CN110210121A - 一种隧道大变形灾害的动态风险获取方法 - Google Patents

一种隧道大变形灾害的动态风险获取方法 Download PDF

Info

Publication number
CN110210121A
CN110210121A CN201910467513.6A CN201910467513A CN110210121A CN 110210121 A CN110210121 A CN 110210121A CN 201910467513 A CN201910467513 A CN 201910467513A CN 110210121 A CN110210121 A CN 110210121A
Authority
CN
China
Prior art keywords
formula
matrix
disaster
serious deformation
parameter
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910467513.6A
Other languages
English (en)
Inventor
李天斌
刘威军
曾鹏
陈语
聂宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Univeristy of Technology
Original Assignee
Chengdu Univeristy of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chengdu Univeristy of Technology filed Critical Chengdu Univeristy of Technology
Priority to CN201910467513.6A priority Critical patent/CN110210121A/zh
Publication of CN110210121A publication Critical patent/CN110210121A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/10Geometric CAD
    • G06F30/13Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)

Abstract

本发明属于隧道工程技术领域,公开了一种隧道大变形灾害的动态风险获取方法,包括如下步骤:S1:根据隧道大变形灾害的历史数据,识别风险致灾因子;S2:根据风险致灾因子选择预测指标,并根据其建立概率预测模型;S3:根据预测指标和掌子面开挖揭露的围岩信息,使用贝叶斯方法和马尔科夫随机过程方法动态更新围岩参数;S4:根据围岩参数、预测指标以及概率预测模型,进行后验风险更新,并获取隧道大变形灾害的动态风险预测结果;本发明解决了现有技术存在的没能建立起一套能够反映大变形作用机理的量化危险性评价模型以及没能有效利用施工期间围岩、支护信息的有效反馈,形成动态化、信息化的风险评估理论的问题。

Description

一种隧道大变形灾害的动态风险获取方法
技术领域
本发明属于隧道工程技术领域,具体涉及一种隧道大变形灾害的动态风险获取方法。
背景技术
随着隧道工程向深埋长大方向发展,工程灾害问题日益凸显。尤其在地质环境复杂的西部山区,当隧道穿越高地应力、软岩(如千枚岩、泥岩等)、断层破碎带等不良地质组合区段时,围岩所产生的显著塑性变形会导致支护破坏,工期延误,带来巨大损失。鉴于隧道工程的地质条件与施工过程都具有显著的不确定性,如何合理的预测评估大变形的风险,从而进行有效的管理与防控,成为了保证隧道安全施工的关键。
目前,对大变形的成因机理与预测理论方面研究较多,而隧道大变形灾害风险评估等研究仍处在探索发展阶段,基本停留在定性、半定量阶段。如何在大变形致灾条件,孕灾环境研究的基础之上,提出可靠,稳健,准确的量化模型实现隧道大变形灾害风险的合理评估有待进一步深入研究。并且,大部分的风险评估往往停留在设计期,然而施工阶段对隧道进行合理风险分析非常必要,尤其对于新奥法(NATM)施工的山岭隧道。随着施工不断的开挖揭露,不仅可以弥补前期勘察设计阶段中的不足,并且可以进一步为灾害的预测、评估提供必要的围岩响应信息、支护作用信息等,为实现灾害风险的动态评估提供有效的支持。
现有技术存在的问题和缺点:
国内外研究人员针对隧道大变形灾害的成因机理、隧道总体施工风险的定性与半定量研究、常规风险的量化研究做了大量的研究工作,在大变形灾害的预测研究方面也取得了诸多的成果;但是针对施工期隧道信息施工特点,重点突出动态化、定量化得的研究成果报道较少,这也是目前风险评估结果难以指导实际工程的主要原因,目前存在问题具体包括以下几个方面:
(1)还没有针对隧道大变形灾害“小概率,大损失”风险事件的量化风险体系,目前的评估仅仅停留在定性或半定量阶段;目前仍没能建立起一套能够反映大变形作用机理的量化危险性评价模型;
(2)目前已有的针对大变形灾害的风险方法均为勘察设计期的风险评估,没能有效利用施工期间围岩、支护信息的有效反馈,形成动态化、信息化的风险评估理论。
发明内容
为了解决现有技术存在的上述问题,本发明目的在于提供一种隧道大变形灾害的动态风险获取方法,用于解决现有技术存在的没能建立起一套能够反映大变形作用机理的量化危险性评价模型以及没能有效利用施工期间围岩、支护信息的有效反馈,形成动态化、信息化的风险评估理论的问题。
本发明所采用的技术方案为:
一种隧道大变形灾害的动态风险获取方法,包括如下步骤:
S1:根据隧道大变形灾害的历史数据,识别风险致灾因子;
S2:根据风险致灾因子选择预测指标,并根据其建立概率预测模型;
S3:根据预测指标和掌子面开挖揭露的围岩信息,使用贝叶斯方法和马尔科夫随机过程方法动态更新围岩参数;
S4:根据围岩参数、预测指标以及概率预测模型,进行后验风险更新,并获取隧道大变形灾害的动态风险预测结果。
进一步地,步骤S2中,预测指标包括埋深、等效洞径、支护刚度、强度应力比以及围岩级别。
进一步地,步骤S1和步骤S2之间,还包括步骤S1.5:根据历史数据和现有大变形的标准界定与等级划分,进行隧道大变形灾害烈度分级,获取隧道大变形灾害的烈度等级,包括:
无大变形;
一级大变形:估判变形量的范围为15cm~30cm,相对变形值的范围为3%~6%;
二级大变形:估判变形量的范围为30cm~50cm,相对变形值的范围为6%~10%;
三级大变形:估判变形量的范围为大于50cm,相对变形值的范围为大于10%。
进一步地,步骤S2包括如下步骤:
S2-1:将隧道大变形灾害的烈度等级作为分类变量,将预测指标作为预测变量,使用序次Logistic回归方法,建立序数Logistic回归模型;
S2-2:将大变形数据库的样本输入至序数Logistic回归模型进行训练,获取参数估计值和对应的统计量;
S2-3:根据参数估计值和对应的统计量,对序数Logistic回归模型进行优化,即剔除不符合要求的序数Logistic回归模型的预测变量,获取隧道大变形烈度分级概率预测模型,即概率预测模型;
当前预测变量对于预测结果未起到解释作用,即为不符合要求,将当前预测变量剔除。
进一步地,步骤S3包括如下步骤:
S3-1:根据预测指标,建立围岩地质条件模型,并使用围岩地质条件跟踪调查方法,获取围岩地质参数;
S3-2:根据勘察资料,即掌子面开挖揭露的围岩信息,确定围岩地质参数的先验转移强度矩阵;
S3-3:获取似然度矩阵,并根据其获取更新后的后验转移强度矩阵;
S3-4:根据后验转移强度矩阵更新掌子面前方各位置的地质参数分布,即更新围岩参数。
进一步地,步骤S3-1中,选取预测指标的围岩地质参数,并对各参数进行状态划分;
围岩级别的围岩地质参数包括坚硬程度、完整性指数、节理影响程度、地下水状态以及地应力状态;
围岩级别的表达公式为:
X(t)=[X1(t),X2(t),...Xn(t)]
式中,X(t)为围岩级别的向量形式;Xn(t)为第n个围岩地质参数;n为个数变量;
根据各围岩地质参数的取值,其概率分布为各参数的联合分布,表达公式为:
P[X(t)=x]=P[X1(t)=x1]·P[X2(t)=x2|X1(t)=x1]·P[X3(t)=x3|X1(t)=x1,X2(t)=x2]·...P[XN(t)=xN|X1(t)=x1,X2(t)=x2,...XN-1(t)=xN-1]
式中,P[X(t)=x]为围岩级别的概率分布的联合分布形式;P[Xn(t)=xn|X1(t)=x1,X2(t)=x2,...Xn-1(t)=xn-1]为第n个围岩地质参数的概率分布;N为围岩地质参数总个数。
进一步地,步骤S3-2中,先验转移强度矩阵的公式为:
A=[aij]
式中,A为先验转移强度矩阵;aij为先验转移强度矩阵的第i行第j列的转移强度量;i和j分别为先验转移强度矩阵的行数与列数;
转移强度量的公式为:
式中,aij为先验转移强度矩阵的第i行第j列的转移强度量;ci为转移强度系数;pij为转移概率;i和j均为时刻变量。
进一步地,步骤S3-3中,似然度矩阵的公式为:
L=[ljk]
式中,L为似然度矩阵;lik为似然度矩阵的第i行第k列的似然度量;i和k分别为似然度矩阵的行数与列数;
似然度量的公式为:
ljk=P[Y(tb)=k|X(tb)=j]
式中,lik为似然度矩阵的第i行第k列的似然度量;P[Y(tb)=k|X(tb)=j]为当参数真实状态为j时且测试结果显示为k的概率;i为参数真实状态;k为测试结果显示;
后验转移强度矩阵的公式为:
式中,A'为后验转移强度矩阵;V'(tq-tf)为根据似然度矩阵获取的tq-tf时刻区间内的转移概率矩阵;tq-tf为时刻区间。
进一步地,步骤S3-4中,围岩参数的更新公式为:
式中,V(t1-t0)为t1-t0时刻区间内的转移概率矩阵;t1-t0为时刻区间;A为代入的转移强度矩阵。
进一步地,步骤S4包括如下步骤:
S4-1:将更新后的围岩参数输入围岩地质条件模型,更新预测指标;
S4-2:根据更新后的预测指标,更新隧道大变形烈度分级概率预测模型;
S4-3:根据更新后的隧道大变形烈度分级概率预测模型,获取隧道大变形灾害的动态风险预测结果。
本发明的有益效果为:
(1)本发明通过马尔科夫随机过程与贝叶斯更新方法的结合建立“围岩地质条件更新模型”,即基于掌子面开挖的信息去更新围岩地质参数的取值,增加了方法的似然度,使得预测结果更加客观,避免了传统掌子面素描对工程人员的实际经验非常依赖导致其主观性较强,从而影响预测结果的问题;
(2)本发明所提出的方法体系是一个不断动态更新的过程,即每巡回的施工进尺都会有新的围岩信息揭露,据此可进行一次更新,随着不断的开挖推进,更新过程也不断进行,距离掌子面越近的区段预测结果相对来说会更加准确,因此随着开挖推进,对于大变形的预测会更加准确,即本发明提高了预测结果的准确性;
(3)本发明利用地质素描中的定量指标,增加了更新的可靠程度,并且通过围岩条件的更新去实现了大变形概率预测的更新,从而实现了大变形风险的更新,提高了发明的实用性。
附图说明
图1是隧道大变形灾害的动态风险获取方法流程图。
具体实施方式
下面结合附图及具体实施例对本发明做进一步阐释。
实施例1:
如图1所示,一种隧道大变形灾害的动态风险获取方法,包括如下步骤:
S1:根据隧道大变形灾害的历史数据,识别风险致灾因子;
S1.5:根据收集到8个典型大变形隧道案例,共计101个断面大变形区段的完整数据,以及现有大变形的标准界定与等级划分,进行隧道大变形灾害烈度分级,获取隧道大变形灾害的烈度等级,如表1围岩挤出型大变形烈度分级方案所示,包括:
无大变形;
一级大变形:估判变形量的范围为15cm~30cm,相对变形值的范围为3%~6%;
二级大变形:估判变形量的范围为30cm~50cm,相对变形值的范围为6%~10%;
三级大变形:估判变形量的范围为大于50cm,相对变形值的范围为大于10%;
S2:根据风险致灾因子选择预测指标,预测指标包括埋深、等效洞径、支护刚度、强度应力比以及围岩级别,并根据其建立概率预测模型,包括如下步骤:
表1
注:划分以相对变形量为准,另两个指标起辅助说明作用;b相对变形量定义为边墙最大挤出量与等效半径D/2之比;a估判变形量绝对值根据一般公路双车道隧道计算,即D=10m;
S2-1:将隧道大变形灾害的烈度等级作为分类变量,将预测指标作为预测变量,使用序次Logistic回归方法,建立序数Logistic回归模型;
多分类变量共有j个取值,本发明中该分类变量为挤出型大变形灾害的烈度等级,共4个取值,分别为不发生大变形,轻微大变形,中度大变形,以及强烈大变形,分别用数字0,1,2,3编码表示,其中,从不发生大变形到强烈大变形,响应变量的取值自然呈现出一种逐渐增强的趋势;
设累积概率pij=P(yi≤j),可得0=pi0<pi1<Lpir=1,pi0的存在仅仅是为了表达上的方便,于是,累积概率可视作响应变量为yi≤j和yi>j的二元变量,退化为二分类Logistic回归模型;
再设:y*=βxii
式中,y*为表观测内在中间值,不能被直接测量;εi为误差项;β为各预测变量的回归系数矩阵;当观测响应变量有j种类别时,共有j-1个未知阈值或分界点划分各相邻类别,即:
式中,μj表示分界点,给定x值的累积概率可按如下表示:
一旦计算出累积概率pij,属于某一特定类别的概率如p(y=2)...p(y=j)等均可算出,如下所示:
P(y=2)=P(y≤2)-P(y≤1)
P(y=j)=1-P(y≤j-1)
其中,P(y≤1)+P(y=2)+L+P(y=j)=1
S2-2:将大变形数据库的样本输入至序数Logistic回归模型进行训练,获取参数估计值和对应的统计量,如下表2序数Logistic回归模型拟合优度检验统计量表、表3拟R2结果表所示;
表2
注:零假设规定位置参数(斜率系数)在各响应类别中都是相同的;
表3
Cox and Snell 0.653
Nagelkerke 0.701
S2-3:根据参数估计值和对应的统计量,对序数Logistic回归模型进行优化,即剔除不符合要求的序数Logistic回归模型的预测变量,获取隧道大变形烈度分级概率预测模型,即概率预测模型;
当前预测变量对于预测结果未起到解释作用,即为不符合要求,将当前预测变量剔除;
Pearson统计量与偏差是Logistic回归模型最常用的两个指标,基于似然比计算得到,其表达式如下:
式中,D为Pearson统计量与偏差;Ls为简单标准模型最大似然值近似的符合卡方分布;Lf为复杂模型最大似然值;
从表2中可以看出,偏差统计量的不满足显著性要求,即不拒绝原假设:有更好的模型的存在,换言之没有比本模型更好的模型存在,即本文所得出的模型是非常有效的,另一方面,序数Logistic回归模型需满足等比例假设,从表2中明显看出满足显著性要求,拒绝原假设,即满足等比例假设;
当利用序数Logistic回归模型对样本进行回代估计计算时,可以得出预测结果的分类表,如下表4所示:
表4
分类结果的准确性很大程度上决定了预测模型的准确性,以及预测能力的大小,就表4所示,在进行分级判断方面准确率约为81%,符合要求,证明本方法的正确性以及模型的可靠性;
S3:根据预测指标和掌子面开挖揭露的围岩信息,使用贝叶斯方法和马尔科夫随机过程方法动态更新围岩参数,马尔科夫过程具有无记忆性的特点,非常适合于利用当前掌子面揭露的信息去预测下一个进尺的围岩情况,通过与贝叶斯更新方法相结合,能够实现围岩参数的后验更新,从而有效得通过地质跟踪调查的结果对围岩条件进行信息化的预测,并且可以进一步更新大变形预测模型中的预测变量,从而实现对于大变形的信息化预测;
包括如下步骤:
S3-1:根据预测指标,建立围岩地质条件模型,选取预测指标的围岩地质参数,并对各参数进行状态划分,使用围岩地质条件跟踪调查方法,获取围岩地质参数;
围岩级别指标为一个离散型随机变量,围岩级别的表达公式为:
X(t)=[X1(t),X2(t),...Xn(t)]
式中,X(t)为围岩级别的向量形式;Xn(t)为第n个围岩地质参数;n为个数变量;
根据各围岩地质参数的取值,其概率分布为各参数的联合分布,表达公式为:
P[X(t)=x]=P[X1(t)=x1]·P[X2(t)=x2|X1(t)=x1]·P[X3(t)=x3|X1(t)=x1,X2(t)=x2]·...P[XN(t)=xN|X1(t)=x1,X2(t)=x2,...XN-1(t)=xN-1]
式中,P[X(t)=x]为围岩级别的概率分布的联合分布形式;P[Xn(t)=xn|X1(t)=x1,X2(t)=x2,...Xn-1(t)=xn-1]为第n个围岩地质参数的概率分布;N为围岩地质参数总个数;
围岩级别的围岩地质参数包括坚硬程度、完整性指数、节理影响程度、地下水状态以及地应力状态,对各参数的进行状态划分,如下表5围岩地质条件参数及其状态定义、表6围岩地质条件参数状态划分表所示;
表5
表6
注:1为单轴饱和抗压强度;
通过围岩的坚硬程度与完整性系数确立基础,再通过节理、地下水、地应力对基础进行修正,得到最终分级结果;
节理影响程度的影响因素包括结构面走向、结构面倾角以及结合状态,如下表7不利结构面方位评价表、表8结构面结合状态的划分表所示;
表7
表8
围岩地质条件跟踪调查方法,提出了岩体强度、完整性程度等指标的定量化确定方法,更大程度的减小了对于围岩条件判断的主观性;在定性化的地质条件描述的基础上,结合现场定量指标的获取,实现定性与定量的结合,从而更为客观地反映围岩的地质情况;
紧跟隧道施工过程,对隧道掌子面、边墙的主要地质现象进行跟踪观测编录,其主要内容包括:围岩岩性、产状及结构、围岩变形破裂迹象、结构面(包括断层)发育情况及其性状、地下水出水状态、地应力高低的表观迹象等,并对围岩类别进行现场划分,将观测结果填入如表9隧道施工地质跟踪调查及编录表;
表9
岩石抗压强度的测定:点荷载试验是一种在现场采用非规则试件测试岩石强度的简易快速试验方法,与材料试验机测试法所测的岩石抗压强度相比,试验样品加工要求不高或不需加工,为不少工程技术人员在施工给现场采用,并且已为规范推荐方法,点荷载强度指标与岩石抗压强度之间的经验关系公式为:
式中,Rc为经验换算所得岩石单轴饱和抗压强度;为岩石点荷载强度指数;
岩体完整性指标Kv的测定:
(1)RQD测试
岩石质量指标RQD也是一项反映岩体完整程度的定量指标;通过采用小口径的金刚石钻头和双层岩心管钻进取得的岩芯统计而得,利用长度超过10cm的岩芯获取率表达:
RQD=(10cm以上岩芯累计长度/钻孔长度)*100% (4-13)
在此基础上,,得到的RQD与Kv间的经验关系公式为:
Kv=0.0102RQD-0.093 (4-14)
(2)体积节理数Jv
实际工程中,当岩体波速测试较为困难时,通过通过现场测定洞壁体积节理数(Jv),用于量化评价节理裂隙发育程度和构造影响程度,针对不同的工程地质岩组或岩性段,选择有代表性的露头或开挖壁面进行结构面统计,每一测点统计面积不小于2×5m2,计算方法如下:
Jv=S1+S2+S3+L+Sn+Sk (4-15)
式中,Jv体积节理数;Sn第n组节理每米长测线上的条数;Sk每立方米岩体非成组节理条数;进一步通过体积节理数Jv对完整性指数进行换算,如表10所示:
表10
S3-2:根据勘察资料,即掌子面开挖揭露的围岩信息,确定围岩地质参数的先验转移强度矩阵;
单个地质参数(如完整性系数)的空间变异性可通过其参数取值(如完整、较完整、较破碎、破碎)的转移概率来表达,而马尔可夫过程的典型特征则为其无后效性,即模型下一时刻的取值仅与当前时刻有关,而与之前的所有时刻无关,马尔科夫随机过程的公式为:
P[X(ti+1)=xi+1|X(ti)=xi,X(ti-1)=xi-1,....]=P[X(ti+1)=xi+1|X(ti)=xi]
式中ti+1,ti,ti-1为隧道开挖路径中各桩号,xi+1,xi,xi-1为随机变量X(t)在对应位置的取值;
连续时间,离散状态马尔科夫过程模型完全由转移强度矩阵A所决定,先验转移强度矩阵的公式为:
A=[aij]
式中,A为先验转移强度矩阵;aij为先验转移强度矩阵的第i行第j列的转移强度量;i和j分别为先验转移强度矩阵的行数与列数;
转移强度量的公式为:
式中,aij为先验转移强度矩阵的第i行第j列的转移强度量;ci为转移强度系数,为各参数取任一值的平均长度的倒数;pij为转移概率,为当时刻i处于状态ai时,下一时刻i+1处于状态aj的概率;i和j均为时刻变量;
当隧道开挖掘进,掌子面向前推进时,距洞口的距离t逐渐增大,此时先验区间转移概率矩阵的公式为:
V=[vij]
式中,V为先验区间转移概率矩阵,即在当前位置t0处于状态i时,在位置t1处于状态j的概率;vij为先验区间转移概率矩阵的第i行第j列的转移概率量;i和j分别为先验区间转移概率矩阵的行数与列数;
转移概率量的公式为:
[vij]=vij(t1-t0)=P[X(t1)=j|X(t0)=i]
S3-3:获取似然度矩阵,如表11地质跟踪调查测试的似然度矩阵表和表12钻探取芯的似然度矩阵表所示,并根据其获取更新后的后验转移强度矩阵;
似然度矩阵的公式为:
L=[ljk]
式中,L为似然度矩阵;lik为似然度矩阵的第i行第k列的似然度量;i和k分别为似然度矩阵的行数与列数;
似然度量的公式为:
ljk=P[Y(tb)=k|X(tb)=j]
式中,lik为似然度矩阵的第i行第k列的似然度量;P[Y(tb)=k|X(tb)=j]为当参数真实状态为j时且测试结果显示为k的概率;i为参数真实状态;k为测试结果显示;
似然度矩阵反映了测试方法的可靠程度;
表11
表12
后验转移强度矩阵的公式为:
式中,A'为后验转移强度矩阵;V'(tq-tf)为根据似然度矩阵获取的tq-tf时刻区间内的转移概率矩阵;tq-tf为时刻区间;
后验区间转移概率矩阵的公式为:
V'=[v'ij]
式中,V'为后验区间转移概率矩阵;v'ij为转移概率矩阵的第i行第j列的转移概率量;i和j分别为转移概率矩阵的行数与列数;
转移概率量的公式为:
式中,v'ij为转移概率矩阵的第i行第j列的转移概率量;lik为似然度矩阵的第i行第k列的似然度量;i和j分别为行数和列数;
S3-4:根据后验转移强度矩阵更新掌子面前方各位置的地质参数分布,即更新围岩参数;
围岩参数的更新公式为:
式中,V(t1-t0)为t1-t0时刻区间内的转移概率矩阵;t1-t0为时刻区间;A为代入的转移强度矩阵;
S4:根据围岩参数、预测指标以及概率预测模型,进行后验风险更新,并获取隧道大变形灾害的动态风险预测结果,本方法通过对地质参数岩体强度、围岩级别的更新,可以同时对大变形预测变量进行更新,进一步更新大变形概率预测的结果,即实现依据开挖信息的信息化预测,包括如下步骤:
S4-1:将更新后的围岩参数输入围岩地质条件模型,更新预测指标;
在实际中,观察到的围岩变形破裂现象都是具有一定强度特征的岩体在一定程度的应力作用下的反馈,因此变形破坏现象本身就反映的是围岩强度与应力之间的关系,即地应力与围岩强度综合作用的结果;因此,本方法根据隧道开挖过程中的围岩变形破坏现象,通过地质跟踪调查的可靠度矩阵,实现对强度应力比参数的后验更新;
由于基于围岩变形破裂现象仅能对强度应力比SSR的等级做出定性判断,而无法量化的给出SSR的具体数值,因此对强度应力比SSR进行离散分级,根据围岩地质条件跟踪调查方法获取的可靠度矩阵,对强度应力比SSR参数进行后验更新,根据上述高地应力环境的围岩变形破裂现象,得出其与SSR的定性经验判断关系,如表13强度应力比与围岩变形破裂现象的对应关系表所示;
表13
根据更新后的地质参数分布,更新围岩级别矢量的概率分布,并根据其更新围岩级别;
根据国标BQ岩体分级规范,岩体质量最终取值[BQ]由基本值与修正系数共同确定,其中基本值通过岩石坚硬程度和岩体完整程度组合确定,在此基础上根据地下水、软弱结构面、地应力三方面的影响对基本值进行修正,表达公式为:
[BQ]=BQ-100(K1+K2+K3)
式中,BQ为岩体基本质量指标;K1、K2、K3分别为地下水,软弱结构面,地应力的修正系数;
由于BQ分级体系各级别分值均以100为界,因此上述修正系数单独作用相当于折减半级~1级;本方法前述的围岩地质条件模型中所包含的5各参数正好与BQ评分的2个基本参数和3个修正参数一致;每一种围岩级别都会对应多种参数的组合情况,因此可由坚硬程度与完整性指数确定围岩分级的基本组合情况,随后根据后3个修正参数对分级的组合进一步细化,当3个修正参数的组合中只出现一个参数状态下降的情况,围岩级别保持不变;当3个修正参数的组合出现2个(及以上)参数状态下降的情况,围岩级别相应地下降一个级别;各级别围岩的参数组合情况,因为5个围岩参数分别具有4,4,3,2,2个状态,故总共有192中组合情况;
S4-2:根据更新后的预测指标,更新隧道大变形烈度分级概率预测模型;
S4-3:根据更新后的隧道大变形烈度分级概率预测模型,获取隧道大变形灾害的动态风险预测结果。
本发明不局限于上述可选的实施方式,任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制,本发明的保护范围应当以权利要求书中界定的为准,并且说明书可以用于解释权利要求书。

Claims (10)

1.一种隧道大变形灾害的动态风险获取方法,其特征在于:包括如下步骤:
S1:根据隧道大变形灾害的历史数据,识别风险致灾因子;
S2:根据风险致灾因子选择预测指标,并根据其建立概率预测模型;
S3:根据预测指标和掌子面开挖揭露的围岩信息,使用贝叶斯方法和马尔科夫随机过程方法动态更新围岩参数;
S4:根据围岩参数、预测指标以及概率预测模型,进行后验风险更新,并获取隧道大变形灾害的动态风险预测结果。
2.根据权利要求1所述的隧道大变形灾害的动态风险获取方法,其特征在于:所述步骤S2中,预测指标包括埋深、等效洞径、支护刚度、强度应力比以及围岩级别。
3.根据权利要求2所述的隧道大变形灾害的动态风险获取方法,其特征在于:所述步骤S1和步骤S2之间,还包括步骤S1.5:根据历史数据和现有大变形的标准界定与等级划分,进行隧道大变形灾害烈度分级,获取隧道大变形灾害的烈度等级,包括:
无大变形;
一级大变形:估判变形量的范围为15cm~30cm,相对变形值的范围为3%~6%;
二级大变形:估判变形量的范围为30cm~50cm,相对变形值的范围为6%~10%;
三级大变形:估判变形量的范围为大于50cm,相对变形值的范围为大于10%。
4.根据权利要求3所述的隧道大变形灾害的动态风险获取方法,其特征在于:所述步骤S2包括如下步骤:
S2-1:将隧道大变形灾害的烈度等级作为分类变量,将预测指标作为预测变量,使用序次Logistic回归方法,建立序数Logistic回归模型;
S2-2:将大变形数据库的样本输入至序数Logistic回归模型进行训练,获取参数估计值和对应的统计量;
S2-3:根据参数估计值和对应的统计量,对序数Logistic回归模型进行优化,即剔除不符合要求的序数Logistic回归模型的预测变量,获取隧道大变形烈度分级概率预测模型,即概率预测模型;
当前预测变量对于预测结果未起到解释作用,即为不符合要求,将当前预测变量剔除。
5.根据权利要求4所述的隧道大变形灾害的动态风险获取方法,其特征在于:所述步骤S3包括如下步骤:
S3-1:根据预测指标,建立围岩地质条件模型,并使用围岩地质条件跟踪调查方法,获取围岩地质参数;
S3-2:根据勘察资料,即掌子面开挖揭露的围岩信息,确定围岩地质参数的先验转移强度矩阵;
S3-3:获取似然度矩阵,并根据其获取更新后的后验转移强度矩阵;
S3-4:根据后验转移强度矩阵更新掌子面前方各位置的地质参数分布,即更新围岩参数。
6.根据权利要求5所述的隧道大变形灾害的动态风险获取方法,其特征在于:所述步骤S3-1中,选取预测指标的围岩地质参数,并对各参数进行状态划分;
所述围岩级别的围岩地质参数包括坚硬程度、完整性指数、节理影响程度、地下水状态以及地应力状态;
围岩级别的表达公式为:
X(t)=[X1(t),X2(t),...Xn(t)]
式中,X(t)为围岩级别的向量形式;Xn(t)为第n个围岩地质参数;n为个数变量;
根据各围岩地质参数的取值,其概率分布为各参数的联合分布,表达公式为:
P[X(t)=x]=P[X1(t)=x1]·P[X2(t)=x2|X1(t)=x1]·P[X3(t)=x3|X1(t)=x1,X2(t)=x2]·...P[XN(t)=xN|X1(t)=x1,X2(t)=x2,...XN-1(t)=xN-1]
式中,P[X(t)=x]为围岩级别的概率分布的联合分布形式;P[Xn(t)=xn|X1(t)=x1,X2(t)=x2,...Xn-1(t)=xn-1]为第n个围岩地质参数的概率分布;N为围岩地质参数总个数。
7.根据权利要求6所述的隧道大变形灾害的动态风险获取方法,其特征在于:所述步骤S3-2中,先验转移强度矩阵的公式为:
A=[aij]
式中,A为先验转移强度矩阵;aij为先验转移强度矩阵的第i行第j列的转移强度量;i和j分别为先验转移强度矩阵的行数与列数;
转移强度量的公式为:
式中,aij为先验转移强度矩阵的第i行第j列的转移强度量;ci为转移强度系数;pij为转移概率;i和j均为时刻变量。
8.根据权利要求7所述的隧道大变形灾害的动态风险获取方法,其特征在于:所述步骤S3-3中,似然度矩阵的公式为:
L=[ljk]
式中,L为似然度矩阵;lik为似然度矩阵的第i行第k列的似然度量;i和k分别为似然度矩阵的行数与列数;
似然度量的公式为:
ljk=P[Y(tb)=k|X(tb)=j]
式中,lik为似然度矩阵的第i行第k列的似然度量;P[Y(tb)=k|X(tb)=j]为当参数真实状态为j时且测试结果显示为k的概率;i为参数真实状态;k为测试结果显示;
后验转移强度矩阵的公式为:
式中,A'为后验转移强度矩阵;V'(tq-tf)为根据似然度矩阵获取的tq-tf时刻区间内的转移概率矩阵;tq-tf为时刻区间。
9.根据权利要求8所述的隧道大变形灾害的动态风险获取方法,其特征在于:所述步骤S3-4中,围岩参数的更新公式为:
式中,V(t1-t0)为t1-t0时刻区间内的转移概率矩阵;t1-t0为时刻区间;A为代入的转移强度矩阵。
10.根据权利要求9所述的隧道大变形灾害的动态风险获取方法,其特征在于:所述步骤S4包括如下步骤:
S4-1:将更新后的围岩参数输入围岩地质条件模型,更新预测指标;
S4-2:根据更新后的预测指标,更新隧道大变形烈度分级概率预测模型;
S4-3:根据更新后的隧道大变形烈度分级概率预测模型,获取隧道大变形灾害的动态风险预测结果。
CN201910467513.6A 2019-05-31 2019-05-31 一种隧道大变形灾害的动态风险获取方法 Pending CN110210121A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910467513.6A CN110210121A (zh) 2019-05-31 2019-05-31 一种隧道大变形灾害的动态风险获取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910467513.6A CN110210121A (zh) 2019-05-31 2019-05-31 一种隧道大变形灾害的动态风险获取方法

Publications (1)

Publication Number Publication Date
CN110210121A true CN110210121A (zh) 2019-09-06

Family

ID=67789844

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910467513.6A Pending CN110210121A (zh) 2019-05-31 2019-05-31 一种隧道大变形灾害的动态风险获取方法

Country Status (1)

Country Link
CN (1) CN110210121A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110688698A (zh) * 2019-09-25 2020-01-14 东北大学 一种基于随机森林算法的围岩大变形智能评估方法
CN111144005A (zh) * 2019-12-27 2020-05-12 四川省交通勘察设计研究院有限公司 一种崩塌落石粒径计算模型的构建方法
CN111291934A (zh) * 2020-02-18 2020-06-16 山东科技大学 一种隧道施工过程中围岩实时分级预测及自检方法
CN112464344A (zh) * 2020-11-26 2021-03-09 交通运输部科学研究院 一种深埋硬岩隧道剥落破坏风险评估方法
CN112509376A (zh) * 2020-10-21 2021-03-16 西安交通大学 一种隧道动态区块划分方法及系统
CN112529330A (zh) * 2020-12-24 2021-03-19 东南大学 一种基于贝叶斯神经网络的隧道围岩地质分级信息预测方法
CN112765809A (zh) * 2021-01-14 2021-05-07 成都理工大学 基于高地应力隧道典型灾害的铁路线路比选方法和装置
CN115099682A (zh) * 2022-07-18 2022-09-23 同济大学 一种盾构隧道掌子面软硬分类及开挖风险分级方法
CN116975623A (zh) * 2023-05-04 2023-10-31 西南交通大学 钻爆法隧道施工阶段大变形等级预测方法、装置及介质
CN117075212A (zh) * 2023-10-16 2023-11-17 吉林大学 一种隧道磁共振裂隙结构成像方法
CN117726182A (zh) * 2024-02-07 2024-03-19 山东大学 多阶段隧洞穿越困难地层突涌水灾害风险预测方法及系统
CN117171841B (zh) * 2023-08-03 2024-04-05 中铁二院工程集团有限责任公司 一种施工期铁路隧道确定开挖段围岩大变形等级的方法
WO2024103921A1 (zh) * 2023-07-27 2024-05-23 中国地质大学(北京) 地质参数门槛值的确定方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009116427A (ja) * 2007-11-02 2009-05-28 Yamaguchi Univ 健全性劣化評価システム
CN101634229A (zh) * 2009-08-20 2010-01-27 同济大学 基于风险的隧道支护结构设计方法
CN104133985A (zh) * 2014-07-02 2014-11-05 山东大学 隧道及地下工程地质灾害风险属性区间评价方法
CN106680894A (zh) * 2017-02-21 2017-05-17 长江三峡勘测研究院有限公司(武汉) 一种基于c/s架构的隧洞地质超前预报方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009116427A (ja) * 2007-11-02 2009-05-28 Yamaguchi Univ 健全性劣化評価システム
CN101634229A (zh) * 2009-08-20 2010-01-27 同济大学 基于风险的隧道支护结构设计方法
CN104133985A (zh) * 2014-07-02 2014-11-05 山东大学 隧道及地下工程地质灾害风险属性区间评价方法
CN106680894A (zh) * 2017-02-21 2017-05-17 长江三峡勘测研究院有限公司(武汉) 一种基于c/s架构的隧洞地质超前预报方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈语: "隧道大变形灾害动态风险评估与支护决策研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110688698A (zh) * 2019-09-25 2020-01-14 东北大学 一种基于随机森林算法的围岩大变形智能评估方法
CN110688698B (zh) * 2019-09-25 2024-01-30 东北大学 一种基于随机森林算法的围岩大变形智能评估方法
CN111144005B (zh) * 2019-12-27 2023-04-28 四川省交通勘察设计研究院有限公司 一种崩塌落石粒径计算模型的构建方法
CN111144005A (zh) * 2019-12-27 2020-05-12 四川省交通勘察设计研究院有限公司 一种崩塌落石粒径计算模型的构建方法
CN111291934B (zh) * 2020-02-18 2023-04-07 山东科技大学 一种隧道施工过程中围岩实时分级预测及自检方法
CN111291934A (zh) * 2020-02-18 2020-06-16 山东科技大学 一种隧道施工过程中围岩实时分级预测及自检方法
CN112509376B (zh) * 2020-10-21 2022-03-04 西安交通大学 一种隧道动态区块划分方法及系统
CN112509376A (zh) * 2020-10-21 2021-03-16 西安交通大学 一种隧道动态区块划分方法及系统
CN112464344A (zh) * 2020-11-26 2021-03-09 交通运输部科学研究院 一种深埋硬岩隧道剥落破坏风险评估方法
CN112529330A (zh) * 2020-12-24 2021-03-19 东南大学 一种基于贝叶斯神经网络的隧道围岩地质分级信息预测方法
CN112765809A (zh) * 2021-01-14 2021-05-07 成都理工大学 基于高地应力隧道典型灾害的铁路线路比选方法和装置
CN115099682A (zh) * 2022-07-18 2022-09-23 同济大学 一种盾构隧道掌子面软硬分类及开挖风险分级方法
CN116975623A (zh) * 2023-05-04 2023-10-31 西南交通大学 钻爆法隧道施工阶段大变形等级预测方法、装置及介质
CN116975623B (zh) * 2023-05-04 2024-01-30 西南交通大学 钻爆法隧道施工阶段大变形等级预测方法、装置及介质
WO2024103921A1 (zh) * 2023-07-27 2024-05-23 中国地质大学(北京) 地质参数门槛值的确定方法、装置、设备及存储介质
CN117171841B (zh) * 2023-08-03 2024-04-05 中铁二院工程集团有限责任公司 一种施工期铁路隧道确定开挖段围岩大变形等级的方法
CN117075212B (zh) * 2023-10-16 2024-01-26 吉林大学 一种隧道磁共振裂隙结构成像方法
CN117075212A (zh) * 2023-10-16 2023-11-17 吉林大学 一种隧道磁共振裂隙结构成像方法
CN117726182A (zh) * 2024-02-07 2024-03-19 山东大学 多阶段隧洞穿越困难地层突涌水灾害风险预测方法及系统
CN117726182B (zh) * 2024-02-07 2024-09-20 山东大学 多阶段隧洞穿越困难地层突涌水灾害风险预测方法及系统

Similar Documents

Publication Publication Date Title
CN110210121A (zh) 一种隧道大变形灾害的动态风险获取方法
Naghadehi et al. A new open-pit mine slope instability index defined using the improved rock engineering systems approach
Špačková et al. Probabilistic assessment of tunnel construction performance based on data
Mahmoodzadeh et al. Probabilistic prediction of expected ground condition and construction time and costs in road tunnels
Nurminen et al. Probability of occurrence and displacement regression of distributed surface rupturing for reverse earthquakes
Guan et al. Markovian geology prediction approach and its application in mountain tunnels
Li et al. Rockburst tendency prediction based on an integrating method of combination weighting and matter-element extension theory: A case study in the Bayu Tunnel of the Sichuan-Tibet Railway
CN112529267A (zh) 一种基于模糊综合评价法的超前地质预报方法及系统
CN115062375A (zh) 一种用于隧道围岩的分级方法及系统
Ji et al. Modified Q-index for prediction of rock mass quality around a tunnel excavated with a tunnel boring machine (TBM)
Paraskevopoulou et al. Assessing the failure potential of tunnels and the impacts on cost overruns and project delays
Fattahi et al. Selection of a suitable method for the assessment of excavation damage zone using fuzzy AHP in Aba Saleh Almahdi tunnel, Iran
CN117711140A (zh) 基于多源数据融合的隧洞突水灾害定时预警方法及系统
Cepuritis et al. Back analysis of over-break in a longhole open stope operation using non-linear elasto-plastic numerical modelling
Deng et al. Forecasting and early warning of shield tunnelling-induced ground collapse in rock-soil interface mixed ground using multivariate data fusion and Catastrophe Theory
Sharma et al. Geotechnical Stability Assessment of Road-Cut Slopes: A Case Study of Srinagar, Garhwal Himalaya, India
Felletti et al. Expectation of boulder frequency when tunneling in glacial till: A statistical approach based on transition probability
CN114066271A (zh) 一种隧道突水灾害监测管理系统
Shang et al. From the new Austrian tunneling method to the geoengineering condition evaluation and dynamic controlling method
Schubert et al. Probabilistic assessment of rock mass behaviour as basis for stability analyses of tunnels
Dimitrakopoulos et al. Quantification of fault uncertainty and risk assessment in longwall coal mining: stochastic simulation, back analysis, longwall design and reserve risk assessment
Li et al. Predicting rock mass rating ahead of the tunnel face with Bayesian estimation
Lu et al. A Markovian Rock Mass Quality Q-based Prediction Model for Tunneling
Grasmick et al. Risk maps for cutter tool wear assessment and intervention planning
Miller et al. Spatial simulation of rock strength properties using a Markov-Bayes method

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20190906

RJ01 Rejection of invention patent application after publication