CN101847171A - 基于安全监控的边坡位移反分析方法 - Google Patents

Abstract

本发明公布了一种基于安全监控的边坡位移反分析方法，该方法充分利用位移监测数据进行优化反演来确定岩土体力学参数，将数值计算的位移值与监测位移值的最小误差函数作为目标函数，应用改进粒子群智能算法对目标函数进行优化，把数值计算和改进粒子群智能优化反演方法相结合，通过反复迭代使其快速收敛到全局最优解，从而确定待定参数的最优值，建立起了位移监测值和岩土体力学参数之间的对应关系。实际工程中，利用反演的力学参数预测的位移值与实测位移值吻合较好，误差小，表明本发明提出的反分析方法在岩土体位移反分析中具有较好的实际应用价值。

Description

基于安全监控的边坡位移反分析方法

技术领域

本发明属于高边坡安全监控研究领域，具体涉及基于安全监控的高边坡位移反分析方法。

背景技术

边坡稳定分析中，力学参数选取的准确与否直接影响到分析结果的可信度，利用监控信息进行优化反演是确定材料参数的一种有效方法，将计算位移值与监测位移值的最小误差函数作为目标函数，通过反复迭代逼近待定参数的最优值。

但反分析的相关研究表明，其优化目标函数是一个高度复杂的非线性多峰值函数，因此采用进化算法等全局优化算法是一种较理想的途径。目前这方面有一些学者做了研究，提出用遗传算法反分析、模拟退火反分析等优化反分析的方法，但这些方法要么目标函数容易陷入局部极小值，要么算法相当复杂，优化参数过多而鲁棒性不强。本发明针对此缺陷提出改进粒子群(APSO)和数值计算相结合的方法来进行边坡工程的位移反分析。利用优化反演的参数计算边坡关键点位移，对边坡稳定进行评价。预测其发展趋势，为基于安全监控资料的边坡工程健康诊断、失稳预警准则的建立和失稳防治技术能提供必要的科学研究基础。

粒子群优化算法是利用群体智能的一种随机全局优化技术，具有记忆粒子最佳位置的能力，以及粒子间的信息共享机制，具有收敛速度快、规则简单、易于实现的优点，能快速收敛到全局最优解，具有良好的逼近能力和容错能力，鲁棒性也得到了提高，适合解决岩土体工程这种复杂的非线性系统。

发明内容

技术问题：本发明目的是针对现有技术存在的缺陷提供一种基于安全监控的边坡位移反分析方法。

技术方案：本发明为实现上述目的，采用如下技术方案：

本发明基于安全监控的边坡位移反分析方法，包括如下步骤：

(1)输入计算参数，包括需要反演的和已知确定的力学参数，调用FLAC进行正分析计算，输出S个关键结点的计算位移

其中k表示S个节点的第k个节点，x为待反演的参数，

表示计算位移是待反演参数的函数；

(2)计算目标函数

为第k个测点计算的位移值，u_k为相应测点的实测位移值，S为测点总数，用改进粒子群智能优化算法APSO对目标函数进行优化，优化步骤如下：

①选定粒子数M，适应值ε，最大允许迭代步数T_max，随机数c₁和c₂和惯性权w；初始化粒子位置X和速度V为待反演力学参数取值区间的随机数；

②群体设定：Z＝{γ_i|γ_i∈Ω，i＝1，2，…，M}表示粒子群体，γ_i表示第i个粒子，Ω表示粒子空间；

③开始设定粒子全局最优值E_g＝∞，粒子个体最优值E_f＝(∞，∞，…，∞)，∞表示一个比较大的数值，用于初始化参数计算的目标函数的验证；

④当E_g＞ε且t＜T_max，执行下面步骤；否则，输出反演的参数值；

⑤进入循环；

⑥当E_i＜E_f(i)则E_f(i)＝E_i，f_i＝P_i，其中E_f(i)为粒子个体最优值，f_i为粒子个体历史最优位置，P_i为粒子当前位置；

⑦当E_i＜E_g则E_g＝E_i，g＝P_i，其中E_g为粒子全局最优值，g为粒子全局历史最优位置，P_i为粒子当前位置；

⑧达到最大迭代步数或满足最小误差标准，结束循环；

⑨根据上面步骤搜索到的粒子最优位置，按式

计算粒子新位置；按式

计算新的速度；其中rand()是均匀分布在(0，1)区间的随机数；c₁和c₂为学习因子；式中i＝1，2，…，M；v_id ^k表示第k次迭代粒子i飞行速度向量的第d维分量；x_id ^k表示第k次迭代粒子i位置向量的第d维分量；f_id表示粒子i个体最好位置的第d维分量；g_d表示群体最好位置的d维分量；

⑩确定当前迭代步的惯性权w，t＝t+1，t为当前迭代步数，惯性权系数w的改进表达式如下式：

$w=\left\{\begin{array}{cc}{w}_{\max }-\frac{(w_{\max }-w_{\min })(f-f_{\mathrm{avg}})}{f_{\max }-f_{\mathrm{avg}}}& (f\&GreaterEqual;f_{\mathrm{avg}})\\ w_{\max }& (f<f_{\mathrm{avg}})\end{array}\right.$

式中：w_max，w_min为惯性权的最大值和最小值；f微粒的适配值；f_avg每代微粒的平均适配值；f_max粒子群中最大的适配值；

(3)若目标函数达到了设定的目标精度要求，则停止计算，输出反演的参数；否则，继续回到步骤(1)进行新一轮正分析计算，不断反复，直到目标函数达到了目标精度；

(4)利用粒子群智能优化算法反演的参数计算边坡关键点位移，对边坡稳定进行评价。

优选地，所述∞初始化时取10⁴。

优选地，所述学习因子c₁和c₂取2。

有益效果：本发明充分利用边坡海量的安全监控资料，建立起边坡安全监控资料与边坡力学参数的反分析模型，进一步利用可靠的力学参数进行边坡稳定评价，预测其发展趋势，为基于安全监控资料的边坡工程健康诊断、失稳预警准则的建立和失稳防治技术能提供必要的科学研究基础。

附图说明

图1、边坡开挖台阶仿真效果图；

图2、边坡台阶开挖完成后仿真效果图；

图3、APSO反演参数的程序流程图；

图4、左岸1960m缆机平台以上外观变形测点布置图；

图5、粒子搜索最优参数过程示意图；

图6、(a)TP3实测位移值与用反演的力学参数计算的位移值的比较，(b)TP6实测位移值与用反演的力学参数计算的位移值的比较图。

具体实施方式

下面结合附图对发明的技术方案进行详细说明：

本发明基于监控数据的边坡位移反分析方法，该方法包括如下步骤：

(1)输入计算参数，包括需要反演的和已知确定的力学参数，调用FLAC进行正分析计算，输出S个关键结点i的计算位移y_i；

(2)计算目标函数

其中S为结点数，m为结点输出位移的维数，

为结点实际监测位移，用改进粒子群智能优化算法APSO对目标函数进行优化，优化步骤如下：

①选定粒子数M，适应值ε，最大允许迭代步数T_max，随机数c₁和c₂和惯性权w；初始化粒子位置X和速度V为待反演力学参数取值区间的随机数；

②群体设定：Z＝{γ_i|γ_i∈Ω，i＝1，2，…，M}表示粒子群体，γ_i表示第i个粒子，Ω表示粒子空间；

③迭代步数t＝0，粒子全局最优值E_g＝∞，粒子个体最优值E_f＝(∞，∞，…，∞)，∞表示一个比较大的数值，主要是为了用初始化参数计算的目标函数的验证，初始化时可取10⁴；

④当E_g＞ε且t＜T_max(其中ε为适应值、T_max为循环最大迭代步数)，执行下面步骤；否则，输出反演的参数值；

⑤进入循环；

⑥当E_i＜E_f(i)则E_f(i)＝E_i，f_i＝P_i，其中E_f(i)为粒子个体最优值，f_i为粒子个体历史最优位置，P_i为粒子当前位置；

⑦当E_i＜E_g则E_g＝E_i，g＝P_i，其中E_g为粒子全局最优值，g为粒子全局历史最优位置，P_i为粒子当前位置；

⑧达到最大迭代步数或满足最小误差标准，结束循环；

⑨根据上面步骤搜索到的粒子最优位置，按式

计算粒子新位置；按式

计算新的速度；其中rand()是均匀分布在(0，1)区间的随机数；c₁和c₂为学习因子，根据经验一般取2；式中i＝1，2，…，M，M是粒子群体总数；v_id ^k表示第k次迭代粒子i飞行速度向量的第d维分量；x_id ^k表示第k次迭代粒子i位置向量的第d维分量；f_id表示粒子i个体最好位置的第d维分量；g_d表示群体最好位置的d维分量；w为惯性权重；

⑩确定当前迭代步的惯性权w，t＝t+1，t为当前迭代步数，w的选择直接影响算法的收敛性，其值较大算法具有较强的全局搜索能力，其值较小算法倾向于局部搜索，是影响粒子群算法行为和性能的关键所在，通常为了避免粒子群算法的早熟和粒子在算法后期易在全局最优解附近振荡现象的发生，采用随迭代次数增加，惯性权从最大值线性减小到最小值的方法，但这样要求反复试验来确定w的最大值、最小值以及最大迭代次数，还未必能找到适应于每个问题的最佳值，鉴于粒子群算法在解空间寻优的过程本身就是一个非线性的过程，本发明应用一种非线性动态自适应粒子群优化算法(AdaptiveParticle Swarm Optimization简称APSO)，惯性权系数w能够随适应值自动改变，惯性权系数w的改进表达式如下式：

$w=\left\{\begin{array}{cc}{w}_{\max }-\frac{(w_{\max }-w_{\min })(f-f_{\mathrm{avg}})}{f_{\max }-f_{\mathrm{avg}}}& (f\&GreaterEqual;f_{\mathrm{avg}})\\ w_{\max }& (f<f_{\mathrm{avg}})\end{array}\right.$

式中：w_max，w_min为惯性权的最大值和最小值；f微粒的适配值；f_avg每代微粒的平均适配值；f_max粒子群中最大的适配值。

(3)若目标函数达到了目标精度要求ε，则停止计算，输出反演的参数；否则，继续回到步骤(1)进行新一轮正分析计算，不断反复，直到目标函数达到了目标精度；

(4)利用粒子群智能优化算法反演的参数计算边坡关键点位移，对边坡稳定进行评价。

高边坡由于地质条件复杂多变，岩土体性质不确定性和工程的复杂性，因此在工程项目中布设大量的监测设备持续不断进行监测。海量监测数据一方面直接服务于现场信息化施工，确保工程施工的安全与高效；另一方面为科学研究提供分析数据源，为后续工程积累宝贵资料。随着工程实践的深入，安全监测已成为指导施工反馈设计、评价边坡安全稳定及确保边坡稳定运行的重要保障，在重要边坡工程中得到了普遍的应用。但相对安全监测技术来讲，监控资料的正反馈分析、以及根据监控资料进行边坡稳定性预测预报等监控资料分析一直是岩土工程和水电工程领域研究的热点和关键科学技术难题。本发明鉴于此，充分利用边坡安全监控资料，采用智能优化算法，反演边坡力学参数的，进一步对边坡稳定性作出预测预报和评价。

实施例

1、工程概况

某工程左岸边坡山体雄厚，谷坡陡峭，基岩裸露，相对高差1500m～1700m，为典型的深切“V”型谷，谷坡两岸基岩裸露。深部裂隙发育强烈，岩性为杂谷脑组第三段变质砂岩和板岩，岩层走向与河流流向基本一致，岸坡为反向坡，地形完整性差，平面地质范围大致在VI线山梁上游侧至II勘探线之间，呈山梁与浅沟相间的微地貌特征，其中1、2、3号危岩体位于左岸缆机平台以上。由于特殊的地质条件，左岸边坡是锦屏一级水电工程重点关注的部位。枢纽区水工建筑物基础开挖后，将形成一系列高度自60m至520m的高陡边坡，边坡工程规模大。此处以左岸缆机平台以上边坡外观变形监测数据为重点进行分析。

有限元模型主要模拟了地形地貌、地层界限、卸荷风化界限、开挖面、煌斑岩脉X、断层f₅、f₈、f₂、控制性结构面等工程结构，其中地层岩性主要考虑IV₁、III₂、III₁、II级四种岩体。

本文选取监测资料相对齐全的1960缆机平台以上，各监测断面布置的外观变形作为位移反分析的基本资料，边坡开挖台阶以及台阶开挖完成后效果仿真图如图1、2所示。

2、利用本发明方法进行上述实际工程力学参数反演的步骤

(1)岩体的初始应力场采用自重应力场；

(2)反演参数取II类岩体、III₁类、III₂类、IV₁类岩体的弹性模量、粘聚力、内摩擦角作为APSO优化反演参数进行三维弹塑性正算反分析，利用APSO进行优化的参数随机初始化时，粒子位置和速度的初始化范围取表1建议的限定范围。APSO反演参数的程序流程图如图3所示，外观测点布置如上图4所示，计算取测点TP3、TP6、TP7、TP14-1、TP15-1的河床方向位移值的计算值和实际监测值的误差函数作为优化目标函数；下面按照图3所示，详细说明参数反演过程；

(3)首先输入计算力学参数，包括已经确定的和待反演的参数，其中待反演参数开始是在表1建议的参数取值范围内随机确定的一组参数；

(4)然后把这些参数输入FLAC进行计算，输出指定节点位移，即输出测点TP3、TP6、TP7、TP14-1、TP15-1的河床方向位移值；

(5)计算目标函数，其中目标函数的确定是通过优化方法进行反演的实质，就是寻找一组待反演的参数使通过其计算的位移计算值与位移实测值确定的目标函数值最小，

其中x为待反演的参数，

为第i个测点计算的位移值，u_i为相应测点的实测位移值，n为测点总数；

(6)接着判断目标函数，如果小于最小误差标准，说明开始随机初始的参数值是待反演参数取值，则停止计算，输出反演参数取值，但实际上一般用初始随机取的参数值计算的目标函数往往不能满足最小误差标准，需调用改进粒子群优化算法；

(7)调用改进粒子群优化算法进行待反演参数的更新计算，对目标函数进行优化搜索，然后把更新计算的参数值重新输入FLAC进行计算；

(8)调用FLAC进行计算，输出测点TP3、TP6、TP7、TP14-1、TP15-1的河床方向位移值，判断计算的目标函数是否满足最小误差标准，如果满足则输出，停止计算，否则继续调用，用改进粒子群优化算法进行待反演参数的更新计算。粒子搜索过程示意图如图5。

(9)参数反演的结果见表2，为分析本专利的改进粒子群优化反分析方法与遗传算法的比较，更直观显示利用反演参数计算的位移值与实测值的比较结果，图6列出了测点TP3、TP6、TP7一定测时内位移监测值与计算值的对比图。从图6可以看出，基于改进粒子群优化算法APSO反演得到的参数计算得到的位移值与实测位移值更接近，误差也较小。表明APSO用来进行位移反分析计算结果良好，得到的反演参数可以进行相关工程的评价与预测，具有很好的实际应用价值。

表1岩体力学参数取值区间

表2参数反演结果

Claims (3)

1.一种基于安全监控的边坡位移反分析方法，其特征在于该方法包括如下步骤：

(1)输入计算参数，包括需要反演的和已知确定的力学参数，调用FLAC进行正分析计算，输出S个关键结点的计算位移

其中k表示S个节点的第k个节点，x为待反演的参数，

表示计算位移是待反演参数的函数；

(2)计算目标函数

为第k个测点计算的位移值，u_k为相应测点的实测位移值，S为测点总数，用改进粒子群智能优化算法APSO对目标函数进行优化，优化步骤如下：

①选定粒子数M，适应值ε，最大允许迭代步数T_max，随机数c₁和c₂和惯性权w；初始化粒子位置X和速度V为待反演力学参数取值区间的随机数；

②群体设定：Z＝{γ_i|γ_i∈Ω，i＝1，2，…，M}表示粒子群体，γ_i表示第i个粒子，Ω表示粒子空间；

③开始设定粒子全局最优值E_g＝∞，粒子个体最优值E_f＝(∞，∞，…，∞)，∞表示一个比较大的数值，用于初始化参数计算的目标函数的验证；

④当E_g＞ε且t＜T_max，执行下面步骤；否则，输出反演的参数值；

⑤进入循环；

⑥当E_i＜E_f(i)则E_f(i)＝E_i，f_i＝P_i，其中E_f(i)为粒子个体最优值，f_i为粒子个体历史最优位置，P_i为粒子当前位置；

⑦当E_i＜E_g则E_g＝E_i，g＝P_i，其中E_g为粒子全局最优值，g为粒子全局历史最优位置，P_i为粒子当前位置；

⑧达到最大迭代步数或满足最小误差标准，结束循环；

⑨根据上面步骤搜索到的粒子最优位置，按式

计算粒子新位置；按式

计算新的速度；其中rand()是均匀分布在(0，1)区间的随机数；c₁和c₂为学习因子；式中i＝1，2，…，M；v_id ^k表示第k次迭代粒子i飞行速度向量的第d维分量；x_id ^k表示第k次迭代粒子i位置向量的第d维分量；f_id表示粒子i个体最好位置的第d维分量；g_d表示群体最好位置的d维分量；

⑩确定当前迭代步的惯性权w，t＝t+1，t为当前迭代步数，惯性权系数w的改进表达式如下式：

$w=\left\{\begin{array}{cc}{w}_{\max }-\frac{(w_{\max }-w_{\min })(f-f_{\mathrm{avg}})}{f_{\max }-f_{\mathrm{avg}}}& (f\&GreaterEqual;f_{\mathrm{avg}})\\ w_{\max }& (f<f_{\mathrm{avg}})\end{array}\right.$

式中：w_max，w_min为惯性权的最大值和最小值；f微粒的适配值；f_avg每代微粒的平均适配值；f_max粒子群中最大的适配值；

(3)若目标函数达到了设定的目标精度要求，则停止计算，输出反演的参数；否则，继续回到步骤(1)进行新一轮正分析计算，不断反复，直到目标函数达到了目标精度；

(4)利用粒子群智能优化算法反演的参数计算边坡关键点位移，对边坡稳定进行评价。

2.根据权利要求1所述的基于安全监控的边坡位移反分析方法，其特征在于所述∞初始化时取10⁴。

3.根据权利要求1所述的基于安全监控的边坡位移反分析方法，其特征在于所述学习因子c₁和c₂取2。

Images