CN109165406A - 一种隧道施工过程中围岩快速动态分级预测方法 - Google Patents

Abstract

本发明提供一种隧道施工过程中围岩快速动态分级预测方法，包括以下步骤：构建最小二乘向量机与细菌觅食算法数学模型，设定初始变量，获取参与运算的测量参数，构建学习样本，并计算BQ真实值BQ₀；通过细菌觅食算法的数学模型解算最小二乘向量机得到BQ预测值BQ₁；当BQ₁与BQ₀足够接近时获取最优的正则参数变量与核函数参数变量；通过最优的正则参数变量与核函数参数变量建立测量参数与BQ₀之间的非线性映射关系，并基于BQ₁参照国标进行对应的围岩所属等级划分。结合细菌觅食算法与最小二乘向量机非线性映射函数对隧道围岩进行分级计算，鲁棒性强、全局优化好，能准确的评价或预测围岩所属等级。

Description

一种隧道施工过程中围岩快速动态分级预测方法

技术领域

本发明涉及围岩安全评价技术领域，尤其涉及一种隧道施工过程中围岩快速动态分级预测方法。

背景技术

围岩级别同时蕴含了岩体稳定性、力学性能、渗透性等多种信息，公路隧道施工过程中，围岩级别判定是进一步施工与支护方案确定选取的重要依据。目前施工设计过程中的岩体分级依据多为项目初期的地质勘查报告中分级结果，同时在开挖过程中，依靠经验与国标BQ法等评价模型对已揭露掌子面进行评价分析进而确定下一步施工方案与支护手段。由于岩土工程的复杂性与非线性等特点，围岩等级的揭露结果与初期地质勘查设计结果往往存在于一定差异；通过常规BQ法得到的判定结果常常出现误差，鲁棒性差；依靠经验的分析判断对勘察人员经验素质要求较高且存在一定的主观不确定性。

发明内容

本发明提供一种隧道施工过程中围岩快速动态分级预测方法，包括以下步骤：

S1：构建最小二乘向量机(LSSVM)与细菌觅食算法(BFOA)数学模型，并设定最小二乘向量机(LSSVM)的数学模型所需的包括正则参数变量γ与核函数参数变量σ²的初始变量，与细菌觅食算法(BFOA)的数学模型所需初始变量，获取参与运算的测量参数，构建学习样本，并计算围岩基本质量指标的真实值BQ₀；

S2：利用正则参数变量γ₀、核函数参数变量与学习样本数据解算最小二乘向量机(LSSVM)得到围岩基本质量指标的预测值BQ₁；

S3：判断BQ₁与BQ₀之差的绝对值是否小于预测偏差阀值dBQ；

若否，通过趋向性操作、复制操作及迁移操作解算细菌觅食算法的数学模型获取最优的正则参数变量并赋值给γ，获取核函数参数变量赋值给σ²，转至S2；

若是，建立测量参数与对应位置处围岩的BQ₀之间的非线性映射关系，然后基于所述非线性映射关系利用测量参数计算围岩基本质量指标的预测值BQ₁，并基于BQ₁参照国标进行对应的围岩所属等级划分。

进一步地，所述S3中的所述非线性映射关系的建立过程如下，

对于给定的N个训练样本{x_i,y_i}_i＝1...N，其中x_i∈Rⁿ为n维的训练输入样本，y_i∈Rⁿ为训练输出样本，目标优化函数为：

式中：为核空间映射函数；ω∈R^nf为权矢量；e_k∈R为误差变量；b为偏置量；γ为可调参量；y_k是估计函数y＝f(x)中的y；

LSSVM回归函数：

式中：K(x,x_k)＝exp{-||x-x_i||²/σ²}(核函数采用径向基核函数)。

按照上述理论构建基于易测量参量的围岩级别超前预测功能函数，将通过现场量测获得的数据记为一个围岩级别的决定序列：{x_i}＝{x₁,x₂,...,x_N}，对这个非线性变化序列进行预测，寻找在p位置处的围岩级别与前P个围岩决定参数x₁,x₂,...,x_p的关系，即y_p＝f(x₁,x₂,...x_p)，f(·)为学习函数，表示围岩参数与围岩级别之间的非线性关系。

上述非线性变形关系可以通过支持向量机对p个已获得确定级别的揭露断面的学习来获得，也就是通过对n-p个变形序x_i,x_i+1,...,x_i+p,(i＝1,2,...,n-p)的学习，来获得围岩级别与参数之间的非线性关系如式(3)所示：

式中：y(x_p+1)为p+1位置的围岩级别；x_p+1为p+1位置处的p个围岩参数值，x_p+1＝(x₁,x₂,...，x_p+1)；x_k为p+k位置处的前p个围岩参数值，x_k＝(x_k,x_k+1,...，x_k+p-1)；

进一步地，参与运算的测量数据包括平均围岩回弹强度、岩体完整性系数、地下水影响因子、及节理延展性。

进一步地，参与运算的测量数据还包括结构面产状影响因子、初始地应力影响因子、泊松比及杨氏模量。

本发明提供的一种隧道施工过程中围岩快速动态分级预测方法，结合细菌觅食算法BFOA与最小二乘向量机LSSVM非线性映射函数对隧道围岩分级进行预测。借助最小二乘向量机(LSSVM)较快的计算速度进行围岩参数与对应级别的非线性映射关系构建；通过细菌觅食算法(BFOA)良好的取得全局极值的能力对其进行初始参数的全局寻优；将优化后的映射函数作为分级计算函数，实现围岩分级评价。

本发明以BFOA—LSSVM的非线性函数代替了现有方法中BQ值计算的线性函数，可在施工过程中实现准确、快速的围岩等级计算，能较准确的评价或预测围岩所属等级，为下一步支护施工提供合理的依据。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，一种隧道施工过程中围岩快速动态分级预测方法，包括以下步骤：

S1：构建最小二乘向量机(LSSVM)与细菌觅食算法(BFOA)数学模型，并设定最小二乘向量机(LSSVM)的数学模型所需的包括正则参数变量γ与核函数参数变量σ²的初始变量，设置细菌觅食算法(BFOA)的数学模型所需初始变量，获取参与运算的测量参数，构建学习样本，并计算围岩基本质量指标的真实值BQ₀；

S2：利用正则参数变量γ、核函数参数变量σ²与学习样本数据解算最小二乘向量机(LSSVM)得到围岩基本质量指标的预测值BQ₁；

S3：判断BQ₁与BQ₀之差的绝对值是否小于预测偏差阀值dBQ；

若否，通过趋向性操作、复制操作及迁移操作解算细菌觅食算法的数学模型获取最优的正则参数变量并赋值给γ，获取核函数参数变量赋值给σ²，转至S2；

若是，建立测量参数与对应位置处围岩的BQ₀之间的非线性映射关系，然后基于所述非线性映射关系利用测量参数计算围岩基本质量指标的预测值BQ₁，并基于BQ₁参照国标进行对应的围岩所属等级划分。

本发明提供的一种隧道施工过程中围岩快速动态分级预测方法，结合细菌觅食算法BFOA与最小二乘向量机LSSVM非线性映射函数对隧道围岩分级进行计算。借助最小二乘向量机(LSSVM)较快的计算速度进行围岩参数与对应级别的非线性映射关系构建；通过细菌觅食算法(BFOA)良好的取得全局极值的能力对其进行初始参数的全局寻优；将优化后的映射函数作为分级计算的功能函数，实现围岩分级计算。细菌觅食算法BFOA优化算法原理和机制结构较为简单，且鲁棒性强、全局优化能力较好，不易陷入局部最优解，同时对初始化单一参数的设置依赖较小。因此，采用细菌觅食算法BFOA优化求解最小二乘向量机LSSVM非线性预测算法对正则参数γ、平方带宽通σ²两参数高依赖性的问题，使得运算稳定。

由于结合BFOA—LSSVM数学模型构建非线性映射关系，以非线性函数代替了现有方法中BQ值计算的线性函数，可在施工过程中实现准确、快速的围岩等级计算，能较准确的评价或预测围岩所属等级，为下一步支护施工提供合理的依据。

进一步地，所述S3中的所述非线性映射关系的建立具体过程如下，

对于给定的N个训练样本{x_i,y_i}_i＝1...N，其中x_i∈Rⁿ为n维的训练输入样本，y_i∈Rⁿ为训练输出样本，目标优化函数为：

式中：为核空间映射函数；ω∈R^nf为权矢量；e_k∈R为误差变量；b为偏置量；γ为可调参量；y_k是估计函数y＝f(x)中的y；

LSSVM回归函数：

式中：K(x,x_k)＝exp{-||x-x_i||²/σ²}(核函数采用径向基核函数)。

按照上述理论构建基于易测量参量的围岩级别超前预测功能函数，将通过现场量测获得的数据记为一个围岩级别的决定序列：{x_i}＝{x₁,x₂,...,x_N}，对这个非线性变化序列进行预测，寻找在p位置处的围岩级别与前P个围岩决定参数x₁,x₂,...x_p的关系，即y_p＝f(x₁,x₂,...x_p)，f(·)为学习函数，表示围岩参数与围岩级别之间的非线性关系。

根据最小二乘支持向量机理论，上述非线性变形关系可以通过支持向量机对p个已获得确定级别的揭露断面的学习来获得，也就是通过对n-p个变形序x_i,x_i+1,...,x_i+p,(i＝1,2,...,n-p)的学习，来获得围岩级别与参数之间的非线性关系，即：

式中：y(x_p+1)为p+1位置的围岩级别；x_p+1为p+1位置处的p个围岩参数值，x_p+1＝(x₁,x₂,...，x_p+1)；x_k为p+k位置处的前p个围岩参数值，x_k＝(x_k,x_k+1,...，x_k+p-1)。

最小二乘向量机算法计算速度的提高一定程度上得益于采用了最小二乘价值函数和等式约束，将传统的二次规划问题求解转变为线性问题，降低了求解过程的复杂性。但是，这也导致了样本训练结果的精准程度对基本参数设置精度的要求更高，例如代表训练误差最小化和平滑程度之间的权衡程度的正则参数γ、高斯RBF核中的平方带宽通σ²。

进一步地，参与运算的测量数据包括平均围岩回弹强度、岩体完整性系数、地下水影响因子与节理延展性。

进一步地，参与运算的测量数据还包括结构面产状影响因子、初始地应力影响因子、泊松比及杨氏模量。

实例介绍：

甄峰岭2号隧道入口位于和龙市北部西城镇境内，出口位于安图县松江镇境内，属长白山系北侧，隧道分左右两幅，隧道间距32m～40m，右幅长5561m，起讫里程K89+992；左幅长5497m，起讫里程ZK90+071；属于特长隧道。主体走向以北东向为主，附近最高峰老岭海拔高度1457.50m，隧道附近最高山海拔1326m，一般山峰高度在500m以上，谷底海拔798m。山体坡度15-20°，局部地段可达30-40°，隧道位于北东、北西向沟谷交汇处向东南突出的部位，隧道区地面高程918.50～1345.50m，最大相对高差427m左右。隧道区位于中朝准台地的东部与和龙地块东北侧边缘地带上，同时存在古洞河上游断裂、光明沟断裂、古洞河深大断裂等多条断裂带，受其影响，断裂带附近围岩可能比较破碎。

甄峰岭特长隧道大约有7段高应力区，由于属于特长隧道及其复杂的地质特点，在不同位置处存在的低温、高应力岩爆、涌突水、破碎带大变形、塌方等潜在的风险，因此在施工过程中对预施工位置进行合理的围岩等级评价并在此基础上及时进行支护参数动态修正与工法及时转换极为重要。

板石隧道位于长白山西麓龙岗山脉中段，该隧道与甄峰岭2号隧道处同一地区，自然条件、地质条件近乎相同。目前为止，甄峰岭2号隧道开挖总长度为800米左右，且多为Ⅳ～Ⅴ级围岩区，作为基于非线性功能函数的围岩分级计算模型，其本身已获取的相关数据显然不足以形成完整的向量机学习样本，故采用板石隧道施工过程中的相关数据进行学习样本构建。学习样本输入参数选取标准为能代表反映围岩稳定性质同时便于在施工过程中进行大量获取以进行分布概率密度统计，结合甄峰岭现场实际情况，输入参数确定为回弹强度值、完整性系数、地下水发育状态与节理延展性四项，输出参数为对应位置的BQ值，建立的学习样本如表1所示，计算结果如表2所示(计算过程中dBQ取值10^-7)。

表1学习样本

表2计算结果

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (4)

1.一种隧道施工过程中围岩快速动态分级预测方法，其特征在于，包括以下步骤，

S1：构建最小二乘向量机与细菌觅食算法数学模型，并设定最小二乘向量机的数学模型所需的包括正则参数变量γ与核函数参数变量σ²的初始变量，设置细菌觅食算法的数学模型所需初始变量，获取参与运算的测量参数，构建学习样本，并计算围岩基本质量指标的真实值BQ₀；

S2：利用正则参数变量γ、核函数参数变量σ²与学习样本数据解算最小二乘向量机得到围岩基本质量指标的预测值BQ₁；

S3：判断BQ₁与BQ₀之差的绝对值是否小于预测偏差阀值dBQ；

若否，通过趋向性操作、复制操作及迁移操作解算细菌觅食算法的数学模型获取最优的正则参数变量并赋值给γ，获取核函数参数变量赋值给σ²，转至S2；

若是，建立测量参数与对应位置处围岩的BQ₀之间的非线性映射关系，然后基于所述非线性映射关系利用测量参数计算围岩基本质量指标的预测值BQ₁，并基于BQ₁参照国标进行对应的围岩所属等级划分。

2.根据权利要求1所述的一种隧道施工过程中围岩快速动态分级预测方法，其特征在于，所述S3中的所述非线性映射关系的建立过程如下，

对于给定的N个训练样本{x_i,y_i}_i＝1...N，其中x_i∈Rⁿ为n维的训练输入样本，y_i∈Rⁿ为训练输出样本，目标优化函数如式(1)所示，

式中：为核空间映射函数；ω∈R^nf为权矢量；e_k∈R为误差变量；b为偏置量；γ为可调参量；y_k是估计函数y＝f(x)中的y；

LSSVM回归函数如式(2)所示，

式中：K(x,x_k)＝exp{-||x-x_i||²/σ²}；

按照上述理论构建基于易测量参量的围岩级别超前预测功能函数，将通过现场量测获得的数据记为一个围岩级别的决定序列：{x_i}＝{x₁,x₂,...,x_N}，对序列{x_i}＝{x₁,x₂,...,x_N}进行预测，寻找在p位置处的围岩级别与前p个围岩决定参数x₁,x₂,...,x_p的关系，即y_p＝f(x₁,x₂,...x_p)，f(·)为学习函数，表示围岩参数与围岩级别之间的非线性关系；

非线性变形关系y_p＝f(x₁,x₂,...x_p)通过支持向量机对p个已获得确定级别的揭露断面变形序列x_i,x_i+1,...,x_i+p,(i＝1,2,...,n-p)的学习获取，获得围岩级别与参数之间的非线性关系如式(3)，

式中：y(x_p+1)为p+1位置的围岩级别；x_p+1为p+1位置处的p个围岩参数值，x_p+1＝(x₁,x₂,...，x_p+1)；x_k为p+k位置处的前p个围岩参数值，x_k＝(x_k,x_k+1,...，x_k+p-1)。

3.根据权利要求2所述的一种隧道施工过程中围岩快速动态分级预测方法，其特征在于，参与运算的测量数据包括平均围岩回弹强度、岩体完整性系数、地下水影响因子及节理延展性。

4.根据权利要求3所述的一种隧道施工过程中围岩快速动态分级预测方法，其特征在于，参与运算的测量数据还包括结构面产状影响因子、初始地应力影响因子、泊松比及杨氏模量。