文摘

脚的底面上的土压力叶片在下沉过程中是一个重要的监视点的大型水下沉箱。复杂的土壤结构相互作用发生在下沉过程中,很难准确地预测脚叶片的土压力。准确的施工过程往往依赖于数据的土压力脚叶片。在这项研究中,一个数据驱动的方法是用于建立之间的关系的沉箱下沉和脚叶片的土压力。此外,通过改进的分割方法原始分类和回归树(CART)算法,单个模型的数值预测80英尺叶片土壤压力实现。改进车模型,多层感知器(MLP),长期短期记忆(LSTM),和一个线性回归模型通过多参数综合评价方法进行比较。最后,本文讨论了模型的部署方案,通过比较和分析数据的时间10:00 7月29日,2020年,和23:00在8月7日,2020。实验结果可以满足工程要求,并提供一个基础为进一步数据驱动的智能控制的大型沉箱下沉。

1。介绍

作为主要桥梁工程深基础,沉箱具有优秀的完整性,承载能力高,优越的结构刚度、面积小,和良好的抗震性能1- - - - - -3]。从油井中提取土壤,沉箱利用其重力和沉没援助克服浮力和土壤阻力以下沉。下沉的过程可以使用脚叶片的土压力分析计算阻力,因此,提供一个依据指令施工期间(4]。然而,随着大型沉箱的数量逐渐增加正在建造,为小型开发的理论基础可能无法准确预测大型沉箱的土压力(5]。

目前,一些成果已经在研究沉箱脚叶片。例如,江et al。6]发现砂迁移在胡同的沉没长江大桥相对较显著影响脚叶片通过传统的土压力模型实验。燕et al。7]研究了沉箱的瓯江北河口大桥为例,证明了有效减少分层开挖的土压力脚叶沉箱的施工。Zhang et al。8和宝钢等。9)发现突然下沉的沉箱施工有关的短时间内减少足部叶片土压力。是的,金10)研究三维土压力的分布格局脚叶片在沉没的沉箱Youngjong宏伟的桥的现场实验。土压力的特点,不同工程沉箱的背景已经被充分研究过。然而,由于复杂的土壤结构的相互作用,机械性能有显著的非线性和可塑性在沉箱的沉没11]。现有的设计方法不容易捕捉的土压力的准确预测叶片。近年来,在沉箱的施工期间,一系列的传感器通常安装获取信息的动态下沉脚叶片的沉箱12]。然而,数据分析能力不是强劲;因此,它无法预测的土压力状态沉箱的脚叶片,这就增加了沉箱结构的不确定性。

随着人工智能和机器学习技术的发展,数据驱动的应用程序在许多领域被研究和应用。大多数当前的数据驱动的桥工程桥梁健康监测中应用程序的重点是(13]。例如,一个数据驱动和计算机应用的方法来自动识别点状腐蚀(14)、裂缝识别基于卷积神经网络(15帝国竞争),和一个混合的人工神经网络算法用于预测slab-on-girder桥梁结构的损伤(16]。然而,有最小的数据驱动方法研究桥梁施工过程中,特别是对于大型沉箱施工。在算法分析方面,大多数数据驱动的桥梁工程学应用程序专注于单个目标的输出。多级破坏的预测(17和裂缝宽度18卷积神经网络等算法。这样的输出值只有一个类别或一个回归的目标,很难解决当前问题的multilabel回归沉箱足部叶片土压力。multilabel问题主要有两种解决方案。一种类型的处理是通过转换问题,其重点是操作和处理数据集以multilabel学习问题转化为一个或多个单标牌问题[19- - - - - -21]。另一种是通过算法适应方法,通过改进现有的方法需要直接适合学习multilabel数据集(22- - - - - -24]。在沉箱下沉的数据集,脚叶片的多个土压力的值同时预计,和这种multilabel处理在桥梁施工过程中需要进一步研究。关于评价指标模型,回归问题通常是由一个指数评估如均方误差或拟合系数。然而,multimodel评估期间,很容易有不一致指数倾向不同的模型,使多个模型难以进行全面、准确的定量评估。因此,综合判断多个模型有利于比较和选择模型在实验过程中。

一个算法基于一种改进的分类和回归树(CART)实现multilabel预测将详细研究了在这个研究。具体来说,本研究的主要贡献如下:(1)神经网络方法和改进的性能车multilabel脚叶片回归预测模型土压力的调查比较。其中,多层感知器(MLP)和长期短期记忆(LSTM)选为典型的神经网络的代表。(2)一个multilabel综合评价方法的改进,和一个模型比较和参数优化是通过综合评价指标。(3)模型的影响的结果在不同的学习方法现场测试进行了讨论。基于数据驱动的自然优势的方法,目前的方法可以很容易地扩展到其他场景沉箱施工后足够的数据被收集。

本研究的框架如图1。第二部分将解释工程背景以及数据采集和预处理的GPS数据和脚叶片的土压力。第三部分将探讨改进CART算法。第四部分着重于模型参数优化和基于改进的多参数综合评价指标比较。在第五部分,模型的部署方案和该领域的预测结果进行了讨论。

2。工程背景和数据准备

2.1。工程背景

的主要通道桥长泰长江大桥是一个双层斜拉桥。桥梁是公路的上层,下层是一个城际铁路和普通公路。两个桥塔的主要通道采用大型钢沉箱基础,如图2。基础平面的沉箱码头# 5的主要桥梁round-end,海拔是走,一步的宽度是9.0米。沉箱的底面是95.0米长,57.8米宽,圆的半径是28.9米。沉箱的顶面77.0米长,39.8米宽,19.9米半径的圆。沉箱的外壁厚1.8米,高43米,内壁厚度2.0米,高度是64米。内外环分区墙都是1.4米厚,外环隔墙是64米高,内圈隔墙是39米高。井筒内的标准尺寸是11米长11米宽。分区和内轴墙倒1.5米长,1.5米宽。钢壳结构有28个隔间。河部分钢沉箱所在地是潮汐的长江的下游。 The tidal level is affected by both the Yangtze River runoff and the tide. The 20-year encounter bridge cross-section vertical average maximum velocity ranges from 1.93 m/s to 2.1 m/s. The dry period vertical average maximum velocity is less than 1.05 m/s. The steel caisson is located on the north side of the main channel area. The topography of the pier is relatively stable. The surface layer of the riverbed is loose silt, with an uneven layer thickness that ranges from 11.6 to 4.8 m thick and has poor engineering properties. Most of the sandy soil layers drilled into pier #5 reveals a sandy gravel cement layer, which is a nonlayered structure and is distributed sporadically, revealing that the depth primarily ranges from -35 to -45 m under the river bed.

位置长泰长江大桥的水文和地质条件复杂、沉箱的体积很大,尤其小说和结构形式。的具体特点及施工难点主要集中在初始沉箱的安全风险和姿态控制是困难的。以及在施工期间,沉箱一直处于动态平衡状态,需要许多监控项目和大量的计量点。传统的监控系统信息反馈滞后,不能准确地预测脚叶片的土压力,因此,增加沉箱结构的不确定性。

2.2。数据准备

为了监控沉箱下沉的姿势和及时调整施工计划,北斗全球卫星定位系统传感器排列在沉箱顶部,和手工高精度测量的结果是每天检查,确保监测数据是准确和可靠的。北斗控制点的安装位置如图3(一个)。图3 (b)显示脚刀片的安装位置的土压力传感器。

在图3(一个), , , , ,和GPS测量值,是四个点测量的平均值。下沉量(SA)由以下公式计算: 在哪里1 - 5,代表5下沉量的位置,垂直的价值吗 - - - - - -监测位置的时间 ,和垂直方向的监测数据在时间吗的 - - - - - -监控的位置。

沉没数据从2020年7月19日至7月29日,2020年,和脚叶片的土压力对应的时间形成的数据集,数据如表所示1和2。

沉没的数据记录每10分钟,脚叶片的土压力是记录每30分钟。在沉箱的复杂建筑,一些脚的叶片传感器损坏,尽管许多保护保护传感器;因此,80人正常的传感器被选为学习和预测。数据聚合的下沉量数据和80英尺的叶片土压力数据是基于1 h时期;因此,原始数据集构建。原始数据集包含一个249样品和85特性(5功能下沉量和80功能的土压力脚刀片服务器)。模型测试的249个样本5日7月29日下午4:00在7月29日8:00。剩下的244人进行模型训练和验证测试。训练集和验证集的划分根据80%(195个样本)和20%(49个样本),分别。该模型通过训练训练集和验证集的评估模型。 Mean square error (MSE), mean absolute error (MAE), mean absolute percentage error (MAPE), and the fitted coefficient ( )为每个模型计算。 在哪里是真正的价值,预测的价值,的意思是样品的真实价值,然后呢是样品的数量。

3所示。改进的CART算法

决策树是一种基于实例归纳学习方法,构造了一个树状从给定样本回归模型。这是一个相对简单的算法与其他回归相比具有优良的鲁棒性。脚的土压力研究叶片预测基于车(25)进行的这项研究,介绍了如何使用决策树为了解决回归问题;让我们定义输入矩阵作为 在哪里 代表输入监控 , , , ,和下沉量数据,也称为特性,以及代表样本的数量。每个样品带对应于80英尺叶片土压力点在以下方程。

不可能直接输出80英尺叶片与传统车土压力值。对于多目标回归问题,一般有两种解决方案:第一种是将多元回归问题转化为一个简略的回归,这样,如果80英尺叶片需要预测土压力值,然后80单回归模型构建,土压力值在不同的位置的输出。然而,这种方法过于繁琐,和培训的复杂性很大而且耗时。另一种方法是建立一个多目标车回归模型(26]:

方程(8)是传统的车回归节点分裂法,目标价值,和预计值的区间内吗和 ,分别。最小值点选择作为分割点的计算均方误差和 。目标值的方法不是多维,和分裂过程不能计算多维数据下的损失,所以传统的车不能进行多目标回归。提高情商的分裂方法。(8),情商。9集的最小损失 - - - - - -维输出值作为分割点在计算损失。购物车可以写明确的叶节点

方程(10)是传统模式的输出形式,计算的平均价值和区域作为目标的输出值。改善上面的方法以获得Eq。(11),平均输出目标的价值维计算作为输出内的多个目标和地区,分别。

4所示。对实验结果的分析

4.1。提高车的训练方法

我们将数据按照时间顺序的预测土压力的叶片,在培训进行分别根据数据集是否打乱。例子是图所示4(a)下,蓝色1 - 10的10个样本时间表,和红色1 - 5是测试样品。我们使用两个训练方法,第一个是图所示4(b),根据时间顺序,第一个80%的数据作为训练集(1 - 8数据样本在黄色区域)和20%作为验证集样本(9 - 10在绿色区域)。另外,如图4(c)忽略,时间顺序,整个随机选择将训练集和验证集,即。,1- - - - - -10 in the original data are shuffled, 80% of the data is randomly selected as the training set and 20% as the validation set.

网格搜索方法用于选择参数对决策树的最大深度和最小数量的叶子节点样本,最大深度为2,3,4,5,6,7,8,9,10,和叶节点的最小数量样品是1,2,3,5,10。有45的组合最大深度和最小数量的叶子节点样本,如<最大深度为2和叶子节点样本的最小数量是1 >,和<最大深度为2和叶子节点样本的最小数量是2 >。在图5(a)、(b) (c)和(d)训练方法的结果2(无序方法)在图5,(e), (f), (g)和(h)训练方法1(命令方法)的结果在图5,分别。

随着深度的增加,树模型的非线性表示正在逐步加强。有序和无序的指标训练训练集显示一个递增的趋势。命令的准确性的训练,然而,逐渐减少对验证集和测试集。回归系数,例如,当深度是2,和叶节点的最小数量样本1,训练集的拟合系数为0.8900,深度是10,和叶节点的最小数量样品是1,训练集的拟合系数是0.9947。精度提高了11.76%;然而,验证集和测试集下降了37.16%,和测试的准确性下降了50.17%。无序的训练,训练集的匹配系数为0.8768时的深度是2,和最低的数量叶样品是1。它增加到0.9973时,深度增加到10,而最大减少适应系数验证集和测试集的大约16%。随着深度的增加,训练集的性能逐渐增加,和性能的验证和测试集减少,特别是在有序的训练。

提高最低数量的叶子节点在同一深度显示样品的改善模型的鲁棒性,在模型中震源深度10,最小叶样品验证集的数量范围从1到10的无序训练,和符合系数从0.8687增加到0.9038。它表明在深度确定的情况下,验证模型的准确性和测试集可以提高通过增加最低叶样品的数量。

有序的训练方法,因为数据集分割根据时间顺序,施工条件变化更重要的是随着时间的推移,和数据学习前时期可能不足以支持后来的预测。预测能力是训练显著降低,验证集和测试集在图6(一)意识到MSE, ,和梅指标显示最好的训练集的结果,其次是验证集,最糟糕的是观察到在测试集。培训和测试集指标之间的差距相对较大;的拟合系数,测试组训练集相比减少了36.65%。在图6 (b)的平均值障碍训练。因为长时间的模型学习数据特点和多个培训期间的工作条件,模型实现一个更好的鲁棒性。的平均拟合系数从0.9325降低训练集到0.8716,下跌6.53%,模型的稳定而有序的训练方法要好。

在评价指标,越接近是1,越接近 , ,和0,模型性能就越好。不同的指标没有相同的趋势来评估模型的预测能力。此外,在这项研究中, , ,和改变如下:

在回归模型中,不同的评价指标侧重于不同的方面。通过一个不同的模型的评价指标缺乏全面性。因此,与多个指标综合评价不同的模型是必要的。提出的排名方法Zorlu et al。272008年)是一种常用的多指标综合评价方法。Zhang et al。28)进行优化的基于Zorlu倾向一致性和标准化。然而,并没有综合考虑不同的数据集,和下面的步骤进一步提高上述研究。

步骤1。计算的评价指标 , , ,和分别对训练集和验证集。

步骤2。 , ,和通过统一转换的倾向 , ,和 。

步骤3。 , , ,和归一化的公式:
得到 , , ,和 。

步骤4。 , , ,和培训和验证集的总结综合评价指标。

的评价指标对不同参数组合下的无序训练训练集和验证集的计算是根据上面的综合评价算法来获取图7,这表明该模型综合评价指标最高的深度5和最低数量的叶子节点的样本10。

4.2。模型性能的比较

中长期规划的比较测试结果(29日],LSTM [30.),和线性回归31日)模型进行了分析研究。5倍交叉验证方法用于将样本划分为5个相等的部分按20%,培训和4部分,另1份进行验证。五个结果的平均值作为该模型的评价结果验证集。测试将评估结果通过过去五小时的数据。

平均值的5倍交叉验证电路的延时,LSTM,线性回归模型和改进的车模型如表所示3。线性回归模型,这就需要每个土压力脚叶片特性的建模;因此,建设80年线性回归模型来满足工程要求,是更为复杂和计算量相比,改进的模型车。表4是通过趋势变换,归一化后,多参数模型评价结果见表3。各种指数的结果验证和测试集添加到组合,同时评估模型的鲁棒性。最后,结果排名。基于多索引模型的评价结果表4,很明显,改善车模型执行的所有索引与其他模型相比,验证集和测试集的脚叶片的土压力预测整体排名第一。

5。讨论

先前的分析研究证实预测计划和预测算法,但是该模型是否有足够的能力领域预测进一步讨论。230数据点从7月29日,2020年,10:00至8月7日,2020年,23:00,用于讨论的评估数据集的长期预测模型。由于在沉箱下沉的条件的不同,两个方案选择领域的预测。在图8(一个)方案一,遗忘是用于第一个方案,模型学习43小时的数据,预测未来5小时的数据,并更新模型每五小时。图8 (b)方案二,连续积累的数据集,每次预测未来五小时的数据,然后更新模型。

方案1和2的预测结果如图所示9。发现之间没有显著差异的两个方案的拟合系数0.7699 0.7719方案1和方案2的检测下230数据点。这表明在预测过程中,只需要定期更新模型以达到一个相对良好的预测效果。我们提取数据的真实值和预测值在20:00 7月30日,2020年,20:00 8月3日,2020年和18:00在8月7日,2020年为可视化。的土压力模型的预测值脚叶片与现实值,如图10。

6。结论

大型沉箱下沉期间,监控的土压力脚叶片中发挥着关键作用在桥梁工程学应用程序安全、平稳下沉。在这项研究中,研究基于数据驱动的预测土压力的脚叶片在沉没是使用长泰开发长江大桥沉箱作为一个例子,一些结论达成如下:(1)multilabel任务的单个模型的土压力脚叶片的改进,达到了沉箱购物车的分裂规则。评估算法实现多参数模型来选择参数的最大深度和最小数量的最小样本提高车的叶节点。参数的最佳组合的最大深度5和叶节点的最小数量的样本10被选中。在测试设置中,日军为0.1114,均方误差为0.1516 MPa²,是0.8632,和0.1658 MPa是美(2)改进的多参数模型评价算法和分析改进的车相比,延时,LSTM,线性回归模型。得出购物车模型更适合预测脚叶片的土压力在沉箱的沉没(3)2020年7月29日,共有230个样本,10:00至8月7日,2020年,23:00,被用来继续改进车的评价模型。比较两个预测方案的数据是否被遗忘或不显示无显著差异,平均适应系数约0.77。实验的结果可以满足工程要求(4)从经验决策转向基于数据驱动的方法需要进一步研究。数据驱动的预测土压力脚叶片的沉箱的整体智能建筑的一部分

数据可用性

本研究中的数据可从相应的作者在合理的请求。

附加分

计算机代码的可用性。本研究中的代码可以从相应的作者在合理的请求。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

Kunyao李和李嘉明写的手稿。黄可以为本文研究方法和修订提供建议。李郝和肖姚计算和分析数据。郝竺李建欣郑、李郝和肖姚的基本数据处理。

确认

这项研究是由国家发展计划(2021 yff0500900和2021 yff0500902)。