析为导向[M].湖北:湖北科学技术出版社,2012.07:115.

[41]易丹辉,董寒青.非参数统计:方法与应用[M].北京:中国统计出版社,2009.02:7.

[42]李健斌,陈健,程红战,等.考虑空间变异性的盾构隧道地层力学响应敏感性分析[J].岩石力学与工程学报,2019,38(08):1667-1676.

[43]祝思然,黄佩格,矫伟刚,等.盾构近距离下穿既有地铁隧道沉降控制技术研究[J].隧道建设,2016,36(02):234-240.

[44]舒瑶,季昌,周顺华,等.考虑地层渗透性的盾构隧道施工期管片上浮预测[J].岩石力学与工程学报,2017,36(S1):3516-3524.

[45]Cortes C, Vapnik V N. Support-vector networks[J]. Machine Learning, 1995, 20 (3) :273-297.

[46]胡星星.机器学习算法在房屋总量及分类统计中的应用[D].武汉:华中师范大学,2020.

[47]王欣.大规模数据样本下的稀疏最小二乘支持向量机研究[D].西安:西安理工大学,2018.

[48]黄丽.BP神经网络算法改进及应用研究[D].重庆:重庆师范大学, 2008:8-13.

[49]陈伟,周曼,叶家军,等.建筑工程安全施工费费率测算的PSO-BP模型研究[J].中国安全科学学报,2016,26(05):146-151.

[50]谢小军,邱云兰,时凌.基于ARIMA和BP神经网络组合模型的能源消费预测[J].数学的实践与认识,2019,49(10):292-298.

[51]夏铭泽.基于改进支持向量机的产品质量预测系统的研究[D].北京:机械科学研究总院,2020.

[52]刘栋.基于改进灰狼算法优化BP神经网络的研究和应用[D].合肥:安徽大学,2019.

[53]柴超君.基于BP神经网络核事故源项反演模型的优化研究[D].南京:南京航空航天大学,2019.

[54]Suykens J A K, Vandewalle J. Least Squares Support Vector Machine Classifiers[J]. Neural Processing Letters, 1999, 9(3): 293-300.

[55]唐碧秋,韩佳,郭国峰,等.基于粒子群算法改进最小二乘支持向量机的工程投资风险评价模型[J].土木工程与管理学报,2019,36(02):98-103.

[56]Kirkpatrick S, Gelatt C D, Vecchi M P. Optimization by simulated annealing[J]. Science, 1983; 220(4598): 671—680.

[57]Metropolis N, Rosenbluth A, Rosenbluth M, et al. Equation of state calculations by fast computing machines[J].Journal of Chemical Physics, 1953, 21(6): 1087—1092

[58]朱兴统.基于SA-LSSVM的电力短期负荷预测[J].科学技术与工程,2012,12(24):6171-6174.

[59]汪文豪.改进的模拟退火算法用于变频电动机优化设计的研究[D].哈尔滨:哈尔滨理工大学,2020.

[60]Wu Y , Gao R , Yang J . Prediction of coal and gas outburst: A method based on the BP neural network optimized by GASA[J]. Process Safety and Environmental Protection, 2019, 133.

[61]韩林山,李向阳,严大考.浅析灵敏度分析的几种数学方法[J].中国水运,2008(04):177-178.

[62]邵永生. 基于全局灵敏度分析的轨道车辆平稳性研究[D].苏州:苏州大学,2018.

[63]聂祚兴.车身噪声传递函数的全局灵敏度分析及稳健优化设计[D].长沙:湖南大学,2012.

[64]辛莉峰,李小珍,朱艳.基于eFAST方法的车—线—桥耦合系统全局敏感性分析[J].中国铁道科学,2019,40(04):46-51.

[65]Hall J W , Tarantola S , Bates P D , et al. Distributed Sensitivity Analysis of Flood Inundation Model Calibration[J]. Journal of Hydraulic Engineering, 2005, 131(2):117-126.

[66] Fu G , Kapelan Z , Reed P . Reducing the Complexity of Multiobjective Water Distribution System Optimization through Global Sensitivity Analysis[J]. Journal of Water Resources Planning & Management, 2012, 138(3): 196-207.

[67]Saltelli A , Tarantola S , Chan P S . A Quantitative Model-Independent Method for Global Sensitivity Analysis of Model Output[J]. Technometrics, 1999, 41(1): 39-56.

[68]陆凌云.基于仿真实验的灵敏度分析方法及工具研究[D].哈尔滨:哈尔滨工业大学, 2013.

[69]熊文韬.基于GS理论与神经网络的汽车覆盖件成形优化[D].昆明:昆明理工大学,2017.

[70]Stein M . Large Sample Properties of Simulations Using Latin Hypercube Sampling[J]. Technometrics, 1987, 29(2): 143-151.

中图分类号:

 U455.43    

条码号:

 002000062197    

馆藏号:

 TD10051503    

馆藏位置:

 403    

备注:

 403-西院分馆博硕论文库;203-余家头分馆博硕论文库    

无标题文档

   建议浏览器: 谷歌 火狐 360请用极速模式,双核浏览器请用极速模式