CN112395667A - 一种盾构隧道土体的随机场参数生成方法和装置 - Google Patents
一种盾构隧道土体的随机场参数生成方法和装置 Download PDFInfo
- Publication number
- CN112395667A CN112395667A CN202011249833.3A CN202011249833A CN112395667A CN 112395667 A CN112395667 A CN 112395667A CN 202011249833 A CN202011249833 A CN 202011249833A CN 112395667 A CN112395667 A CN 112395667A
- Authority
- CN
- China
- Prior art keywords
- random field
- parameters
- original
- model
- training
- 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.)
- Granted
Links
- 239000002689 soil Substances 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000005553 drilling Methods 0.000 claims abstract description 61
- 238000013256 Gubra-Amylin NASH model Methods 0.000 claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 52
- 239000011159 matrix material Substances 0.000 claims abstract description 50
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 238000009826 distribution Methods 0.000 claims description 28
- 238000011160 research Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000005311 autocorrelation function Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000013461 design Methods 0.000 abstract description 3
- 238000005314 correlation function Methods 0.000 description 4
- 239000011435 rock Substances 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005137 deposition process Methods 0.000 description 1
- 238000005290 field theory Methods 0.000 description 1
- 238000004179 geological weathering Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction 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]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Excavating Of Shafts Or Tunnels (AREA)
Abstract
本发明公开了一种盾构隧道土体的随机场参数生成方法、装置和探测设备,属于岩土工程盾构隧道设计领域,通过对盾构隧道土体上各个网格对应的岩土力学参数进行赋值;利用协方差矩阵分解法建立各个岩土力学参数对应的随机场模型;利用随机场模型正演生成多组数据集,将多组数据集划分成训练样本和测试样本;对包括将原始生成器和原始判别器的GAN模型进行训练;直至将训练样本中钻孔位置参数输入优化生成器后,输出的随机场特征参数与预设随机场参数对应的误差值小于预定值,则完成原始GAN模型的训练得到目标GAN模型;将勘察钻孔位置参数输入目标GAN模型目标随机场参数。本申请能够提高生成的目标随机场参数的准确性,以为地质探测提供更为精确的资料。
Description
技术领域
本发明属于岩土工程盾构隧道设计领域,更具体地,涉及一种一种盾构隧道土体的随机场参数生成方法和装置。
背景技术
岩土体作为大自然的产物,长期的地质风化、沉积过程导致空间中不同位置的岩土体存在一定的差异性;同时在实际盾构隧道工程中,岩土力学参数的获取需要进行地质勘探,其中勘探成本昂贵,往往距离30-50m才进行一次勘探,因此,获取的盾构隧道工程实际数据十分有限。
传统随机变量模型将岩土力学参数看作服从一定概率分布,利用有限数据的统计均值代替整个区域分布,显然忽略了岩土体的这种空间变异性。目前随机场模型逐渐被认为能够有效模拟岩土力学参数的空间变异性特征,其采用均值、方差描述整体岩土参数的随机性,利用相关函数描述局部空间不同位置点之间的相关性,从而基于有限数据的统计量建立描述土体参数空间变异性的地质参数模型。在进行随机场建模时,需要确定的参数有:特征统计量(均值、标准差)、波动范围、整体概率分布类型和相关函数。其中:均值、标准差、整体概率分布类型可基于钻孔取样数据确定;相关函数可基于常见的指数型、高斯型进行确定。然而,波动范围是随机场模型中十分重要的参数且往往不容易确定,是联系点特性与空间平均特性的重要纽带,认为在波动范围以内的两点之间具有较强的相关性,位于波动范围之外的两点相关性很弱。
目前,通常基于现场原位测试的静力触探数据,采用相关函数法等方法确定波动范围;然后这种基于事前确定参数所生成的随机场模型可能在对应实测钻孔位置的模拟结果与实际值存在一定差异。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种盾构隧道土体的随机场参数生成方法、装置和探测设备,不仅能基于已有钻孔数据统计值建立多参数互相关随机场模型来描述岩土力学参数的空间变异性,从而预测非钻孔位置的岩土力学参数;而且可以通过生成对抗网络算法不断训练学习,建立随机场特征参数与对应钻孔位置参数之间的相关映射关系,进而充分利用实际盾构隧道工程中已知钻孔位置参数来反演推断目标随机场特征参数,其目的在于,能够提高目标随机场特征参数的准确性。
为实现上述目的,按照本发明的一个方面,提供了一种盾构隧道土体的随机场参数生成方法,包括如下步骤:
S1:在所述盾构隧道土体上确定研究区域,对所述研究区域进行网格划分,并各个所述网格对应的岩土力学参数进行赋值;
S2:利用协方差矩阵分解法建立各个所述岩土力学参数对应的随机场模型,并将所述随机场特征参数作为反演参数;
S3:利用所述随机场模型正演生成多组数据集,将多组所述数据集划分成训练样本和测试样本,所述数据集包括随机场特征参数和对应的钻孔位置参数;
S4:将所述训练样本中的钻孔位置参数输入原始生成器得到优化随机场特征参数,将优化随机场特征参数和预设随机场参数输入原始判别器,以对包括所述将原始生成器和所述原始判别器的GAN模型进行训练;
S5:重复步骤S4,直至将所述训练样本中钻孔位置参数输入优化生成器后,输出的随机场特征参数与所述预设随机场参数对应的误差值小于预定值,则完成所述原始GAN模型的训练得到目标GAN模型;
S6:将勘察钻孔位置参数输入所述目标GAN模型得到所述目标随机场参数与实际钻孔位置参数吻合。
在其中一个实施例中,所述步骤S2包括:
S21:利用建立的数值计算网格获取所有所述网格的中心点坐标(xi,yi);
对所述协方差矩阵Cm×m进行Cholesky分解得到下三角矩阵L1;
其中,xi为第i个网格的横坐标,xj为第j个网格的横坐标,yi为第i个网格的纵坐标,yj为第j个网格的纵坐标;lx为水平地质切片x方向波动范围,ly为水平地质切片y方向波动范围,m为模型单元网格个数;L1矩阵中的元素是协方差矩阵Cm×m经过Cholesky分解得到的自相关系数;
S23:对n组岩土力学参数进行统计学相关性分析,每组岩土力学参数包含tn个实测钻孔数据;计算各组岩土力学参数之间的互相关系数,并组成互相关系数矩阵Rn×n=(rp,q)n×n;
rp,q为第p、q组岩土力学参数之间的互相关系数;对协方差矩阵Rn×n进行Cholesky分解得到下三角矩阵L2;
S24:生成一组由m行、n列的相互独立且服从标准正态分布的随机数组成的矩阵Y;
S25:根据矩阵Y得到一次标准正态随机场可表示为Z=L1·Y·L2 T,对标准正态随机场进行数学变换可得到不同分布的随机场模型;多次生成服从标准正态分布的矩阵Y,以多次形成所述随机场模型。
在其中一个实施例中,所述步骤S3包括:
S31:将从所述随机场模型中提取的随机场特征参数离散为有限个水平,所述随机场特征参数包括x向波动范围和y方向波动范围;
S32:利用所述随机场模型正演计算各组所述随机场特征参数条件下对应钻孔位置参数,得到多个携带随机场特征参数与对应钻孔位置参数之间映射关系的数据集;
S33:将所述数据集中钻孔位置参数作为输入,随机场特征参数作为输出,构建所述原始GAN模型的多组数据集;将多组所述数据集划分成训练样本和测试样本;
在其中一个实施例中,所述步骤S4包括:
将所述训练样本中的钻孔位置参数输入原始生成器得到优化随机场特征参数,将优化随机场特征参数和预设随机场参数输入原始判别器,以对包括所述将原始生成器和所述原始判别器的原始GAN模型进行训练;
所述原始GAN模型通过相互对抗学习原理使原始生成器学习真实数据x的概率分布,使原始判断器判断输入的数据是真实的还是由原始生成器生成的,损失函数如下:
其中,x-Pdata(x)为真实数据;Pg(z)为随机噪声分布;z为从特定分布p(z)中随机采样所得的向量;pdata(x)表示真实样本数据的概率分布;G(z)表示噪声z对应的样本,D(x)表示真实样本x通过判别网络判断其为真实样本的概率,D(G(z))表示判断为真实样本的概率。
在其中一个实施例中,所述步骤S5包括:重复步骤S4中将所述钻孔位置参数对应的训练样本输入至优化后的原始生成器中,直至将所述原始生成器生成的随机场特征参数和所述预设随机场参数输入所述原始判别器得到的误差值小于所述预定值,则完成所述原始GAN模型的训练;将完成训练后的原始GAN模型保存为所述目标GAN模型。
在其中一个实施例中,所述步骤S5之后,所述方法还包括:将所述测试集中钻孔位置参数输入所述目标GAN模型,进而将生成反演的随机场特征参数作为反演结果,并将所述反演结果与实际值进行比较,以评估所述目标GAN模型的性能。
按照本发明的另一方面,提供了一种盾构隧道土体的随机场参数生成装置,包括:
赋值模块,用于在所述盾构隧道土体上确定研究区域,对所述研究区域进行网格划分,并各个所述网格对应的岩土力学参数进行赋值;
建立模块,用于利用协方差矩阵分解法建立各个所述岩土力学参数对应的随机场模型;
划分模块,用于利用所述随机场模型正演生成多组数据集,将多组所述数据集划分成训练样本和测试样本,所述数据集包括随机场特征参数和对应的钻孔位置参数;
第一训练模块,用于将所述训练样本中的钻孔位置参数输入原始生成器得到优化随机场特征参数,将优化随机场特征参数和预设随机场参数输入原始判别器,以对包括所述将原始生成器和所述原始判别器的GAN模型进行训练;
第二训练模块,用于重复将所述训练样本中钻孔位置参数输入优化生成器后,直至输出的随机场特征参数与所述预设随机场参数对应的误差值小于预定值,则完成所述原始GAN模型的训练得到目标GAN模型;
生成模块,用于将勘察钻孔位置参数输入所述目标GAN模型得到目标随机场参数,所述目标随机场参数与实际钻孔位置参数吻合。
按照本发明的另一方面,提供了一种盾构隧道土体的探测设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现所述的方法的步骤。
总体而言,通过本发明所构思的以上技术方案与现有技术相比能够取得下列有益效果:
1.本发明基于随机场理论,采用协方差矩阵分解法,建立反映岩土体空间变异性的多参数互相关随机场模型;相比于传统利用统计均值代替整个区域分布的随机变量模型,在一定程度上考虑了岩土体的这种空间变异性,也更符合工程实际,能够提高生成的目标随机场参数的准确性。
2.本发明不仅能基于已有钻孔数据统计值建立多参数互相关随机场模型来描述岩土力学参数的空间变异性,从而预测非钻孔位置的岩土力学参数;而且可以通过生成对抗网络算法不断训练学习,建立随机场特征参数与对应钻孔位置参数之间的相关映射关系,进而充分利用实际盾构隧道工程中已知钻孔位置参数来智能反演推断随机场特征参数,使生成的多参数互相关随机场模型在已知钻孔位置的岩土力学参数与实际勘察结果相吻合。进一步地,可以基于有限钻孔数据建立更为真实可靠的地质参数模型,为盾构隧道工程设计、施工提供更为详细准确的地质探测。
附图说明
图1是本发明提供的一种盾构隧道土体的随机场参数生成方法的流程图;
图2是本发明提供的又一种盾构隧道土体的随机场参数生成方法的流程图;
图3是本发明中的盾构隧道互相关随机场模型生成的流程图;
图4是本发明中的生成对抗网络模型的原理图;
图5是本发明中的盾构隧道岩土体水平地质切片及钻孔取样位置布置图;
图6a是本发明中取波动范围lx=25m,ly=25m时的互相关一次黏聚力随机场实现仿真图;
图6b是本发明中取波动范围lx=25m,ly=25m时的互相关一次内摩擦角随机场实现仿真图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1和图2所示,本申请提供一种盾构隧道土体的随机场参数生成方法,包括:S1:在盾构隧道土体上确定研究区域,对研究区域进行网格划分,并各个网格对应的岩土力学参数进行赋值;S2:利用协方差矩阵分解法建立各个岩土力学参数对应的随机场模型,并将随机场特征参数作为反演参数;S3:利用随机场模型正演生成多组数据集,将多组数据集划分成训练样本和测试样本,数据集包括随机场特征参数和对应的钻孔位置参数;S4:将训练样本中的钻孔位置参数输入原始生成器得到优化随机场特征参数,将优化随机场特征参数和预设随机场参数输入原始判别器,以对包括将原始生成器和原始判别器的GAN模型进行训练;S5:重复步骤S4,直至将训练样本中钻孔位置参数输入优化生成器后,输出的随机场特征参数与预设随机场参数对应的误差值小于预定值,则完成原始GAN模型的训练得到目标GAN模型;S6:将勘察钻孔位置参数输入目标GAN模型得到目标随机场参数,目标随机场参数与实际钻孔位置参数吻合。
具体的,S1,确定研究区域,对研究区域进行网格划分,并对盾构隧道工程中相应的多个岩土力学参数进行赋值;
S2,通过协方差矩阵分解法建立多个岩土力学参数的随机场模型,并提取岩土力学参数的随机场模型中未知特征参数(x方向波动范围、y方向波动范围),将其作为待反演参数,即随机场特征参数;
S3,利用随机场模型正演生成25组数据集,作为GAN模型的样本;数据集包括随机场特征参数和对应钻孔位置参数,将数据集划分为20组训练样本和5组测试样本;并将数据集进行归一化处理;
S4,利用20组训练样本训练GAN模型(生成器和判别器);将对应钻孔位置参数输入到生成器中,生成器就会生成一组新的随机场特征参数,然后与给定实际的随机场特征参数一起作为判别器的输入,对生成器与判别器进行学习,计算各层输出与期望输出之间的误差,通过将误差反向传播来对生成器和判别器中的权值以及阈值进行优化,从而实现优化GAN模型的目的;
S5,重复步骤4,将对应钻孔位置参数训练样本再次输入至优化后的生成器中进行计算,直至误差值小于预定值,完成GAN模型的训练,保存训练好的GAN模型;
S6,利用5组测试样本测试GAN模型,将测试集中对应钻孔位置参数输入到训练完成后的GAN模型,进而生成反演的随机场特征参数,并将反演结果与给定实际值进行比较,以评估GAN模型的性能。最后实现通过给定一组实际盾构隧道施工勘察的对应位置岩土力学参数,即可反演生成一组优化的随机场特征参数,进而使生成的随机场模型在对应钻孔与实际数据相吻合。
如图3所示,为本发明中的一种基于协方差矩阵分解法建立随机场模型的流程图,包括以下步骤:
S1,首先采用FLAC 3D建立数值计算网格,并输出网格中所有单元的中心点坐标(xi,yi);
其中,xi为第i个网格的横坐标,xj为第j个网格的横坐标,yi为第i个网格的纵坐标,yj为第j个网格的纵坐标;lx为水平地质切片x方向波动范围,ly为水平地质切片y方向波动范围,m为模型单元网格个数;
对协方差矩阵Cm×m进行Cholesky分解得到下三角矩阵L1;
其中:L1矩阵中的元素lij是协方差矩阵Cm×m经过Cholesky分解得到的自相关系数;
S3,对相应的n组岩土力学参数,每组包含tn个数据,即实测钻孔数据,对每组数据进行统计学相关性分析,计算各参数之间的互相关系数rp,q,进而组成互相关系数矩阵Rn×n=(p,q)n×n;
其中:rp,q为第p、q组岩土力学参数之间的互相关系数;
对协方差矩阵Rn×n进行Cholesky分解得到下三角矩阵L2;
其中:L2矩阵中的元素,spq是协方差矩阵Rn×n经过Cholesky分解得到的互相关系数;
S4,生成一组由m行、n列的相互独立且服从标准正态分布的随机数组成的矩阵Y;
S6,多次生成服从标准正态分布的矩阵Y,就可以形成随机场的多次实现。
如图4所示,为本发明中的一种训练目标GAN模型的流程图,包括以下步骤:
把已知钻孔位置参数输入到生成器中,经过生成器后产生新的随机场特征参数分布G(z),并与样本数据集中真实的随机场特征参数分布x一起输入到判断器模型D(原始判断器)中,此时判断器模型D尽可能判断输入的数据是真实的还是由生成器生成的,输出一个0和1之间的数,用于表示判别器输入的为真实随机场特征参数的概率,1为真,0为假。
通过判别器对生成的随机场特征参数不断进行0与1之间的标识判断,使得生成器尽最大能力进行学习生成与真实数据相接近的样本数据,从而完成GAN模型的不断对抗学习。
以一定区域大小为100×100m为例,取网格单元大小为2×2m,则网格数量为50×50个,选取影响土体抗剪强度的黏聚力、内摩擦角岩土力学参数进行分析,假设黏聚力均值为10kPa,标准差为1,内摩擦角均值为30°,标准差为3,并服从正态分布;同时,水平地质切片为黏土,由经验统计波动范围取值为10-40m;假设在该盾构隧道工程区域中所进行的钻孔数量为5×5个,钻孔位置尽量均匀覆盖所研究区域范围,其岩土力学参数采用参数统计均值、标准差进行随机生成。
如图5所示,列举了该研究区域在划分网格数量为50×50情况下,钻孔数量为5×5个的岩土体水平地质切片及钻孔取样位置布置图。
S2,通过协方差矩阵分解法建立多参数互相关随机场模型,并提取各个岩土力学参数随机场模型中的未知特征参数(x方向波动范围、y方向波动范围),将其作为待反演参数,即随机场特征参数。
S21,首先采用FLAC 3D建立数值计算模型,并输出模型中所有网格单元的中心点横、纵坐标矩阵;
S22,将输出的各单元中心点坐标的相对值代入到指数型自相关函数,其中lx、ly作为待反演的未知特征参数;本专利为表达建模流程,于此取黏聚力波动范围lx=25m,ly=25m;内摩擦角波动范围lx=25m,ly=25m;计算得到协方差矩阵C2500×2500;
对协方差矩阵C2500×2500进行Cholesky分解得到下三角矩阵L1;
S23,对相应黏聚力、内摩擦角岩土力学参数进行统计相关性分析,每个参数包含25个钻孔数据,计算两参数之间互相关系数ri,j=-0.35,形成互相关系数矩阵R=(ri,j)2×2;
对协方差矩阵R2×2进行Cholesky分解得到下三角矩阵L2;
S24,生成一组2500行、2列的相互独立且服从标准正态分布的随机数组成的矩阵Y;
S25,则一次标准正态随机场可表示为Z=L1·Y·L2 T,
S26,多次生成服从标准正态分布的矩阵Y,就可以形成随机场的多次实现。
如图6a和图6b所示,列举了正演过程中取黏聚力波动范围lx=25m,ly=25m、内摩擦角波动范围lx=25m,ly=25m时的一次互相关随机场实现。
S3,通过随机场模型正演生成GAN模型的数据集,数据集包括随机场特征参数和对应钻孔位置参数,并划分为训练样本和测试样本;并将数据集样本进行归一化处理。
通过采用网格数量为50×50、钻孔数量为5×5进行说明,根据波动范围经验值选取10、20、25、30、40等5个值,选取25个不同波动范围lx、波动范围ly的组合,并分为学习样本20个,测试样本5个进行,计算了各组合下黏聚力、内摩擦角随机场模型计算的各钻孔取样位置的岩土力学参数,从而进行学习和检验;
表1黏聚力生成对抗网络学习与测试样本
表2内摩擦角生成对抗网络学习与测试样本
S4,利用20组训练样本训练GAN模型(生成器和判别器),将对应钻孔位置参数输入到生成器中,生成器就会生成一组新的随机场特征参数,然后与真实的随机场特征参数一起作为判别器的输入,对生成器与判别器进行学习,计算各层输出与期望输出之间的误差,通过将误差反向传播来对生成器和判别器中的权值以及阈值进行优化,从而实现优化GAN模型的目的;
S5,重复S4,将对应钻孔位置参数训练样本再次输入至优化后的生成器中进行计算,直至误差值小于预定值,完成GAN模型的训练,保存训练好的GAN模型;
S6,利用5组测试样本测试GAN模型,将测试集中对应钻孔位置参数输入到训练完成后的GAN模型,进而生成反演的随机场特征参数,并将反演结果与给定实际值进行比较,以评估GAN模型的性能。
S7,最后实现通过给定一组实际盾构隧道施工勘察的对应位置岩土力学参数,即可反演生成一组优化的随机场特征参数,进而使生成的随机场模型在对应钻孔与实际数据相吻合。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种盾构隧道土体的随机场参数生成方法,其特征在于,包括如下步骤:
S1:在所述盾构隧道土体上确定研究区域,对所述研究区域进行网格划分,并各个所述网格对应的岩土力学参数进行赋值;
S2:利用协方差矩阵分解法建立各个所述岩土力学参数对应的随机场模型,并将所述随机场特征参数作为反演参数;
S3:利用所述随机场模型正演生成多组数据集,将多组所述数据集划分成训练样本和测试样本,所述数据集包括随机场特征参数和对应的钻孔位置参数;
S4:将所述训练样本中的钻孔位置参数输入原始生成器得到优化随机场特征参数,将优化随机场特征参数和预设随机场参数输入原始判别器,以对包括所述将原始生成器和所述原始判别器的GAN模型进行训练;
S5:重复步骤S4,直至将所述训练样本中钻孔位置参数输入优化生成器后,输出的随机场特征参数与所述预设随机场参数对应的误差值小于预定值,则完成所述原始GAN模型的训练得到目标GAN模型;
S6:将勘察钻孔位置参数输入所述目标GAN模型得到目标随机场参数,所述目标随机场参数与实际钻孔位置参数吻合。
2.如权利要求1所述的方法,其特征在于,所述步骤S2包括:
S21:利用建立的数值计算网格获取所有所述网格的中心点坐标(xi,yi);
对所述协方差矩阵Cm×m进行Cholesky分解得到下三角矩阵L1;
其中,xi为第i个网格的横坐标,xj为第j个网格的横坐标,yi为第i个网格的纵坐标,yj为第j个网格的纵坐标;lx为水平地质切片x方向波动范围,ky为水平地质切片y方向波动范围,m为模型单元网格个数;L1矩阵中的元素是协方差矩阵Cm×m经过Cholesky分解得到的自相关系数;
S23:对n组岩土力学参数进行统计学相关性分析,每组岩土力学参数包含tn个实测钻孔数据;计算各组岩土力学参数之间的互相关系数,并组成互相关系数矩阵Rn×n=(rp,q)n×n;
rp,q为第p、q组岩土力学参数之间的互相关系数;对协方差矩阵Rn×n进行Cholesky分解得到下三角矩阵L2;
S24:生成一组由m行、n列的相互独立且服从标准正态分布的随机数组成的矩阵Y;
S25:根据矩阵Y得到一次标准正态随机场可表示为Z=L1·Y·L2 T,对标准正态随机场进行数学变换可得到不同分布的随机场模型;多次生成服从标准正态分布的矩阵Y,以多次形成所述随机场模型。
3.如权利要求1所述的方法,其特征在于,所述步骤S3包括:
S31:将从所述随机场模型中提取的随机场特征参数离散为有限个水平,所述随机场特征参数包括x向波动范围和y方向波动范围;
S32:利用所述随机场模型正演计算各组所述随机场特征参数条件下对应钻孔位置参数,得到多个携带随机场特征参数与对应钻孔位置参数之间映射关系的数据集;
S33:将所述数据集中钻孔位置参数作为输入,随机场特征参数作为输出,构建所述原始GAN模型的多组数据集;将多组所述数据集划分成训练样本和测试样本;
4.如权利要求1所述的方法,其特征在于,所述步骤S4包括:
将所述训练样本中的钻孔位置参数输入原始生成器得到优化随机场特征参数,将优化随机场特征参数和预设随机场参数输入原始判别器,以对包括所述将原始生成器和所述原始判别器的原始GAN模型进行训练;
所述原始GAN模型通过相互对抗学习原理使原始生成器学习真实数据x的概率分布,使原始判断器判断输入的数据是真实的还是由原始生成器生成的,损失函数如下:
其中,x-Pdata(x)为真实数据;Pg(z)为随机噪声分布;z为从特定分布p(z)中随机采样所得的向量;pdata(x)表示真实样本数据的概率分布;G(z)表示噪声z对应的样本,D(x)表示真实样本x通过判别网络判断其为真实样本的概率,D(G(z))表示判断为真实样本的概率。
5.如权利要求1所述的方法,其特征在于,所述步骤S5包括:
重复步骤S4中将所述钻孔位置参数对应的训练样本输入至优化后的原始生成器中,直至将所述原始生成器生成的随机场特征参数和所述预设随机场参数输入所述原始判别器得到的误差值小于所述预定值,则完成所述原始GAN模型的训练;将完成训练后的原始GAN模型保存为所述目标GAN模型。
6.如权利要求1所述的方法,其特征在于,所述S5之后,所述方法还包括:将所述测试集中钻孔位置参数输入所述目标GAN模型,进而将生成反演的随机场特征参数作为反演结果,并将所述反演结果与实际值进行比较,以评估所述目标GAN模型的性能。
7.一种盾构隧道土体的随机场参数生成装置,其特征在于,包括:
赋值模块,用于在所述盾构隧道土体上确定研究区域,对所述研究区域进行网格划分,并各个所述网格对应的岩土力学参数进行赋值;
建立模块,用于利用协方差矩阵分解法建立各个所述岩土力学参数对应的随机场模型;
划分模块,用于利用所述随机场模型正演生成多组数据集,将多组所述数据集划分成训练样本和测试样本,所述数据集包括随机场特征参数和对应的钻孔位置参数;
第一训练模块,用于将所述训练样本中的钻孔位置参数输入原始生成器得到优化随机场特征参数,将优化随机场特征参数和预设随机场参数输入原始判别器,以对包括所述将原始生成器和所述原始判别器的GAN模型进行训练;
第二训练模块,用于重复将所述训练样本中钻孔位置参数输入优化生成器后,直至输出的随机场特征参数与所述预设随机场参数对应的误差值小于预定值,则完成所述原始GAN模型的训练得到目标GAN模型;
生成模块,用于将勘察钻孔位置参数输入所述目标GAN模型得到目标随机场参数,所述目标随机场参数与实际钻孔位置参数吻合。
8.一种盾构隧道土体的探测设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011249833.3A CN112395667B (zh) | 2020-11-10 | 2020-11-10 | 一种盾构隧道土体的随机场参数生成方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011249833.3A CN112395667B (zh) | 2020-11-10 | 2020-11-10 | 一种盾构隧道土体的随机场参数生成方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112395667A true CN112395667A (zh) | 2021-02-23 |
CN112395667B CN112395667B (zh) | 2024-04-19 |
Family
ID=74600683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011249833.3A Active CN112395667B (zh) | 2020-11-10 | 2020-11-10 | 一种盾构隧道土体的随机场参数生成方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112395667B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114742937A (zh) * | 2022-03-08 | 2022-07-12 | 华中科技大学 | 一种三维地质解析方法和装置 |
CN114742937B (zh) * | 2022-03-08 | 2024-07-16 | 华中科技大学 | 一种三维地质解析方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016083861A1 (en) * | 2014-11-27 | 2016-06-02 | Total Sa | Mapping a geological parameter on an unstructured grid |
CN110334434A (zh) * | 2019-07-03 | 2019-10-15 | 中国科学院武汉岩土力学研究所 | 一种高效的岩土体参数随机场建模方法 |
CN111539097A (zh) * | 2020-04-17 | 2020-08-14 | 安徽理工大学 | 一种深部煤层底板岩体参数随机场建模方法 |
-
2020
- 2020-11-10 CN CN202011249833.3A patent/CN112395667B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016083861A1 (en) * | 2014-11-27 | 2016-06-02 | Total Sa | Mapping a geological parameter on an unstructured grid |
CN110334434A (zh) * | 2019-07-03 | 2019-10-15 | 中国科学院武汉岩土力学研究所 | 一种高效的岩土体参数随机场建模方法 |
CN111539097A (zh) * | 2020-04-17 | 2020-08-14 | 安徽理工大学 | 一种深部煤层底板岩体参数随机场建模方法 |
Non-Patent Citations (3)
Title |
---|
王长虹;朱合华;徐子川;李建高;: "考虑岩土参数空间变异性的盾构隧道地表沉降分析", 岩土工程学报, no. 02, 14 August 2017 (2017-08-14) * |
蒋水华;曾绍慧;潘嘉铭;姚池;杨建华;周创兵;: "岩土体参数约束随机场解析模拟方法及边坡可靠度分析", 岩石力学与工程学报, no. 03, 14 December 2017 (2017-12-14) * |
陈朝晖;黄凯华;: "土质边坡可靠性分析的分层非平稳随机场模型", 岩土工程学报, no. 07, 15 July 2020 (2020-07-15) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114742937A (zh) * | 2022-03-08 | 2022-07-12 | 华中科技大学 | 一种三维地质解析方法和装置 |
CN114742937B (zh) * | 2022-03-08 | 2024-07-16 | 华中科技大学 | 一种三维地质解析方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112395667B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109709603B (zh) | 地震层位识别与追踪方法、系统 | |
Armaghani et al. | Prediction of the uniaxial compressive strength of sandstone using various modeling techniques | |
He et al. | Optimal multiaxial sensor placement for modal identification of large structures | |
CN109799533A (zh) | 一种基于双向循环神经网络的储层预测方法 | |
Kowsari et al. | Bayesian inference of empirical ground motion models to pseudo-spectral accelerations of south Iceland seismic zone earthquakes based on informative priors | |
CN113534240B (zh) | 微地震事件检测与定位方法及系统 | |
Sarego et al. | Artificial neural networks for impact force reconstruction on composite plates and relevant uncertainty propagation | |
Azim | Estimation of fracture network properties from FMI and conventional well logs data using artificial neural network | |
Choobbasti et al. | Mapping of soil layers using artificial neural network (case study of Babol, northern Iran) | |
Tobely et al. | Position detection of unexploded ordnance from airborne magnetic anomaly data using 3-D self organized feature map | |
Yates et al. | 1.5 Geostatistics | |
CN113158315A (zh) | 一种基于静力触探数据的岩土体参数三维非平稳条件随机场建模方法 | |
CN112395667A (zh) | 一种盾构隧道土体的随机场参数生成方法和装置 | |
Alghalandis et al. | Similarity analysis of discrete fracture networks | |
García Benítez et al. | Neural networks for defining spatial variation of rock properties in sparsely instrumented media | |
Matilla-García et al. | Spatial Symbolic Entropy: A Tool for Detecting the Order of Contiguity. | |
CN115407397A (zh) | 一种瑞雷波频散曲线有监督学习反演方法及系统 | |
CA3095746A1 (en) | Optimized methodology for automatic history matching of a petroleum reservoir model with ensemble kalman filter | |
Esmaeilabadi et al. | Prediction of site response spectrum under earthquake vibration using an optimized developed artificial neural network model | |
Lee et al. | Seismic Acceleration Estimation Method at Arbitrary Position Using Observations and Machine Learning | |
Soufi et al. | Contribution of geostatistical analysis for the assessment of RMR and geomechanical parameters | |
Remennikov et al. | Prediction of airblast loads in complex environments using artificial neural networks | |
Tom et al. | Volumetric approach based DOE and ANN models for estimating reservoirs oil in place | |
CN117852416B (zh) | 基于数字化地质模型的多模态注浆预控分析方法及系统 | |
Bouatay et al. | An approach for imperfection propagation: Application to land cover change prediction |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |