基于数据增强和机器学习算法的盾构隧道引发地面沉降预测及应用

作者：管浩; 刘维^*; 王峰; 赵华菁; 张功; 张高海

来源：隧道建设 (中英文), 2022, 42(S1): 331-341.

• 盾构隧道
• 地面沉降
• 机器学习算法
• 数据扩增
• 地面沉降预测

为解决地铁盾构隧道施工引起的地表沉降预测过程中数据样本不足、对数据预处理较为粗糙的问题,选取北京地区32个地铁盾构隧道施工引起的地面沉降数据作为数据库,采用合成少数类过采样技术(synthetic minority oversampling technique, SMOTE)算法对数据库进行扩增,并在此基础上选取BP神经网络(back propagation, BP)、随机森林(random forest, RF)、支持向量机(support vector machine, SVM)和K近邻(K-nearest neighbor, KNN)4种机器学习模型对沉降进行预测分析。分析结果表明:1)经过预处理后的数据集预测能力显著增强,其中,KNN模型表现最佳,测试集平均绝对误差仅为1.60 mm; 2)采用KNN模型对北京轨道交通12号线西坝河—三元桥区间地层沉降进行预测,基于该模型预测值的Peck公式与实测值拟合度较高; 3)基于数据增强下的KNN模型对于盾构施工引起的地面沉降变形有良好的预测效果。

• 单位
  中铁十八局集团有限公司; 苏州大学