Foundation pit excavation causes the deformation of adjacent tunnels,which in turn affects the safe operation of subway in tunnels.Therefore,how to accurately predict the deformation of adjacent tunnels is a problem worth studying.According to the non-limit earth pressure computational method,the earth pressure on the unloading pit wall during foundation pit excavation is calculated.With the aid of the Mindlin solution,the additional load acting on the side tunnel during the excavation stage of the foundation pit is obtained.The tunnel structure is considered as a Euler beam on the Winkler foundation beam and the differential equation of the elastic foundation beam is established.An analytical method for the horizontal displacement and deformation of the tunnel is given.Based on this method,the horizontal displacement of adjacent tunnels caused by foundation pit excavation is analyzed.The results show that the horizontal displacement of the tunnel increases with the increase of excavation depth of the foundation pit.The horizontal displacement of the tunnel calculated by considering non-limit earth pressure is relatively close to the value measured,and the overall relative error is smaller than 20％.Compared with the traditional method proposed,the author method is more practical.
曲线梁桥因其复杂的受力特性,在荷载及施工误差影响下引发爬移趋势,当桥梁支承形式不合理或约束不足时,会产生爬移病害,严重爬移可导致桥梁侧倾倒塌.针对曲线梁桥爬移现象设计了新型抗爬移倾覆专用支座,建立了弯桥支座系统布置方案,同时在案例工程上安装位移传感器进行实时监测,系统研究其使用性能.研究结果表明:新型抗爬移倾覆专用支座具有良好的自复位性能与使用稳定性;横向自复位支座起到抗爬移作用;端部自复位拉压式支座能同时起到抗爬移和抗倾覆作用.研究成果可以为预防曲线梁桥爬移病害提供理论参考与结构性解决方案.
为了研究叠合层内管线埋设不同位置对叠合板承载性能的影响,确定管线埋设的"安全区",设计了 1 组叠合层内无预埋管线和 3 组叠合层内不同位置布置管线的叠合板试件进行足尺对比试验,根据试验得到各组试件的承载力、挠度和应变等物理力学指标,分析其破坏形式和受力特性.试验结果表明:叠合层内管线的存在导致叠合板刚度减小,变形增大;管线对叠合板承载性能的影响程度与其埋设位置有关,随着管线埋设位置向跨中截面靠近,其对叠合板承载性能的影响越来越大;在距支座中心截面 1/3 跨度范围内的叠合层中布置管线对叠合板承载性能影响较小,该范围可视为管线埋设的"安全区".
为了解决基坑开挖过程中土体参数难以确定,基坑开挖响应的预测值往往不同于现场实测值的问题,提出了一种基于多重集合卡尔曼滤波(EnKF-MDA)的贝叶斯更新方法.首先,动态融合多阶段监测数据以更新土体参数,提高基坑开挖侧移预测的准确性;然后,构建双向长短时记忆(BiLSTM)神经网络作为代理模型,替代有限元方法,提高贝叶斯更新的计算效率;最后,以台北TNEC基坑为例说明所提的方法的性能.实验结果表明:BiLSTM成功学习了土体参数和基坑变形响应之间的映射;在融入多阶段多点监测数据后,预测准确性大大提高,基坑侧移的预测均值与现场实测吻合良好,预测的 95%置信区间基本覆盖实测值.
已有的数据修复主要是针对数据缺失问题，即利用变分自编码器学习相关分布，并生成能够表征缺失部分的内容，从而实现对数据的修复。然而这种方法仅作用于数据缺失，且无法对异常数据进行识别。同时，随着数据隐私问题不断暴露在公众视野里，这对传统方法再次发起了挑战。提出基于联邦学习框架及长短时记忆网络的生成对抗网络模型，即FedLGAN模型，以实现对水文遥测数据的异常识别与修复。在该模型中，通过生成对抗网络结构中的判别器鉴别真实数据与虚假数据的能力实现异常识别，通过生成器学习正常数据特征并生成的能力实现异常数据修复。此外，为了捕获原始数据的时序特征，将基于注意力机制的双向长短时记忆网络结构嵌入到生成对抗网络中。联邦学习的框架则避免了训练过程中水文遥测数据隐私的泄露。基于4个真实水文遥测设备的实验证明：FedLGAN模型能够在保护隐私的同时实现对异常数据的识别和修复。
