Back analysis of rock mass parameters in tunnel engineering using machine learning techniques

岩体分类 灵敏度(控制系统) 理论(学习稳定性) 流离失所(心理学) 趋同(经济学) 支持向量机 算法 超参数 岩土工程 结算(财务) 计算机模拟 数值分析 工程类 地质学 计算机科学 模拟 机器学习 数学 心理学 数学分析 电子工程 万维网 经济 付款 心理治疗师 经济增长
作者
Xiangyu Chang,Hao Wang,Yiming Zhang
出处
期刊:Computers and Geotechnics [Elsevier]
卷期号:163: 105738-105738 被引量:11
标识
DOI:10.1016/j.compgeo.2023.105738
摘要

Efficient determination of the rock mass properties is vitally important for calculating and evaluating tunnel stability in tunnel engineering. The back analysis method has been widely used as an indirect method for determining rock mass parameters based on field measurements. However, most back analysis methods are generally time-consuming for numerical simulation and are merely based on the measured displacement, which leads to the identification of rock mass parameters that cannot fully reflect the characteristics of the surrounding rock. To improve the accuracy of the estimation of rock mass parameters, this paper presents a back analysis method based on multi-output support vector regression (MSVR) and differential evolution (DE) algorithms. Firstly, the global sensitivity analysis of rock mass parameters is analyzed using the elementary effects method. Numerical simulation is then carried out to prepare training samples. DE algorithm is used to determine the optimum hyperparameters of MSVR. Based on the monitoring data, the rock mass properties of the selected sensitive parameters are estimated by the constructed MSVR model. A high-speed railway tunnel is utilized to demonstrate the effectiveness of the MSVR with the DE algorithm (DE-MSVR). The results show that the DE-MSVR with mixed monitoring data of vault settlement, convergence, and rock mass stress has higher forecasting performance than these models with a single type of monitoring data. It is feasible to use the monitoring data at the early stages combined with the numerical simulation for parameter back analysis. Moreover, the comparison results show that the presented method exhibits higher prediction accuracy than the existing back analysis models.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
Night完成签到,获得积分10
刚刚
轩辕书白完成签到,获得积分10
1秒前
沙袋发布了新的文献求助10
1秒前
不辞完成签到 ,获得积分10
8秒前
9秒前
114555完成签到,获得积分10
12秒前
飘逸的威发布了新的文献求助10
13秒前
英喆完成签到 ,获得积分10
14秒前
快乐的土土完成签到 ,获得积分10
14秒前
白嫖论文完成签到 ,获得积分10
15秒前
小红完成签到 ,获得积分10
15秒前
18秒前
飘逸的威发布了新的文献求助10
23秒前
Sulin完成签到 ,获得积分10
24秒前
快乐的花果山完成签到,获得积分10
26秒前
李金奥完成签到 ,获得积分10
27秒前
29秒前
Milo完成签到,获得积分10
33秒前
lllwww完成签到 ,获得积分10
35秒前
活泼新儿完成签到 ,获得积分10
37秒前
yinyin完成签到 ,获得积分10
37秒前
执着易形完成签到 ,获得积分10
38秒前
Olsters完成签到 ,获得积分10
40秒前
执意完成签到 ,获得积分10
43秒前
xzy998完成签到,获得积分0
43秒前
和平使命应助科研通管家采纳,获得30
44秒前
乐乐应助科研通管家采纳,获得10
44秒前
44秒前
漠之梦完成签到,获得积分10
44秒前
不辣的完成签到 ,获得积分10
46秒前
财来完成签到 ,获得积分10
48秒前
tong童完成签到 ,获得积分10
53秒前
小狗不是抠脚兵完成签到 ,获得积分10
55秒前
自然千山完成签到,获得积分10
1分钟前
tivyg'lk发布了新的文献求助10
1分钟前
jue完成签到 ,获得积分10
1分钟前
珍惜完成签到,获得积分10
1分钟前
加载文献别卡了完成签到,获得积分10
1分钟前
冷傲凝琴完成签到,获得积分10
1分钟前
小李发布了新的文献求助30
1分钟前
高分求助中
Sustainability in Tides Chemistry 2800
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
Rechtsphilosophie 1000
Bayesian Models of Cognition:Reverse Engineering the Mind 888
Defense against predation 800
Very-high-order BVD Schemes Using β-variable THINC Method 568
Chen Hansheng: China’s Last Romantic Revolutionary 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3137058
求助须知:如何正确求助?哪些是违规求助? 2788032
关于积分的说明 7784326
捐赠科研通 2444102
什么是DOI,文献DOI怎么找? 1299733
科研通“疑难数据库(出版商)”最低求助积分说明 625536
版权声明 601010