CN103559372A - 隧道开挖施工断面大拱脚crd分层进尺动态分析方法及装置 - Google Patents

Abstract

本发明公开了一种隧道开挖施工断面大拱脚CRD分层进尺动态分析方法及装置，所述方法包括如下步骤：分层开挖；建立三维数值模型以实现开挖过程的数值模拟；获得围岩变形量和围岩安全度指标，形成围岩力学参数和进尺为输入，围岩变形量和围岩安全度为输出的数据样本；建立围岩参数识别样本集，建立进尺确定样本集；建立围岩参数识别神经网络模型和进尺确定神经网络模型；对围岩进行动态分类；获取隧道的围岩变形量；得出围岩力学参数分布的范围；获得围岩力学参数；通过进尺确定神经网络模型得出下阶段施工的开挖进尺；本发明克服了地质体不确定性和变异性所带来的人为选择进尺的盲目性，具有很大的经济意义和社会意义。

Description

隧道开挖施工断面大拱脚CRD分层进尺动态分析方法及装置

技术领域

本发明涉及一种隧道开挖施工断面大拱脚CRD分层进尺动态分析方法及装置。 

背景技术

随着我国基础建设的进行，隧道工程日益增多，尤其出现了很多长大隧道，大断面隧道往往需要采用分块开挖的方式，CRD施工法是有代表性的一种，CRD法又名“交叉中隔壁工法”，是在软弱围岩大跨度隧道中，先分部开挖隧道一侧，施作中隔壁和横隔板，再分部开挖隧道另一侧并完成横隔板施工，隧道的进尺是指隧道断面分块开挖的长度，进尺越大隧道施工的效率越高，但围岩稳定性越差，反之，进尺越小隧道施工的效率越低，但围岩稳定性越好，隧道施工进尺受到地层性质和参数的影响。 

由于地层地质条件的复杂性和不确定性，很多隧道处于地质分层差异的条件，例如所处环境为上软下硬的不均匀地层，传统的CRD施工一般针对整个软弱地层，采用整个断面统一的较短进尺，对于上软下硬的地层的开挖效率很低，采用分层大进尺开挖可以显著提高施工效率，但是地质条件有很大不确定性，给步距确定带来很大的盲目性，从而在安全性和经济性方面带来损失。 

发明内容

本发明针对以上问题的提出，而研制一种隧道开挖施工断面大拱脚CRD分层进尺动态分析方法及装置。 

本发明的技术手段如下： 

一种隧道开挖施工断面大拱脚CRD分层进尺动态分析方法，包括如下步骤： 

a、通过收集工程地质调查数据，根据上软下硬地层的特点建立扣大拱脚CRD分块开挖和支护方式，根据上层区域和下层区域的不同岩性采用不同的进尺进行分层开挖； 

b、按照隧道所处地质条件和隧道设计尺寸建立三维数值模型以实现对应步骤a中开挖过程的数值模拟；针对建立的三维数值模型通过改变围岩力学参数和进尺以变换多种参数组合，获得对应的围岩变形量和围岩安全度指标，形成 围岩力学参数和进尺为输入，围岩变形量和围岩安全度为输出的数据样本； 

c、根据步骤b形成的数据样本，建立以围岩变形量和进尺为输入、围岩力学参数为输出的对应关系数据集作为围岩参数识别样本集，以及建立以围岩力学参数和围岩安全度为输入、进尺为输出的对应关系数据集作为进尺确定样本集； 

d、通过BP神经网络算法对步骤c确立的围岩参数识别样本集和进尺确认样本集进行训练和学习，建立相应的围岩参数识别神经网络模型和进尺确定神经网络模型； 

e、采用一定的进尺进行隧道的分部试开挖，采用拍照设备获取开挖面揭露的隧道掌子面的地质状貌图；通过隧道掌子面的图像识别技术对所述地质状貌图进行识别，基于识别结果并结合隧道围岩分类标准对围岩进行动态分类； 

f、在隧道掌子面附近布置多个测点的位移监测装置来获取隧道的围岩变形量； 

g、根据围岩分类与围岩力学参数的经验关系，由步骤e获得的围岩分类得出围岩力学参数分布的范围； 

h、根据隧道已开挖部分所采用的进尺和支护方式条件，以围岩变形量和进尺作为输入，通过围岩参数识别神经网络模型在步骤g得出的围岩力学参数范围内进行隧道围岩参数识别，获得围岩力学参数； 

i、基于步骤h获得的围岩力学参数，输入预设地段的围岩安全度，通过进尺确定神经网络模型得出下阶段施工的开挖进尺； 

j、将步骤i得出的进尺作为下一步骤进行开挖的进尺，重复步骤e～i； 

进一步地，步骤b所述形成围岩力学参数和进尺为输入，围岩变形量和围岩安全度为输出的数据样本采用正交设计方法； 

进一步地，步骤f所述位移监测装置包括位移计和收敛计； 

一种实施所述隧道开挖施工断面大拱脚CRD分层进尺动态分析方法的装置，包括： 

用于在采用一定的进尺进行隧道的分部试开挖后，获取所形成的开挖面揭露的隧道掌子面的地质状貌图的拍照设备； 

用于监测围岩变形量的位移监测装置； 

计算机；所述计算机包括隧道开挖数值模拟单元、模型建立单元、神经网络算法单元、图像识别单元、隧道围岩参数识别单元和隧道开挖进尺确定单元； 

所述隧道开挖数值模拟单元，用于按照隧道所处地质条件和隧道设计尺寸建立三维数值模型以实现对隧道扣大拱脚CRD分块开挖过程的数值模拟，并根据不同的围岩力学参数和进尺获得围岩变形量和围岩安全度指标，形成围岩力学参数和进尺为输入，围岩变形量和围岩安全度为输出的数据样本； 

所述模型建立单元，用于根据隧道开挖数值模拟单元形成的数据样本，建立以围岩变形量和进尺为输入、围岩力学参数为输出的对应关系数据集作为围岩参数识别样本集，以及建立以围岩力学参数和围岩安全度为输入、进尺为输出的对应关系数据集作为进尺确定样本集； 

所述神经网络算法单元，用于实现BP神经网络算法，通过BP神经网络算法对模型建立单元所建立的围岩参数识别样本集和进尺确定样本集进行训练和学习，建立相应的围岩参数识别神经网络模型和进尺确定神经网络模型； 

所述图像识别单元，用于通过隧道掌子面的图像识别技术对拍照设备获取的开挖面揭露的隧道掌子面的地质状貌图进行识别，基于识别结果并结合隧道围岩分类标准对围岩进行动态分类； 

所述隧道围岩参数识别单元，用于根据围岩分类与围岩力学参数的经验关系，根据图像识别单元获得的围岩分类得出围岩力学参数的分布范围，根据隧道已开挖部分所采用的进尺和支护方式条件，结合位移监测装置所监测的围岩变形量，以围岩变形量和进尺作为输入，通过围岩参数识别神经网络模型在得出的围岩力学参数范围内进行围岩参数识别，获得围岩力学参数； 

所述隧道开挖进尺确定单元，用于基于隧道围岩参数识别单元获得的围岩力学参数，结合输入的预定地段的围岩安全度，通过进尺确定神经网络模型得出下阶段施工的开挖进尺； 

所述拍照设备和位移监测装置通过数据线将隧道掌子面的地质状貌图和围岩变形量传输至计算机中，计算机包括的所述隧道开挖数值模拟单元、模型建立单元、神经网络算法单元、图像识别单元、隧道围岩参数识别单元和隧道开挖进尺确定单元进行相应处理得出开挖进尺结果通过数据线将该结果通过计算机显示单元进行显示。 

由于采用了上述技术方案，本发明提供的一种隧道开挖施工断面大拱脚CRD分层进尺动态分析方法及装置，通过监测数据和要求的安全度来确定CRD分层开挖的进尺，神经网络模型的采用充分利用了其自学习的能力和非线性的映射能力，很大程度提高了计算速度，利用本发明确定的开挖进尺，克服了地质体 不确定性和变异性所带来的人为选择进尺的盲目性，具有很大的经济意义和社会意义。 

附图说明

图1是本发明CRD分块开挖断面示意图； 

图2是本发明CRD分层进尺示意图； 

图3是本发明所述装置的结构框图； 

图4是本发明围岩参数识别神经网络模型的示意图； 

图5是本发明进尺确定神经网络模型的示意图； 

图6是本发明BP神经网络算法图； 

图7是本发明CRD分块开挖数值网格结构示意图； 

图8是本发明典型监测布置图； 

图9-a是本发明开挖第二步掌子面的数码照片； 

图9-b是本发明开挖第六步掌子面的数码照片。 

具体实施方式

如图1所示的CRD分块开挖断面示意图，设计分块的数量可以根据隧道断面的大小和地质条件进行调整，图1中分为8个开挖步，开挖顺序为1→2→3→4→5→6→7→8，上层的顶拱部分处于硬岩中，设计了扣大拱脚和锁脚锚杆方式来保持顶拱稳定性，CRD分块开挖和支护方式需要根据上软下硬地层的实际情况来确定，即上层开挖拱脚宜落在硬岩范围，此时可以采用大进尺掘进，并采用大拱脚和锁脚锚杆技术仍能保证较好围岩稳定性；若处于软岩范围的分块则可以宜相应地采用较小进尺；如图2所示的CRD分层进尺示意图；为了保证施工效率和施工设施的配合，大断面各个分块宜错开一定距离，各块开挖进尺典型如图2所示，可以表达为L1和L2，L1和L2即是本发明有待确定的进尺参数；如图3所示的本发明所述装置的结构框图；首先通过收集工程地质调查数据，根据上软下硬地层的特点建立扣大拱脚CRD分块开挖和支护方式，根据上层区域和下层区域的不同岩性采用不同的进尺进行分层开挖，可以为硬岩范围的开挖采用大进尺掘进，软岩范围的开挖采用小进尺，硬岩与软岩界定可参考《工程岩体分级标准-GB50218-94》，大进尺和小进尺是相比较而言的，大进尺的范围为1～10m，小进尺为0.5～1m；然后隧道开挖数值模拟单元按照隧道所处地质条件和隧道设计尺寸建立三维数值模型以实现上述隧道开挖设计的数值模拟，并针对建立的三维数值模型通过改变围岩力学参数和进尺以变换多种参数 组合，获得围岩变形量和围岩安全度指标并形成围岩力学参数和进尺为输入，围岩变形量和围岩安全度为输出的数据样本；模型建立单元根据隧道开挖数值模拟单元形成的数据样本，建立以围岩变形量和进尺为输入、围岩力学参数为输出的对应关系数据集作为围岩参数识别样本集；以及建立以围岩力学参数和围岩安全度为输入、进尺为输出的对应关系数据集作为进尺确定样本集；神经网络算法单元通过BP神经网络算法对模型建立单元确立的围岩参数识别样本集和进尺确认样本集进行训练和学习，建立相应的围岩参数识别神经网络模型和进尺确定神经网络模型；再采用一定的进尺进行隧道的分部试开挖，所述一定的进尺一般取值范围为0.5～10m，当步骤i通过进尺确定神经网络模型得出下阶段施工的开挖进尺后，施工过程中重复步骤e～i形成动态调整进尺的过程，这时步骤e中所述一定的进尺采用步骤i所得出的开挖进尺，之后采用拍照设备获取开挖面揭露的隧道掌子面的地质状貌图；图像识别单元通过隧道掌子面的图像识别技术对所述地质状貌图进行识别，该图像识别技术可以采用叶英、王梦恕著作的《隧道掌子面地质信息数字编录识别技术研究》、北京交通大学学报，2007，31（1）：59-62中公开的图像识别技术，利用该图像识别技术可以识别出节理、裂隙、层理等微构造发育情况，再结合围岩分类标准对围岩实现动态分类，围岩动态分类也可以称为围岩动态分级，所述围岩分类标准可以采用《工程岩体分级标准-GB50218-94》、《公路隧道设计规范-JTG D70-2004》和《铁路工程地质勘察规范-TB10012-2007》中规定的分类方法；在隧道掌子面附近布置多个测点的位移监测装置来获取隧道的围岩变形量；然后隧道围岩参数识别单元根据围岩分类与围岩力学参数的经验关系，该经验关系可参考同济大学出版社、刘学增著作的《隧道稳定性评价与塌方预警》中公开的内容，具体章节为：4.2.3拱顶下沉与围岩级别的关系4.2.4周边收敛位移与围岩级别的关系，p144-150；由获得的围岩分类得出围岩力学参数分布的范围；再根据隧道已开挖部分所采用的进尺和支护方式条件，利用位移监测装置所监测的围岩变形量，以围岩变形量和进尺作为输入，通过围岩参数识别神经网络模型在上述得出的围岩力学参数范围内进行隧道围岩参数识别，获得围岩力学参数；隧道开挖进尺确定单元基于隧道围岩参数识别单元识别的隧道围岩力学参数，结合输入预定区段的围岩安全度，通过进尺确定神经网络模型得出下阶段施工的开挖进尺；如图4所示的本发明围岩参数识别神经网络模型的示意图，即通过神经网络的非线性和自学习的性质，对于数值模拟分析后形成的样本进行训练和 学习，获得关键测点的位移与围岩力学参数之间的非线性映射关系，利用这个对应关系即围岩参数识别神经网络模型，输入实际监测的位移即变形量，即可以得出围岩的力学参数；如图5所示的本发明进尺确定神经网络模型的示意图，对于数值模拟分析后的样本进行学习，获得关键围岩断面的围岩安全度、围岩力学参数与分块开挖进尺之间的非线性映射关系，利用这个对应关系即进尺确定神经网络模型，输入围岩力学参数和围岩安全度即获得进尺参数；如图6是本发明BP神经网络算法图，根据图4示出的围岩参数识别神经网络模型和图5示出的进尺确定神经网络模型确定学习训练样本后，采用反向误差调整算法对神经网络模型进行训练，该神经网络算法包括如下步骤： 

S1：连接权及阈值初始化，执行S2； 

S2：学习模式对提供给网络，执行S3； 

S3：计算中间层各单元的输入、输出，执行S4； 

S4：计算输出层各单元的输入、输出，执行S5； 

S5：计算输出层各单元的校正误差，执行S6； 

S6：计算中间层各单元的校正误差，执行S7； 

S7：调整中间层至输出层之间连接权及输出层各单元输出阈值，执行S8； 

S8：调整输入层至中间层之间连接权及输出层各单元输出阈值，执行S9； 

S9：更新学习输入模式，执行S10； 

S10：是否全部模式训练完，是则执行S11，否则执行S1； 

S11：更新学习次数，执行S12； 

S12：误差<ε或学习次数>N？是则执行S13，否则执行S1； 

S13：学习结束。 

其中ε和N的取值根据经验确定，比较常用的为ε可以取0.001，N可以取5000；如果训练不收敛，可增加学习次数N。 

图7是本发明CRD分块开挖数值网格结构示意图，如图7所示，在横断面上的分块开挖顺序分别是W01、W02、W03、W04、W05、W06、W07和W08；图8是本发明典型监测布置图，分别测量顶拱的沉降和不同高程的两侧收敛位移。 

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 (4)

1.一种隧道开挖施工断面大拱脚CRD分层进尺动态分析方法，其特征在于包括如下步骤：

a、通过收集工程地质调查数据，根据上软下硬地层的特点建立扣大拱脚CRD分块开挖和支护方式，根据上层区域和下层区域的不同岩性采用不同的进尺进行分层开挖；

b、按照隧道所处地质条件和隧道设计尺寸建立三维数值模型以实现对应步骤a中开挖过程的数值模拟；针对建立的三维数值模型通过改变围岩力学参数和进尺以变换多种参数组合，获得对应的围岩变形量和围岩安全度指标，形成围岩力学参数和进尺为输入，围岩变形量和围岩安全度为输出的数据样本；

c、根据步骤b形成的数据样本，建立以围岩变形量和进尺为输入、围岩力学参数为输出的对应关系数据集作为围岩参数识别样本集，以及建立以围岩力学参数和围岩安全度为输入、进尺为输出的对应关系数据集作为进尺确定样本集；

d、通过BP神经网络算法对步骤c确立的围岩参数识别样本集和进尺确认样本集进行训练和学习，建立相应的围岩参数识别神经网络模型和进尺确定神经网络模型；

e、采用一定的进尺进行隧道的分部试开挖，采用拍照设备获取开挖面揭露的隧道掌子面的地质状貌图；通过隧道掌子面的图像识别技术对所述地质状貌图进行识别，基于识别结果并结合隧道围岩分类标准对围岩进行动态分类；

f、在隧道掌子面附近布置多个测点的位移监测装置来获取隧道的围岩变形量；

g、根据围岩分类与围岩力学参数的经验关系，由步骤e获得的围岩分类得出围岩力学参数分布的范围；

h、根据隧道已开挖部分所采用的进尺和支护方式条件，以围岩变形量和进尺作为输入，通过围岩参数识别神经网络模型在步骤g得出的围岩力学参数范围内进行隧道围岩参数识别，获得围岩力学参数；

i、基于步骤h获得的围岩力学参数，输入预设地段的围岩安全度，通过进尺确定神经网络模型得出下阶段施工的开挖进尺；

j、将步骤i得出的进尺作为下一步骤进行开挖的进尺，重复步骤e～i。

2.根据权利要求1的一种隧道开挖施工断面大拱脚CRD分层进尺动态分析方法，其特征在于步骤b所述形成围岩力学参数和进尺为输入，围岩变形量和围岩安全度为输出的数据样本采用正交设计方法。

3.根据权利要求1的一种隧道开挖施工断面大拱脚CRD分层进尺动态分析方法，其特征在于步骤f所述位移监测装置包括位移计和收敛计。

4.一种实施权利要求1所述隧道开挖施工断面大拱脚CRD分层进尺动态分析方法的装置，其特征在于包括：

用于在采用一定的进尺进行隧道的分部试开挖后，获取所形成的开挖面揭露的隧道掌子面的地质状貌图的拍照设备；

用于监测围岩变形量的位移监测装置；

计算机；所述计算机包括隧道开挖数值模拟单元、模型建立单元、神经网络算法单元、图像识别单元、隧道围岩参数识别单元和隧道开挖进尺确定单元；

所述隧道开挖数值模拟单元，用于按照隧道所处地质条件和隧道设计尺寸建立三维数值模型以实现对隧道扣大拱脚CRD分块开挖过程的数值模拟，并根据不同的围岩力学参数和进尺获得围岩变形量和围岩安全度指标，形成围岩力学参数和进尺为输入，围岩变形量和围岩安全度为输出的数据样本；

所述模型建立单元，用于根据隧道开挖数值模拟单元形成的数据样本，建立以围岩变形量和进尺为输入、围岩力学参数为输出的对应关系数据集作为围岩参数识别样本集，以及建立以围岩力学参数和围岩安全度为输入、进尺为输出的对应关系数据集作为进尺确定样本集；

所述神经网络算法单元，用于实现BP神经网络算法，通过BP神经网络算法对模型建立单元所建立的围岩参数识别样本集和进尺确定样本集进行训练和学习，建立相应的围岩参数识别神经网络模型和进尺确定神经网络模型；

所述图像识别单元，用于通过隧道掌子面的图像识别技术对拍照设备获取的开挖面揭露的隧道掌子面的地质状貌图进行识别，基于识别结果并结合隧道围岩分类标准对围岩进行动态分类；

所述隧道围岩参数识别单元，用于根据围岩分类与围岩力学参数的经验关系，根据图像识别单元获得的围岩分类得出围岩力学参数的分布范围，根据隧道已开挖部分所采用的进尺和支护方式条件，结合位移监测装置所监测的围岩变形量，以围岩变形量和进尺作为输入，通过围岩参数识别神经网络模型在得出的围岩力学参数范围内进行围岩参数识别，获得围岩力学参数；

所述隧道开挖进尺确定单元，用于基于隧道围岩参数识别单元获得的围岩力学参数，结合输入的预定地段的围岩安全度，通过进尺确定神经网络模型得出下阶段施工的开挖进尺；

所述拍照设备和位移监测装置通过数据线将隧道掌子面的地质状貌图和围岩变形量传输至计算机中，计算机包括的所述隧道开挖数值模拟单元、模型建立单元、神经网络算法单元、图像识别单元、隧道围岩参数识别单元和隧道开挖进尺确定单元进行相应处理得出开挖进尺结果通过数据线将该结果通过计算机显示单元进行显示。

Images