隧道下穿建筑群爆破振动控制置信度研究
本文关键词:隧道下穿建筑群爆破振动控制置信度研究 出处:《北京交通大学》2017年硕士论文 论文类型:学位论文
更多相关文章: 隧道下穿建筑群 振动监测 回归分析 置信预测 BP神经网络分类
【摘要】:近年来,随着国民经济持续增长,城市化进程不断深化,城市交通基础设施建设事业也在快速发展,下穿城区建筑群的隧道工程也越来越多。由于受到工程地质、经济等条件的制约,大多数的城市隧道工程仍然采用矿山法开挖施工。隧道爆破开挖引发隧道上部建筑群产生振动,并对居民日常生活产生影响。因此,研究下穿建筑群隧道爆破振动控制技术十分重要。本文依托大连南部滨海大道隧道下穿同香山庄工程,对其爆破振动现场监测数据进行回归分析与置信研究,主要研究成果如下:(1)对于本研究所用的实测振速数据,线性回归得到的拟合直线只反应数据点分布的平均程度,有50%的数据点分布于该拟合直线之上,其余50%的数据点分布于该拟合直线之下。在实际工程中,如果选择该拟合直线作为振速控制的标准,爆破振速必然有很大的可能(近50%)超出振速控制标准,从而引发诸多问题。此时,引入95%置信限十分有必要,利用95%置信限计算所需的药量指导施工,可以将95%的爆破振动控制在振速控制标准之下,既保证了上部建筑物安全又不过于保守以致影响施工,使下穿建筑群隧道的爆破开挖施工得以顺利进行。(2)相比常规分析预测模型,基于贝叶斯理论的分析预测模型虽然从原理上以及模型实现上较复杂,但其对振速置信限的预测精确度很高,尤其在样本相关性不高的条件下。(3)样本数据对回归分析及置信限预测结果的精确度具有很大影响,一方面,样本的数量对回归分析及置信限预测精确度产生影响,一般来说,样本数量越多,对置信限的预测精确度越高。另一方面,样本数据自身的特征,如相关性、离散程度等也对置信限预测精确度产生影响。(4)在以往的研究中,BP神经网络方法在非线性回归分析中展现出较高的精确度,但由于其预测能力受用于训练的样本特征影响,对于本文中所用样本数据,BP神经网络方法给出了精确度并不高的预测,不过其预测精度仍然高于拟合直线预测精度,其振速预测结果依然满足置信限控制要求。
[Abstract]:In recent years, with the sustained growth of the national economy and the deepening of the urbanization process, the construction of urban transport infrastructure is also developing rapidly. There are more and more tunnel projects in urban buildings, which are restricted by engineering geology, economy and so on. Most of the urban tunnel projects are still excavated by mining method. The excavation of tunnel blasting causes the vibration of the upper tunnel building group and has an impact on the daily life of the residents. It is very important to study the blasting vibration control technology of the tunnel in the underpass building group. Based on the project of Tongxiang Mountain Villa under the Binhai Avenue Tunnel in the south of Dalian, the field monitoring data of blasting vibration are analyzed by regression analysis and confidence study. The main research results are as follows: (1) for the measured vibration velocity data used in this study, the fitting line obtained by linear regression only reflects the average degree of data point distribution. 50% of the data points are distributed above the fitting line, while the remaining 50% data points are distributed under the fitting line. In practical engineering, if the fitting line is chosen as the criterion of vibration velocity control. The blasting vibration velocity is likely to exceed the control standard of vibration velocity (nearly 50%), thus causing many problems. At this time, it is necessary to introduce 95% confidence limit. The blasting vibration of 95% can be controlled under the control standard of vibration velocity by using the quantity of charge needed to calculate the confidence limit of 95%, which not only ensures the safety of the upper building, but also does not affect the construction. Compared with the conventional analysis and prediction model, the Bayesian theory based analysis and prediction model is more complex in principle and model realization. However, the prediction accuracy of the confidence limit of vibration velocity is very high, especially under the condition that the sample correlation is not high.) the sample data have a great influence on the accuracy of regression analysis and confidence limit prediction results, on the one hand. The number of samples has an impact on regression analysis and confidence limit prediction accuracy. In general, the more samples, the higher the prediction accuracy of confidence limit. On the other hand, the characteristics of sample data, such as correlation. The degree of dispersion also has an effect on the accuracy of confidence limit prediction. (4) in previous studies, BP neural network method has shown a high accuracy in nonlinear regression analysis. But because its prediction ability is affected by the sample characteristics used for training, the BP neural network method of sample data used in this paper is predicted with low accuracy. However, the prediction accuracy is still higher than that of fitting straight line, and the prediction result of vibration velocity still meets the requirement of confidence limit control.
【学位授予单位】:北京交通大学
【学位级别】:硕士
【学位授予年份】:2017
【分类号】:U455.6
【参考文献】
相关期刊论文 前10条
1 邹宝平;杨建辉;王建秀;胡力绳;;基于灰色理论与BP神经网络的特长瓦斯隧道爆破参数优选[J];铁道标准设计;2015年08期
2 周宜;王海亮;张祖远;孙松;;城市浅埋隧道下穿建筑物的微振动爆破技术研究[J];隧道建设;2015年01期
3 赵华兵;龙源;刘好全;李兴华;钟明寿;;城市隧道爆破振动速度峰值预测神经网络法应用[J];工程爆破;2014年05期
4 管晓明;傅洪贤;王梦恕;崔X鹏;林凡涛;;基于OMA试验模态参数的砌体结构有限元建模及修正[J];振动与冲击;2014年14期
5 杨庆;王海亮;王军涛;;城市硬岩隧道下穿砖木结构建筑爆破控制技术[J];现代隧道技术;2014年01期
6 史秀志;武永猛;唐礼忠;黄宣东;;偏最小二乘回归神经网络模型在爆破振动峰值速度预测中的应用[J];振动与冲击;2013年12期
7 卢文波;张乐;周俊汝;金旭浩;陈明;严鹏;;爆破振动频率衰减机制和衰减规律的理论分析[J];爆破;2013年02期
8 王云龙;谭忠盛;;浅埋大断面隧道下穿楼群施工爆破控制[J];北京交通大学学报;2012年04期
9 胡玉玺;李夕兵;;复杂采空区危险辨识的贝叶斯判别方法及应用(英文)[J];Transactions of Nonferrous Metals Society of China;2012年02期
10 杨珊;陈建宏;郭宏斌;罗正;;基于回归分析的隧道爆破振动传播规律研究[J];中国安全科学学报;2011年10期
相关博士学位论文 前1条
1 尹光明;城市隧道临近建筑物超深基坑支护理论与安全控制技术研究[D];中南大学;2012年
相关硕士学位论文 前8条
1 周梓彬;基于波形叠加的合理微差时间选取[D];东北大学;2014年
2 张建新;基于贝叶斯方法的有限元模型修正研究[D];重庆大学;2014年
3 张振;大跨度浅埋隧道下穿文保建筑群爆破减震技术研究[D];合肥工业大学;2014年
4 汪亚飞;复杂环境下隧道钻爆施工降振试验研究及控制[D];北京交通大学;2013年
5 景海涛;基于贝叶斯网络的岩石隧道风险分析[D];南京理工大学;2012年
6 饶增;隧道钻爆施工对初期支护的影响及控制标准的研究[D];北京交通大学;2010年
7 赵常伟;微振动爆破有害效应控制与评估方法研究[D];山东科技大学;2009年
8 蔡志伟;考虑松动圈的卡尔曼滤波与有限元耦合反分析理论及其在围岩稳定分析中的应用[D];重庆交通大学;2008年
,本文编号:1407254
本文链接:https://www.wllwen.com/kejilunwen/daoluqiaoliang/1407254.html