CN102155231A - 一种隧道施工过程的快速反馈分析系统 - Google Patents

Abstract

本发明公开了一种隧道施工过程的快速反馈分析系统，方案是：首先了解目前已采用设计施工参数；建立隧道开挖三维有限元网格数值计算模型；获得隧道开挖后围岩分层和收敛位移监测信息；非线性支持向量机模型建立：然后先将锚固参数按照实际施工参数固定，采用差异优化算法对岩石力学参数进行优化识别；再采用差异进化算法对即将锚固方案的施工参数进行优化；最后通过调用差异进化优化算法优化上述岩石力学参数，进一步求解的锚固方案的施工参数，并将优化的锚固方案的施工参数作为施工方案通过计算机显示屏输出，指导施工人员进行施工。本发明将监测信息用来识别围岩参数的同时，进行锚固参数的优化，从而将动态信息化施工提高到定量分析的水平。

Description

一种隧道施工过程的快速反馈分析系统

技术领域

本发明涉及一种隧道施工过程的快速反馈分析系统。尤其是涉及利用数码相机图像获取技术和计算机智能分析技术相结合的分析系统。

背景技术

隧道工程地质体具有复杂性和不确定性，预设计方案有很大盲目性。利用现场监测信息对围岩力学参数进行识别，也即反分析方法尽管已得到很多研究，但这些方法大多未考虑支护锚固参数影响、也未能与施工调整有效地结合起来。目前的施工方案调整往往凭借经验，受到人为因素的影响，影响分析精度。

围岩参数识别和施工方案调整在本质上都是优化问题。由于隧道开挖力学过程比较复杂，解析法难以得到应用，而数值模拟无法直接求导数，所以传统的优化方法受到限制。而且，数值模拟的时间消耗一般比较大，参数识别和方案优化需要花费大量的时间，这与施工进度的紧迫性形成矛盾。上述因素造成了现有的反馈分析基本停留在定性分析水平。

计算机技术、计算科学和智能科学的发展，为隧道分析理论带来深刻的影响，并为发展全局优化的定量分析方法和建立新的分析流程带来契机。

发明内容

为了解决隧道施工分析存在人为盲目性、数值计算耗时等问题，本发明制一种隧道施工过程的快速反馈分析系统。本发明采用的技术手段如下：

先通过数码摄像方法获得隧道围岩及掌子面测点的情况，利用计算机的图象识别技术，获得围岩收敛的监测信息。以岩石力学参数、锚固参数为输入，以位移指标和成本指标为输出，构造正交(均匀)设计样本，基于三维数值模拟对正交(均匀)样本计算获得数据，并训练得到支持向量机模型。采用差异进化的优化方法依次进行围岩参数识别(锚固力学参数固定)、锚固参数优化(围岩力学参数固定)，从而获得了符合工程实际的最佳施工参数。这种技术方案，利用了数码摄像的非接触测量，支持向量机优秀的非线性数据拟合能力和差异进化的全局优化能力，充分考虑了围岩力学参数和锚固参数对围岩变形的综合作用，实时、定量、反馈地获得合理的施工参数。

一种隧道施工过程的快速反馈分析系统，其特征在于包括如下步骤：

a.初步获得地质参数和隧道施工参数，根据前期地质勘探信息和岩石分级情况，通过查表预估计待修建隧道所处的地质体力学参数范围，了解目前已采用设计施工参数；

b.建立三维数值模型，根据步骤a了解的目前施工参数，在计算机上建立隧道开挖三维有限元网格数值计算模型，该数值模型通过输入岩石力学参数：包括围岩侧压力系数、变模、泊松比、摩擦系数和粘聚力，以及锚固参数：包括锚杆直径、锚杆间距、锚杆长度和喷层厚度，将会相应地计算输出不同围岩位移；

c.通过数码摄像和计算机图像处理，获得隧道开挖后围岩分层和收敛位移监测信息；对隧道有关断面摄取图像，经过图像处理获得有关数据，计算出位移信息；

d.非线性支持向量机模型建立，将步骤b获得的多输入-多输出的三维数值模型采用机器学习工具-支持向量机来表达，利用步骤b获得多输入-多输出的样本对支持向量机进行训练，获得该支持向量机模型如下：

Y＝SVM(X)

公式中X表示隧道输入因素向量，即岩石力学参数包括：围岩侧压力系数、变模、泊松比、摩擦系数和粘聚力，以及锚固参数包括：锚杆直径、锚杆间距、锚杆长度和喷层厚度，Y表示隧道输出因素向量，即围岩位移；

上述反映隧道施工非线性的支持向量机模型建立过程如下：

1)确定隧道施工可控性的输入参数和可测性的输出参数，输入参数包括岩石力学参数包括：围岩侧压力系数、变模、泊松比、摩擦系数和粘聚力，以及锚固参数包括：锚杆直径、锚杆间距、锚杆长度和喷层厚度；输出参数包括：围岩位移、围岩安全性系数和经济指标，以此作为系统的输入和输出；

2)以步骤b建立的数值模型，根据输入参数范围进行正交方案和均匀方案设计，对设计的方案进行数值试验，得到输入和输出对应的样本集；从样本集中选取一部分为学习样本，另一部分为预测检验样本；

3)支持向量机的正则化参数和核参数将会影响预测精度，采用试算的方法确定最优的正则化参数和核参数；首先根据经验确定正则化参数集和核参数集；然后从正则化参数集和核参数集中选取一定数量的参数分别进行组合；再利用所选组合参数，通过学习样本进行支持向量机训练；训练算法采用最小二乘支持向量机方法；并对预测检验样本进行预测，得到预测误差；

6)返回步骤4和步骤5依次采用其他组合训练支持向量机并进行预测，直到参数组合结束在上述组合的参数方案中，选出对应预测误差最小的正则化参数和核参数为支持向量机最佳参数组合，用该参数训练的支持向量机模型进行以下过程的优化；

e.根据步骤c获得的实际监测位移和步骤d训练获得支持向量机模型来识别围岩力学参数：首先将锚固参数按照实际施工参数固定，然后将输入岩石力学参数视为变量，将输出位移与实际监测位移之差进行对比作为适应值函数，最后采用差异优化算法对岩石力学参数进行优化识别，优化目标函数为：

$\mathrm{Min}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(\mathrm{SVM}\left(x_j\right)-Y_i)$

式中x_j为岩石力学参数，SVM(x_j)为对应岩石力学参数x_j支持向量机模型的计算位移，通过步骤d获得，Y_i为通过c获得的特征测线或测点的位移；

f.根据步骤c获得的实际监测位移和步骤d训练获得支持向量机模型，在步骤e识别获得的力学参数基础上，来优化施工参数：首先固定识别获得的围岩力学参数，然后以锚固方案参数为变量，以稳定性指标及经济性指标为目标函数，最后采用差异进化算法对即将锚固方案的施工参数进行优化，优化的目标函数为：

$\mathrm{Min}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}(\mathrm{SVM}\left(L_j\right)+\mathrm{COST}\left(L_j\right))$

式中L_j为锚固方案参数，SVM(L_j)为对应锚固方案参数的位移指标，通过步骤d获得，COST(L_j)为锚固方案参数的经济指标；

h.通过调用差异进化优化算法来求解步骤e的岩石力学参数，进一步求解步骤f的锚固方案的施工参数，并将优化的锚固方案的施工参数作为施工方案通过计算机显示屏输出，指导施工人员进行施工。

隧道施工为非线性的输入输出的动态系统，在数值试验基础上采用非线性机器学习工具支持向量机——SVM来学习描述这个系统；通过步骤c的图像获取单元无接触获得围岩收敛位移和围岩分层作为辨识信息，依次自动进行围岩参数识别和施工方案快速定量优化，实现了快速的定量的反馈闭环运算。

一种实施上述系统的装置包括图像获取单元和计算机，所述计算机包括掌子面及围岩图像识别单元、隧道开挖施工数值模拟单元、SVM学习单元和差异进化算法单元；

所述掌子面及围岩图像识别单元，用于根据围岩测点高精度数码照片呈现的图象特征，获得围岩收敛监测位移；

所述隧道开挖施工数值模拟单元，用于根据隧道开挖结构参数以及所处地质体的尺寸和力学性质建立数值模型；

所述SVM学习单元，是首先根据正交设计的方案调用隧道开挖施工数值模拟单元进行数值试验，获得数据样本；然后对上述样本进行学习，从而获得能够反映岩石力学参数和锚固参数作为输入、围岩位移和经济指标作为输出的非线性映射支持向量机模型，代替数值模拟计算；

所述差异进化算法单元，用于根据差异进化算法调用训练得到的支持向量机模型，分别按照不同的目标函数，依次对围岩力学参数和施工参数进行优化；

所述图像获取单元通过数据线将靠近掌子面处围岩图像传输到计算机中，图像数据通过计算机内部总线传输到掌子面及围岩图像识别单元中，后再通过总线将识别后的数据传输到隧道开挖施工数值模拟单元中，然后通过总线将建立的数值模型数据传输到SVM学习单元以及差异进化算法单元中按照前述步骤d、步骤e和步骤f所述优化算法优化搜索处理，最后通过数据线将优化结果通过计算机显示单元进行显示。

所述图像获取单元通过数据线将靠近掌子面处围岩图像传输到计算机中，图像数据通过计算机内部总线传输到掌子面及围岩图像识别单元中，后再通过总线将识别后的数据传输到隧道开挖施工数值模拟单元中，然后通过总线将建立的数值模型数据传输到SVM学习单元以及差异进化算法单元中进行优化搜索处理，最后通过数据线将优化结果通过计算机显示单元进行显示。

本发明有益效果是克服了地质体复杂性和不确定带来的预设计具有盲目性的问题，将监测信息用来识别围岩参数的同时，进行锚固参数的优化，从而将动态信息化施工提高到定量分析的水平。

同现有技术相比，本发明具有如下特点：通过数码摄像非接触方式获得的围岩收敛，具有快速高效的特点。用支持向量机模型来描述围岩支护系统的多输入-多输出的关系，通过对正交设计方案数值试验获得的样本进行支持向量机的训练，克服了建模信息缺乏和模型计算速度慢的问题。采用差异进化算法进行岩石力学参数和锚固参数的优化，具有全局寻优和快速收敛能力。通过该方法的实施，能够在快速地识别隧道工程掌子面之前的岩石参数的同时，对掌子面之后的施工方案进行快速的定量优化。

附图说明

图1隧道施工快速反馈分析系统流程；

图2差异进化优化算法流程；

图3SVM模型建立过程；

图4隧道施工快速反馈分析系统组成框图；

图5数值模型的网格和主要断面；

图6监测位移和反演识别参数计算位移对比；

图7差异进化算法收敛曲线；

图8施工参数优化过程曲线。

图中：图1是隧道施工快速反馈分析系统流程；图1中的A03-A04为支持向量机(SVM)模型的训练算法，具体步骤见图2；图1中的A9-A11为在支持向量机模型的基础上，依次进行围岩参数识别和施工方案优化的差异进化优化过程，具体步骤见图3；隧道施工快速反馈分析系统的组成框图见图4。

图5-图8是该方法应用的一个例子。图5是隧道数值模型的网格；图6是监测位移和反演识别参数计算位移对比；图7是参数识别过程差异进化算法适应值随着迭代的变化曲线；图8是施工参数(喷层厚度、喷层弹性模量)随着演化代数的变化过程。

具体实施方式

下面结合如图1至图4对本发明进行详细描述：

a.初步获得地质参数和隧道施工参数，根据前期地质勘探信息和岩石分级情况，通过查表预估计待修建隧道所处的地质体力学参数范围，了解目前已采用设计施工参数。如图1隧道施工快速反馈分析系统流程中的步骤A01和A02。

b.建立三维数值模型，根据步骤a了解的目前施工参数，在计算机上建立隧道开挖三维有限元网格数值计算模型，该数值模型通过输入岩石力学参数：包括围岩侧压力系数、变模、泊松比、摩擦系数和粘聚力，以及锚固参数：包括锚杆直径、锚杆间距、锚杆长度和喷层厚度，将会相应地计算输出不同围岩位移。如图1中的步骤A03，即建立数值模型进行隧道施工数值模拟，考虑到数值模拟消耗大量时间，难以在优化中应用，进行正交(均匀)设计方案构造及进行数值试验，获得数据样本。

c.通过数码摄像和计算机图像处理，获得隧道开挖后围岩分层和收敛位移监测信息；对隧道有关断面摄取图像，经过图像处理获得有关数据，计算出位移信息；(该方面详细技术参考刘大刚、王明年等发表在《地下空间》2004，24(3)：p336-338的《数码摄像技术在隧道位移信息采集中的应用》)。如图1中的步骤A05-A07。该监测数据反映了当前岩石力学参数以及围岩支护效果，是进行围岩力学参数识别和支护参数调整的基础依据。

d.非线性支持向量机模型建立，将步骤b获得的多输入-多输出的三维数值模型采用机器学习工具-支持向量机来表达，利用步骤b获得多输入-多输出的样本对支持向量机进行训练，获得该支持向量机模型如下：

Y＝SVM(X)            (1)

公式中X表示隧道输入因素向量，即岩石力学参数包括：围岩侧压力系数、变模、泊松比、摩擦系数和粘聚力，以及锚固参数包括：锚杆直径、锚杆间距、锚杆长度和喷层厚度，Y表示隧道输出因素向量，即围岩位移；

上述反映隧道施工非线性的支持向量机模型建立过程如下：

1)确定隧道施工可控性的输入参数和可测性的输出参数，输入参数包括岩石力学参数包括：围岩侧压力系数、变模、泊松比、摩擦系数和粘聚力，以及锚固参数包括：锚杆直径、锚杆间距、锚杆长度和喷层厚度；输出参数包括：围岩位移、围岩安全性系数和经济指标，以此作为系统的输入和输出；

2)以步骤b建立的数值模型，根据输入参数范围进行正交方案和均匀方案设计，对设计的方案进行数值试验，得到输入和输出对应的样本集；从样本集中选取一部分为学习样本，另一部分为预测检验样本；

3)支持向量机的正则化参数和核参数将会影响预测精度，采用试算的方法确定最优的正则化参数和核参数；首先根据经验确定正则化参数集和核参数集；然后从正则化参数集和核参数集中选取一定数量的参数分别进行组合；再利用所选组合参数，通过学习样本进行支持向量机训练；训练算法采用最小二乘支持向量机方法；并对预测检验样本进行预测，得到预测误差(一般是采用预测检验样本平均预测误差或者预测检验样本中最大的预测误差)；

6)返回步骤4和步骤5依次采用其他组合训练支持向量机并进行预测，直到参数组合结束在上述组合的参数方案中，选出对应预测误差最小的正则化参数和核参数为支持向量机最佳参数组合，用该参数训练的支持向量机模型进行以下过程的优化。如图1中的步骤A04。

e.根据步骤c获得的实际监测位移和步骤d训练获得支持向量机模型来识别围岩力学参数：首先将锚固参数按照实际施工参数固定，然后将输入岩石力学参数视为变量，将输出位移与实际监测位移之差进行对比作为适应值函数，最后采用差异优化算法对岩石力学参数进行优化识别，优化目标函数为：

$\mathrm{Min}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(\mathrm{SVM}\left(x_j\right)-Y_i)---\left(2\right)$

式中x_j为岩石力学参数，SVM(x_j)为对应岩石力学参数x_j支持向量机模型的计算位移，通过步骤d获得，Y_i为特征测线或测点的位移。如图1中的步骤A09。

f.根据步骤c获得的实际监测位移和步骤d训练获得支持向量机模型，在步骤e识别获得的力学参数基础上，来优化施工参数：首先固定识别获得的围岩力学参数，然后以锚固方案参数为变量，以稳定性指标及经济性指标为目标函数，最后采用差异进化算法对即将锚固方案的施工参数进行优化，优化的目标函数为：

$\mathrm{Min}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}(\mathrm{SVM}\left(L_j\right)+\mathrm{COST}\left(L_j\right))---\left(3\right)$

式中L_j为锚固方案参数，SVM(L_j)为对应锚固方案参数的位移指标，通过步骤d获得，COST(L_j)为锚固方案参数的经济指标(根据锚固材料费用和人工的费用，通过施工概预算技术得到。如图1中的步骤A10。

h.通过调用差异进化优化算法来求解步骤e的岩石力学参数，进一步求解步骤f的锚固方案的施工参数，并将优化的锚固方案的施工参数作为施工方案通过计算机显示屏输出，指导施工人员进行施工。如图1中的步骤A11及A12。

隧道施工为非线性的输入输出的动态系统，在数值试验基础上采用非线性机器学习工具支持向量机——SVM来学习描述这个系统；通过步骤c的图像获取单元无接触获得围岩收敛位移和围岩分层作为辨识信息，依次自动进行围岩参数识别和施工方案快速定量优化，实现了快速的定量的反馈闭环运算。

以下结合图2，说明SVM模型的建立方法(对应图1的A03-A04)：

B01：根据隧道工程的施工情况，确立隧道工程的输入参数，包括岩石力学参数和锚固参数；确定隧道工程的输出参数，包括隧道围岩观测参数和稳定性参数。

B02：根据隧道工程的输入和输出参数，确定正交设计方案。

B03：对正交方案进行数值计算，获得支持向量机的学习样本和测试样本。

B04：设置或调整SVM的学习参数。

B05：进行SVM的训练与预测，如果SVM预测精度不符合要求，转向B04继续调整SVM参数，进行SVM训练。

B06：如果SVM预测精度符合要求，SVM训练结束，输出SVM的模型。

以下结合图3，说明隧道反馈分析系统中差异进化的反馈优化过程，对应图1的A09-A11。

C01：首先是监测数据与正演计算位移相比，如果一致就继续施工A02。否则，就根据已知的锚固参数进行岩石力学参数的识别A03。

C02：继续施工。

C03：岩石力学参数的识别。

C04：差异进化优化算法的第一步，产生初始种群。

C05：进行计算适应值的基础上，差异进化优化算法的变异操作。

C06：差异进化优化算法的选择操作。

C07：如果进行的是岩石力学参数识别，优化获得了岩石力学的参数。

C08：基于岩石力学的参数的识别结果，进行锚固参数的优化。

C09：锚固参数的优化完成，输出优化的结果。

差异进化算法(Difference Evolution，DE)是一种新型的直接全局优化算法，与遗传算法比，该算法不进行编码和解码操作，使用上大为简化。DE算法对初始值无要求，收敛速度快，对各种非线性函数适应性强，具有并行运算特性，尤其适用于多变量复杂问题的寻优。

在DE算法中，所有的新个体以相同的几率被选为父代，并不依赖于个体适应度。DE算法采用贪婪选择过程，也就是在新个体及其父代个体中挑选较优的作为下一代，与遗传算法相比，具有更快收敛速度。DE算法依然保留着类似遗传算法的三种遗传操作，包括杂交、变异和选择，但无须编码解码。在构造新个体方面，DE算法主要依靠变异操作。

令第G代种群中个体的数量为N_P，第G代中向量可以表示为x_i(G)，i＝1，2，...，N_P，每个向量个体包含D个分量，DE算法过程如下：

1)产生初始种群。在D维空间里随机产生满足自变量上下界约束的N_P的个个体，公式如下：

x_ij(0)＝rand_ij(0，1)(x_ijU-x_ijL)+x_ijL                (4)

i＝1，2，…，Np；j＝1，2，…，D.

式中x_ijU、x_ijL分别为第j个分量的上界和下界，rand_ij(0，1)是[0，1]之间的随机数。x_ij(0)为初始种群产生的第i个个体的第j个分量。

如前所述，在步骤e调用差异进化优化算法中，这N_P个向量个体对应着N_P个岩石力学参数，适应值计算按照公式(2)。在步骤f调用差异进化优化算法中，这N_P个向量个体对应着Np个锚固参数，适应值计算按照公式(3)。以下的步骤2)-4)是差异进化算法的流程，保证个体的迭代越来越趋向最优值。

2)变异操作。在DE算法中，缩放种群中任意两个目标向量个体之间的差值并叠加到种群中的第3个向量个体上，形成新的变量，此过程称为变异。对于第G代任意两个目标向量，其G+1代的变异向量第j分量为：

V_i，j(G+1)＝xr_1j(G)+F(xr_2j(G)-xr_3j(G))                (5)

公式中V_i，j(G+1)为变异向量，xr_2j(G)、xr_3j(G)为任意两个目标向量，xr_1j(G)为第3个向量。下标r₁，r₂，r₃为[1，NP]中的随机整数且互不相同，F为缩放因子，用来调节向量差异的步长幅值，在0～2内取值。公式(3)是基本的变异模式，被称作DE/rand/1模式。随着该公式的改变，尚能形成其他模式，如DE/best/1、DE/best/2、DE/rand/2等。

3)交叉操作。将目标向量x_i(G)与变异向量v_i(G+1)按照如下规则杂交，生成新的试样向量u_i(G+1)：

式中r_j∈[0，1]为与向量第j个分量对应的随机数，CR∈[0，1]为杂交概率常数；r_ni为在1，2，…，D中随机挑选一个整数，以确保变异向量V_i(G+1)中，至少有一个分量被试样向量u_i(G+1)采用。

4)选择。对产生的试样向量u_i(G+1)进行数值模拟和适应值的计算。采用贪婪搜索方法进行选择操作。将试样向量u_i(G+1)与目标向量x_i(G)比较，如果u_i(G+1)对应较小的目标函数值，则选择向量u_i(G+1)；反之，如果x_i(G)对应较小的目标函数值，则保留向量x_i(G)。

图4是一种实施上述系统的装置包括图像获取单元和计算机，所述计算机包括掌子面及围岩图像识别单元、隧道开挖施工数值模拟单元、SVM学习单元和差异进化算法单元；

所述掌子面及围岩图像识别单元，用于根据围岩测点高精度数码照片呈现的图象特征，获得围岩收敛监测位移；

所述隧道开挖施工数值模拟单元，用于根据隧道开挖结构参数以及所处地质体的尺寸和力学性质建立数值模型；

所述SVM学习单元，是首先根据正交设计的方案调用隧道开挖施工数值模拟单元进行数值试验，获得数据样本；然后对上述样本进行学习，从而获得能够反映岩石力学参数和锚固参数作为输入、围岩位移和经济指标作为输出的非线性映射支持向量机模型，代替数值模拟计算；

所述差异进化算法单元，用于根据差异进化算法调用训练得到的支持向量机模型，分别按照不同的目标函数，依次对围岩力学参数和施工参数进行优化；

所述图像获取单元通过数据线将靠近掌子面处围岩图像传输到计算机中，图像数据通过计算机内部总线传输到掌子面及围岩图像识别单元中，后再通过总线将识别后的数据传输到隧道开挖施工数值模拟单元中，然后通过总线将建立的数值模型数据传输到SVM学习单元以及差异进化算法单元中按照权利要求1步骤d、步骤e和步骤f所述优化算法优化搜索处理，最后通过数据线将优化结果通过计算机显示单元进行显示。

以下结合图5-图8给出本发明的一个应用实例，通过该实例进一步对其实施过程和效果进行说明。

某沿海城市高速公路隧道在桩号K11+000到K11+220穿越2个岩层，风化页岩和风化石灰岩。隧道埋深约为30米，围岩类型为3级，岩石风化较严重，强度比较低，其中有很多裂隙和节理。原岩应力以自重应力场为主，隧道宽7.4米，高6.7米，隧道采用双台阶开挖和钻爆法施工。测点和支护的布置以及隧道的有限元模型见图5。

按照前期勘探数据，岩层1和岩层2的杨氏模量都介于0.2GPa和2GPa之间，泊松比介于0.2和0.4之间。因为这些弹性参数比较显著地影响围岩的位移，分别考虑2个岩层的上述参数，构造32个正交试验方案。前26个样本用来训练支持向量机，另外6个样本用来作为测试。岩层1的其他岩石力学参数如下：粘聚力为1MPa，内摩擦角为30°，抗拉强度为0.2Mpa，密度为2300kg/m3.岩层2的其他岩石力学参数如下：粘聚力为1.5MPa，内摩擦角为35°，抗拉强度为0.5Mpa，密度为2500kg/m3.对这些正交方案进行数值试验，得到的数据样本见表1。

表1用于识别岩石力学参数的学习和预测样本

训练的支持向量机识别的参数为E₁＝4.2E8Pa，E₂＝1.2E9Pa，u₁＝0.23，andu₂＝0.29.利用识别的参数进行计算并与监测位移的比较见图6。由图6可见，识别的岩石力学参数计算的位移与观测的位移相当接近。差异进化算法的收敛曲线见图7。由图7可见差异进化算法的收敛性很好，能够快速地获得最优解。

支护参数例如锚杆与喷层参数可以用来控制隧道的位移。在这个例子中，假设锚固参数按照原设计不改变，通过调整喷层的参数(喷层厚度和喷层杨氏模量)来控制围岩的位移AG。喷层的参数组合按照正交试验设计方案给出，数值计算获得16个数据样本，见表2。前13个用来训练支持向量机，后3个用来测试支持向量机预测效果。

表2用于喷层参数优化的训练与测试样本

采用表2的数据对SVM训练，并且用控制位移与计算位移之差绝对值作为优化的目标函数，调用差异进化算法进行优化。优化得到的喷层厚度为12mm，杨氏模量21.45GPa。顶拱的下沉大约为5mm，底板隆起大约为2mm，AG的收敛位移大约为7mm。

差异进化优化的适应值、喷层厚度、喷层的弹性模量随着演化代数的变化而变化的规律见图8。由图可见，初始代的最优个体解的适应值很大，随着演化代数的增加，最优个体适应值迅速收敛到零并且喷层厚度、喷层逐渐趋向于定值上，说明最优的喷层厚度、喷层的弹性模量被快速搜索获得。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (3)

1.一种隧道施工过程的快速反馈分析系统，其特征在于包括如下步骤：

a.初步获得地质参数和隧道施工参数，根据前期地质勘探信息和岩石分级情况，通过查表预估计待修建隧道所处的地质体力学参数范围，了解目前已采用设计施工参数；

b.建立三维数值模型，根据步骤a了解的目前施工参数，在计算机上建立隧道开挖三维有限元网格数值计算模型，该数值模型通过输入岩石力学参数：包括围岩侧压力系数、变模、泊松比、摩擦系数和粘聚力，以及锚固参数：包括锚杆直径、锚杆间距、锚杆长度和喷层厚度，将会相应地计算输出不同围岩位移和经济指标；

c.通过数码摄像和计算机图像处理，获得隧道开挖后围岩分层和收敛位移监测信息；对隧道有关断面摄取图像，经过图像处理获得有关数据，计算出位移信息；

d.非线性支持向量机模型建立，将步骤b获得的多输入-多输出的三维数值模型采用机器学习工具-支持向量机来表达，利用步骤b获得多输入-多输出的样本对支持向量机进行训练，获得该支持向量机模型如下：

Y＝SVM(X)

公式中X表示隧道输入因素向量，即岩石力学参数包括：围岩侧压力系数、变模、泊松比、摩擦系数和粘聚力，以及锚固参数包括：锚杆直径、锚杆间距、锚杆长度和喷层厚度，Y表示隧道输出因素向量，即围岩位移；

上述反映隧道施工非线性的支持向量机模型建立过程如下：

1)确定隧道施工可控性的输入参数和可测性的输出参数，输入参数包括岩石力学参数包括：围岩侧压力系数、变模、泊松比、摩擦系数和粘聚力，以及锚固参数包括：锚杆直径、锚杆间距、锚杆长度和喷层厚度；输出参数包括：围岩位移、围岩安全性系数和经济指标，以此作为系统的输入和输出；

2)以步骤b建立的数值模型，根据输入参数范围进行正交方案和均匀方案设计，对设计的方案进行数值试验，得到输入和输出对应的样本集；从样本集中选取一部分为学习样本，另一部分为预测检验样本；

3)支持向量机的正则化参数和核参数将会影响预测精度，采用试算的方法确定最优的正则化参数和核参数；首先根据经验确定正则化参数集和核参数集；然后从正则化参数集和核参数集中选取一定数量的参数分别进行组合；再利用所选组合参数，通过学习样本进行支持向量机训练；训练算法采用最小二乘支持向量机方法；并对预测检验样本进行预测，得到预测误差；

6)返回步骤4和步骤5依次采用其他组合训练支持向量机并进行预测，直到参数组合结束在上述组合的参数方案中，选出对应预测误差最小的正则化参数和核参数为支持向量机最佳参数组合，用该参数训练的支持向量机模型进行以下过程的优化；

e.根据步骤c获得的实际监测位移和步骤d训练获得支持向量机模型来识别围岩力学参数：首先将锚固参数按照实际施工参数固定，然后将输入岩石力学参数视为变量，将输出位移与实际监测位移之差进行对比作为适应值函数，最后采用差异优化算法对岩石力学参数进行优化识别，优化目标函数为：

$\mathrm{Min}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(\mathrm{SVM}\left(x_j\right)-Y_i)$

式中x_j为岩石力学参数，SVM(x_j)为对应岩石力学参数x_j支持向量机模型的计算位移，通过步骤d获得，Y_i为通过c获得的特征测线或测点的位移；

f.根据步骤c获得的实际监测位移和步骤d训练获得支持向量机模型，在步骤e识别获得的力学参数基础上，来优化施工参数：首先固定识别获得的围岩力学参数，然后以锚固方案参数为变量，以稳定性指标及经济性指标为目标函数，最后采用差异进化算法对即将锚固方案的施工参数进行优化，优化的目标函数为：

$\mathrm{Min}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}(\mathrm{SVM}\left(L_j\right)+\mathrm{COST}\left(L_j\right))$

式中L_j为锚固方案参数，SVM(L_j)为对应锚固方案参数的位移指标，通过步骤d获得，COST(L_j)为锚固方案参数的经济指标；

h.通过调用差异进化优化算法来求解步骤e的岩石力学参数，进一步求解步骤f的锚固方案的施工参数，并将优化的锚固方案的施工参数作为施工方案通过计算机显示屏输出，指导施工人员进行施工。

2.根据权利要求1所述的一种隧道施工过程的快速反馈分析系统，其特征在于隧道施工为非线性的输入输出的动态系统，在数值试验基础上采用非线性机器学习工具支持向量机——SVM来学习描述这个系统；通过步骤c的图像获取单元无接触获得围岩收敛位移和围岩分层作为辨识信息，依次自动进行围岩参数识别和施工方案快速定量优化，实现了快速的定量的反馈闭环运算。

3.一种实施权利要求1所述隧道施工过程的快速反馈分析系统进行隧道施工过程的快速反馈分析装置，其特征在于包括图像获取单元和计算机，所述计算机包括掌子面及围岩图像识别单元、隧道开挖施工数值模拟单元、SVM学习单元和差异进化算法单元；

所述掌子面及围岩图像识别单元，用于根据围岩测点高精度数码照片呈现的图象特征，获得围岩收敛监测位移；

所述隧道开挖施工数值模拟单元，用于根据隧道开挖结构参数以及所处地质体的尺寸和力学性质建立数值模型；

所述SVM学习单元，是首先根据正交设计的方案调用隧道开挖施工数值模拟单元进行数值试验，获得数据样本；然后对上述样本进行学习，从而获得能够反映岩石力学参数和锚固参数作为输入、围岩位移和经济指标作为输出的非线性映射支持向量机模型，代替数值模拟计算；

所述差异进化算法单元，用于根据差异进化算法调用训练得到的支持向量机模型，分别按照不同的目标函数，依次对围岩力学参数和施工参数进行优化；

所述图像获取单元通过数据线将靠近掌子面处围岩图像传输到计算机中，图像数据通过计算机内部总线传输到掌子面及围岩图像识别单元中，后再通过总线将识别后的数据传输到隧道开挖施工数值模拟单元中，然后通过总线将建立的数值模型数据传输到SVM学习单元以及差异进化算法单元中按照权利要求1步骤d、步骤e和步骤f所述优化算法优化搜索处理，最后通过数据线将优化结果通过计算机显示单元进行显示。

Images