Multi-stage and multi-objective optimization framework for servo-controlled wall deflection during deep excavation
Notice bibliographique
Résumé
Controlling excavation-induced deformation is essential for excavation safety and adjacent structure protection. To address the increasingly stringent deformation control requirements driven by growing building density in urban areas, this study proposes a multi-stage and multi-objective optimization framework for servo-controlled wall deflection during deep excavations. First, since the servo force optimization involves thousands of deflection evaluations, a pretrained surrogate model is developed to accelerate this computationally intensive process. Subsequently, a primary–secondary loss formulation is defined, with deformation control as the primary goal and unloading minimization as a secondary objective for stability. Finally, this formulation is optimized using a cross-stage coordinated algorithm. Unlike existing methods that treat stages independently, the proposed algorithm employs beam search to evolve top-ranked solutions in parallel, yielding globally optimal servo force configurations. A deep excavation project in Ningbo, China is used for illustration. The proposed surrogate model outperforms alternative approaches, achieving R 2 values above 0.95 across all stages. With a 10% unloading ratio, the optimization reduces the maximum wall deflection at each stage by approximately 30%–35%, demonstrating effective deformation control. For stricter requirements, a higher allowable unloading ratio can be adopted, potentially limiting deflection to within 0.2% of the excavation depth.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».