岩土力学 ›› 2023, Vol. 44 ›› Issue (6): 1789-1799.doi: 10.16285/j.rsm.2022.1683
董学超1, 2,郭明伟1, 2,王水林1, 2
DONG Xue-chao1, 2, GUO Ming-wei1, 2, WANG Shui-lin1, 2
摘要: 沉井下沉状态预测及传感器优化布置有利于确保沉井安全平稳下沉、降低监测成本。基于机器学习中的LightGBM框架建立超大沉井下沉状态预测模型,利用沉井底部结构应力传感器监测数据,准确预测沉井下沉速度、横桥向高差和顺桥向高差,并通过传感器重要程度分析,提出可满足下沉状态预测精度的传感器优化布置方案。将提出的沉井下沉状态预测模型和传感器优化布置方法应用于常泰长江大桥主塔超大沉井下沉工程,结果表明:沉井下沉预测时,3个预测指标的R2均大于0.94,下沉状态预测精度高;对下沉状态预测较为重要的传感器主要集中在沉井外圈和横纵轴线附近区域;在满足下沉状态预测精度的条件下,传感器优化布置方案可减少传感器数量达45.5%。优化布置方案包含的传感器数量相同时,提出的优化布置方案在下沉状态预测精度方面整体优于基于特征变量相关性分析的优化布置方案。
中图分类号:
[1] | 仉文岗, 顾鑫, 刘汉龙, 张青, 王林, 王鲁琦, . 基于贝叶斯更新的非饱和土坡参数概率 反演及变形预测[J]. 岩土力学, 2022, 43(4): 1112-1122. |
[2] | 苏国韶,张克实,吕海波. 位移反分析的粒子群优化-高斯过程协同优化方法[J]. , 2011, 32(2): 510-515. |
[3] | 徐 冲,刘保国,刘开云,郭佳奇. 基于组合核函数的高斯过程边坡角智能设计[J]. , 2010, 31(3): 821-826. |
[4] | 苏国韶,宋咏春,燕柳斌. 高斯过程机器学习在边坡稳定性评价中的应用[J]. , 2009, 30(3): 675-679. |
|