Analysis and prediction of the ground subsidence due to the spatial form of underground karst caves based on machine learning

GAO Yan; WU Xiaodong; TIAN Jiayi

doi:10.13471/j.cnki.acta.snus.2022D019

您当前的位置：

首页 >

文章列表页 >

Analysis and prediction of the ground subsidence due to the spatial form of underground karst caves based on machine learning

Research articles | 更新时间：2023-11-01

- Analysis and prediction of the ground subsidence due to the spatial form of underground karst caves based on machine learning
- Acta Scientiarum Naturalium Universitatis Sunyatseni Vol. 62, Issue 2, Pages: 83-92(2023)
- 作者机构：
  
  1.中山大学地球科学与工程学院，广东珠海 519082
  2.南方海洋科学与工程广东省实验室（珠海），广东珠海519082
- 作者简介：
- 基金信息：
- DOI：10.13471/j.cnki.acta.snus.2022D019
  CLC： TU478
- Published：25 March 2023，
  
  Published Online：19 September 2022，
  
  Received：08 April 2022，
  
  Accepted：30 May 2022
扫描看全文
高燕,吴晓东,田嘉逸.基于机器学习的地下溶洞空间形态对地面沉降影响的分析与预测[J].中山大学学报(自然科学版),2023,62(02):83-92.

GAO Yan,WU Xiaodong,TIAN Jiayi.Analysis and prediction of the ground subsidence due to the spatial form of underground karst caves based on machine learning[J].Acta Scientiarum Naturalium Universitatis Sunyatseni,2023,62(02):83-92.
高燕,吴晓东,田嘉逸.基于机器学习的地下溶洞空间形态对地面沉降影响的分析与预测[J].中山大学学报(自然科学版),2023,62(02):83-92. DOI： 10.13471/j.cnki.acta.snus.2022D019.

GAO Yan,WU Xiaodong,TIAN Jiayi.Analysis and prediction of the ground subsidence due to the spatial form of underground karst caves based on machine learning[J].Acta Scientiarum Naturalium Universitatis Sunyatseni,2023,62(02):83-92. DOI： 10.13471/j.cnki.acta.snus.2022D019.

摘要

为了解工程活动对含地下岩溶的地基造成的地面沉降规律，本文采用有限元数值模拟，分析荷载作用下含不同形式溶洞的地基的地面沉降响应。分析了溶洞的发育尺度、埋深、形状、荷载4个主要因素对地面沉降的影响。研究表明，溶洞发育尺度越大、埋深越浅、形状系数越小、荷载越大，产生的地面沉降越大，地面沉降曲线形状均为钟形，且符合高斯分布规律；通过灰色关联法计算分析表明溶洞的发育尺度与形状对最大地表沉降值的灵敏度较高，即溶洞的几何形状对地面沉降有重要影响。通过深度神经网络对有限元计算得到的地面沉降曲线进行训练，训练后的模型预测值与计算值误差在5%以内，深度神经网络可作为预测含溶洞地基在工程建设引发的地面沉降的一种有效方法。

Abstract

In order to understand the characteristics of ground subsidence with underground karst caves caused by engineering activities， the numerical simulation based on the finite element method is adopted to analyze the ground subsidence response containing different forms of underground caverns subjected to vertical load. The influence of dimension， depth， shape of underground cavern and magnitude of the vertical load are explored separately. The results show that the larger the size of underground cavern， the shallower the buried depth， the larger the shape coefficient， and the larger the load， the larger the ground subsidence generated. The shapes of the ground subsidence curves are all bell-shaped and conform to the Gaussian distribution law. The grey correlation analysis shows that the size and shape of underground cavern are sensitive to the maximum ground subsidence value. That is， the geometry of underground cavern has an important effect on the ground subsidence. The land subsidence curves obtained by the numerical simulation are trained through the deep neural network. The error between the predicted value and the calculated value after training is within 5%. The deep neural network can be used as an effective method to predict the ground subsidence caused by the construction of the foundation with underground karst caves.

关键词

地面沉降地下溶洞灰色关联法机器学习深度神经网络

Keywords

ground subsidencekarst cavegrey correlation analysismachine learningdeep neural network

references

曹文贵，颜艳芬，张永杰， 2009. 基桩桩端岩溶顶板稳定性模糊能度可靠性分析方法［J］. 岩石力学与工程学报， 28（1）： 88-94.

陈昌彦，王思敬，沈小克， 2001. 边坡岩体稳定性的人工神经网络预测模型［J］. 岩土工程学报， 23（2）： 157-161.

翟淑花，郑建春，邢涛， 2012. 地下空洞演化对既有地下管线的影响分析［J］. 给水排水， 48（S1）： 436-438.

樊琨，刘宇敏，张艳华， 1998. 基于人工神经网络的岩土工程力学参数反分析［J］. 河海大学学报， 26（4）： 98-102.

高程鹏， 2021. 循环动荷载下下伏空洞路面塌陷的模型试验研究［J］. 水文地质工程地质， 48（1）： 70-77.

高行山，李红达，叶天麒， 2000. 结构分析和设计中神经网络计算研究评述［J］. 计算力学学报， 17（2）： 223-228.

滑帅， 2014. 广东岩溶区某输电塔桩基稳定性数值模拟分析［J］. 中国岩溶， 33（1）： 44-50.

冀星光，王云卿，胡庆雨，等， 2021. 基于灰色关联法的地下空洞引发路面塌陷影响因素的灵敏度分析［J］. 建筑安全， 36（8）： 42-47.

金长宇，马震岳，张运良，等， 2006. 神经网络在岩体力学参数和地应力场反演中的应用［J］. 岩土力学， 27（8）： 1263-1266+1271.

林鲁生，冯夏庭，白世伟，等， 2002. 人工神经网络在边坡滑移预测中的应用［J］. 岩土力学， 23（4）： 508-510.

刘之葵，梁金城，朱寿增，等， 2003. 岩溶区含溶洞岩石地基稳定性分析［J］. 岩土工程学报， 25（5）： 629-633.

孟庆山，汪稔， 2005. 碳酸盐岩的声波特性研究及其应用［J］. 中国岩溶， 24（4）： 344-348.

时刚，王宇虓，武天仪，等， 2020. 交通荷载下城市路面塌陷问题的试验研究［J］. 地下空间与工程学报， 16（4）： 1202-1209.

孙尚渠， 2019. 复杂形态溶洞精细化表征及其对盾构隧道施工围岩稳定性的影响研究［D］. 济南：山东大学.

孙映霞，张智浩，张慧乐， 2013. 岩溶区桩基稳定性影响参数敏感性分析［J］. 地下空间与工程学报， 9（2）： 297-303.

陶连金，袁松，安军海， 2015. 城市道路地下空洞病害发展机理及对路面塌陷的影响［J］. 黑龙江科技大学学报， 25（3）： 289-293.

吴剑国，赵丽萍， 1998. 工程结构优化的神经网络方法［J］. 计算力学学报， 15（1）： 69-74.

吴琦，崔孝飞，王洪建， 2019. 地下空洞塌陷影响因子的灵敏度分析［J］. 能源与环保， 41（3）： 1-4+81.

夏元友，熊海丰， 2004. 边坡稳定性影响因素敏感性人工神经网络分析［J］. 岩石力学与工程学报， 23（16）： 2703-2707.

余乐， 2013. 城市地层不同形态空洞失稳破坏机制的试验研究［D］. 北京：北京交通大学.

张成平，岳跃敬，王梦恕， 2015. 隧道施工扰动下管线渗漏水对地面塌陷的影响及控制［J］. 土木工程学报， 48（S1）： 351-356.

张慧乐，马凛，张智浩，等， 2013a. 岩溶区嵌岩桩承载特性影响因素试验研究［J］. 岩土力学， 34（1）： 92-100.

张慧乐，张智浩，王述红，等， 2013b. 岩溶区嵌岩桩的试验研究与分析［J］. 土木工程学报， 46（1）： 92-103.

张义民，张雷， 2005. 结构系统可靠性优化设计的神经网络方法［J］. 计算力学学报， 22（3）： 257-261.

张永杰，邓俊强，杨兴山，等， 2019. 考虑溶洞空间形态的岩溶桩基稳定性分析方法［J］. 中国公路学报， 32（1）： 37-45.

张智浩，张慧乐，马凛，等， 2013. 岩溶区嵌岩桩的破坏模式与工程设计探讨［J］. 岩石力学与工程学报， 32（S2）： 4130-4138.

赵明华，肖尧，徐卓君，等， 2017. 岩溶区嵌岩桩桩端承载性能研究［J］. 岩土工程学报， 39（6）： 1123-1129.

赵明华，张锐，胡柏学，等， 2009. 岩溶区桩端下伏溶洞顶板稳定性分析研究［J］. 公路交通科技， 26（9）： 13-16， 31.

周建春，魏琴，刘光栋， 2004. 采用BP神经网络反演隧道围岩力学参数［J］. 岩石力学与工程学报， 23（6）： 941-945.

BENGIO Y， COURVILLE A， VINCENT P， 2013. Representation learning： A review and new perspectives［J］. IEEE Trans Pattern Anal Mach Intell， 35（8）： 1798-1828.

BENGIO Y，2009. Learning deep architectures for AI［M］. Boston： Now Publishers.

BRAHMA P P， WU D， SHE Y， 2016. Why deep learning works： A manifold disentanglement perspective［J］. IEEE Trans Neural Netw Learn Syst， 27（10）： 1997-2008.

HEATON J， 2018. Ian Goodfellow， yoshua bengio， and Aaron courville： Deep learning［J］.Genet Program Evolvable Mach， 19（1/2）： 305-307.

HINTON G E， SALAKHUTDINOV R R， 2006. Reducing the dimensionality of data with neural networks［J］. Science， 313（5786）： 504-507.

LIN H W， TEGMARK M， ROLNICK D， 2017. Why does deep and cheap learning work so well？［J］. J Stat Phys， 168（6）： 1223-1247.

PECK R， 1969. Deep excavations and tunnelling in soft ground［C］// Proceedings of 7th ICSMFE. Mexico.

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Prediction of olfactory perception based on simulation of olfactory receptor activation relationships

Monthly precipitation forecast in the Dongjiang Basin based on CFSv2 products and machine learning

The spatio-temporal prediction of ozone in Zhuhai based on graph convolutional memory network

Related Author

Xiaodong WU

Jiayi TIAN

Yan GAO

FAN Dawei

ZHANG Qingchuan

WANG Ruidong

YAN Wengjing

HU Jingjun

Related Institution

National Engineering Research Centre for Agri-Product Quality Traceability， Beijing Technology and Business University

Beijing Fangshan District Teachers Training School

School of Geography and Planning，Sun Yat-sen University

Carbon-Water Observation and Research Station in Karst Regions of Northern Guangdong

Zhuhai Public Meteorological Service Center

Postal code：510275
Tel：020-84112585，84113223 Email：xuebaozr@mail.sysu.edu.cn
Technical support is provided by Beijing Founder electronics co., LTD 京ICP备09064830号-19 京公网安备11010802024621
It is recommended to read the content of this site in Chrome&IE9+. Please switch to extreme mode in browser 360.
Cookies We use cookies to help provide and enhance our service and tailor content. By continuing, you agree to the use of cookies.

⁰