无敌炒米饭
随地铁深基坑施工的进行,为确保施工安全,都采取降水措施,深基坑侧面土体由于失水而导致其物理力学性状不可避免的发生变化,因此基坑侧面土体的m值也是不断变化的。利用现场监测的深基坑支护结构变形信息资料,结合参数优化反分析土体m值,根据现场地质资料和优化后的参数通过有限元计算对深基坑支护系统进行变形预测,及时调整开挖方案和支护参数,此方法可以有效地指导基坑施工,使得基坑围护结构的变形始终处于可控制状态,以确保施工安全。1 引言以变形大小作为控制手段的深基坑动态设计方法正受到人们的普遍重视,因为支护结构的变形是基坑开挖过程中支护结构与土相互作用的直观反映,又是支护设计应用于现场实际,与现场地质和施工情况的相互作用的具体反映,如果能根据支护周围土体参数和支护结构的相关参数事先预测支护结构的变形量,将最不利情况的预测值作为控制支护结构变形的警戒值,将对保证基坑安全施工具有重要的意义。利用深基坑支护开挖过程中所获工况的监测信息,采用优化反分析来反演土体及支护结构力学参数,然后通过有限元计算预测下一工况的桩墙变形量、内力及支撑力,把计算值作为支护结构的控制值,通过根据现场实际调整施工方案和支护参数,随着施工的进行,继续采集下一施工阶段的相应信息,进行参数反演,计算预测下一工况的桩墙变形量等,如此反复循环,提高预测值精确度。2 预测原理预测原理实际上是先做反分析,然后再做正分析,即以每一工况位移监测信息为基础,选择适当的土体力学模型及相应的边界条件,然后建立目标函数,利用优化方法来搜索与实测值逼近的土体参数及支护结构力学参数,然后把这里参数用于下一步工况的计算参数,再对支护体系变形进行预测,结合监测对支护体系变形进行控制。 建立目标函数以基坑开挖的每一工况监测信息为基础的反分析方法目标函数一般为:式中uci(x)为支护结构上测点i的水平位移的计算值,uti为支护结构上测点i的水平位移的实测值;x表示土体的m值、支撑刚度系数、桩墙刚度等;n为测点总数。 桩体任意处位移计算支护结构的位移计算采用弹性地基梁有限元法,计算的最终结果是单元节点处的内力及变形,而实测点的位置可能不在节点处,为了反映施工过程的动态响应,以及目标函数值的求解,需要给出监测点任意位置设置和任意施工阶段的监测信息增量,则任一单元上测点i的水平位移uci可用线性插值法求得,计算公式为:式中,x1,x2分别为测点i所在单元两端点的坐标;uc1,uc2分别为i点所在单元两端点的水平位移计算值;uci为测点i的水平位移;xi为测点i的坐标(坐标原点为桩墙顶点)。 监测数据采集现场测量桩体倾斜的测斜仪按点距由下往上逐点进行读数,即将测斜管分成了n个测段(见图1),每个测段的长度li=500mm,在某一深度位置上所测得的两对导轮(li)之间的倾角θi,通过计算可得到这一区段的变位△i。计算公式为:Δi=lisinθi(3)某一深度的水平变位值δi可通过区段变位△i的累计得出,即:计算时假定管底作为基准点,由下而上累计计算某一深度的变位值δi,直至管顶,然后再根据测得的该点桩顶位移对水平变位值进行修正。但是不论基准点设在管顶或管底,计算变位值δi总以向基坑侧变位为正,反之为负。将在围护结构中同一测斜管的不同深度处所测得的变位值δi,点在坐标纸上连接起来,便可绘制出桩体的水平变位(H～δi)曲线。 数据优化处理(1)现场监测的数据常常由于测量仪器、操作人员、施工状态或测点受到干扰破坏等各种情况而引起监测点数不够理想、不够充足,常求助于拉格朗日插值或样条函数插值的方法进行数据处理。(2)由于环境及人为读数引起的误差在实际监测过程中无法避免,为了消除这种误差对反分析结果的精度影响,必须对监测数据进行平滑处理,具体过程见参考文献[3]3 工程应用天津地铁营口道车站3号线基坑埋深,采用钢筋混凝土钻孔灌注桩外加水泥搅拌桩止水帷幕的围护型式,灌注桩规格为Φ1000@1200,桩长,基坑在压顶梁中心高度位置及往下、和处共设四道Φ600×14mm的钢管横支撑,土的物理性质如表1所示。该工程地处繁华市区,周围分布有重要建筑及电缆、煤气管和水管等多根管线。挖土和施工步骤如图2所示:工况1为开挖处,工况2为在处架设第一道支撑,工况3开挖到处,工况4为在处架设第二道支撑,工况5为开挖到处,工况6为在处架设第三道支撑,工况7为开挖到坑底处,工况8为在处建设第四道支撑。本文限于篇幅,只介绍工况3、工况6与工况8预测曲线与实测曲线进行对比说明。基坑开挖时对变形预测的方法为以工况3的监测信息为基础,反演土体参数m值。根据反演出的参数来预测工况6的墙体变形量。又以同样的方法,依据工况6的监测信息,反演土体参数m值,据此预测工况8的墙体变形量。反演确定的参数值如表2。工况3与工况6的实测与预测曲线对比见图3。工况8的预测与实测曲线见图4。说明1:图中3-1为按照设计规范和经验值预测变形曲线,3-2为现场监测实际测量变形曲线,3-3为反分析之后参数优化之后的变形曲线, 6-1为工况6预测变形曲线。说明2:如图4,其中6-1为工况3时预测曲线,6-2为实测变形曲线,8-1为预测曲线,8-2为实测曲线。由图3和图4可见,根据监测资料进行反演之后的预报误差由工况3利用经验值预测与实测的最大误差,降低到工况6的预测最大误差为,随着利用现场监测资料的进一步反演、优化参数,工况8的预测误差为,预测变形曲线也越来越与实测变形曲线相拟和。土体的地基反力比例系数m值是随开挖过程而不断变化的,应用反演方法可以较准确的反演不同工况下的m值,同时能以上一工况的开挖信息,较准确的预测下一步工况的桩体变形,而且预测的曲线拟和程度很好,预测的精度大大增加。4 结论(1)基坑开挖维护结构变形预测方法在天津地铁深基坑的施工应用中是比较准确的,是成功的。(2)经过维护结构参数反演和优化,能够准确预测维护结构的最大变形,预测值可以作为警戒值指导施工。(3)参数优化反分析技术,根据现场监测信息资料,可以较准确的反演各工况下与实际相符的土体参数及支护结构力学参数,通过上一工况的优化反演参数值对下一工况不仅可以作出较准确的变形预测,而且变形预测曲线与实测曲线也拟和得很好。(4)在基坑开挖过程中,土体参数随开挖过程而不断变化,通过实验及经验确定的土体参数及支护结构力学参数,具有较大的随机性,因此依据初始取值来预测墙体侧向位移是不够精确的。更多关于工程/服务/采购类的标书代写制作，提升中标率，您可以点击底部官网客服免费咨询：
a小镇子a
基坑工程的隐患发展成工程事故之前兆，必定表现在监测数据某些特征的异常变化，此时若据此及时采取相应的措施，便能够以很小的代价避免或降低工程风险。以地铁基坑工程的大量监测数据为基础，通过数据挖掘方法寻找工程风险和变形数据特征变化值之间的内在联系和相关规律，以形成量化的评判指标来识别和评价工程的危险程度，从数据分析的角度提供了一种发现和控制工程风险的办法。关键词：地铁深基坑；风险识别；数据挖掘前 言大量工程实践表明，基坑工程发生的工程事故和工程隐患与监测数据的某种波动具有很强的相关性。基坑在施工过程中表现的各种性态实质上由其内在的力学规律所驱动，可以断定通过监测数据的挖掘分析完全能找到表象数据所隐含的规律。因此以系统收集的数据为基础，研究基坑在施工过程中的变形规律，采用先进合理的数据分析手段，发现监测数据特征和工程危险之间的联系，对于控制今后工程的施工风险，是一项十分必要的工作。 数据挖掘（data mining）是一个很好的理念：从大量的、不完全的、有噪声的、模糊的、随机的数据中提取隐含在其中的、人们事先不知道的或忽视的、但又是潜在有用的信息和知识的过程。随着信息技术的高速发展，人们积累的数据量急剧增长，动辄以Mbytes 计，如何从海量的数据中提取有用的知识成为当务之急。数据挖掘就是为顺应这种需要应运而生发展起来的数据处理技术，是知识发现（knowledgediscovery in database）的关键步骤。 计算机数据挖掘技术最早源于人工智能学习，于20 世纪 80 年代末逐渐开始发展，在各个领域的应用都取得良好的成果。它是目前解决海量数据分析、归纳、总结的有效途径之一。它的基本过程如图 1 所示。在数据挖掘的准备阶段，需要完成数据的选择和采样、挖掘目标的确定；在数据挖掘的实施阶段，需要根据挖掘的目标进行数据的预处理和变换成易于挖掘的指标，以形成模式或模型；在数据挖掘的验证阶段，需要用数据验证挖掘得到的知识的可靠性和适用性。同时，数据挖掘是风险分析的数据基础，数据挖掘可以得到直接用于风险定量分析的大量数据，使风险判断更为科学准确。 1 数据挖掘的概念和方法 数据挖掘的方法 目前最常用的的数据挖掘方法有 6 种①神经网络方法，其缺点是“黑箱”性，人们难以理解网络的学习和决策过程。②遗传算法，该算法较复杂，收敛于局部极小的较早收敛问题尚未解决。③决策树方法，它的主要问题是：复杂概念的表达困难；同性间的相互关系强调不够；抗噪性差。④粗集方法，由于粗集的数学基础是集合论，难以直接处理连续的属性。而现实信息表中连续属性是普遍存在的。⑤统计分析方法,即利用统计学原理对数据库中的信息进行分析。⑥模糊集方法,即利用模糊集合理论对实际问题进行模糊评判、模糊决策、模糊模式识别和模糊聚类分析。一般模糊集合理论是用隶属度来刻画模糊事物的亦此亦彼性的。由于本文是针对大量确定性数据进行挖掘，因此适合采用统计分析法。 数据挖掘目标的确定 根据所采集的数据样本大小，本文以基坑稳定状态与测斜监测数据之间的相对关系作为数据挖掘的目标。以基坑工程的风险等级判断为目标，可分为以下3 种不同风险等级： (1) 基坑放置期间的基本稳定平衡状态； (2) 工程危险时的不可控失稳状态； (3) 介于前两者之间的的危险但可控状态；其中基本稳定平衡状态最为常见，而工程危险相对其它两种状态发生的概率较小。 数据的选择和采样 兼顾数据的代表性、普遍性及有效性，对系统采集到的 17 个工程共 356 个测斜管的监测数据汇总，剔除其中有效数据量小于 26 天和明显无数据规律的测斜管数据，以余下的 193 孔共 11811 天次测斜管数据为供数据挖掘的样本数据。见表 1 所示。 2 基坑工程数据挖掘与风险识别 如上所述，基坑工程的风险预兆与监测数据的变化密切相关，通过对监测数据的挖掘分析，可以找到其内在联系的量化指标，从而及时识别基坑的风险状态。从变形角度看，基坑的风险状态表现为以下几种具体形式：基坑坍塌、滑坡失稳，挡土墙变形过大及踢脚等[2]。从系统角度来看，不同工程系统表现的失效模式或规律是不一样的（图 2 所示）。对基坑工程系统而言，失效前变形数据的加速变化被证实为风险的预兆。基坑的理想稳定状态的特征可以采用其内在的力学平衡状态来表征。即以基本数据为依据，构成原始尺度、比较条件、设定条件、最优方案，继而构成一个几乎不发生风险的系统，并组成一个理想的无风险的系统模型。实际上它可以通过力学方法求得，如通过一般杆系有限元方法求得。基坑实际发生的变形（浮动状态）相对于理论计算变形（理想状态）的偏移可以看作对稳定状态的偏移（如图 3 所示）。从大量工程实践来看，实际基坑工程对稳定状态的偏移并不是以其绝对偏移数值来判断，而是以偏移的速率（即变形加速度）来及时识别潜在风险的存在，这对于工程具有更大的实际意义。将评估对象的实测参数，经过数据挖掘转化，构成评估对象的浮动状态模型（可调控的模型）[3]。以基坑理想状态的模型为主，以实际观测到的浮动模型为辅，对 2 个模型进行误差对比、误差分离，可采用下式进行：F(N1，N2，…，Nn-1)-f(n1，n2，…，nn 1)＝E(el，e2，…，en l)，式中，F 项表示理想模型；f项表示浮动模型；E 项表示二者的误差。图 3 中的正误差说明基坑的浮动模型正向偏离理想状态模型的设定值，而负误差则说明被基坑系统的浮动模型超越了理想系统，基坑工程存在风险的可能性大，误差值越大风险越大。 风险指标的确定 根据文献、工程经验和工程危险反映出的数据变化特征，本次研究以测斜的最大值、最大变形速率作为挖掘的主要指标。 测斜最大绝对值的数据挖掘 由于各个基坑的开挖深度不同，各个基坑之间不能直接用测斜的最大绝对数值进行比较。所以，根据《上海地铁基坑工程施工规程》的对上海地铁基坑工程安全控制指标规定，提取样本数据的历史最大绝对变形量，将其归一化为相对于开挖深度的无量纲变形等级指标（μ），以考量基坑变形等级与工程危险之间的关系。定义如下 μ = 1 ( D -D1 )/ D1 ， (D ≤D1)； μ = 2 (D - D1 )/( D 2 - D1 )， ( D 1 < D ≤D2)； μ = 3 (D - D1 )/( D 3 - D2 )， (D 2 < D ≤D3)； μ = 3 D / D3 ， ( D 3
参考文献按论文中引用参考文献出现的先后次序，用中括号的数字连续编号，依次书写作者、文献名、杂志或书名、卷号或期刊号、出版时间。 参考文献按照中国学术期刊（光盘版
dreamjennie 6人参与回答 2023-12-08 首先，论文先根据自己学校的要求，其次本文作为参考。论文必须要列参考文献，以说明著述内容的科学根据和出处，进而方便读者扩展性阅读的查找。若引用他人成果，应列出引文
不落的恺1994 4人参与回答 2023-12-06 可以检测到，重合度超过20%就会被检测到
Tracy猪猪 5人参与回答 2023-12-09 两个解释都正确要根据论文。理解意思。日本人喜欢 暧昧的表达方式。
独酌邀明月 5人参与回答 2023-12-07 随着我国综合运输体系的发展，综合运输结构不断调整和完善。在城市与全国联系的对外大通道中，已逐步形成铁路运输为主导，高速公路和航空相配合的模式；在城际通道中形成了
蔡蔡7878 3人参与回答 2023-12-07 
