CN111666671A - 一种围岩体蠕变参数的实时反演方法 - Google Patents
一种围岩体蠕变参数的实时反演方法 Download PDFInfo
- Publication number
- CN111666671A CN111666671A CN202010478486.5A CN202010478486A CN111666671A CN 111666671 A CN111666671 A CN 111666671A CN 202010478486 A CN202010478486 A CN 202010478486A CN 111666671 A CN111666671 A CN 111666671A
- Authority
- CN
- China
- Prior art keywords
- creep
- parameters
- surrounding rock
- rock mass
- model
- 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
Links
- 239000011435 rock Substances 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000004364 calculation method Methods 0.000 claims abstract description 62
- 238000013528 artificial neural network Methods 0.000 claims abstract description 59
- 230000000306 recurrent effect Effects 0.000 claims abstract description 54
- 230000004044 response Effects 0.000 claims abstract description 54
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 43
- 238000005457 optimization Methods 0.000 claims abstract description 24
- 239000003795 chemical substances by application Substances 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000005259 measurement Methods 0.000 claims abstract description 13
- 238000002474 experimental method Methods 0.000 claims description 30
- 238000006073 displacement reaction Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 13
- 241000254158 Lampyridae Species 0.000 claims description 8
- 239000002245 particle Substances 0.000 claims description 8
- 230000006835 compression Effects 0.000 claims description 6
- 238000007906 compression Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000011160 research Methods 0.000 claims description 5
- 238000009412 basement excavation Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 235000015220 hamburgers Nutrition 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000002922 simulated annealing Methods 0.000 claims description 3
- 239000004575 stone Substances 0.000 claims description 3
- 230000001550 time effect Effects 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种围岩体蠕变参数的实时反演方法,包括步骤:确定待反演围岩体蠕变参数,建立围岩体数值计算模型,构建蠕变参数反演递归神经网络代理模型数据集,训练最优蠕变参数反演递归神经网络代理模型,根据现场实测力学响应,利用蠕变参数反演递归神经网络代理模型和随机全局优化算法优化确定待反演围岩体的蠕变参数。该方法解决了传统反演方法计算耗时浩大,不能考虑蠕变围岩体力学响应的时间效应以及不能实时预测及调整围岩体的蠕变参数的瓶颈问题,具有工作量小、成本低、精度高、可靠性高等优点,可极大提高围岩体蠕变参数反演的效率,而且普适性强。
Description
技术领域
本发明涉及岩土工程技术领域,具体涉及一种围岩体蠕变参数的实时反演方法。
背景技术
围岩体的蠕变是指围岩体的应力-应变-时间三者之间的相互关系,是岩石力学研究中不可忽视的重要性质之一。随着地下岩体工程向深部不断发展,围岩体的岩石类型愈加复杂化,并且极易受到地下高应力场的影响。这些复杂多变的环境使得岩石的蠕变特性变得更加显著,进而影响到地下岩体工程的长期稳定性和安全性。因地下深部岩体工程自身以及应力分布的复杂性,蠕变围岩体的稳定性通常借助数值模拟的方式进行。
围岩体蠕变参数的确定是稳定性分析的基础,对数值模拟的可靠性具有重大影响。因围岩分布的离散性和尺度效应,围岩体的蠕变参数很难通过室内实验确定,严重制约着数值仿真在围岩稳定性分析上的应用。围岩体蠕变参数的反演方法是一种利用现场实测数据确定围岩体蠕变参数的有效方法。在围岩体蠕变参数的反演中,计算与检测数据之间的差别不断减小,围岩体的蠕变参数不断优化,最终趋近于最优解。
近年来,随机全局优化算法被广泛应用于围岩体蠕变参数的优化,通过不断进行数值计算,达到计算与检测数据之间差别最小化的目的。但是,大量的数值计算使得计算耗时增大,极大地提高了计算成本。而且,现阶段蠕变参数反演一般仅在特定的时刻进行一次,不依靠新的实测数据,快速对蠕变参数进行实时地更新与调整,严重制约了反演的效率和精度。
为此,迫切需要提出切实可行的新方法,准确、快速、实时地进行围岩体蠕变参数的反演,根据新的检测数据动态调整反演参数,提高地下岩体工程稳定性分析的精度。
发明内容
针对现有围岩体蠕变参数反演存在的上述不足,本发明基于递归神经网络和随机全局优化算法,提出了一种围岩体蠕变参数的实时反演方法。该反演方法不仅可以极大地减少数值分析的次数,降低反演的时间和成本,同时还可以准确、实时地进行蠕变参数反演,提高反演效率。
为达到上述目的,本发明采用如下技术方案:一种围岩体蠕变参数的实时反演方法,包括如下步骤:
S1、根据地质勘测报告和室内外岩石力学实验,选取数值计算方法及软件,确定围岩体的本构模型,选取待反演的围岩体蠕变参数,并通过力学实验确定本构模型的其他围岩体力学参数;
S2、建立围岩体的数值计算模型;
S3、确定待反演围岩体蠕变参数的取值范围,在蠕变参数的取值范围内选取若干组蠕变参数并利用所述数值计算模型进行数值计算,生成蠕变参数到力学响应数据集;
S4、采用递归神经网络学习数值计算模型中蠕变参数到力学响应的映射关系,得到蠕变参数反演递归神经网络代理模型;
S5、获取现场实测力学响应,建立基于蠕变参数反演递归神经网络代理模型预测的力学响应与现场实测力学响应的随机全局优化算法目标函数,对蠕变参数反演递归神经网络代理模型的参数进行优化,直到随机全局优化算法目标函数小于预设值或迭代步数达到预设迭代步数,确定当前现场实测力学响应对应的蠕变参数;新的现场实测力学响应更新后,重复S5,实时更新蠕变参数。
进一步地,所述步骤S1包括如下步骤:
S11、根据地质勘测报告和室内外岩石力学实验,选取数值计算方法及软件;
S12、确定围岩体本构模型及待反演围岩体蠕变参数;
S13、制作试样并进行力学实验,确定该试样的岩块力学参数;
S14、使用地质强度指标GSI或者广义Hoek-Brown法将岩块力学参数转化为围岩体力学参数。
进一步地,所述步骤S1中,所述数值计算方法为有限元、边界元及离散元中的一种,所述计算软件为FLAC、ABAQUS、PFC及MIDAS中的一种。
进一步地,所述步骤S1中,所述围岩体本构模型为Maxwell模型、Kelvin模型、修正Kelvin模型、Burgers模型、黏弹塑性模型CVISC模型、Bingham模型及西原模型中的一种。
进一步地,所述步骤S1中,所述力学实验包括密度实验,单轴抗压、抗拉、抗剪实验,三轴抗压实验及三轴蠕变力学实验中的一种或多种。
进一步地,所述步骤S2包括步骤:
S21、确定数值计算模型的尺寸、边界并进行网格划分;
S22、根据地质勘探,确定初始应力状态并依此对数值计算模型进行初始化。
进一步地,所述数值计算模型的尺寸、边界及网格划分通过收敛性测试得到。
进一步地,所述步骤S3中,围岩体蠕变参数的取值范围通过文献调研确定,选取若干组蠕变参数进行数值计算的数量与待反演蠕变参数的数量呈正相关,力学响应包括地下工程开挖后应力重分布和/或位移分布。
进一步地,所述步骤S4包括步骤:
S41、使用随机划分或Kennard-Stone划分将蠕变参数到力学响应数据集划分为训练集和测试集;
S42、在训练集上确定递归神经网络的超参数;
S43、以待反演蠕变参数为输入,力学响应为输出,使用训练集训练蠕变参数反演递归神经网络代理模型,并评价其在测试集的可靠性;
S44、若蠕变参数反演递归神经网络代理模型可靠性小于预设值,扩大步骤S3中数值计算的数量,并重复步骤S41-S44;
S45、使用整个蠕变参数到力学响应数据集训练得到最优蠕变参数反演递归神经网络代理模型。
进一步地,所述步骤S4中,所述递归神经网络超参数包括隐含层层数及每层隐含层神经元个数,所述递归神经网络超参数确定方法为试错法或优化法。
进一步地,所述步骤S4中,所述递归神经网络在测试集上的可靠性通过基于力学响应的计算值和预测值的相关系数R、均方差MSE或均方根差RMSE进行评价。
其中,相关系数R计算公式如下:
均方差MSE计算公式如下:
均方根差RMSE计算公式如下:
进一步地,所述步骤S5中,所述随机全局优化算法为遗传算法、粒子群算法、蚁群算法、萤火虫算法及模拟退火算法中的一种。
进一步地,所述步骤S5中,所述目标函数为基于力学响应的实测数据和蠕变参数反演递归神经网络代理模型的预测值的均方差MSE或均方根差RMSE,其计算方法可参见上述公式,此时,区别在于用实测值替代了计算值;现场实测数据包括应力和位移,优化算法收敛条件为目标函数小于预设值或迭代步数达到预设迭代步数。
有益效果
本发明将随机全局优化算法、递归神经网络与数值模拟相结合,充分发挥优化算法优化效率高以及递归神经网络精度高和泛化能力强的特点,提出了一种围岩体蠕变参数的实时反演方法。与传统反演方法相比,该反演方法可以根据当前实测数据,利用蠕变参数与力学响应之间的映射关系实时预测及调整围岩体的蠕变参数。同时,该反演方法可以准确、高效、快速地进行围岩体蠕变参数的反演,显著减少反演过程中数值计算的次数,为有效解决当前地下深部岩体结构蠕变参数反演中计算耗时长,成本大的问题提供了一条有效途径。
选择递归神经网络代替数值计算也具有独创性,具有更高的反演效率和精度。若使用前馈神经网络和支持向量机在代替数值计算中,不能考虑到围岩体蠕变过程中检测数据点前后之间的相关性,严重影响了前馈神经网络或支持向量机在代替数值计算过程中的精度。同时,因未考虑检测数据之间的关联,使用前馈神经网络或者支持向量机进行的蠕变参数反演一般仅在特定的时刻进行一次,不能够做到依靠新的实测数据对蠕变参数进行实时地更新与调整,严重制约了反演的效率和精度。而递归神经网络在预测下一时刻的输出时,会通过闭环设计,考虑之前时刻的输出,从而很好地避免前馈神经网络或者支持向量机的不足。
附图说明
图1是本发明实施例中一种围岩体蠕变参数的实时反演方法流程图;
图2是本发明实施例中一数值模型;
图3是本发明实施例中数值模拟计算得到的“实测位移”与最佳递归神经网络预测得到的“预测位移”的对比图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。
如图1所示,本发明提供了一种围岩体蠕变参数的实时反演方法,包括如下步骤:
S1、根据地质勘测报告和室内外岩石力学实验,选取数值计算方法及软件,确定围岩体的本构模型,选取待反演的围岩体蠕变参数,并通过力学实验确定本构模型的其他围岩体力学参数;
S2、建立围岩体的数值计算模型;
S3、确定待反演围岩体蠕变参数的取值范围,在蠕变参数的取值范围内选取若干组蠕变参数并利用所述数值计算模型进行数值计算,生成蠕变参数到力学响应数据集;
S4、采用递归神经网络学习数值计算模型中蠕变参数到力学响应的映射关系,得到蠕变参数反演递归神经网络代理模型;这样蠕变参数反演递归神经网络代理模型就可以代替数值模型,提高反演效率;
S5、获取现场实测力学响应,建立基于蠕变参数反演递归神经网络代理模型预测的力学响应与现场实测力学响应的随机全局优化算法目标函数,对蠕变参数反演递归神经网络代理模型的参数进行优化,直到随机全局优化算法目标函数小于预设值或迭代步数达到预设迭代步数,确定当前现场实测力学响应对应的蠕变参数;新的现场实测力学响应更新后,重复S5,实时更新蠕变参数。
其中,所述步骤S1具体包括如下步骤:
S11、根据地质勘测报告和室内外岩石力学实验,选取数值计算方法及软件,不同的计算方法和软件适用的情况不同,数值计算方法及软件的选取可以根据文献调研或各个方法和软件的适用情况确定;
S12、确定围岩体本构模型及待反演围岩体蠕变参数;
S13、制作试样并进行力学实验,确定该试样的岩块力学参数;
S14、使用地质强度指标GSI或者广义Hoek-Brown法将岩块力学参数转化为围岩体力学参数。
根据实际情况,所述数值计算方法可选择有限元、边界元及离散元中的一种,所述计算软件可选择FLAC、ABAQUS、PFC及MIDAS中的一种;所述围岩体本构模型可选择Maxwell模型、Kelvin模型、修正Kelvin模型、Burgers模型、黏弹塑性模型CVISC模型、Bingham模型及西原模型中的一种;所述力学实验可选择密度实验,单轴抗压、抗拉、抗剪实验,三轴抗压实验及三轴蠕变力学实验中的一种或多种。
其中,所述步骤S2包括步骤:
S21、确定数值计算模型的尺寸、边界并进行网格划分,所述数值计算模型的尺寸、边界及网格划分通过收敛性测试得到;
S22、根据地质勘探,确定初始应力状态并依此对数值计算模型进行初始化。
其中,所述步骤S3中,围岩体蠕变参数的取值范围通过文献调研确定,选取若干组蠕变参数进行数值计算的数量与待反演蠕变参数的数量呈正相关,力学响应包括地下工程开挖后应力重分布和/或位移分布。
其中,所述步骤S4包括步骤:
S41、使用随机划分或Kennard-Stone划分将蠕变参数到力学响应数据集划分为训练集和测试集;
S42、在训练集上确定递归神经网络的超参数,所述递归神经网络超参数包括隐含层层数及每层隐含层神经元个数,所述递归神经网络超参数确定方法为试错法或优化法;
S43、以待反演蠕变参数为输入,力学响应为输出,使用训练集训练蠕变参数反演递归神经网络代理模型,并评价其在测试集的可靠性,所述蠕变参数反演递归神经网络代理模型在测试集上的可靠性通过基于力学响应的计算值和预测值的相关系数R、均方差MSE或均方根差RMSE进行评价,计算值为数值计算模型计算出的力学响应计算值,预测值是蠕变参数反演递归神经网络代理模型的力学响应预测值;其中,相关系数R计算公式如下:
均方差MSE计算公式如下:
均方根差RMSE计算公式如下:
S44、若蠕变参数反演递归神经网络代理模型可靠性小于预设值,扩大步骤S3中数值计算的数量,并重复步骤S41-S44;蠕变参数反演递归神经网络代理模型的可靠性是否足够根据文献调研以及具体工程应用确定,具体可根据献调研以及具体工程应用来设定预设值,当相关系数R、均方差MSE或均方根差RMSE小于预设值时,则可靠,否则可靠性不足;
S45、使用整个蠕变参数到力学响应数据集训练得到最优蠕变参数反演递归神经网络代理模型。
其中,所述步骤S5中,根据实际需要,所述随机全局优化算法可选择遗传算法、粒子群算法、蚁群算法、萤火虫算法及模拟退火算法中的一种。且所述目标函数为基于力学响应的实测数据和蠕变参数反演递归神经网络代理模型的预测值的均方差MSE或均方根差RMSE,其计算方法可参见上述公式,此时,区别在于用实测值替代了计算值;现场实测数据包括应力和位移,优化算法收敛条件为目标函数小于预设值或迭代步数达到预设迭代步数。
下面结合附图与具体实施例对本方案做进一步说明。
参照图2,本实施例中,某工程的隧道直径为1.0m,均质岩性,水平及竖直的初始地应力为10MPa。选取有限元作为数值计算方法,FLAC 2D作为计算软件,本实施例中选取围岩体的本构模型为黏弹塑性模型CVISC模型,根据数值计算方法、本构模型、本构模型的参数建立数值计算模型。具体的蠕变参数需要根据工程实例进行选取,本实施例中,待反演的围岩体蠕变参数选取为Maxwell剪切模量GM,Kelvin剪切模量GK,Maxwell粘度ηM及Kelvin粘度ηK。本构模型中其他的力学参数根据岩石的本构模型选取不同而不同,本实施例中,其他力学参数选取为:容重γr=25.51KN/m3,内聚力cr=2.6MPa,内摩擦角φ=38°,抗拉强度σt=1.1MPa,剪胀角Φ=12°,体积模量K=1.78e4MPa。选取开挖面上检测点1作为检测位移点,为验证算法可行性,本实施例中,假定围岩的真实蠕变参数为:GM=1.58e4MPa,GK=5.26e5MPa,ηM=8.33e11GPa·s,ηK=2.66e12GPa·s,将其代入FLAC 2D通过数值计算模型计算所得位移作为“实测位移”。
根据文献检索,确定围岩体蠕变参数的取值范围,也就是算法个体搜索空间的范围(见表1)。在蠕变参数的取值范围内,随机生成1500个数值模型,每个数值模型对应不同的蠕变参数。同时,每个数值模型模拟巷道开挖后10,000分钟内检测点1的水平位移变化。在本实例中,水平位移每500分钟取一次点,也就是每个数值模型会生成20个相互关联的位移点。1500个数值模型会组成一个从输入(4个蠕变参数)到输出(20个相互关联位移点)的数据集,即蠕变参数到力学响应数据集。
表1围岩体蠕变参数的搜索空间
通过随机划分的方式,将整个蠕变参数到力学响应数据集的70%划分为训练集,30%划分为测试集。同时,通过试错法在训练集上调整递归神经网络的隐含层层数和每层隐含层神经元的个数。经过超参数调整,确定最佳隐含层层数为3,每层隐含层神经元个数为10。验证递归神经网络在测试集上的可靠性后,使用整个蠕变参数到力学响应数据集训练递归神经网络,得到最佳递归神经网络模型。
如图3所示,对于选取的围岩体蠕变参数,数值模拟计算得到的“实测位移”与最佳递归神经网络预测得到的“预测位移”可以很好地吻合,这也为下一步围岩体蠕变参数的优化提供了基础。
本实例选取萤火虫算法或粒子群算法作为围岩体蠕变参数的优化算法。若选取萤火虫算法,设定萤火虫算法的参数为:每代萤火虫个数=100,光吸收系数=0.001,迭代步长=0.15,最大迭代次数=30。若选取粒子群算法,设定粒子群算法的参数为:惯性因子=0.7298,加速常数=1.496,粒子群大小=100,最大迭代次数=200。本实施例中,将“实测位移”与“预测位移”之间的均方差MSE作为目标函数,迭代过程中实现均方差MSE的最小化。围岩体蠕变参数反演结果见表2。由表2可以看出,萤火虫算法和粒子群算法的参数反演结果十分接近假定的真实值。
表2围岩体蠕变参数的反演结果
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (13)
1.一种围岩体蠕变参数的实时反演方法,其特征在于,包括如下步骤:
S1、根据地质勘测报告和室内外岩石力学实验,选取数值计算方法及软件,确定围岩体的本构模型,选取待反演的围岩体蠕变参数,并通过力学实验确定本构模型的其他围岩体力学参数;
S2、建立围岩体的数值计算模型;
S3、确定待反演围岩体蠕变参数的取值范围,在蠕变参数的取值范围内选取若干组蠕变参数并利用所述数值计算模型进行数值计算,生成蠕变参数到力学响应数据集;
S4、采用递归神经网络学习数值计算模型中蠕变参数到力学响应的映射关系,得到蠕变参数反演递归神经网络代理模型;
S5、获取现场实测力学响应,建立基于蠕变参数反演递归神经网络代理模型预测的力学响应与现场实测力学响应的随机全局优化算法目标函数,对蠕变参数反演递归神经网络代理模型的参数进行优化,直到随机全局优化算法目标函数小于预设值或迭代步数达到预设迭代步数,确定当前现场实测力学响应对应的蠕变参数;新的现场实测力学响应更新后,重复S5,实时更新蠕变参数。
2.根据权利要求1所述的围岩体蠕变参数的实时反演方法,其特征在于,所述步骤S1包括如下步骤:
S11、根据地质勘测报告和室内外岩石力学实验,选取数值计算方法及软件;
S12、确定围岩体本构模型及待反演围岩体蠕变参数;
S13、制作试样并进行力学实验,确定该试样的岩块力学参数;
S14、使用地质强度指标GSI或者广义Hoek-Brown法将岩块力学参数转化为围岩体力学参数。
3.根据权利要求1或2所述的围岩体蠕变参数的实时反演方法,其特征在于,所述步骤S1中,所述数值计算方法为有限元、边界元及离散元中的一种,所述计算软件为FLAC、ABAQUS、PFC及MIDAS中的一种。
4.根据权利要求1或2所述的围岩体蠕变参数的实时反演方法,其特征在于,所述步骤S1中,所述围岩体本构模型为Maxwell模型、Kelvin模型、修正Kelvin模型、Burgers模型、黏弹塑性模型CVISC模型、Bingham模型及西原模型中的一种。
5.根据权利要求1或2所述的围岩体蠕变参数的实时反演方法,其特征在于,所述步骤S1中,所述力学实验包括密度实验,单轴抗压、抗拉、抗剪实验,三轴抗压实验及三轴蠕变力学实验中的一种或多种。
6.根据权利要求1所述的围岩体蠕变参数的实时反演方法,其特征在于,所述步骤S2包括步骤:
S21、确定数值计算模型的尺寸、边界并进行网格划分;
S22、根据地质勘探,确定初始应力状态并依此对数值计算模型进行初始化。
7.根据权利要求6所述的围岩体蠕变参数的实时反演方法,其特征在于,所述数值计算模型的尺寸、边界及网格划分通过收敛性测试得到。
8.根据权利要求1所述的围岩体蠕变参数的实时反演方法,其特征在于,所述步骤S3中,围岩体蠕变参数的取值范围通过文献调研确定,选取若干组蠕变参数进行数值计算的数量与待反演蠕变参数的数量呈正相关,力学响应包括地下工程开挖后应力重分布和/或位移分布。
9.根据权利要求1所述的围岩体蠕变参数的实时反演方法,其特征在于,所述步骤S4包括步骤:
S41、使用随机划分或Kennard-Stone划分将蠕变参数到力学响应数据集划分为训练集和测试集;
S42、在训练集上确定递归神经网络的超参数;
S43、以待反演蠕变参数为输入,力学响应为输出,使用训练集训练蠕变参数反演递归神经网络代理模型,并评价其在测试集的可靠性;
S44、若蠕变参数反演递归神经网络代理模型可靠性小于预设值,扩大步骤S3中数值计算的数量,并重复步骤S41-S44;
S45、使用整个蠕变参数到力学响应数据集训练得到最优蠕变参数反演递归神经网络代理模型。
10.根据权利要求9所述的围岩体蠕变参数的实时反演方法,其特征在于,所述递归神经网络超参数包括隐含层层数及每层隐含层神经元个数,所述递归神经网络超参数确定方法为试错法或优化法。
11.根据权利要求9所述的围岩体蠕变参数的实时反演方法,其特征在于,所述递归神经网络在测试集上的可靠性通过基于力学响应的计算值和预测值的相关系数R、均方差MSE或均方根差RMSE进行评价。
12.根据权利要求1所述的围岩体蠕变参数的实时反演方法,其特征在于,所述步骤S5中,所述随机全局优化算法为遗传算法、粒子群算法、蚁群算法、萤火虫算法及模拟退火算法中的一种。
13.根据权利要求1所述的围岩体蠕变参数的实时反演方法,其特征在于,所述步骤S5中,所述目标函数为基于蠕变参数反演递归神经网络代理模型预测的力学响应与现场实测力学响应的均方差MSE或均方根差RMSE,现场实测力学响应包括应力和位移,优化算法收敛条件为目标函数小于预设值或迭代步数达到预设迭代步数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010478486.5A CN111666671A (zh) | 2020-05-29 | 2020-05-29 | 一种围岩体蠕变参数的实时反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010478486.5A CN111666671A (zh) | 2020-05-29 | 2020-05-29 | 一种围岩体蠕变参数的实时反演方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111666671A true CN111666671A (zh) | 2020-09-15 |
Family
ID=72385301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010478486.5A Pending CN111666671A (zh) | 2020-05-29 | 2020-05-29 | 一种围岩体蠕变参数的实时反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111666671A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112347670A (zh) * | 2020-10-26 | 2021-02-09 | 青海大学 | 一种基于神经网络响应面的堆石料蠕变参数预测方法 |
CN112833807A (zh) * | 2021-01-04 | 2021-05-25 | 清华大学 | 一种适用于双护盾tbm的围岩变形监测方法及预测方法 |
CN112948916A (zh) * | 2021-01-30 | 2021-06-11 | 同济大学 | 一种岩土体力学参数获取方法 |
CN113191055A (zh) * | 2021-05-06 | 2021-07-30 | 河海大学 | 一种基于深度强化网络的大坝材料性能参数反演方法 |
CN113221228A (zh) * | 2021-06-04 | 2021-08-06 | 中国电建集团成都勘测设计研究院有限公司 | 水电站地下洞群围岩力学参数反演方法 |
CN113408184A (zh) * | 2021-04-21 | 2021-09-17 | 中国地质大学(武汉) | 基于遗传算法和离散元分析法的锚固边坡安全性评价方法 |
CN113431056A (zh) * | 2021-04-21 | 2021-09-24 | 中国地质大学(武汉) | 基于粒子群算法和离散元分析的锚固边坡安全性评价方法 |
CN113884371A (zh) * | 2021-09-30 | 2022-01-04 | 西南石油大学 | 一种基于温度效应计算围岩蠕变时间的方法及其计算装置 |
CN115687854A (zh) * | 2023-01-04 | 2023-02-03 | 山东省地震工程研究院 | 高精度土样参数测量方法及其系统 |
CN115796038A (zh) * | 2022-12-02 | 2023-03-14 | 哈尔滨工业大学 | 基于循环神经网络的实时混合试验方法 |
CN115859836A (zh) * | 2023-02-22 | 2023-03-28 | 西南交通大学 | 一种岩体蠕变本构模型参数识别方法、装置、设备及介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104965969A (zh) * | 2015-04-20 | 2015-10-07 | 广西大学 | 一种大型洞室群围岩力学参数反演方法 |
-
2020
- 2020-05-29 CN CN202010478486.5A patent/CN111666671A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104965969A (zh) * | 2015-04-20 | 2015-10-07 | 广西大学 | 一种大型洞室群围岩力学参数反演方法 |
Non-Patent Citations (1)
Title |
---|
CHONGCHONG QI ET AL.: "A Real-Time Back-Analysis Technique to Infer Rheological Parameters from Field Monitoring", 《ROCK MECHANICS AND ROCK ENGINEERING》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112347670A (zh) * | 2020-10-26 | 2021-02-09 | 青海大学 | 一种基于神经网络响应面的堆石料蠕变参数预测方法 |
CN112833807A (zh) * | 2021-01-04 | 2021-05-25 | 清华大学 | 一种适用于双护盾tbm的围岩变形监测方法及预测方法 |
CN112948916A (zh) * | 2021-01-30 | 2021-06-11 | 同济大学 | 一种岩土体力学参数获取方法 |
CN112948916B (zh) * | 2021-01-30 | 2022-09-20 | 同济大学 | 一种岩土体力学参数获取方法 |
CN113408184A (zh) * | 2021-04-21 | 2021-09-17 | 中国地质大学(武汉) | 基于遗传算法和离散元分析法的锚固边坡安全性评价方法 |
CN113431056A (zh) * | 2021-04-21 | 2021-09-24 | 中国地质大学(武汉) | 基于粒子群算法和离散元分析的锚固边坡安全性评价方法 |
CN113408184B (zh) * | 2021-04-21 | 2022-01-28 | 中国地质大学(武汉) | 基于遗传算法和离散元分析法的锚固边坡安全性评价方法 |
CN113431056B (zh) * | 2021-04-21 | 2022-01-28 | 中国地质大学(武汉) | 基于粒子群算法和离散元分析的锚固边坡安全性评价方法 |
CN113191055B (zh) * | 2021-05-06 | 2022-05-10 | 河海大学 | 一种基于深度强化网络的大坝材料性能参数反演方法 |
CN113191055A (zh) * | 2021-05-06 | 2021-07-30 | 河海大学 | 一种基于深度强化网络的大坝材料性能参数反演方法 |
CN113221228A (zh) * | 2021-06-04 | 2021-08-06 | 中国电建集团成都勘测设计研究院有限公司 | 水电站地下洞群围岩力学参数反演方法 |
CN113884371A (zh) * | 2021-09-30 | 2022-01-04 | 西南石油大学 | 一种基于温度效应计算围岩蠕变时间的方法及其计算装置 |
CN113884371B (zh) * | 2021-09-30 | 2024-04-02 | 西南石油大学 | 一种基于温度效应计算围岩蠕变时间的方法及其计算装置 |
CN115796038A (zh) * | 2022-12-02 | 2023-03-14 | 哈尔滨工业大学 | 基于循环神经网络的实时混合试验方法 |
CN115687854A (zh) * | 2023-01-04 | 2023-02-03 | 山东省地震工程研究院 | 高精度土样参数测量方法及其系统 |
CN115859836A (zh) * | 2023-02-22 | 2023-03-28 | 西南交通大学 | 一种岩体蠕变本构模型参数识别方法、装置、设备及介质 |
CN115859836B (zh) * | 2023-02-22 | 2023-05-02 | 西南交通大学 | 一种岩体蠕变本构模型参数识别方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111666671A (zh) | 一种围岩体蠕变参数的实时反演方法 | |
US20230214557A1 (en) | Method for dynamically assessing slope safety | |
Hashash et al. | Systematic update of a deep excavation model using field performance data | |
CN107301282B (zh) | 基于多源监测时序数据的混凝土坝力学参数反演方法 | |
CN111705808B (zh) | 一种适用于悬挂式深基坑工程的土体参数动态反演分析方法 | |
CN113408184B (zh) | 基于遗传算法和离散元分析法的锚固边坡安全性评价方法 | |
CN113868923A (zh) | 油气储层压前三维地质评价方法 | |
CN106568647B (zh) | 一种基于神经网络的混凝土强度预测方法 | |
Ziotopoulou et al. | Cyclic strength of Ottawa F-65 sand: Laboratory testing and constitutive model calibration | |
CN110096805A (zh) | 一种有限观测数据下基于改进自助法的结构参数不确定性量化及传递方法 | |
CN114943125A (zh) | 基于XGBoost优化算法的隧道围岩参数智能反演分析方法 | |
Schultz et al. | Parametrizing physics-based earthquake simulations | |
CN112597694A (zh) | 基于神经网络的围岩变形预测系统及预测方法 | |
Li et al. | Deformation prediction of tunnel surrounding rock mass using CPSO-SVM model | |
CN110245370A (zh) | 一种高面板堆石坝多目标力学参数反演方法 | |
NO20200978A1 (en) | Optimized methodology for automatic history matching of a petroleum reservoir model with ensemble kalman filter | |
Zhao et al. | Determining geomechanical parameters and a deformation uncertainty analysis of the Longtan Hydropower Station slope, China | |
CN114491730B (zh) | 一种高速铁路路基结构动力安定分析迭代方法及装置 | |
CN115828747A (zh) | 考虑颗粒互锁效应的裂隙岩体参数智能标定方法与系统 | |
Faramarzi | Intelligent computational solutions for constitutive modelling of materials in finite element analysis | |
Xiong et al. | Intelligent Prediction Model of the Triaxial Compressive Strength of Rock Subjected to Freeze‐Thaw Cycles Based on a Genetic Algorithm and Artificial Neural Network | |
Zhang et al. | BPNN-GA-based intelligence information approach to characterize deep fractured strata | |
CN117216846B (zh) | 钢筋混凝土构件滞回曲线预测方法、系统、设备及介质 | |
CN116911216B (zh) | 一种储层油井产能因素评估与预测方法 | |
CN113935215B (zh) | 断层发育油气藏地应力反演方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200915 |