用于地铁车站拱盖法施工临时支撑拆除长度确定的方法

摘要

本发明实施例公开了一种用于地铁车站拱盖法施工临时支撑拆除长度确定的方法，其包括：S1、在拆除之前在岩体内部打入锚杆；S2、获取初始地表沉降量及初始拱顶沉降量；S3、拆除部分临时支撑并获取对应的地表沉降量及拱顶沉降量；S4、创建三维数值模型；S5、基于第一原始训练集创建第一随机森林预测模型；S6、基于第一随机森林预测模型，获取对应的地铁车站施工现场的围岩参数；S7、基于第二原始训练集创建第二随机森林预测模型；S8、通过所述第二随机森林预测模型确定当前对应的临时支护的拆除长度值，并进行临时支护的拆除施工。本发明可动态的确定临时支撑拆除的长度，对保障支护结构安全，促进安全施工具有重要意义。

权利要求

1.一种用于地铁车站拱盖法施工临时支撑拆除长度确定的方法，其特征在于，包括：S1、在临时支撑拆除之前，在临时支撑顶部的两侧各将一根锚杆打入岩体内部，并对锚杆施加一定的预应力；

S2、获取临时支撑拆除之前的初始地表沉降量及初始拱顶沉降量；

S3、拆除部分临时支撑，并在拆除过程实时监测地表沉降量及拱顶沉降量，并获取因临时支撑拆除造成的地表沉降量及拱顶沉降量，所述地表沉降量及拱顶沉降量即为将获得地表沉降量及拱顶沉降量的监测值分别减去各自对应的初始地表沉降量及拱顶沉降量；

S4、根据车站支护结构设计方案及车站所处的地质条件创建三维数值模型；

S5、创建用于确定围岩参数的第一原始训练集，基于第一原始训练集，创建第一随机森林预测模型；其中，所述第一原始训练集是确定出围岩参数取值范围后，选取一定的围岩参数数据形成相应的正交方案，并利用所述三维数值模型，根据拆除部分临时支撑时的施工过程，进行正交数值模拟，获取模拟过程中产生的地表沉降量及拱顶沉降量，形成的以地表沉降及拱顶沉降为输入，围岩参数为输出的训练集；所述围岩参数至少包括弹性模量、粘聚力、内摩擦角及泊松比；

S6、确定出拆除部分临时支撑时所造成的地表沉降增量及拱顶沉降增量，并将所述地表沉降增量及拱顶沉降增量输入到所述第一随机森林预测模型以获取对应的地铁车站施工现场的围岩参数；

S7、选用S6获取的围岩参数，创建用于确定临时支撑拆除长度的第二原始训练集，基于第二原始训练集创建第二随机森林预测模型；其中，所述第二原始训练集是确定出锚杆的应力取值范围、临时支撑的拆除长度取值范围后，形成相应的正交方案，并利用所述三维数值模型进行正交数值模拟后形成的以地表沉降、拱顶沉降及锚杆应力为输入，以临时支撑拆除长度为输出的训练集；

S8、依据现场施工环境，基于所设定临时支护拆除段的地表沉降控制值、拱顶沉降控制值、锚杆应力值，通过所述第二随机森林预测模型确定出当前对应的临时支护的拆除长度值，并根据所确定的拆除长度值进行临时支护的拆除施工。

2.根据权利要求1所述的方法，其特征在于，所述第一随机森林预测模型的创建步骤包括：基于随机森林和布谷鸟耦合算法，自所述第一原始训练集中采用有放回的方式抽取m个自主样本集，构建拥有m棵决策树的第一RF模型以预测围岩参数；所述第二随机森林预测模型的创建步骤包括：基于随机森林布谷鸟耦合智能算法，自所述第二原始训练集中采用有放回的方式抽取n个自主样本集，构建拥有n棵决策树的第二RF模型以确定临时支撑的拆除长度。

3.根据权利要求2所述的方法，其特征在于，所述第一随机森林预测模型的创建步骤包括：基于随机森林算法和布谷鸟模型的耦合算法预测围岩参数即基于随机森林智能算法，自所述第一原始训练集中采用有放回的方式抽取m个样本集，构建拥有m棵决策树的第一RF模型，在建立模型中，利用布谷鸟算法对随机森林算法中树节点预选的变量个数mtry及随机森林树的个数ntree两个参数进行寻优，以选取随机森林算法中的最优参数，进而获取现场围岩参数预测值；所述第二随机森林预测模型的创建步骤包括：基于随机森林算法和布谷鸟模型的耦合算法确定临时支撑的拆除长度即基于随机森林智能算法，自所述第二原始训练集中采用有放回的方式抽取n个样本集，构建拥有n棵决策树的第二RF模型，在建立模型中，利用布谷鸟算法对随机森林算法中树节点预选的变量个数mtry及随机森林树的个数ntree两个参数进行寻优，以选取随机森林算法中的最优参数，进而确定出最优的临时支撑的拆除长度。

4.根据权利要求3所述的方法，其特征在于，利用布谷鸟算法实现对随机森林算法最优参数的选取以确定出现场围岩参数预测值及临时支撑的拆除长度对应的计算步骤包括：(1)、设置布谷鸟算法参数，即最大迭代次数n,鸟巢被发现概率Pa，巢穴数量N，寻优参数的上限及下限值；

(2)、获取随机森林智能算法所对应的第一原始训练集/第二原始训练集，在第一原始训练集/第二原始训练集中，依次从前至后抽取前r组数据作为训练样本，从后至前抽取后t组数据作为测试样本；

(3)、选用均方误差‑MSE作为适应度函数，对应的函数表达式为：其中yi代表第i个围岩参数预测值/临时支撑的拆除长度， 为第i个围岩参数实际现场监测值/临时支撑的拆除长度；

(4)、初始化布谷鸟种群，并将初始化的种群代入到第一随机森林模型/第二随机森林模型中，根据适应度函数求出MSE值，并保留最优的鸟巢方位；

(5)、根据全局搜索公式更新布谷鸟种群的位置，并将更新完后的布谷鸟的解带入到所述随机森林模型中进行训练，求出更新后的MSE值，使所求出的MSE值与未更新解的MSE值比较，若更新后解对应的MSE值小于未更新解的MSE值，则使用更新后解对应的MSE值替代未更新之前的解，否则解的位置不发生变化；所述全局搜索公式的表达式为(t+1)

式中，x 代表第i个鸟巢在第t次迭代时的位置；a代表步长比例因子；n代表鸟巢数量； 代表点乘；L(λ)代表服从Lévy分布，其为随机飞行步长；

(6)、全局更新完成后，进行局部搜索解空间，即每个鸟窝各随机产生一个随机数R，将R与设置好的发现概率Pa作比较，如果R＞Pa，则抛弃此鸟巢，并且随机产生一个新的鸟巢，完成局部搜索；

(7)、同时对最优解进行迭代终止条件判断，即判断迭代次数是否达到设定的迭代次数或设定的最新误差，否则，则返回(5)继续迭代，直至达到设置的终止条件，并求得此时的参数mtree和ntry的最佳解的方位，把最佳解的方位(nteee,ntry)带入到所述第一随机森林模型/第二随机森林模型中进行训练，并输出计算值。

5.根据权利要求1所述的方法，其特征在于，预应力锚杆内设置光栅应变传感器，以监测打入岩体内部的锚杆在受力过程中应变的变化数据，获取锚杆应力变化；且在锚杆打入后，将获得的锚杆初始应力值作为预测临时支撑拆除长度的锚杆预应力的输入值；同时在地铁车站拱盖部分初支钢拱架架设时事先设置土压力盒以实时监测围岩应力的变化数据；

并设置钢筋计以监测各自拱架钢筋的受力变化数据；上述传感器，统一以自动化监测采集箱进行数据采集，传输至远程服务器上进行接收，并通过手机或PC终端进行数据的访问和获取以实时监控施工过程中监测数据的变化。

说明书

用于地铁车站拱盖法施工临时支撑拆除长度确定的方法

技术领域

[0001] 本发明涉及地铁车站施工技术领域，尤其涉及一种用于地铁车站拱盖法施工临时支撑拆除长度确定的方法。

背景技术

[0002] 在地铁车站拱盖法施工过程中，对于临时支撑的拆除长度的选取尤为关键，在临时支撑拆除过程中，伴随着应力的释放和应力的转换以及应力的重分布，临时支撑拆除长
度过长会导致应力转换过度剧烈，导致结构失稳，拆除长度过短会导致施工进度过慢，在施
工过程中并未有对临时支撑拆除的长度确定的方法，在施工过程中通常根据施工经验对临
时支撑进行拆除。

[0003] 而今一些比较成熟的机器学习算法已经广泛地应用于各个领域的数据分析中，众多学者对机器学习算法在地下工程施工中的应用进行了研究，并且取得了良好的进展。

[0004] 通过机器学习算法对已有的数据库进行分析，获取数据之间的对应关系。但在机器学习算法在地下工程中的应用中，在通过数值模拟构建样本形成数据库的过程中，数值
模拟必须以合理的力学参数为基础，而由室内试验或原位试验测试岩体相关力学参数费用
较高，而且难以反映整个工程范围内的真实情况，确定的力学参数与实际情况均有较大偏
差，围岩参数的确定是保证样本库准确的保证。

[0005] 在机器学习算法中，其中基于随机森林的方法因其识别精度高和计算时效性强而广受的关注。并且与其他预测算法相比较,计算简单,模型稳定,随机森林模型的预测结果
具有更精确的预测准度。但在选用随机森林算法时，对于其参数的选取存在人为选择的盲
目性，参数选取不合理会降低随机森林算法的准确度及计算效率，怎样改进已有机器学习
算法提高模型效果都是需要进一步研究的问题。

发明内容

[0006] 基于此，为解决现有技术所存在的不足，特提出了一种用于地铁车站拱盖法施工临时支撑拆除长度确定的方法。

[0007] 一种用于地铁车站拱盖法施工临时支撑拆除长度确定的方法，其包括：

[0008] S1、在临时支撑拆除之前，在临时支撑顶部的两侧各将一根锚杆打入岩体内部，并对锚杆施加一定的预应力；

[0009] S2、获取临时支撑拆除之前的初始地表沉降量及初始拱顶沉降量；

[0010] S3、拆除部分临时支撑，并在拆除过程实时监测地表沉降量及拱顶沉降量，并获取因临时支撑拆除造成的地表沉降量及拱顶沉降量，所述地表沉降量及拱顶沉降量即为将获
得地表沉降量及拱顶沉降量的监测值分别减去各自对应的初始地表沉降量及拱顶沉降量；

[0011] S4、根据车站支护结构设计方案及车站所处的地质条件创建三维数值模型；

[0012] S5、创建用于确定围岩参数的第一原始训练集，基于第一原始训练集，创建第一随机森林预测模型；其中，所述第一原始训练集是确定出围岩参数取值范围后，选取一定的围
岩参数数据形成相应的正交方案，并利用所述三维数值模型根据拆除部分临时支撑时的施
工过程进正交数值模拟后，获取模拟过程中产生的地表沉降量及拱顶沉降量，形成的以地
表沉降及拱顶沉降为输入，围岩参数为输出的训练集；所述围岩参数至少包括弹性模量、粘
聚力、内摩擦角及泊松比；

[0013] S6、确定出拆除部分临时支撑时所造成的地表沉降增量及拱顶沉降增量，并将所述地表沉降增量及拱顶沉降增量输入到所述第一随机森林预测模型以获取对应的地铁车
站施工现场的围岩参数；

[0014] S7、选用S6获取的围岩参数，创建用于确定临时支撑拆除长度的第二原始训练集，基于第二原始训练集创建第二随机森林预测模型；其中，所述第二原始训练集是确定出锚
杆的应力取值范围、临时支撑的拆除长度取值范围后，形成相应的正交方案，并利用所述三
维数值模型进行正交数值模拟后形成的以地表沉降、拱顶沉降及锚杆应力为输入，以临时
支撑拆除长度为输出的训练集；

[0015] S8、依据现场施工环境，基于所设定临时支护拆除段的地表沉降控制值、拱顶沉降控制值、锚杆应力值，通过所述第二随机森林预测模型确定当前对应的临时支护的拆除长
度值，根据所确定的拆除长度值进行临时支护的拆除施工。

[0016] 可选的，在其中一个实施例中，所述第一随机森林预测模型的创建步骤包括：基于随机森林和布谷鸟耦合算法，自所述第一原始训练数据集中采用有放回的方式抽取m个自
主样本集，构建拥有m棵决策树的第一RF模型以预测围岩参数；所述第二随机森林预测模型
的创建步骤包括：基于随机森林布谷鸟耦合智能算法，自所述第二原始训练数据集中采用
有放回的方式抽取n个自主样本集，构建拥有n棵决策树的第二RF模型以确定临时支撑的拆
除长度。

[0017] 可选的，在其中一个实施例中，所述第一随机森林预测模型的创建步骤包括：基于随机森林算法和布谷鸟模型的耦合算法预测围岩参数即基于随机森林智能算法，自所述第
一原始训练数据集中采用有放回的方式抽取m个样本集，构建拥有m棵决策树的第一RF模
型，在建立模型中，利用布谷鸟算法对随机森林算法中树节点预选的变量个数mtry及随机
森林树的个数ntree两个参数进行寻优，以选取随机森林算法中的最优参数，获取现场围岩
参数预测值，进而获取现场围岩参数预测值；所述第二随机森林预测模型的创建步骤包括：
基于随机森林算法和布谷鸟模型的耦合算法确定临时支撑的拆除长度即基于随机森林智
能算法，自所述第二原始训练数据集中采用有放回的方式抽取n个样本集，构建拥有n棵决
策树的第二RF模型，在建立模型中，利用布谷鸟算法对随机森林算法中树节点预选的变量
个数mtry及随机森林树的个数ntree两个参数进行寻优，以选取随机森林算法中的最优参
数，进而确定出最优的临时支撑的拆除长度。

[0018] 可选的，在其中一个实施例中，利用布谷鸟算法实现对随机森林算法最优参数的选取以确定出现场围岩参数预测值及临时支撑的拆除长度对应的计算步骤包括：

[0019] (1)、设置布谷鸟算法参数，即最大迭代次数n,鸟巢被发现概率Pa，巢穴数量N，寻优参数的上限及下限值；

[0020] (2)、获取随机森林智能算法所对应的第一原始训练集/第二原始训练集，在第一原始训练集/第二原始训练集中，依次从前至后抽取前r组数据作为训练样本，从后至前抽
取后t组数据作为测试样本；

[0021] (3)、选用均方误差‑MSE作为适应度函数，对应的函数表达式为：

[0022]

[0023] 其中yi代表第i个围岩参数预测值/临时支撑的拆除长度， 为第i个围岩参数实际现场监测值/临时支撑的拆除长度。

[0024] (4)、初始化布谷鸟种群，并将初始化的种群代入到第一随机森林模型/第二随机森林模型中，根据适应度函数求出MSE值，并保留最优的鸟巢方位；

[0025] (5)、根据全局搜索公式更新布谷鸟种群的位置，并将更新完后的布谷鸟的解带入到所述随机森林模型中进行训练，求出更新后的MSE值，使所求出的MSE值与未更新解的MSE
值比较，若更新后解对应的MSE值小于未更新解的MSE值，则使用更新后解对应的MSE值替代
未更新之前的解，否则解的位置不发生变化；所述全局搜索公式的表达式为

[0026]

[0027] 式中，x(t+1)代表第i个鸟巢在第t次迭代时的位置；a代表步长比例因子；n代表鸟巢数量； 代表点乘；L(λ)代表服从Lévy分布，其为随机飞行步长；

[0028] (6)、全局更新完成后，进行局部搜索解空间，即每个鸟窝各随机产生一个随机数R，将R与设置好的发现概率Pa作比较，如果R>Pa，则抛弃此鸟巢，并且随机产生一个新的鸟
巢，完成局部搜索；

[0029] (7)、同时对最优解进行迭代终止条件判断，即判断迭代次数是否达到设定的迭代次数或设定的最新误差，否则，则返回(5)继续迭代，直至达到设置的终止条件，并求得此时
的参数mtree和ntry的最佳解的方位，把最佳解的方位(nteee,ntry)带入到所述第一随机
森林模型模型/第二随机森林模型模型中进行训练，并输出计算值。

[0030] 可选的，在其中一个实施例中，所述预应力锚杆内设置光栅应变传感器，以监测打入岩体内部的锚杆在受力过程中应变的变化数据，获取锚杆应力变化；锚杆打入后，将获得
的锚杆初始预应力值作为预测临时支撑拆除长度的锚杆预应力的输入值；在地铁车站拱盖
部分初支钢拱架架设时事先设置土压力盒以实时监测围岩应力的变化数据；并设置钢筋计
以监测各自拱架钢筋的受力变化数据；上述传感器，统一以自动化监测采集箱进行数据采
集，传输至远程服务器上进行接收，并通过手机或PC等终端进行数据的访问和获取。实时监
控施工过程中监测数据的变化。上一段临时支撑拆除后，通过对现场监测数据的变化规律
确定下一段临时支撑的拆除时间，当监测数据趋于稳定时，进行下一段临时支撑的拆除，为
施工的安全进行做进一步的保证。

[0031] 实施本发明实施例，将具有如下有益效果：

[0032] 采用了上述技术之后，本发明可以动态的确定临时支撑拆除的长度，对保障支护结构安全，促进安全施工具有重要意义。

附图说明

[0033] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本
发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以
根据这些附图获得其他的附图。

[0034] 其中：

[0035] 图1为一个实施例中实施本发明技术流程步骤图；

[0036] 图2(a)‑图2(b)为一个实施例中临时支撑拆除前后示意图；

[0037] 图3为一个实施例中地表及拱顶沉降测点示意图；

[0038] 图4为一个实施例中随机森林预测示意图；

[0039] 图5为一个实施例中所述第一随机森林‑RF模型关系图；

[0040] 图6为一个实施例中所述第二随机森林‑RF模型关系图；

[0041] 图7为一个实施例中所述自动化监测测点布置图；

[0042] 图8一个实施例中所述三维数值模型。

[0043] 图中，A、第一主体导洞，B、第二主体导洞，C、第三主体导洞，D、第四主体导洞，E、预应力锚杆，F、边导洞临时支撑，G、中隔壁临时支撑。

具体实施方式

[0044] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并
不用于限定本发明。

[0045] 除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具
体的实施例的目的，不是旨在限制本发明。可以理解，本发明所使用的术语“第一”、“第二”
等可在本文中用于描述各种元件，但这些元件不受这些术语限制。这些术语仅用于将第一
个元件与另一个元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一元件称
为第二元件，且类似地，可将第二元件为第一元件。第一元件和第二元件两者都是元件，但
其不是同一元件。

[0046] 为了解决现有技术所存在的不足，在本实施例中，特提出了一种用于地铁车站拱盖法施工临时支撑拆除长度确定的方法，如图1所示，该方法包括S1、在临时支撑拆除之前，
在竖向临时支撑顶部的两侧各将一根锚杆打入岩体内部，并对锚杆施加一定的预应力；S2、
获取临时支撑拆除之前的初始地表沉降量及初始拱顶沉降量；S3、拆除部分临时支撑(如顶
部临时支撑)，并在拆除过程实时监测地表沉降量及拱顶沉降量，将获得的监测值减去初始
地表沉降量及拱顶沉降量，获取因临时支撑拆除造成的地表沉降量及拱顶沉降量；S4、根据
车站支护结构设计方案及车站所处的地质条件创建三维数值模型；S5、创建用于确定围岩
参数的第一原始训练集，基于第一原始训练集，创建第一随机森林预测模型。其中，所述第
一原始训练集是确定出围岩参数取值范围后，选取一定的围岩参数数据形成相应的正交方
案，并利用所述三维数值模型根据拆除部分临时支撑时的施工过程进正交数值模拟后，获
取模拟过程中产生的地表沉降量及拱顶沉降量，形成的以地表沉降及拱顶沉降为输入，围
岩参数为输出的训练集；所述围岩参数至少包括弹性模量(E)、粘聚力(C)、内摩擦角(Ф)及
泊松比(μ)；

[0047] S6、确定出拆除部分临时支撑时所造成的地表沉降增量及拱顶沉降增量，并将所述地表沉降增量及拱顶沉降增量输入到所述第一随机森林预测模型以获取对应的地铁车
站施工现场的围岩参数；S7、选用S6获取的围岩参数，创建用于确定临时支撑拆除长度的第
二原始训练集，基于第二原始训练集创建第二随机森林预测模型。其中，所述第二原始训练
集是确定出锚杆的应力取值范围、临时支撑的拆除长度取值范围后，形成相应的正交方案，
并利用所述三维数值模型进行正交数值模拟后形成的以地表沉降、拱顶沉降及锚杆应力为
输入，以临时支撑拆除长度为输出的训练集；S8、依据现场施工环境，基于所设定临时支护
拆除段的地表沉降控制值、拱顶沉降控制值、锚杆应力值，通过所述第二随机森林预测模型
确定当前对应的临时支护的拆除长度值，根据所确定的拆除长度值进行临时支护的拆除施
工。

[0048] 另，本例中地铁车站拱盖如图2所示，包含第一主体导洞A、第二主体导洞B、第三主体导洞C和第四主体导洞D。

[0049] 在一些具体的实施例中，S1中，在竖向临时支撑顶部的两侧各将一根锚杆打入岩体内部，并对锚杆施加一定的预应力，对临时支撑两侧的预应力锚杆两者检测数据的平均
值来减少误差，通过此方法提高了围岩的抗剪强度，优选的所述锚杆的长2.5～4.0m，两者
间的纵向距0.5～1m；并将高精度光栅应变传感器置入所述锚杆中，用于监测打入岩体内部
的锚杆在受力过程中应变的变化情况，用于确定锚杆应力变化，将获得的锚杆初始应力值
作为预测临时支撑拆除长度的锚杆预应力的输入值；另，锚杆的长度、间距以及预应力的大
小根据围岩条件，拱部变形大小等由工作人员依据经验自行确定；在更进一步的实施例中，
在地铁车站拱盖部分初支钢拱架架设时，在每一所述对应的拱架外侧监测点均事先对应安
装土压力盒，监测围岩应力的变化情况；此外，在临时支撑与初支架结构相连接位置处设置
钢筋计，用于监测各自拱架钢筋的受力变化；上述传感器，统一通过预设的自动化监测采集
箱进行数据采集，传输至远程服务器上进行接收，并可通过手机或PC等终端进行数据的访
问和获取，实时监控施工过程中监测数据的变化。上一段临时支撑拆除后，通过对现场监测
数据的变化规律确定下一段临时支撑的拆除时间，当监测数据趋于稳定时，进行下一段临
时支撑的拆除，为施工的安全进行做进一步的保证。；同时其可以对导洞的拱顶沉降、地表
沉降等监测信息进行了测量，获得相关的数据。另本案所述地铁车站施工现场的锚杆支护
安装结构以及监测点分布示意图如图2与图7所示。

[0050] 在一些具体的实施例中，S4中，根据车站支护结构设计方案及车站所处的地质条件创建三维模型；进一步的，对岩层参数进行正交设计，形成正交方案，利用ANSYS进行三维
模型的建立，如图8，并利用FLAC3D软件进行数值模拟；对地表沉降及拱顶沉降数值模拟结
果进行记录。

[0051] 在一些具体的实施例中，S5中，拆除部分临时支撑即完成临时支撑的初期拆除工程，并在拆除过程获取因临时支撑拆除造成的地表沉降量及拱顶沉降量，确定出围岩参数
取值范围后，选取一定的围岩参数数据形成相应的正交方案，并利用所述三维数值模型进
行正交数值模拟(即利用建立的三维数值模型进行步正交方案数值模拟，对地表沉降及拱
顶沉降数值模拟结果进行记录)后形成的以地表沉降及拱顶沉降为输入，围岩参数为输出
的第一原始训练集；基于第一原始训练集，创建第一随机森林预测模型。

[0052] 在一些具体的实施例中，S6中，确定出拆除部分临时支撑时所造成的地表沉降增量及拱顶沉降增量，并将所述地表沉降增量及拱顶沉降增量输入到所述第一随机森林预测
模型以获取对应的地铁车站施工现场的围岩参数。

[0053] 在一些具体的实施例中，S7中，选用S6获取的围岩参数，创建用于确定临时支撑拆除长度的第二原始训练集，基于第二原始训练集创建第二随机森林预测模型。所述第二原
始训练集是确定出锚杆的应力取值范围、临时支撑的拆除长度取值范围后，形成相应的正
交方案，并利用所述三维数值模型进行正交数值模拟(即利用三维模型进行正交方案数值
模拟，记录正交方案模拟过程中产生的地表沉降及拱顶沉降量)后形成的以地表沉降、拱顶
沉降及锚杆预应力为输入，以临时支撑拆除长度为输出的临时支撑拆除长度训练集；具体
的：如图3所示，人工监测项目为地表沉降及拱顶沉降，地表沉降测点为DBC‑1、DBC‑2、DBC‑
3、DBC‑4、DBC‑5、DBC‑6、DBC‑7，拱顶沉降测点为GD‑1、GD‑2、GD‑3。如图5所示，用于确定围岩
参数的第一随机森林‑RF模型以人工监测地表沉降监测值(DBC‑1、DBC‑2、DBC‑3、DBC‑4、
DBC‑5、DBC‑6、DBC‑7)及拱顶沉降(GD‑1、GD‑2、GD‑3)为输入值，输出值为弹性模量(E)、粘聚
力(C)、内摩擦角(Ф)及泊松比(μ)。如图6所示，用于确定临时支撑拆除长度的第二随机森
林‑RF模型是以地表沉降值、拱顶沉降值及锚杆预应力为输入，临时支撑的拆除长度为输
出。

[0054] 在一些具体的实施例中，在S5及S7中，基于第一原始训练集，可利用随机森布谷鸟耦合算法，第一原始训练数据集中采用有放回的方式抽取m个样本集，构建拥有m棵决策树
的第一RF模型即围岩参数映射模型用于预测围岩参数；同时基于第二原始训练集，利用随
机森林布谷鸟耦合算法对第二原始训练集进行学习，从所述原始训练数据集中采用有放回
的方式抽取n个样本集，构建拥有n棵决策树的RF模型即创建临时支撑拆除长度映射模型以
实时获取当前条件下的临时支撑拆除长度的安全值，用于确定临时支撑的拆除长度；进一
步的，所述随机森林智能算法与布谷鸟模型运算原理如下：

[0055] 其中，所述随机森林智能算法运算原理：

[0056] (1)构建训练集构建输入变量X，和输出变量Y形成的训练集；

[0057] (2)产生自助采样训练子集及回归树：采用Bootstrap方法进行训练样本集重抽样，随机产生ntree个训练数据集，以及ntree棵回归树；其中ntree为生长树的数量；

[0058] (3)节点分裂生长：回归树的每个节点在分裂生长时，随机抽取mtry个预测模型输入参数作为当前节点的分裂子集。根据“平方误差最小准则”，选择最优方式进行节点分裂，
分裂过程中不剪枝且mtry值保持不变。mtry为在每个节点进行分割的预测器的数量。

[0059] (4)生成随机森林：每棵回归树由上而下递归分枝生长，满足分割终止条件后回归树停止生长，最后将所有回归树组合在一起，构成随机森林。

[0060] (5)预测：将预测集中的参数向量输入到经过训练的模型中，对单棵回归树的预测值使用“简单平均法”求算术平均值，得到预测值。

[0061] 这里需要说明的是随机森林的2个重要参数一是树节点预选的变量个数mtry，二是随机森林树的个数ntree；其中，mtry太小会导致分类器过于拟合，致使预测分类的精度
降低；太大则会导致运行速度减慢，即mtry逐渐减小，树之间的相关性也逐渐减小，分类精
度也随之减少；而ntree太小会导致训练不够充分，太大会增加模型的运算量。

[0062] 所述布谷鸟模型运算原理如下：布谷鸟算法是一种新型的直接寻优的算法，即引入布谷鸟算法，可寻找最优的参数。具体假设在优化过程中需要优化的参数的个数为nd，那
么产生维度为nd的N个鸟巢，计算当前每个鸟窝的目标函数值，并将所有鸟窝的目标函数计
算结果相互对比分析，得到此刻质量最好的鸟窝，即最好的目标函数值，在循环运算阶段，
保存上一代质量最好的鸟窝方位，使用莱维飞行更新布谷鸟鸟巢位置，

[0063] 布谷鸟算法使用莱维飞行飞行实现位置更新的公式为：

[0064]

[0065] 式中，x(t+1)是第i个鸟巢在第t次迭代时的位置；a为步长比例因子；n为鸟巢数量；代表点乘；L(λ)服从Lévy分布，为随机飞行步长。

[0066] 首先，调整现有鸟窝的方位，求出调整后的鸟窝方位的目标函数值，并将其和未调整时的鸟窝方位的目标函数值进行对比，如若调整后的鸟窝的目标函数值的质量更好，那
么鸟窝的方位发生改变，抛弃上一代的鸟窝方位，假如未进行调整的鸟窝质量更好，就不需
要调整此刻鸟窝的方位；其次，方位调整结束后，每个鸟窝各任意生成一个随机数R，R的取
值范围为[0,1]，将R和设置好的发觉比率Pa作对比，如果R>Pa，则表示此鸟巢会被宿主鸟发
现，即抛弃此鸟巢，并且随机产生一个新的鸟巢，采用交叉变异的方法生成下一鸟巢方位，
否则鸟巢的方位不改变；最后，判定算法有没有到达迭代的终止条件，即迭代次数有没有达
到T亦或达到设置的最小误差，如果都没有达到这两个条件，则继续迭代，否则输出当前值，
当前值就是算法求出的最优值。

[0067] 基于上述原理，本发明所述的第一RF模型和第二RF模型采用的随机森林算法和布谷鸟算法的耦合算法，随机森林与布谷鸟算法耦合的构建思想为：

[0068] 按照所创建的输入和输出的两个训练集，分别利用随机森林智能算法建立多棵决策树，并利用布谷鸟算法寻找随机森林算法中的最优参数以优化RF模型，提高随机森林算
法是预测能力，从而建立更好的RF模型。

[0069] 基于上述设计原理，则在一些具体的实施例中，所述第一随机森林预测模型的创建步骤包括：基于随机森林与布谷鸟耦合算法，自所述第一原始训练数据集中采用有放回
的方式抽取m个自主样本集，构建拥有m棵决策树的第一RF模型以预测围岩参数；所述第二
随机森林预测模型的创建步骤包括：基于随机森林与布谷鸟耦合算法，自所述第二原始训
练数据集中采用有放回的方式抽取n个自主样本集，构建拥有n棵决策树的第二RF模型以确
定临时支撑的拆除长度，进一步的，所述第一随机森林预测模型的创建步骤包括：基于随机
森林算法和布谷鸟模型的耦合算法预测围岩参数，即自所述第一原始训练数据集中采用有
放回的方式抽取m个自主样本集，构建拥有m棵决策树的第一RF模型，在建立模型中，利用布
谷鸟算法对随机森林算法中树节点预选的变量个数mtry及随机森林树的个数ntree两个参
数进行寻优，以选取随机森林算法中的最优参数，以获取现场围岩参数预测值；所述第二随
机森林预测模型的创建步骤包括：基于随机森林算法和布谷鸟模型的耦合算法确定临时支
撑的拆除长度即基于随机森林智能算法，自所述第二原始训练数据集中采用有放回的方式
抽取n个自主样本集，构建拥有n棵决策树的第二RF模型，在建立模型中，利用布谷鸟算法对
随机森林算法中树节点预选的变量个数mtry及随机森林树的个数ntree两个参数进行寻
优，以选取随机森林算法中的最优参数，以确定出最优的临时支撑的拆除长度。其中，利用
布谷鸟算法实现对随机森林算法最优参数的选取以确定出现场围岩参数预测值及临时支
撑的拆除长度对应的计算步骤包括：

[0070] (1)设置布谷鸟算法参数，即最大迭代次数n,鸟巢被发现概率Pa，巢穴数量N，寻优参数的上限及下限值；

[0071] (2)获取随机森林智能算法所对应的第一原始训练集(本例仅以第一原始训练集为例进行说明，同样适用于第二原始训练集)；

[0072] (3)并且设置适应的函数，在本算法中，选用均方误差(MSE)作为适应度函数，对应的函数表达式为：

[0073]

[0074] 其中yi代表第i个围岩参数预测值， 为第i个围岩参数实际现场监测值。

[0075] (4)初始化布谷鸟种群，并将初始化的种群代入到第一随机森林模型中，根据公式(2)求出此时的MSE值，并保留最优的鸟巢方位；

[0076] (5)根据全局搜索公式(1)更新布谷鸟种群的位置，并将更新完后的布谷鸟的解带入到所述随机森林模型中进行训练，求出更新后的MSE值，使所求出的MSE值与未更新解的
MSE值比较，若更新后解对应的MSE值更小，则替代未更新之前的解，反之解的位置不发生变
化。

[0077] (6)全局更新完成后，进行局部搜索解空间，即每个鸟窝各随机产生一个随机数R，将R与设置好的发现概率Pa作比较，如果R>Pa，那么鸟巢就会被宿主鸟发现，那么抛弃此鸟
巢，并且随机产生一个新的鸟巢，完成局部搜索。

[0078] (7)对最优解进行迭代终止条件判断，即迭代次数有没有达到设定的迭代次数或设定的最新误差，如果没有达到，则返回(5)继续迭代，达到设置的终止条件，则可以求得此
时的参数mtree和ntry的最佳解的方位，把最佳解的方位(nteee,ntry)带入到所述第一随
机森林模型模型中进行训练，并输出预测值。

[0079] 在具体一个实施例中，所述预应力锚杆内设置光栅应变传感器，以监测打入岩体内部的锚杆在受力过程中应变的变化数据，获取锚杆应力变化。

[0080] 在具体一个实施例中，所述预应力锚杆内设置光栅应变传感器，以监测打入岩体内部的锚杆在受力过程中应变的变化数据，获取锚杆应力变化；锚杆打入后，将获得的锚杆
初始应力值作为预测临时支撑拆除长度的锚杆预应力的输入值，如图7(临时支撑包含临时
支撑中隔壁G与边导洞临时支撑F)所述自动化监测测点布置结构，在地铁车站拱盖部分初
支钢拱架架设时事先拱架外侧设置土压力盒以实时监测围岩应力的变化数据；并在临时支
撑与初支结构相连接位置处，初支拱架和临时支撑的拱架分别设置钢筋计以监测各自拱架
钢筋的受力变化数据；上述传感器，统一以自动化监测采集箱进行数据采集，传输至远程服
务器上进行接收，并通过手机或PC等终端进行数据的访问和获取。实时监控施工过程中监
测数据的变化。上一段临时支撑拆除后，通过对现场监测数据的变化规律确定下一段临时
支撑的拆除时间，当监测数据趋于稳定时，进行下一段临时支撑的拆除，为施工的安全进行
做进一步的保证。

[0081] 实施本发明实施例，将具有如下有益效果：

[0082] 本发明通过建立以地表沉降及拱顶沉降为输入，围岩参数为输出的第一原始训练集；再建立以围岩参数、地表沉降、拱顶沉降、及锚杆预应力为输入，以临时支撑拆除长度为
输出的第二原始训练集；利用随机森林和布谷鸟耦合算法进行学习，从原始训练数据集中
采用有放回的方式抽取m个样本集，构建拥有m棵决策树的第一个RF模型，用于预测围岩参
数；利用随机森林和布谷鸟耦合算法进行学习，从原始训练数据集中采用有放回的方式抽
取n个样本集，构建拥有n棵决策树的第二个RF模型，用于确定临时支撑拆除长度；通过对地
表沉降、拱顶沉降、及锚杆预应力的控制，按输出的临时支撑的拆除长度对临时支撑进行拆
除。在自动化监测的基础上，通过对地表沉降、拱顶沉降、及锚杆预应力的参数的控制，可以
动态的确定临时支撑拆除的长度，对于保障支护结构安全，促进安全施工具有重要意义。

[0083] 下面以一个具体的施工实施例，进一步说明本发明的设计原理以及具体工作流程。

[0084] 在大连地铁石葵路地铁车站临时支撑拆除时，获得在临时支撑两侧打入岩体内部的锚杆受到的平均应力为30Mpa，根据施工经验对临时支撑做初期拆除，初期拆除的长度为
10m，临时支撑拆除后，现场监测获得因临时支撑拆除造成的地表沉降量为DBC‑1为2.1mm、
DBC‑2为3.2mm、DBC‑3为4.4mm、DBC‑4为为5.6mm、DBC‑5为3.9mm、DBC‑6为3.1mm、DBC‑7为
1.9mm，拱顶沉降量为GD‑1为4.3mm、GD‑2为7.2mm、GD‑3为4.6mm。

[0085] 根据车站支护结构设计方案及车站所处的地质条件创建三维数值模型，并依据现场地质状况，选取围岩参数取值范围，弹性模量E＝1.2～2GPa，泊松比μ＝0.31～0.35，粘聚
力c＝0.2～0.6MPa，内摩擦角 对于所确定的四个因素选择玩正交表安排试
验，设计4个试验参数在5水平下的25种组合。将各方案的参数带入隧道数值模型中进行有
限元正算，得到施工模拟过程产生的与实际施工过程监测点相对应的地表沉降量及拱顶沉
降量。将设计的正交方案及数值模拟计算结果作为第一原始训练集，前20组数据作为测试
样本，后5组数据作为测试样本。

[0086] 设置具体算法参数，利用布谷鸟算法实现对随机森林算法最优参数的选取，设置布谷鸟算法最大迭代次数n＝200，鸟巢被发现概率Pa＝025，巢穴数量N＝50,树节点预选的
变量个数mtry上下限为[2,4]，随机森林树的个数ntree寻的上下限为[10,500]。通过布谷
鸟算法获得的随机森林的参数mtry及ntree的最佳值为mtry＝2，ntree＝240。

[0087] 将mtry＝2，ntree＝240作为随机森林参数，对创建的第一原始训练集进行训练，建立第一随机森林预测模型。后5组选取的计算参数与第一随机森林预测模型预测结果如
表1所示。由下表中数据可知，围岩参数的最大误差为3.33％，预测误差相对较小，基本可以
忽略不记，表明本发明在对地层参数的确定中具有较高的可靠度与精度。

[0088]

[0089] 将临时支撑初期拆除时现场监测获得的各监测点的地表沉降增量及拱顶沉降增量带入第一随机森林预测模型，对施工现场地层参数进行确定，设定的第一随机森林预测
模型的地表沉降值、拱顶沉降值、的输入值及围岩参数的的输出值如表2所示.

[0090]

[0091] 获得施工现场岩体参数为弹性模量E＝1.73GPa，泊松比μ＝0.32，粘聚力c＝0.38MPa，内摩擦角φ＝35°。将获得的围岩参数用于指导现场实际施工，与前期地勘资料相
比，通过该算法获得的围岩参数准确度更高，表明该算法获得的现场围岩参数具有较高的
准确度与可信度。

[0092] 根据现场施工状况确定第二原始训练集，确定锚杆打入后的应力取值范围为σ＝10～60Mpa，临时支撑拆除长度范围为L＝5.5～23.5m,设计2个试验参数在5水平下的25种
组合方案。将上述确定的围岩参数作为数值模型计算过程中的围岩参数，并将各方案的参
数带入隧道数值模型中进行有限元计算，得到施工模拟过程产生的与实际施工过程监测点
相对应的地表沉降量及拱顶沉降量。将设计的正交方案及数值模拟计算结果作为第一原始
训练集，前20组数据作为测试样本，后5组数据作为测试样本。

[0093] 设置算法参数，利用布谷鸟算法实现对随机森林算法最优参数的选取，设置布谷鸟算法最大迭代次数n＝200，鸟巢被发现概率Pa＝025，巢穴数量N＝50,树节点预选的变量
个数mtry上下限为[1,2]，随机森林树的个数ntree寻的上下限为[10,500]。

[0094] 通过布谷鸟算法获得的随机森林的参数mtry及ntree的最佳值为mtry＝2，ntree＝210。

[0095] 将mtry＝2，ntree＝210作为随机森林参数，对创建的第二原始训练集进行训练，建立第二随机森林预测模型。后5组数值模拟拆除长度的设定值与第二随机森林预测模型
预测值如表3所示。由下表中数据可知，围岩参数的最大误差为1.81％，预测误差相对较小，
基本可以忽略不记，表明本发明在对临时支撑拆除长度的确定中具有较高的可靠度与精
度。

[0096]

[0097] 依据现场施工环境，设定的第二随机森林预测模型的地表沉降控制值、拱顶沉降控制值、锚杆应力值的输入值及临时支撑拆除长度的输出值如表4所示.

[0098]

[0099] 通过所述第二随机森林预测模型确定当前对应的临时支护的拆除长度值为15m，根据所确定的拆除长度值进行临时支护的拆除施工，临时支撑拆除后，现场监测地表沉降
及拱顶沉降监测数据和远程自动化监测监测的数据皆在施工要求的控制值范围内，临时支
撑拆除15m后现场施工环境处于相对安全状态。根据施工经验确定的临时支撑拆除长度为
10m，与实际施工经验相比，该发明确定的临时支撑拆除长度准确度更高，对施工进度的控
制具有重要的意义。

[0100] 以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员
来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保
护范围。因此，本申请专利的保护范围应以所附权利要求为准。