地铁盾构施工诱发地表沉降关键的影响因素分析.docVIP

地铁盾构施工诱发地表沉降关键的影响因素分析 　　摘 要：为了明确地铁盾构施工诱发地表沉降的关键因素，提出了一种基于粗糙集支持向量机（RS-SVM）的关键参数及其组合的建模与求解方法。利用信息熵规则将影响地表沉降的内摩擦角、内聚力等7个连续变量进行离散化处理；结合粗糙集遗传算法进行属性约简处理，获得影响盾构施工地表沉降的4个关键参数，即单环注浆压力、内摩擦角、比扭矩均值、切口泥水压力均值；采用支持向量机辨识对盾构参数与地表沉降之间关系反映效果最好的参数组合，作为实际盾构施工过程的关键参数。并将其运用到武汉轨道交通2号线越江隧道工程中，结果论证了该方法的科学性和可行性。 　　关键词：盾构施工；地表沉降；粗糙集；支持向量机；关键参数 　　中图分类号：TU94 文献标志码：A 文章编号：1674-4764（2015）02-0008-08 　　地铁建设缓解了城市的交通压力，对城市的经济发展也起到了巨大的推动作用。地铁施工中使用的盾构施工具有效率高、受外界影响小等优点，是目前地铁隧道施工的主要方法。但盾构法施工不可避免造成地表沉降，会对周边环境带来重大影响，如在2009年1月广州地铁二八号线东晓南路隧道的施工过程中，由于地质情况复杂，该地段局部地面出现不均匀沉降，导致周边一栋6层楼房严重倾斜，造成了巨大的经济损失。因此，进行地铁施工过程的各项参数与地表沉降之间的关系研究，对地铁隧道施工安全具有重要的理论意义与工程实践价值。 　　盾构施工地表沉降的成因及机理十分复杂，涉及到的影响因素和参数众多，一直是学者们研究的一个重要课题。诸多研究人员在这方面也取得了一些进展，如文献[1]建立了基于BP网络的地表沉降预测模型，并对地表沉降影响因素进行了定量分析。文献[2]利用支持向量机建立了相应的地基沉降预测模型，很好的表达了地基沉降与影响因素之间的非线性映射关系。文献[3]采用不多的地面沉降实测数据，建立灰色模型，较快地预测了地表不同时刻的沉降值。但以上传统智能方法都存在一定的缺陷，BP网络是基于启发式的，没有完备的理论基础，支持向量机运行速度较慢，效率较低，而灰色理论模型的精度较低，对实际处理地表沉降问题的意义不大。因此，寻找一种能够分析和处理地表沉降与参数的复杂关系的方法就成为研究的关键。 　　利用粗糙集对冗余属性的约简可以大大简化地表沉降与多源参数之间的复杂关系，同时，较大地提高支持向量机的预测效率和精度。据此，本文建立了基于粗糙集支持向量机的关键参数选择模型，对地铁盾构施工诱发地表沉降关键影响因素进行辨识分析，最后结合武汉地铁2号线过江隧道工程案例，得到影响盾构施工地表沉降的关键参数，并对盾构施工诱发地表沉降进行预测分析。 　　吴贤国，等：地铁盾构施工诱发地表沉降关键影响因素分析 　　1 理论基础 　　1.1 粗糙集 　　粗糙集（Rough Sets， RS）是由波兰学者Z. Pawlak于1982年提出的，它是一种刻划不完整性和不确定性的数学工具[4]。在粗糙集理论中，1个知识表达系统可以定义为S=（U，A，V，f）。其中U是对象的集合，也称为论域[5-6]。A=C∪D是属性的集合，子集C和D分别称为条件属性集和决策属性集。V=∪Va是属性a的取值范围构成的集合，其中Va是属性a的值域。f：U×A→V为信息函数，它指定U中每个对象各个属性的取值，且D≠φ。条件属性C1对决策属性D的支持度定义为公式（1）： 　　k=γC1D=POSC1（D）U（1） 　　式中：POSC1（D）称为D的C1正域，是指那些根据知识能完全确定U中归入集合D的元素集合；γC1D表示在属性C1下能够确切划入决策类UD的对象比率，描述了条件属性对决策属性的支持程度，这也可用来衡量系统的分类能力。对于一个决策系统来说，条件属性对决策属性的贡献是不同的，把条件属性对决策属性的贡献称为该属性的重要度[7]。一般地，可用去掉该属性后的决策表中分类能力的变化来区分该属性的重要度。在衡量由属性集D导出的分类属性子集B′B的重要性时，也用两者依赖程度的差值来度量，即公式（2）： 　　Δk=γBD-γB-B′D（2） 　　式中：Δk表示当从集合B中去掉某些属性子集B′后进行分类时，UD的正域受到的影响程度。该值越大，说明相应的属性越重要，越不可剔除。支持度为0的属性为冗余属性，可以剔除。此外，在一个决策表中，有些属性是不可缺少的，称为核属性，核属性可以作为所有约简的计算基础，核属性的约简可以通过遗传算法来实现。 　　1.2 支持向量机 　　支持向量机（Support Vector Machine， SVM）是Vapnik等人根据统计学习理论中结构风险最小化原则提出的，具有很好的泛化性能。SVM既有严格的理论基础，又能较好的解决小样本、非线性、高维模式及局