CN104615908A - 一种考虑空间效应的围岩位移释放系数确定方法 - Google Patents

Abstract

本发明涉及一种考虑空间效应的围岩位移释放系数确定方法，属于隧道工程技术领域。该方法包括以下步骤：步骤一：通过数值模拟的方法确定隧道在空间效应影响范围内围岩位移释放系数的影响因素；步骤二：考虑各影响因素之间的相关性，进行有限元数值模拟，建立样本集，所述样本集包括训练集和验证集；步骤三：构建神经网络模型，并对该神经网络模型进行训练和验证，通过和有限元进行对比，验证训练的准确性，从而得到一个可以预测围岩位移释放系数的BP神经网络；步骤四：根据得到的训练好的BP神经网络对围岩位移释放系数进行预测。本方法与传统的位移释放系数确定方法相比，更加简洁高效，且具有更高的精度，具有广阔的应用前景。

Description

一种考虑空间效应的围岩位移释放系数确定方法

技术领域

本发明属于隧道工程技术领域，涉及一种考虑空间效应的围岩位移释放系数确定方法。

背景技术

隧道开挖面的存在对附近的围岩产生了一个径向约束的作用，相当于施加了一个虚拟支护力，围岩的位移和应力会随着开挖面的推进而发生变化,我们称之为开挖面的空间效应。位移释放系数是描述掘进面附近位移释放的程度，通常定义为围岩内某点位移值与最终值之比。在开挖面附近一定距离内,围岩的位移释放系数小于1；在远离开挖面一定距离处,位移释放系数为1；这说明位移释放系数愈小,掘进面空间影响效应愈大；反之亦然。假定隧道开挖面后无穷远处的洞周位移为u_∞，目标断面的位移释放值为u(x)，那么可以定义隧道开挖的围岩位移释放系数为：

$U=\frac{u\left(x\right)}{u_{\∞}}$

位移释放系数可以反映出隧道空间效应对隧道围岩位移释放的影响。在实际工程中，合理的预估围岩的位移释放系数对于指导隧道安全合理的施工具有重要的意义。传统的方法主要通过理论计算或数值模拟来确定围岩的位移释放系数，而这些方法往往比较复杂而且需要耗费较多的时间。

针对上述问题，本发明提出采用人工神经网络方法实现围岩位移释放系数的预测。与传统方法相比，本发明所述方法简单有效并且具有较高的精度，从而具有极高的工程应用价值和实际意义。

发明内容

有鉴于此，本发明的目的在于提供一种考虑空间效应的围岩位移释放系数确定方法，该方法能够快速、有效地对围岩位移释放系数进行确定。

为达到上述目的，本发明提供如下技术方案：

一种考虑空间效应的围岩位移释放系数确定方法，包括以下步骤：

步骤一：通过数值模拟的方法确定隧道在空间效应影响范围内围岩位移释放系数的影响因素；步骤二：考虑各影响因素之间的相关性，进行有限元数值模拟，建立样本集，所述样本集包括训练集和验证集；步骤三：构建神经网络模型，并对该神经网络模型进行训练和验证，通过和有限元进行对比，验证训练的准确性，从而得到一个可以预测围岩位移释放系数的BP神经网络；步骤四：根据得到的训练好的BP神经网络对围岩位移释放系数进行预测。

进一步，在步骤一中，根据有限元数值模拟分析结果，确定隧道在空间效应影响范围内围岩位移释放系数的五个影响因素为：围岩的泊松比ν、内摩擦角、粘聚力c、隧道的埋深比H/R、目标断面到开挖面的距离D/R。

此五个影响因素对围岩位移释放系数的影响曲线图如图6、7、8、9、10所示。

进一步，在步骤二中，考虑各影响因素之间的关联性，随机选取多组不同的工况进行数值模拟，得到多条不同的隧道纵向位移释放系数曲线；每条曲线上取多个控制点，从而得到样本集，用于训练和验证神经网络；其中，为体现验证样本的随机性，每间隔一定个数的样本里面选取一个样本用作验证，从而形成一个验证集和一个训练集。

进一步，在步骤三中，构建神经网络模型时，网络层数选取为3层，分别为输入层、一个隐层和输出层；输入层结点数为5，输出层结点数为1；

当模型构建好后，对步骤二中的训练集进行训练，记录训练过程误差曲线，训练相关系数，训练误差和相对误差等内容，并对训练的结构进行分析；

网络训练完成后，将验证样本输入量代入训练好的网络进行仿真，得出结果进行反归一化得到输出目标值，与有限元计算结果进行对比，验证网络训练的准确性，最终得到一个可以预测围岩位移释放系数的BP神经网络。

进一步，在进行神经网络模型训练时，隐层函数神经元数目采用20个。

进一步，在步骤四中，根据得出的BP神经网络对不同工况进行预测，并且将神经网络得出的位移释放系数曲线和有限元的得出的位移释放系数曲线进行对比。

本发明的有益效果在于：本发明提供的考虑空间效应的围岩位移释放系数确定方法与传统的位移释放系数确定方法相比，更加简洁高效，且具有更高的精度，具有广阔的应用前景。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明所述方法的流程示意图；

图2为本发明实施例的原理框图；

图3为实施例中预测误差分布图；

图4为实施例中预测相对误差分布图；

图5为实施例中预测样本拟合结果对比图；

图6为不同泊松比的围岩位移释放系数曲线图；

图7为不同摩擦角的围岩位移释放系数曲线图；

图8为不同粘聚力的围岩位移释放系数曲线图；

图9为不同埋深比的围岩位移释放系数曲线图；

图10为到开挖面的相对距离的围岩位移释放系数曲线图；

图11为实施例中的训练相关系数；

图12为实施例中的训练误差分布图；

图13为实施例中的训练相对误差分布图；

图14为实施例中的验证误差分布图；

图15为实施例中的验证相对误差分布图；

图16为实施例中的验证样本拟合结果对比图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

图1为本发明所述方法的流程示意图，如图所示，本发明所述的考虑空间效应的围岩位移释放系数确定方法，包括以下步骤：

步骤一：通过数值模拟的方法确定隧道在空间效应影响范围内围岩位移释放系数的影响因素；步骤二：考虑各影响因素之间的相关性，进行有限元数值模拟，建立样本集，所述样本集包括训练集和验证集；步骤三：构建神经网络模型，并对该神经网络模型进行训练和验证，通过和有限元进行对比，验证训练的准确性，从而得到一个可以预测围岩位移释放系数的BP神经网络；步骤四：根据得到的训练好的BP神经网络对围岩位移释放系数进行预测。

图2为本发明实施例的原理框图，具体来说：

由于在开挖面空间效应的影响范围内,围岩主要产生弹塑性变形，反映岩体弹塑性变形的一些物理力学参数可能会对围岩的位移释放系数产生影响。根据有限元数值模拟分析结果，确定隧道在空间效应影响范围内围岩位移释放系数的五个影响因素：围岩的泊松比ν、粘聚力c、内摩擦角、隧道的埋深比(H/R)以及目标断面到开挖面的距离(D/R)。

考虑各影响因素之间的关联性，随机选取了多组不同的工况进行数值模拟，得到了多条不同的隧道纵向位移释放系数曲线。每条曲线上取多个控制点，得到样本集用于训练和验证神经网络。其中为体现验证样本的随机性,每间隔一定个数的样本里面选取一个样本用作验证,组成一个验证集和一个训练集。

隐层数和各层结点数的确定是训练BP神经网络的关键。构建围岩位移释放系数的预测模型时，网络层数取为3层，分别为输入层、一个隐层和输出层。有五个输入变量，故数据的维数为5维，因此输入层结点数为5。输出层结点数则取决于研究对象，此处的输出结果为最终的位移释放系数，故输出层结点数为1。隐单元数目太多会导致学习时间过长、误差不一定最佳，也会导致容错性差、不能识别以前没有看到的样本，因此一定存在一个最佳的隐单元数。以下公式用于选择最佳隐层单元时的参考公式：

$\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{C}_{\mathrm{ni}}^i>k$

其中，k为样本数，n为输入单元数，n₁为隐函数，如果i＞n₁，

本发明在上述公式的基础上进行多次数据试验，隐层单元数从15个开始逐个增加，观察网络性能，确定当隐函数神经元数目为20个时，效果为最佳。

在本发明中，建模隐层和输出层分别采用tansig函数和purelin函数，训练函数采用trainbr函数，关于权值、阀值的BP学习算法采用默认的“learndm”算法，它是梯度下降动量学习函数，网络的性能函数默认为“mse”，该函数为均方误差性能函数。

模型构建好之后，编制好神经网络训练的程序，对权利3中的训练集进行训练，记录训练过程误差曲线，训练相关系数，训练误差和相对误差等内容，如下图所示，从而对训练的结构进行分析。

训练的相关系数可达0.99999，如图11所示。训练结束以后，对训练样本的输出结果进行反归一化(数据还原)之后，将得出的结果与实测值进行比较，如图12所示,误差值可以控制在±0.008之内；如图13所示，相对误差值可以控制在±0.03之内，也表明训练结果的准确性，可以满足训练要求。

网络训练完成之后，将验证样本输入量代入训练好的网络进行仿真，得出结果进行反归一化得到输出目标值，与有限元计算结果进行对比，对比结果如图14、15、16所示，由图所示，验证的误差值和相对误差值都控制在合理的范围之内，样本拟合结果和真实值几乎重合，由此验证了网络训练的准确性。最终得到一个可以预测围岩位移释放系数的BP神经网络。

实施例：

1)首先根据有限元数值模拟分析，确定隧道在空间效应影响范围内围岩位移释放系数的五个影响因素：围岩的泊松比ν、粘聚力c、内摩擦角、隧道的埋深比(H/R)以及目标断面到开挖面的距离(D/R)。

2)考虑各影响因素之间的关联性，随机选取了30组不同的工况进行数值模拟，得到了30条不同的隧道纵向位移释放系数曲线。每条曲线上取33个控制点，得到一个由990个样本组成的样本集。其中为体现验证样本的随机性,每间隔20个样本里面选取一个样本用作验证,总共组成了一个由50个样本组成的验证集,剩下的940个样本组成训练集。

3)构建神经网络模型，利用构建好的神经网络，对训练集进行训练，对验证集进行验证。

4)根据得出的BP神经网络对三个工况进行预测，并且将神经网络得出的位移释放系数曲线和有限元的得出的位移释放系数曲线进行对比。

图3为实施例中预测误差分布图；图4为实施例中预测相对误差分布图；图5为实施例中预测样本拟合结果对比图。三个工况的最大绝对误差值分别为0.01、0.007、0.011，最大相对误差率分别为5.05％、4.95％、4.61％，满足了训练精度的要求。从以上预测结果图来看,本发明建立的预测模型能够较好的对位移释放系数数据进行预测,预测效果较好。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (6)

1.一种考虑空间效应的围岩位移释放系数确定方法，其特征在于：包括以下步骤：

步骤一：通过数值模拟的方法确定隧道在空间效应影响范围内围岩位移释放系数的影响因素；

步骤二：考虑各影响因素之间的相关性，进行有限元数值模拟，建立样本集，所述样本集包括训练集和验证集；

步骤三：构建神经网络模型，并对该神经网络模型进行训练和验证，通过和有限元进行对比，验证训练的准确性，从而得到一个可以预测围岩位移释放系数的BP神经网络；

步骤四：根据得到的训练好的BP神经网络对围岩位移释放系数进行预测。

2.根据权利要求1所述的一种考虑空间效应的围岩位移释放系数确定方法，其特征在于：在步骤一中，根据有限元数值模拟分析结果，确定隧道在空间效应影响范围内围岩位移释放系数的五个影响因素为：围岩的泊松比ν、粘聚力c、内摩擦角、隧道的埋深比H/R、目标断面到开挖面的距离D/R。

3.根据权利要求1所述的一种考虑空间效应的围岩位移释放系数确定方法，其特征在于：在步骤二中，考虑各影响因素之间的关联性，随机选取多组不同的工况进行数值模拟，得到多条不同的隧道纵向位移释放系数曲线；每条曲线上取多个控制点，从而得到样本集，用于训练和验证神经网络；其中，为体现验证样本的随机性，每间隔一定个数的样本里面选取一个样本用作验证，从而形成一个验证集和一个训练集。

4.根据权利要求1所述的一种考虑空间效应的围岩位移释放系数确定方法，其特征在于：在步骤三中，构建神经网络模型时，网络层数选取为3层，分别为输入层、一个隐层和输出层；输入层结点数为5，输出层结点数为1；

当模型构建好后，对步骤二中的训练集进行训练，记录训练过程误差曲线，训练相关系数，训练误差和相对误差等内容，并对训练的结构进行分析；

网络训练完成后，将验证样本输入量代入训练好的网络进行仿真，得出结果进行反归一化得到输出目标值，与有限元计算结果进行对比，验证网络训练的准确性，最终得到一个可以预测围岩位移释放系数的BP神经网络。

5.根据权利要求4所述的一种考虑空间效应的围岩位移释放系数确定方法，其特征在于：在进行神经网络模型训练时，隐层函数神经元数目采用20个。

6.根据权利要求1所述的一种考虑空间效应的围岩位移释放系数确定方法，其特征在于：在步骤四中，根据得出的BP神经网络对不同工况进行预测，并且将神经网络得出的位移释放系数曲线和有限元的得出的位移释放系数曲线进行对比。