-
题名基于物理信息神经网络的盾构隧道诱发地表沉降预测
被引量：8
- 1
-
-
作者
张子龙
潘秋景
仉文岗
黄阜
-
机构
中南大学土木工程学院
中南大学隧地工程研究中心
重庆大学土木工程学院
长沙理工大学土木工程学院
-
出处
《工程力学》
EI
CSCD
北大核心
2024年第4期161-173,共13页
-
基金
国家自然科学基金青年科学基金项目(52108388)
国家自然科学基金面上项目(52078086,51878074)
+2 种基金
湖湘青年英才基金项目(2021RC3015)
湖南省自然科学基金面上项目(2021JJ30714)
湖南省自然科学基金青年科学基金项目(2022JJ40611)。
-
文摘
地表沉降是城市复杂环境下盾构隧道施工重点关注的问题。传统机器学习方法在预测隧道施工诱发地表沉降时忽略了其内在的物理机理,存在对训练样本需求量较大的弊端。基于深度神经网络(deep neural networks, DNN)对Verruijt-Booker解的围岩位移因子进行修正,构建地表沉降与隧道开挖面空间位置的关联。将修正后的Verruijt-Booker解的物理方程耦合至另一并行的DNN框架中,构建数据-物理双驱动的物理信息神经网络模型(physics-informed neural networks, PINN),从而约束神经网络在满足物理机制的空间中进行训练。算例分析的结果表明:在同等配置的条件下,提出的PINN模型的预测效果显著优于单一数据驱动的传统DNN模型,其外推泛化性能得到显著提升。工程应用的结果表明:PINN模型可以利用施工前期的实测数据,准确预测后续施工过程中开挖面在不同位置时监测断面的地表沉降值。提出的方法有助于提高盾构隧道施工过程中地表沉降控制的智慧化程度,可为工程的潜在风险及施工决策提供预警和指导。
-
关键词
盾构隧道
地表沉降
物理信息神经网络
物理机理
数据物理双驱动
-
Keywords
shield tunnel
surface settlement
PINN
physical mechanism
data-driven and physics-informed
-
分类号
TU231
[建筑科学—建筑设计及理论]
-
