在地鐵隧道建設(shè)中，盾構(gòu)法因其機(jī)械化程度高、對地面交通影響較小等優(yōu)點得以廣泛應(yīng)用。盾構(gòu)姿態(tài)控制是盾構(gòu)法施工的關(guān)鍵控制點之一，一旦盾構(gòu)機(jī)的中心軸線偏離設(shè)計軸線，就會造成姿態(tài)偏差，進(jìn)而影響隧道掘進(jìn)質(zhì)量。這種偏差會致使盾構(gòu)機(jī)呈“蛇形”運動，對后續(xù)的管片襯砌質(zhì)量的影響較大[1]，同時也會引發(fā)土體超挖、地面沉降等問題。目前，姿態(tài)控制大多依賴盾構(gòu)司機(jī)的操作經(jīng)驗[2]，主觀性較強且多采用事后反饋的方式，只能在產(chǎn)生偏差后采取補救措施，難以及時有效的適應(yīng)地下復(fù)雜施工環(huán)境。因此，為提高姿態(tài)控制的及時性和有效性，對盾構(gòu)姿態(tài)的預(yù)測問題亟待研究。目前，國內(nèi)外學(xué)者針對盾構(gòu)姿態(tài)控制問題展開了大量研究，主要集中于2方面：一是盾構(gòu)機(jī)姿態(tài)發(fā)生偏移后的糾偏調(diào)整。在分析盾構(gòu)姿態(tài)偏移機(jī)理后，研究者們通常依據(jù)盾構(gòu)機(jī)自身控制器模擬結(jié)果[3]、糾偏力矩及糾偏曲線計算結(jié)果[4?6]、模糊控制算法協(xié)調(diào)過程[7]、相關(guān)盾構(gòu)參數(shù)分析內(nèi)容[8]等提出具體的姿態(tài)調(diào)整措施。然而由于不同地質(zhì)及施工條件的限制，同時糾偏控制多為對過往偏移規(guī)律的歸納及施工經(jīng)驗的總結(jié)，事后糾偏難以滿足當(dāng)前盾構(gòu)姿態(tài)控制的及時性需求。二是盾構(gòu)機(jī)掘進(jìn)前對其姿態(tài)進(jìn)行預(yù)測。SUGIMOTO等[9]以滿足平衡條件的動力學(xué)模型模擬開挖過程的盾構(gòu)姿態(tài)。張愛軍[10]建立的BP神經(jīng)網(wǎng)絡(luò)模型，可在盾構(gòu)參數(shù)已知的情況下預(yù)測上軟下硬地層姿態(tài)的偏移量。許恒誠[11]在研究了影響盾構(gòu)姿態(tài)的因素間的耦合關(guān)系后，建立了基于WT-CNN-LSTM的動態(tài)預(yù)測模型?？讘椆獾?span tag='12'>[12]通過建立自編碼器和深度學(xué)習(xí)回歸模型，對切口水平偏差、切口垂直偏差、盾尾水平偏差、盾尾垂直偏差等盾構(gòu)姿態(tài)參數(shù)進(jìn)行預(yù)測。沈翔等[13]基于改進(jìn)的太沙基松動土壓力計算方法，得到了盾構(gòu)俯仰角理論預(yù)測公式。上述研究多采用單一預(yù)測模型或是對單一預(yù)測模型的改進(jìn)，只能滿足特定條件下的預(yù)測需求；并且由于收集的時間序列樣本往往并不滿足線性條件，上述文獻(xiàn)極少考慮初始數(shù)據(jù)處理對預(yù)測結(jié)果的影響，難以滿足盾構(gòu)姿態(tài)預(yù)測的精度要求。鑒于此，本文提出基于粒子群優(yōu)化的EMD-BP-SVR組合預(yù)測方法，以提高盾構(gòu)豎向姿態(tài)時間序列預(yù)測的準(zhǔn)確性。在利用經(jīng)驗?zāi)B(tài)分解得到較為平穩(wěn)的多組序列后，分別對各組序列基于PSO-BP及PSO-SVR模型展開預(yù)測，每組序列預(yù)測結(jié)果疊加即可獲得不同模型盾構(gòu)豎向姿態(tài)預(yù)測值，最后采用最優(yōu)加權(quán)法對各模型賦權(quán)得到最終預(yù)測值，從而為盾構(gòu)姿態(tài)預(yù)測提供新思路。
經(jīng)驗?zāi)B(tài)分解算法(Empirical Mode Decompo‐sition,EMD)的基本思想是任何一組時間序列數(shù)據(jù)都可以分解成有限個具有不同規(guī)律及特征尺度的固有模態(tài)分量(Intrinsic Mode Function,IMF)和剩余分量。相較原始數(shù)據(jù)，這些固有模態(tài)分量之間互不影響、規(guī)律性強且趨于平穩(wěn)，極大降低了原始數(shù)據(jù)的非平穩(wěn)性對預(yù)測結(jié)果的影響。假設(shè)原始時間序列為x(t)，其EMD的分解步驟如下：
1)找出x(t)的極大、極小值；
2)對極大、極小值插值擬合出x(t)的上、下包絡(luò)線；
3)求得上、下包絡(luò)線的均值m1(t)，將其從x(t)中剔除，即可獲得第1組固有模態(tài)分量：
4)從x(t)中剔除固有模態(tài)分量IMF1，將剩余分量視為一組新的原始數(shù)據(jù)，重復(fù)步驟(1)～(3)直到剩余分量所成數(shù)列符合單調(diào)條件或小于設(shè)定值，即可獲得多組平穩(wěn)固有模態(tài)分量：
系統(tǒng)上位機(jī)可以單節(jié)點數(shù)據(jù)顯示，也可全局節(jié)點環(huán)境數(shù)據(jù)監(jiān)測；可完全數(shù)據(jù)化顯示，也可轉(zhuǎn)化為直方圖直觀查看，通過不同顏色顯示出環(huán)境各項數(shù)據(jù)的濃度。軟件系統(tǒng)流程如圖5所示。
式中：IMFi表示第i組固有模態(tài)分量；Rn為最終的剩余分量。
1.B 提示:納米四氧化三鐵為磁性納米晶體材料,可作為藥物載體用于疾病的治療,A項正確。納米四氧化三鐵分散在適當(dāng)?shù)姆稚┲行纬傻姆稚⑾祵儆谀z體,不同于溶液中溶質(zhì)微粒的直徑,B項錯誤。反應(yīng)①中環(huán)丙胺不參加反應(yīng),但加入環(huán)丙胺后FeCl3發(fā)生水解生成FeOOH,即環(huán)丙胺會促進(jìn)氯化鐵的水解,C項正確。由制備過程可知,反應(yīng)②的反應(yīng)物為FeOOH和CO,由一種生成物為Fe3O4和質(zhì)量守恒定律可知反應(yīng)為6FeOOH+CO==2Fe3O4+3H2O+CO2,D項正確。
BP神經(jīng)網(wǎng)絡(luò)是一種能學(xué)習(xí)和訓(xùn)練大量不同樣本之間的非線性映射關(guān)系的多層次前饋式神經(jīng)網(wǎng)絡(luò)。常見的拓?fù)淠Ｐ陀奢斎雽?、隱含層及輸出層組成，每層之間通過權(quán)值ω和閾值γ建立聯(lián)系(見圖1)。
圖1 BP神經(jīng)網(wǎng)絡(luò)原理圖
Fig.1 Schematic diagram of BP neural network
網(wǎng)絡(luò)訓(xùn)練時，輸入信號xi(i=1,2,…,m)，經(jīng)過隱含層非線性變換得到變量zk，其中k為隱含層個數(shù)，可由經(jīng)驗公式計算確定，即：
其中，m和n分別為輸入層及輸出層的個數(shù)，ρ為[0,1]之間的常數(shù)。信號zk向后傳播即可得到輸出層信號yj(j=1,2,…,n)。
若末層誤差未達(dá)期望值，則采用梯度下降法[14]重新分配誤差并逐層向前反饋，調(diào)整權(quán)值及閾值。重復(fù)進(jìn)行上述的信號傳播與誤差反饋過程，直到獲得誤差最小的輸出信號。
摘 要：隨著人們母語意識的增強，學(xué)校語文教育中越來越重視語文素養(yǎng)和語言文化的培育。閱讀教育著重強調(diào)了學(xué)生自主閱讀能力的訓(xùn)練和教育，將其作為提升學(xué)生語文學(xué)科核心素養(yǎng)的要義，進(jìn)而引導(dǎo)學(xué)生關(guān)注、參與當(dāng)代文化，提升中國特色社會主義文化自信。如何開展大學(xué)語文閱讀教育，切實幫助學(xué)生提升對母語的審美鑒賞和運用能力，對教學(xué)過程和教學(xué)方法的探索與反思是關(guān)鍵所在。
為了保障所有施工技術(shù)的全面有效落實，應(yīng)對所有施工環(huán)節(jié)實施動態(tài)管理，對人員、材料、機(jī)械等方面進(jìn)行嚴(yán)格的控制與管理，尤其需要加強對現(xiàn)場變更的審核。在對不同施工環(huán)節(jié)技術(shù)落實情況進(jìn)行監(jiān)督的過程中，應(yīng)嚴(yán)格落實各環(huán)節(jié)的施工技術(shù)標(biāo)準(zhǔn)。例如，針對施工中的測量工作，應(yīng)保障數(shù)據(jù)的精確度，從而避免施工過程出現(xiàn)偏差，造成工程資源的浪費。在每項施工項目結(jié)束后，要進(jìn)行技術(shù)標(biāo)準(zhǔn)驗收，及時發(fā)現(xiàn)其中存在的問題，并采取措施進(jìn)行補救。
支持向量回歸算法[15]的核心思想是從線性可分的訓(xùn)練樣本中劃分出一個魯棒性強的超平面，使得樣本中每個個體分布在超平面的兩側(cè)(見圖2)，定義該平面的模型如下：
圖2 支持向量回歸示意圖
Fig.2 Diagram of support vector regression
其中，λ和b為待確定的模型參數(shù)。若預(yù)測值g(x)與真實值之間的偏差在[-ε,ε]范圍內(nèi)不計損失，并將g(x)定義為支持向量，否則將計入損失。定義ε-SVR目標(biāo)函數(shù)及損失函數(shù)：
式中，C為懲罰因子，表示對超出容許誤差的懲罰程度。引入拉格朗日乘子a及a*，將上述問題轉(zhuǎn)為SVR的對偶問題，ε-SVR的解形如式(7)：
當(dāng)然，后進(jìn)生的轉(zhuǎn)化，也不可能短期見效，需要長期堅持，不懈努力。但只要我們樹立“手心手背都是肉”的觀念，從小學(xué)到初中，從初中到高中，每一個階段，每一個新學(xué)期都是我們改進(jìn)體育后進(jìn)生的機(jī)會和起點！
粒子群優(yōu)化算法[16]是一種源自鳥群遷徙覓食行為的智能仿生優(yōu)化算法。粒子在空間中獨自尋找個體最優(yōu)解Ibest，然后依據(jù)粒子群內(nèi)部的信息交互找到全局最優(yōu)解Gbest，據(jù)此調(diào)整自身的位置及速度，不斷地迭代更新以獲得滿足條件的最優(yōu)解。其速度和位置更新公式如下：
其中，p表示當(dāng)前迭代次數(shù)，其取值范圍為[1,h]；q表示群體中粒子個數(shù)；d表示待優(yōu)化參數(shù)的個數(shù)；μ為慣性權(quán)重；c1和c2分別為個體及群體的認(rèn)知能力，r1和r2為[0,1]之間的隨機(jī)數(shù)。本文將BP神經(jīng)網(wǎng)絡(luò)的權(quán)值(ω)、閾值(γ)與SVR的懲罰因子(C)、核函數(shù)參數(shù)(g)作為待優(yōu)化參數(shù)。
盾構(gòu)掘進(jìn)過程中需要實時監(jiān)測盾構(gòu)機(jī)的位姿參數(shù)，以刀盤前端中心為原點建立三維坐標(biāo)系，位姿參數(shù)通常包括俯仰角、橫擺角及扭轉(zhuǎn)角等。經(jīng)分析收集數(shù)據(jù)，本文以俯仰角為研究對象，即盾構(gòu)機(jī)軸線與水平面所成夾角，向上為正，向下為負(fù)(見圖3～4)。
圖3 千斤頂分布
Fig.3 Jack distribution
圖4 俯仰角示意圖
Fig.4 Schematic diagram of pitch angle
由于俯仰角時間序列波動性強，僅用單一模型會導(dǎo)致預(yù)測性能不佳，因此本文采用BP-SVR組合預(yù)測方法來提高單一模型預(yù)測的性能，并將組合模型定義為：
式中：Yt為第t個測試樣本的最終預(yù)測結(jié)果，Yt1，Yt2分別為PSO-BP和PSO-SVR模型第t個測試樣本的預(yù)測結(jié)果，η為PSO-BP預(yù)測值占最終預(yù)測結(jié)果的比重。本文利用最優(yōu)加權(quán)法[17]求解η值，該方法以調(diào)和平均誤差平方和最小為目標(biāo)，以期獲得最優(yōu)權(quán)值。設(shè)俯仰角時間序列為{x(t),t=1,2,…,n}，故其加權(quán)調(diào)和平均預(yù)測值為：
考慮到最優(yōu)加權(quán)法的基本思想，式(10)可轉(zhuǎn)化為求解最優(yōu)問題模型：
針對式(12)，基于MATLAB 2018b求得最優(yōu)解，以此得到滿足訓(xùn)練與預(yù)測要求的組合模型，具體實現(xiàn)步驟見圖5。
圖5 盾構(gòu)豎向姿態(tài)預(yù)測流程圖
Fig.5 Flow chart of shield vertical attitude prediction
本文依托成都地鐵8號線某標(biāo)段，該標(biāo)段地處成都平原、地勢平坦開闊，穿越岷江水系、地下水流豐富，下穿復(fù)合地層、環(huán)境復(fù)雜多變。目前河流、地下水等基本已受到人為的改造和控制，地鐵隧道施工受水流影響較小。地鐵掘進(jìn)路線屬典型的卵石泥巖復(fù)合地層，隧道圍巖各層特性見表1；上層卵石會給圍護(hù)樁、導(dǎo)管以及盾構(gòu)施工帶來困難和風(fēng)險，其高滲性也會給工程降水和注漿帶來困難；隧道圍巖揭露的泥巖屬易風(fēng)化巖，泥巖層強風(fēng)化呈半巖半土、碎塊狀，軟硬不均，軟弱夾層較發(fā)育，在水的影響下易發(fā)生脹縮破壞。盾構(gòu)機(jī)在該標(biāo)段掘進(jìn)過程中需建立嚴(yán)格的監(jiān)測控制系統(tǒng)，定期進(jìn)行監(jiān)測，確保隧道盾構(gòu)結(jié)構(gòu)和周圍環(huán)境的安全。
“你聽我說，如果這兩個人真是要債的，說明左達(dá)就在樓上，左達(dá)是個要面子的人，一定不希望這事被別人知道，尤其是記者，你去，只會害了他，你懂我的意思嗎？”
表1 各土層屬性
Table 1 Property of ground layers
?
3.2.1 數(shù)據(jù)選取與處理
本文的輸入及輸出變量均為盾構(gòu)機(jī)的俯仰角，每個樣本點采集數(shù)據(jù)均為盾構(gòu)機(jī)向前掘進(jìn)一環(huán)后的俯仰角，依據(jù)上述原則從所在標(biāo)段中選取相鄰220環(huán)的俯仰角作為原始數(shù)據(jù)。利用分箱法篩選樣本中的離散數(shù)據(jù)，將其剔除后，與缺失值一并按照鄰近數(shù)據(jù)的線性關(guān)系補齊。補齊后，對樣本數(shù)據(jù)進(jìn)行EMD分解，得到6組固有模態(tài)分量(IMF1～IMF6)和1組剩余分量Rn，具體如圖7所示。
同時，為提高模型收斂速度，對數(shù)據(jù)進(jìn)行歸一化處理，公式如下：
斯賓諾莎幸福觀的現(xiàn)代闡釋…………………………………………………………………………………………尹 ?。?.51）
其中，X為歸一化后的數(shù)據(jù)，x為原始數(shù)據(jù)，xmin，xmax分別為原始時間序列的最小值及最大值。
“我家種了四畝葡萄，在家正要吃早飯，聽說這邊要舉行爭霸賽，我飯都沒吃，去園子里摘了幾串葡萄就過來了。”一位姓張的大姐告訴記者，威縣葡萄的種植面積非常大，幾乎家家戶戶都有種，小到一兩畝，大到幾十畝不等。種植的葡萄種類主要以巨峰為主，紅寶石、維多利亞等品種并存?！斑^來參賽不是說一定要當(dāng)葡萄王，就是想證明一下自家的葡萄種的不比他們的差，不信你嘗嘗我家葡萄多甜。這葡萄就像自己孩子似的，誰不想讓人夸夸自己孩子呢，你說是不是？”張大姐一邊聊，一邊邀請記者品嘗。
本文的預(yù)測問題屬于時間序列問題，預(yù)測時采取滾動式方法，滾動步長為10，滾動步距為1，即以1～10環(huán)的數(shù)據(jù)預(yù)測11環(huán)的俯仰角，以2～11環(huán)的數(shù)據(jù)預(yù)測12環(huán)的俯仰角，依次類推，每個分量均可獲得210組輸入變量(X1～X10)及輸出變量Y。本文隨機(jī)選取其中200組為訓(xùn)練樣本，剩余10組為測試樣本。
圖6 俯仰角時間序列EMD分解結(jié)果
Fig.6 EMD decomposition results of pitch angle time series
(a)未經(jīng)EMD分解數(shù)據(jù)；(b)固有模態(tài)分量IMF1；(c)固有模態(tài)分量IMF2；(d)固有模態(tài)分量IMF3；(e)固有模態(tài)分量IMF4；(f)固有模態(tài)分量IMF5；(g)固有模態(tài)分量IMF6；(f)剩余分量Rn
3.2.2 模型融合
1)PSO-BP模型由于本文將前10個樣本點的俯仰角為輸入值，當(dāng)前樣本點的俯仰角度為輸出值，以此可以確定BP及PSO算法所用初始參數(shù)(見表2)。同時由表2易得，該模型每次預(yù)測時待優(yōu)化的參數(shù)共有(10+1)*13+(13+1)*1=157個。訓(xùn)練時隱含層的激勵函數(shù)選取sigmoid函數(shù)，輸出層的激勵函數(shù)選取logsig函數(shù)，整個BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練則需調(diào)用MATLAB軟件自帶的trainlm函數(shù)。將各個分量的200組訓(xùn)練樣本分別輸入軟件中學(xué)習(xí)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，以輸出變量誤差的二范數(shù)為粒子群算法訓(xùn)練目標(biāo)，迭代尋找全局最小誤差二范數(shù)，記錄當(dāng)前的權(quán)值及閾值并將其賦給新的神經(jīng)網(wǎng)絡(luò)，訓(xùn)練后便可得該分量俯仰角預(yù)測值，求和即得PSOBP模型預(yù)測值。
盡管對樹脂面做粗糙處理可以增加托槽的抗剪切強度，但也使樹脂表面產(chǎn)生了大小不均的裂隙及空洞樣改變。因此，臨床醫(yī)生應(yīng)根據(jù)需要選擇不同表面處理方法。
表2 PSO-BP模型初始參數(shù)設(shè)置
Table 2 Initial parameter setting of PSO-BP model
?
2)PSO-SVR模型PSO-SVR模型內(nèi)部參數(shù)初始設(shè)置如表3所示，以均方誤差(MSE)為PSO算法的訓(xùn)練目標(biāo)，旨在尋求各個分量的最佳懲罰系數(shù)與核函數(shù)參數(shù)，以此進(jìn)行盾構(gòu)豎向姿態(tài)SVR模型仿真測試，該模型的最終預(yù)測結(jié)果為各分量預(yù)測值之和。
表3 PSO-SVR模型初始參數(shù)設(shè)置
Table 3 Initial parameter setting of PSO-SVR model
?
3)預(yù)測結(jié)果為更直觀地分析預(yù)測結(jié)果，在計算調(diào)和誤差et的基礎(chǔ)上分別計算單一模型及組合模型的均方誤差(MSE)、平均相對誤差(ARE)、平均絕對誤差(AAE)、最大相對誤差(MAE)及相關(guān)系數(shù)(R2)，并對上述指標(biāo)做歸一化處理，具體見下：
其中，Yi為模型預(yù)測值，yi為原始數(shù)據(jù)，N為預(yù)測樣本的個數(shù)。相關(guān)系數(shù)則反映預(yù)測值與實際值之間的相關(guān)程度，相關(guān)系數(shù)越大說明二者相關(guān)程度越高；各類誤差反映了預(yù)測結(jié)果的離散程度，誤差值越小表明預(yù)測越準(zhǔn)確。
將各分量樣本數(shù)據(jù)分別代入PSO-BP與PSOSVR模型，在獲取盾構(gòu)俯仰角的預(yù)測值后，基于式(11)～(12)所述最優(yōu)加權(quán)法定權(quán)即得最佳預(yù)測結(jié)果，各個模型的預(yù)測結(jié)果對比如圖7所示。經(jīng)MATLAB尋優(yōu)發(fā)現(xiàn)，當(dāng)η取0.328時，調(diào)和平均誤差平方和最小，故最終的組合模型為Yt=0.328Yt1+0.672Yt2。與原始數(shù)據(jù)相比，單一模型預(yù)測值波動較大，難以保證預(yù)測的準(zhǔn)確性；本文方法獲得的尋優(yōu)結(jié)果則波動較小，擬合效果更佳。
圖7 測試集預(yù)測結(jié)果與實測數(shù)據(jù)對比
Fig.7 Comparison between test set prediction results and actual measured data
表4 和圖8均為各模型各類誤差指標(biāo)及相關(guān)系數(shù)的對比，其中PSO-BP-SVR模型表示未經(jīng)EMD分解的組合模型，且圖8數(shù)據(jù)為經(jīng)歸一化處理的數(shù)據(jù)。顯而易見，單一BP和SVR模型各類誤差值都較高，相關(guān)系數(shù)分別為93.15%，92.96%，未經(jīng)EMD分解的模型誤差值更大，各有不足。相較之下，本文采用方法相關(guān)系數(shù)有所提高，均方誤差、平均相對誤差、平均絕對誤差大幅降低?？傮w上，本文所建組合模型預(yù)測精度明顯有所提高、在降低誤差方面有著較好的表現(xiàn)。
圖8 各模型誤差對比(歸一化后)
Fig.8 Error comparison of each model(after normalization)
表4 各模型誤差對比
Table 4 Error comparison of each model
?
1)采用EMD法對盾構(gòu)俯仰角時間序列進(jìn)行預(yù)處理，將復(fù)雜的原始時間序列分解為較為簡單的信號，為處理非線性預(yù)測問題提供了思路。根據(jù)滾動法建立的俯仰角預(yù)測數(shù)據(jù)集，在充實樣本數(shù)據(jù)的同時提高了模型性能。
(1) 采取美國地質(zhì)勘探局(USGS)的全球地震風(fēng)險地圖采取相應(yīng)的地震動峰值加速度并對比中國規(guī)范采取抗震設(shè)防烈度。
2)對比單一模型與BP神經(jīng)網(wǎng)絡(luò)和SVR的加權(quán)組合模型預(yù)測結(jié)果，可以發(fā)現(xiàn)：組合模型的MSE，ARE，AAE和MAE明顯低于單一預(yù)測模型，R2達(dá)96.07%，說明組合模型可有效地將2類模型的優(yōu)點相融合。對數(shù)據(jù)進(jìn)行經(jīng)驗?zāi)B(tài)分解處理后，剔除了數(shù)據(jù)中的大量隨機(jī)因素，此時俯仰角時間序列趨于平穩(wěn)，預(yù)測精度大幅提高?？梢姳疚乃ńM合模型在非平穩(wěn)、非線性、小樣本的盾構(gòu)姿態(tài)預(yù)測問題。
3)基于成都地鐵8號線進(jìn)行擬合分析，得到的預(yù)測值與實際值高度吻合，驗證了本文所建模型的可靠性，可為日后盾構(gòu)豎向姿態(tài)預(yù)測問題提供參考。
參考文獻(xiàn)：
[1]胡長明,張文萃,梅源,等.通用環(huán)管片點位確定條件下千斤頂行程差范圍計算及其對盾構(gòu)機(jī)推進(jìn)過程的控制[J].中國鐵道科學(xué),2015,36(3):51?57.HU Changming,ZHANG Wencui,MEI Yuan,et al.Calculation of jack stroke difference range and advancing control of shield machine under known point position of universal ring segment[J].China Railway Science,2015,36(3):51?57.
[2]郭正剛.基于機(jī)器學(xué)習(xí)的盾構(gòu)姿態(tài)調(diào)整決策方法研究[D].大連:大連理工大學(xué),2013.GUO Zhenggang.Investigation on decision-making of shield attitude adjustment based on machine learning[D].Dalian:Dalian University of Technology,2013.
[3]YUE Ming,SUN Wei,HU Ping.Dynamic coordinated control of attitude correction for the shield tunneling based on load observer[J].Automation in Construction,2012,24:24?29.
[4]SUN Wei,YUE Ming,WEI Jian.Relationship between rectification moment and angle of shield based on numerical simulation[J].Journal of Central South University,2012,19(2):517?521.
[5]梁榮柱,夏唐代,林存剛,等.軟土地區(qū)盾構(gòu)施工豎向姿態(tài)控制研究[J].現(xiàn)代隧道技術(shù),2015,52(5):152?157,183.LIANG Rongzhu,XIA Tangdai,LIN Cungang,et al.Control of the shield's vertical attitude during shield tunnelling in soft soils[J].Modern Tunneling Technology,2015,52(5):152?157,183.
[6]劉成,管會生,謝友慧,等.盾構(gòu)掘進(jìn)姿態(tài)和糾偏曲線研究[J].現(xiàn)代隧道技術(shù),2019,56(4):105?112,126.LIU Cheng,GUAN Huisheng,XIE Youhui,et al.Study on driving posture and deviation correction curve of the shield machine[J].Modern Tunneling Technology,2019,56(4):105?112,126.
[7]ZHANG Zhihuan,MA Longhua.Attitude correction system and cooperative control of tunnel boring machine[J].International Journal of Pattern Recognition and Artificial Intelligence,2018,32(11):1859018.
[8]周誠,陶冶,楊俊.高承壓水下地鐵盾構(gòu)隧道始發(fā)姿態(tài)失穩(wěn)處理技術(shù)[J].鐵道工程學(xué)報,2016,33(11):113?119.ZHOU Cheng,TAO Ye,YANG Jun.Risk control technology for shield tunneling posture instability under the water with high pressure[J].Journal of Railway Engineering Society,2016,33(11):113?119.
[9]SUGIMOTO M,SRAMOON A,KONISHI S,et al.Simulation of shield tunneling behavior along a curved alignment in a multilayered ground[J].Journal of Geotechnical and Geoenvironmental Engineering,2007,133(6):684?694.
[10]張愛軍.上軟下硬地層盾構(gòu)掘進(jìn)姿態(tài)施工參數(shù)模糊控制研究[J].鐵道科學(xué)與工程學(xué)報,2018,15(11):2920?2927.ZHANG Aijun.Study of fuzzy control on tunneling parameters of shield attitude in upper-soft and lower-hard ground[J].Journal of Railway Science and Engineering,2018,15(11):2920?2927.
[11]許恒誠.基于深度學(xué)習(xí)的地鐵盾構(gòu)姿態(tài)失準(zhǔn)機(jī)理與智能預(yù)測研究[D].武漢:華中科技大學(xué),2019.XU Hengcheng.Research on mechanism and intelligent prediction of shield tunneling misalignment based on deep learning[D].Wuhan:Huazhong University of Science and Technology,2019.
[12]孔憲光,王佩,劉德坤,等.基于自編碼特征和深度學(xué)習(xí)回歸模型的盾構(gòu)姿態(tài)預(yù)測方法:中國,CN110533065A[P].2019?12?03.KONG Xianguang,WANG Pei,LIU Dekun,et al.A shield attitude prediction method based on self-encoding characteristics and deep learning regression model:China,CN110533065A[P].2019?12?03.
[13]沈翔,袁大軍.盾構(gòu)水平偏角變化對盾構(gòu)?土相互作用影響[J].中國公路學(xué)報,2020,33(3):132?143.SHEN Xiang,YUAN Dajun.Influence of shield yawing angle variation on shield-soil interaction[J].China Journal of Highway and Transport,2020,33(3):132?143.
[14]孫婭楠.梯度下降法在機(jī)器學(xué)習(xí)中的應(yīng)用[D].成都:西南交通大學(xué),2018.SUN Yanan.Application of gradient descent method in machine learning[D].Chengdu:Southwest Jiaotong University,2018.
[15]LUO Z,HASANIPANAH M,AMNIEH H B,et al.GASVR:a novel hybrid data-driven model to simulate vertical load capacity of driven piles[J].Engineering with Computers,2021,37(2):823?831.
[16]ZHANG Pin,CHEN Renpeng,WU Huaina.Real-time analysis and regulation of EPB shield steering using Random Forest[J].Automation in Construction,2019,106:102860.
[17]ZHANG Wen,GE Miao,LIU Xinlei,et al.Optimal weighted combinatorial forecasting model of QT dispersion of ECGs in Chinese adults[J].International Journal of Biometeorology,2016,60(7):1089?1098.
聯(lián)系客服
