CN109711063A - 一种适用于上软下硬地层的车站暗挖进尺调整方法与装置 - Google Patents

Abstract

本发明公开一种适用于上软下硬地层的车站暗挖进尺调整方法与装置，首先形成以变形和围岩压力指标为输入，以围岩力学参数为输出的围岩参数反分析样本库；再建立以围岩力学参数、变形和围岩压力指标为输入，以进尺为输出的进尺确定样本库；通过高斯过程机器算法对反分析样本库进行学习训练，建立以变形和围岩压力指标为输入、围岩力学参数为输出的反分析高斯过程非线性映射模型；对进尺确定样本库进行学习训练，建立以围岩力学参数、变形指标和围岩压力为输入，以进尺为输出的高斯过程非线性映射进尺确定模型，最后按输出的进尺进行开挖，循环进行。通过正交设计和数值模拟产生样本库，用高斯模型进行训练，便于及时调整施工方案，兼顾效率与安全。

Description

一种适用于上软下硬地层的车站暗挖进尺调整方法与装置

技术领域

本发明涉及隧道施工技术领域，尤其涉及一种适用于上软下硬地层的车站暗挖进尺调整方法与装置。

背景技术

在地铁车站暗挖施工过程中，进尺的设定非常关键，进尺大能提高施工效率但稳定性安全性差，反之，稳定性安全性好但施工效率低。目前，进尺设定主要凭借施工经验，面对复杂多变的岩土环境很难兼顾效率与安全。

发明内容

本发明提供一种适用于上软下硬地层的车站暗挖进尺调整方法，包括以下步骤，

步骤一：通过收集的工程地质调查数据，根据上软下硬地层的特点，先进行拱盖法的开挖支护方式设计，根据预先地质勘察的上下岩层信息进行分层开挖进尺设计；

步骤二：按照暗挖车站所处的地质条件和设计尺寸建立三维数值模型，实现开挖支护过程中支护参数的数值模拟，按照正交设计方案，利用建立的三维数值模型进行多方案的数值仿真；

步骤三：按照正交设计方案的参数组合，调整围岩力学参数进行数值模拟，获得变形和围岩压力指标，形成以变形和围岩压力指标为输入，以围岩力学参数为输出的对应关系数据集，作为围岩参数反分析的样本库；

步骤四：按照正交设计方案的参数组合，调整围岩力学参数及施工进尺参数进行数值模拟，获得变形和围岩压力指标，建立以围岩力学参数、变形和围岩压力指标为输入，以进尺为输出的进尺确定样本库；

步骤五：通过高斯过程机器算法对步三建立的反分析样本库进行学习和训练，建立以变形和围岩压力指标为输入，以围岩力学参数为输出的反分析高斯过程非线性映射模型；

步骤六：通过高斯过程机器算法对步骤四建立的进尺确定样本库进行学习和训练，建立以围岩力学参数、变形指标和围岩压力为输入，以进尺为输出的高斯过程非线性映射进尺确定模型；

步骤七：进行暗挖车站的先期开挖，开挖过程在地表和洞内的典型断面设置监测测点和测线，若挖掘工作完成，则结束流程；

步骤八：将典型断面获得的主要监测数据即变形和围岩压力指标输入反分析高斯过程非线性映射模型，反分析得到围岩的力学参数；

步骤九：设定典型断面的地表沉降、洞周位移及围岩压力的控制指标值，以控制指标值及步骤八反分析得到的围岩力学参数作为输入数据，调用高斯过程非线性映射进尺确定模型，确定开挖面的进尺，返回步骤七进行开挖工作。

进一步地，步骤三与步骤四中所述的围岩力学参数包括弹性模量、泊松比、粘聚力与摩擦角。

进一步地，反分析高斯过程非线性映射模型与高斯过程非线性映射进尺确定模型均采用差异进化与高斯过程模型耦合学习算法即GP-DE算法。

进一步地，支护参数的数值模拟采用FLAC3D平台，数值计算模型设定如下：计算范围两边各取4-5倍硐室宽度，底边三向约束，侧面法向约束，上面为自由面。采用莫尔库伦材料本构模型。进行施工开挖过程的模拟。

一种适用于上软下硬地层的车站暗挖进尺调整装置，包括运行于计算机上的车站开挖支护数值模拟单元、反分析样本库生成单元、进尺确定样本库生成单元、高斯过程算法单元、围岩参数反分析单元、进尺确定单元和进尺输出单元，还包括用于监测隧道洞周围岩和地表信息的监测装置。

车站开挖支护数值模拟单元按照暗挖车站所处的地质条件和设计尺寸建立三维数值模型，实现对应步骤和支护参数进行开挖支护过程的数值模拟，按照正交设计方案，利用建立的三维数值模型进行多方案的数值仿真。

反分析样本库生成单元按照正交设计方案的参数组合，调整围岩力学参数，进行数值模拟，获得变形和围岩压力指标，形成以变形和围岩压力指标为输入、以围岩力学参数为输出的对应关系数据集，作为围岩参数反分析的样本库。

进尺确定样本库生成单元按照正交设计方案的参数组合，调整围岩力学参数和施工进尺参数，进行数值模拟，获得变形和围岩压力指标，建立以围岩力学参数、变形和围岩压力指标为输入，进尺为输出的进尺确定样本库。

高斯过程算法单元通过高斯过程机器算法对反分析样本库生成单元建立的反分析样本库进行学习和训练，建立以变形和围岩压力指标为输入、围岩力学参数为输出的反分析高斯过程非线性映射模型。

围岩参数反分析单元根据监测装置获得的主要监测数据，即变形和围岩压力指标，输入高斯过程算法单元建立的反分析高斯过程非线性映射模型，反分析得到围岩的力学参数。

进尺确定单元将控制位移和围岩压力指标、结合围岩参数反分析单元得到的围岩力学参数作为输入数据，调用高斯过程算法单元建立的高斯过程非线性映射进尺确定模型，确定开挖面的进尺。

进尺输出单元输出进尺确定单元得到的进尺，作为下一阶段的开挖进尺。

监测装置通过水准仪测量地表沉降数据，通过压力盒测量围岩压力，再经收敛计测得洞周收敛位移(C1、C2)。

本发明公开的一种适用于上软下硬地层的车站暗挖进尺调整方法与装置，为了提高计算速度，建立地表及洞周变形与围岩参数非线性映射关系，建立围岩参数和地表及洞周变形为输入，以进尺为输出的非线性映射关系，通过正交设计和数值模拟产生样本库，并用高斯模型进行训练。便于及时调整施工方案，兼顾了施工效率与安全。

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；

图2为本发明的暗挖车站拱盖法台阶开挖示意图；

图3为本发明的典型断面测点测线布局示意图；

图4为本发明的反分析高斯过程非线性映射模型；

图5为本发明的高斯过程非线性映射进尺确定模型；

图6为本发明的所用的GP-DE算法流程图；

图7为本发明的装置系统框图；

图8为拱盖法暗挖车站数值网格结构示意图。

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，本发明提供一种适用于上软下硬地层的车站暗挖进尺调整方法，包括以下步骤，

步骤一：通过收集的工程地质调查数据，根据上软下硬地层的特点，先进行拱盖法的开挖支护方式设计，根据预先地质勘察的上下岩层信息进行分层开挖进尺设计；拱盖法暗挖车站数值网格结构示意图见图8。

步骤二：按照暗挖车站所处的地质条件和设计尺寸建立三维数值模型，实现开挖支护过程中支护参数的数值模拟，按照正交设计方案，利用建立的三维数值模型进行多方案的数值仿真；

步骤三：按照正交设计方案的参数组合，调整围岩力学参数进行数值模拟，获得变形和围岩压力指标，形成以变形和围岩压力指标为输入，以围岩力学参数为输出的对应关系数据集，作为围岩参数反分析的样本库；

步骤四：按照正交设计方案的参数组合，调整围岩力学参数及施工进尺参数进行数值模拟，获得变形和围岩压力指标，建立以围岩力学参数、变形和围岩压力指标为输入，以进尺为输出的进尺确定样本库；

步骤五：通过高斯过程机器算法对步三建立的反分析样本库进行学习和训练，建立以变形和围岩压力指标为输入，以围岩力学参数为输出的反分析高斯过程非线性映射模型；

步骤六：通过高斯过程机器算法对步骤四建立的进尺确定样本库进行学习和训练，建立以围岩力学参数、变形指标和围岩压力为输入，以进尺为输出的高斯过程非线性映射进尺确定模型；

步骤七：进行暗挖车站的先期开挖，开挖过程在地表和洞内的典型断面设置监测测点和测线，若挖掘工作完成，则结束流程；

步骤八：将典型断面获得的主要监测数据即变形和围岩压力指标输入反分析高斯过程非线性映射模型，反分析得到围岩的力学参数；

步骤九：设定典型断面的地表沉降、洞周位移及围岩压力的控制指标值，以控制指标值及步骤八反分析得到的围岩力学参数作为输入数据，调用高斯过程非线性映射进尺确定模型，确定开挖面的进尺，返回步骤七进行开挖工作。

本发明公开的一种适用于上软下硬地层的车站暗挖进尺调整方法与装置，为了提高计算速度，建立地表及洞周变形与围岩参数非线性映射关系，建立围岩参数和地表及洞周变形为输入，以进尺为输出的非线性映射关系，通过正交设计和数值模拟产生样本库，并用高斯模型进行训练。便于及时调整施工方案，兼顾了施工效率与安全。

如图2所示，为了与施工设备配合以及保证施工的安全性，大断面的各个台阶宜错开一定的距离，各台阶进尺分别为L1、L2及L3，L1、L2、L3的数值是通过本发明的方法来确定的。

如图3所示，监测点包括沉降测点(测得三个沉降量S1、S2、S3)、洞周收敛位移测线(测得两个收敛位移量C1、C2)、围岩压力测点(测得五个围岩压力值P1-P5)与地表沉降测点(测得九个地表沉降量g1-g9)。

进一步地，步骤三采用正交设计和三维数值试验形成以位移和围岩压力为输入、围岩力学参数为输出的数据样本；步骤四采用正交设计和三维数值试验形成以围岩力学参数、位移和围岩压力为输入，进尺(L1、L2、L3)为输出的数据样本；步骤三与步骤四中所述的围岩力学参数包括弹性模量、泊松比、粘聚力与摩擦角。

如图4所示，反分析高斯过程非线性映射模型的输入为沉降测点所测沉降量(S1、S2和S3)、洞周收敛位移量(C1和C2)、围岩压力(P1-P5)、地表沉降量(g1-g9)；围岩参数反分析的高斯过程模型的输出包括地层1的弹性模量E1、泊松比u1、黏聚力C1、摩擦角Φ1，还包括地层2的弹性模量E2、泊松比u2、黏聚力C2、摩擦角Φ2。也就是通过高斯模型的自学习和非线性映射性质，对于三维数值实验形成的样本进行学习和训练，获得围岩力学参数、位移和围岩压力与围岩力学之间的非线性映射关系。利用这个映射关系即反分析高斯过程非线性映射模型，输入现场监测的位移、压力数据，即可以得出对应监测信息的当前的围岩力学参数。

如图5所示，高斯过程非线性映射进尺确定模型的输入为当前的围岩力学参数(参数含义同反分析高斯过程非线性映射模型)、位移和围岩压力控制指标(对应反分析高斯过程非线性映射模型的输入参数，图中记为M)，输出为开挖进尺参数。对于三维数值实验形成的样本学习和训练，获得围岩力学参数、位移和围岩压力控制指标的非线性映射关系。利用这个映射关系即高斯过程非线性映射进尺确定模型，输入位移、压力数据指标，即可以获得开挖各台阶进尺参数L1、L2、L3。

进一步地，反分析高斯过程非线性映射模型与高斯过程非线性映射进尺确定模型均采用差异进化与高斯过程模型耦合学习算法即GP-DE算法。

GP-DE预测算法包括高斯过程(GP)算法和差异进化(DE)算法。其中高斯过程回归(GPR)算法原理如下：

假设对于n≥1的一族随机变量X，以及对应的输出矢量y，组成学习样本库D＝(X，y)，借助GPR对上述学习样本库进行学习，建立变量与输出矢量的非线性映射关系，从而对于新给定的输入x*，GP预测相对应的输出值y*。

本方法的GP模型协方差采用马特恩协方差函数(Matern)表示，表达式如式(1)。

式(1)中：x_p,x_q根据情况可以是学习样本自身、预测样本自身或者学习样本与预测样本之间的变量组合；l，σ_f，σ_n为超参数，l表示两个数据点的距离相关性，σ_f表示局部相关性；σ_n表示噪音的标准差。δ_pq是符号函数，当p＝q时，δ_pq＝0，否则δ_pq＝1。

协方差函数中的最优超参数l，σ_f，σ_n对GP预测效果有很大影响，需要找到最优值。故引入差异进化(DE)优化算法寻求最优超参数。差异进化算法(DE)是一种新型直接寻优算法，具有较好的全局收敛属性，假设需优化N个参数，则首先产生维数为N的Np个向量，Np称为种群规模，每个向量即一组潜在解，称为个体；对每一个个体向量按照目标函数进行计算，作为适应值，根据适应值大小按照差异进化算法的规则循环迭代，逐渐接近最优解，差异进化算法的迭代规则包括产生初始种群、变异操作、交叉操作和选择操作。

如图6所示，GP-DE算法具体实现步骤如下：

步骤1：启动优化程序，设置DE算法的变异因子F、交叉因子CR、差异策略及种群规模NP相关参数并选取GP中的核函数，依照DE规则随机产生核函数中超参数作为初始种群。

步骤2：为GP提供训练样本，采用生成初始种群中的超参数，进行GP学习过程，并对测试样本进行预测，得到输出值，进行适应度评价。

步骤3：依照DE规则基于步骤1产生的初始种群经过变异、交叉产生新的种群，并赋予GP再进行学习及预测，对预测结果再次进行适应度评价，并与之前种群作比较，选取保留更优的种群作为新的父代种群。

步骤4：对最优解进行迭代终止条件判断，如果满足终止条件则退出计算；否则，返回步骤3。

步骤5：反复进行变异、交叉、选择、GP预测、适应度评价操作，直至最大种群迭代数或目标函数达到预设值，这样便完成了GP-DE算法优化。

进一步地，支护参数的数值模拟采用FLAC3D平台，数值计算模型设定如下：计算范围两边各取4-5倍硐室宽度，底边三向约束，侧面法向约束，上面为自由面。采用莫尔库伦材料本构模型进行施工开挖过程的模拟。

如图7所示，一种适用于上软下硬地层的车站暗挖进尺调整装置，包括运行于计算机上的车站开挖支护数值模拟单元、反分析样本库生成单元、进尺确定样本库生成单元、高斯过程算法单元、围岩参数反分析单元、进尺确定单元和进尺输出单元与用于监测隧道开挖过程中的地表和围岩信息的监测装置。

车站开挖支护数值模拟单元按照暗挖车站所处的地质条件和设计尺寸建立三维数值模型，实现对应步骤和支护参数进行开挖支护过程的数值模拟，按照正交设计方案，利用建立的三维数值模型进行多方案的数值仿真。

反分析样本库生成单元按照正交设计方案的参数组合，调整围岩力学参数，进行数值模拟，获得变形和围岩压力指标，形成以变形和围岩压力指标为输入、以围岩力学参数为输出的对应关系数据集，作为围岩参数反分析的样本库。

进尺确定样本库生成单元按照正交设计方案的参数组合，调整围岩力学参数和施工进尺参数，进行数值模拟，获得变形和围岩压力指标，建立以围岩力学参数、变形和围岩压力指标为输入，进尺为输出的进尺确定样本库。

高斯过程算法单元通过高斯过程机器算法对反分析样本库生成单元建立的反分析样本库进行学习和训练，建立以变形和围岩压力指标为输入、围岩力学参数为输出的反分析高斯过程非线性映射模型。

围岩参数反分析单元根据监测装置获得的主要监测数据，即变形和围岩压力指标，输入高斯过程算法单元建立的反分析高斯过程非线性映射模型，反分析得到围岩的力学参数。

进尺确定单元将控制位移和围岩压力指标、结合围岩参数反分析单元得到的围岩力学参数作为输入数据，调用高斯过程算法单元建立的高斯过程非线性映射进尺确定模型，确定开挖面的进尺。

进尺输出单元输出进尺确定单元得到的进尺，作为下一阶段的开挖进尺。

监测装置通过水准仪测量地表沉降数据(g1-g9)和洞内沉降测(S1、S2和S3)，通过压力盒测量围岩压力(P1-P5)，再经敛计测得洞周收敛位移测线(C1、C2)。

进一步地，这里S5和S6的高斯过程模型，采用了差异进化与高斯过程模型耦合学习算法即GP-DE算法。GP-DE算法的构建思想是：

按照输入指标和输出指标的样本库，利用GP机器学习技术建立非线性映射关系，将GP中各项最优超参数作为种群样本，通过DE过程中的变异交叉选择，借助DE的寻优能力寻找GP的各项最优超参数，优化GP模型，提高GP模型的预测能力，从而预测出更加接近最优解的输出值。从而建立输入和输出的映射关系。

进一步地，隧道开挖支护数值模拟采用FLAC3D等平台，建立数值模型如下：计算范围两边各取4-5倍硐室宽度，底边三向约束，侧面法向约束，上面为自由面。采用莫尔库伦材料本构模型，进行施工开挖过程的模拟。支护参数包括衬砌厚度、衬砌刚度、锚杆直径、锚杆长度及锚杆间距。

一种适用于上软下硬地层的车站暗挖进尺调整装置，包括运行于计算机上的车站开挖支护数值模拟单元、反分析样本库生成单元、进尺确定样本库生成单元、高斯过程算法单元、围岩参数反分析单元、进尺确定单元和进尺输出单元与用于监测隧道洞周围岩和地表信息的监测装置。

车站开挖支护数值模拟单元按照暗挖车站所处的地质条件和设计尺寸建立三维数值模型，实现对应步骤和支护参数进行开挖支护过程的数值模拟，按照正交设计方案，利用建立的三维数值模型进行多方案的数值仿真。

反分析样本库生成单元按照正交设计方案的参数组合，调整围岩力学参数，进行数值模拟，获得变形和围岩压力指标，形成以变形和围岩压力指标为输入、以围岩力学参数为输出的对应关系数据集，作为围岩参数反分析的样本库。

进尺确定样本库生成单元按照正交设计方案的参数组合，调整围岩力学参数和施工进尺参数，进行数值模拟，获得变形和围岩压力指标，建立以围岩力学参数、变形和围岩压力指标为输入，进尺为输出的进尺确定样本库。

高斯过程算法单元通过高斯过程机器算法对反分析样本库生成单元建立的反分析样本库进行学习和训练，建立以变形和围岩压力指标为输入、围岩力学参数为输出的反分析高斯过程非线性映射模型。

围岩参数反分析单元根据监测装置获得的主要监测数据，即变形和围岩压力指标，输入高斯过程算法单元建立的反分析高斯过程非线性映射模型，反分析得到围岩的力学参数。

进尺确定单元将控制位移和围岩压力指标、结合围岩参数反分析单元得到的围岩力学参数作为输入数据，调用高斯过程算法单元建立的高斯过程非线性映射进尺确定模型，确定开挖面的进尺。

进尺输出单元输出进尺确定单元得到的进尺，作为下一阶段的开挖进尺。

监测装置通过水准仪测量地表沉降数据(g1-g9)和洞内沉降测(S1、S2和S3)，通过压力盒测量围岩压力(P1-P5)，再经敛计测得洞周收敛位移测线(C1、C2)。

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 (5)

1.本发明提供一种适用于上软下硬地层的车站暗挖进尺调整方法，其特征在于，包括以下步骤，

步骤一：通过收集的工程地质调查数据，根据上软下硬地层的特点进行拱盖法的开挖支护方式设计，根据预先地质勘察的上下岩层信息进行分层开挖进尺设计；

步骤二：按照暗挖车站所处的地质条件和设计尺寸建立三维数值模型，实现开挖支护过程中支护参数的数值模拟，按照正交设计方案，利用建立的三维数值模型进行多方案的数值仿真；

步骤三：按照正交设计方案的参数组合，调整围岩力学参数进行数值模拟，获得变形和围岩压力指标，形成以变形和围岩压力指标为输入，以围岩力学参数为输出的对应关系数据集，作为围岩参数反分析的样本库；

步骤四：按照正交设计方案的参数组合，调整围岩力学参数及施工进尺参数进行数值模拟，获得变形和围岩压力指标，建立以围岩力学参数、变形和围岩压力指标为输入，以进尺为输出的进尺确定样本库；

步骤五：通过高斯过程机器算法对步骤三建立的反分析样本库进行学习和训练，建立以变形和围岩压力指标为输入，以围岩力学参数为输出的反分析高斯过程非线性映射模型；

步骤六：通过高斯过程机器算法对步骤四建立的进尺确定样本库进行学习和训练，建立以围岩力学参数、变形指标和围岩压力为输入，以进尺为输出的高斯过程非线性映射进尺确定模型；

步骤七：进行暗挖车站的先期开挖，开挖过程在地表和洞内的典型断面设置监测测点和测线，若挖掘工作完成，则结束流程；

步骤八：根据典型断面获得的变形和围岩压力指标，输入反分析高斯过程非线性映射模型，反分析得到围岩的力学参数；

步骤九：设定典型断面的地表沉降、洞周位移及围岩压力的控制指标值，以控制指标值及步骤八反分析得到的围岩力学参数作为输入数据，调用高斯过程非线性映射进尺确定模型，确定开挖面的进尺，返回步骤七进行开挖工作。

2.根据权利要求1所述的一种适用于上软下硬地层的车站暗挖进尺调整方法，其特征在于，步骤三与步骤四中所述的围岩力学参数包括弹性模量、泊松比、粘聚力与摩擦角。

3.根据权利要求1所述的一种适用于上软下硬地层的车站暗挖进尺调整方法，其特征在于，反分析高斯过程非线性映射模型与高斯过程非线性映射进尺确定模型均采用差异进化与高斯过程模型耦合学习算法。

4.根据权利要求1所述的一种适用于上软下硬地层的车站暗挖进尺调整方法，其特征在于，所述支护参数的数值模拟采用FLAC3D平台，数值计算模型设定如下：计算范围两边各取4-5倍硐室宽度，底边三向约束，侧面法向约束，上面为自由面。采用莫尔库伦材料本构模型。进行施工开挖过程的模拟。

5.一种适用于上软下硬地层的车站暗挖进尺调整装置，其特征在于，包括运行于计算机上的车站开挖支护数值模拟单元、反分析样本库生成单元、进尺确定样本库生成单元、高斯过程算法单元、围岩参数反分析单元、进尺确定单元和进尺输出单元与用于监测隧道开挖过程中的地表和围岩信息的监测装置；

车站开挖支护数值模拟单元按照暗挖车站所处的地质条件和设计尺寸建立三维数值模型，实现对应步骤和支护参数进行开挖支护过程的数值模拟，按照正交设计方案，利用建立的三维数值模型进行多方案的数值仿真；

反分析样本库生成单元按照正交设计方案的参数组合，调整围岩力学参数，进行数值模拟，获得变形和围岩压力指标，形成以变形和围岩压力指标为输入、以围岩力学参数为输出的对应关系数据集，作为围岩参数反分析的样本库；

进尺确定样本库生成单元按照正交设计方案的参数组合，调整围岩力学参数和施工进尺参数，进行数值模拟，获得变形和围岩压力指标，建立以围岩力学参数、变形和围岩压力指标为输入，进尺为输出的进尺确定样本库；

高斯过程算法单元通过高斯过程机器算法对反分析样本库生成单元建立的反分析样本库进行学习和训练，建立以变形和围岩压力指标为输入、围岩力学参数为输出的反分析高斯过程非线性映射模型；

围岩参数反分析单元根据监测装置获得的主要监测数据，即变形和围岩压力指标，输入高斯过程算法单元建立的反分析高斯过程非线性映射模型，反分析得到围岩的力学参数；

进尺确定单元将控制位移和围岩压力指标、结合围岩参数反分析单元得到的围岩力学参数作为输入数据，调用高斯过程算法单元建立的高斯过程非线性映射进尺确定模型，确定开挖面的进尺；

进尺输出单元输出进尺确定单元得到的进尺，作为下一阶段的开挖进尺；

监测装置通过水准仪测量地表沉降数据，通过压力盒测量围岩压力，经收敛计测得洞周收敛位移。