CN112434914A - 一种基于风险决策的隧道围岩多源信息融合方法 - Google Patents

一种基于风险决策的隧道围岩多源信息融合方法 Download PDF

Info

Publication number
CN112434914A
CN112434914A CN202011229569.7A CN202011229569A CN112434914A CN 112434914 A CN112434914 A CN 112434914A CN 202011229569 A CN202011229569 A CN 202011229569A CN 112434914 A CN112434914 A CN 112434914A
Authority
CN
China
Prior art keywords
surrounding rock
risk
tunnel
combination
standard deviation
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
Application number
CN202011229569.7A
Other languages
English (en)
Other versions
CN112434914B (zh
Inventor
张琦
蒋擎
王宁
何磊
李建春
张宸浩
马艳宁
王月峰
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN202011229569.7A priority Critical patent/CN112434914B/zh
Publication of CN112434914A publication Critical patent/CN112434914A/zh
Application granted granted Critical
Publication of CN112434914B publication Critical patent/CN112434914B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • G06Q10/0639Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395Quality analysis or management
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/241Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155Bayesian classification
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08Construction

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)

Abstract

本发明公开了一种基于风险决策的隧道围岩多源信息融合方法,综合考虑了隧道围岩强度、围岩不连续面数目、围岩不连续面粗糙度系数、围岩不连续面张开度、围岩不连续面迹长、隧道涌水量等多项隧道围岩质量指标以及获取这些数据信息的多种测试方式;对于每项指标,将在多源信息中各选取一种测试方式进行组合,基于最小风险的贝叶斯决策理论,对每个组合进行风险评估,确定一种风险最低的多源信息组合作为隧道围岩质量评价信息,并为后续设计施工提供参考依据。该方法全面考虑基于各种测试手段获得多源信息存在的不确定性因素,得出一种风险最低的信息组合作为隧道多源信息融合的最优结果,适用于岩石隧道工程的围岩多源信息融合。

Description

一种基于风险决策的隧道围岩多源信息融合方法
技术领域
本发明涉及围岩工程技术领域,尤其涉及一种基于风险决策的隧道围岩多源信息融合方法。
背景技术
在山岭隧道工程中,围岩强度、围岩不连续面数目、围岩不连续面条件和隧道地下水情况等隧道围岩质量指标均会对隧道围岩的质量评价、隧道工程的设计施工产生较大的影响。由于现代隧道围岩测试方法多样化,针对一种围岩信息通常有多种测试方法,这些测试方法所得到的数据信息的精度和准确性各不同,会导致对隧道围岩质量评价时出现一定的可靠性风险。因此在降低风险的基础上对隧道围岩的多源信息进行融合对山岭隧道工程的设计施工具有较为重要的意义。
发明内容
发明目的:针对以上问题,本发明提出一种基于风险决策的隧道围岩多源信息融合方法,通过基于最小风险的贝叶斯决策,对多源围岩测试的数据信息进行融合,评估到风险最低的一种隧道围岩数据信息组合,为山岭隧道工程的设计施工提供可靠依据。
技术方案:为实现本发明的目的,本发明所采用的技术方案是:一种基于风险决策的隧道围岩多源信息融合方法,具体方法如下:
(1)分别用不同的测试方法获取研究区域多项隧道围岩质量指标;
其中隧道围岩质量指标包括围岩强度信息、不连续面数目信息、不连续面条件信息和地下水信息的数据值;不连续面条件信息包括围岩不连续面粗糙度系数、不连续面张开度和不连续面迹长;
具体方法如下:
(1.1)获得多源围岩强度信息的方法如下:
(1.11)通过m次点荷载测试获得围岩的点荷载强度Is(50),并取m次试验标准差,根据如下公式将点荷载强度换算为围岩强度:
UCS1=22Is(50)
UCS1表示通过点荷载测试获得的围岩强度,并用SUCS1表示点荷载测试获得的围岩强度的标准差;
(1.12)通过m次施密特锤测试获取围岩强度UCS2,并取m次试验标准差,用SUCS2表示施密特锤测试获取围岩强度的标准差;
(1.2)获得围岩不连续面数目信息的方法如下:
(1.21)通过m次现场素描调查获取不连续面数目N1,取m次试验标准差,并用SN1表示现场素描调查获取不连续面数目的标准差;
(1.22)通过m次数字照相技术识别不连续面数目N2,取m次试验标准差,并用SN2表示现场素描调查获取不连续面数目的标准差;
(1.23)通过m次激光扫描技术识别不连续面数目N3,取m次试验标准差,并用SN3表示激光扫描技术识别不连续面数目的标准差;
(1.3)获得围岩不连续面条件信息的方法如下:
(1.31)通过m次数字照相技术提取不连续面信息获得围岩不连续面粗糙度系数JRC1、不连续面张开度h1和不连续面迹长l1,并对每一项数据取m次试验标准差,用SJRC1、Sh1和Sl1分别表示数字照相技术提取不连续面粗糙度系数JRC1、不连续面张开度h1和不连续面迹长l1对应的标准差;
(1.32)通过m次激光扫描技术提取不连续面信息获得围岩不连续面粗糙度系数JRC2、不连续面张开度h2和不连续面迹长l2,并对每一项数据取m次试验标准差,用SJRC2、Sh2和Sl2分别表示激光扫描技术提取围岩不连续面粗糙度系数JRC2、不连续面张开度h2和不连续面迹长l2对应的标准差;
(1.4)获取隧道地下水信息的方法如下:
(1.41)通过m次降水入渗法测试获得隧道每10m长的涌水量Q1,并取m次试验标准差,用SQ1表示降水入渗法测试获得隧道每10m长的涌水量的标准差;
(1.42)通过m次地下水动力学法测试获得隧道每10m长的涌水量Q2,并取m次试验标准差,用SQ2表示地下水动力学法测试获得隧道每10m长的涌水量的标准差。
(2)在步骤(1)所述每一个项目指标中分别选取一种测试方法进行排列组合,根据贝叶斯风险决策理论,对每一种排列组合均进行风险评估,得到该组合对应测试方法下的风险值,具体计算公式如下:
Figure BDA0002764726050000021
其中,Ri,i∈N+表示第i种排列组合所得隧道围岩多源信息的风险值;λ'1为第i种排列组合的围岩强度的风险系数;Sucs为第i种排列组合的围岩强度信息的标准差;λ'2为第i种排列组合的围岩不连续面数目的风险系数;SN为第i种排列组合的围岩不连续面数目信息的标准差;λ'3为第i种排列组合的围岩不连续面粗糙度系数的风险系数;SJRC为第i种排列组合的围岩不连续面粗糙度系数标准差;λ'4为第i种排列组合的围岩不连续面张开度的风险系数;Sh为第i种排列组合的围岩不连续面张开度标准差;λ'5为第i种排列组合的围岩不连续面迹长的风险系数;Sl为第i种排列组合的围岩不连续面迹长标准差;λ'6为第i种排列组合的隧道每10m长的涌水量的风险系数;SQ为第i种排列组合的隧道每10m长的涌水量的标准差;
进一步的,不同测试方法下每一项数据的风险系数的计算方法如下:
(2.1)计算不同测试方法下围岩强度信息的风险系数:
Figure BDA0002764726050000031
其中,λ'1为第i种排列组合的围岩强度的风险系数;λ1为预先设置的围岩强度的先验风险系数;
(2.2)计算不同测试方法下围岩强度信息的风险系数:
Figure BDA0002764726050000032
其中,λ'2为第i种排列组合的围岩不连续面数目的风险系数;λ2为预先设置的围岩不连续面数目的先验风险系数;
(2.3)计算不同测试方法下围岩不连续面粗糙度系数的风险系数:
Figure BDA0002764726050000033
其中,λ'3为第i种排列组合的围岩不连续面粗糙度系数的风险系数;λ3为预先设置的围岩不连续面粗糙度系数的先验风险系数;
(2.4)计算不同测试方法下围岩不连续面张开度的风险系数:
Figure BDA0002764726050000041
其中,λ'4为第i种排列组合的围岩不连续面张开度的风险系数;λ4为预先设置的围岩不连续面张开度的先验风险系数;
(2.5)计算不同测试方法下围岩不连续面迹长的风险系数:
Figure BDA0002764726050000042
其中,λ'5为第i种排列组合的围岩不连续面迹长的风险系数;λ5为预先设置的围岩不连续面迹长的先验风险系数;
(2.6)计算不同测试方法下隧道每10m长的涌水量的风险系数:
Figure BDA0002764726050000043
其中,λ'6为第i种排列组合的隧道每10m长的涌水量的风险系数;λ6为预先设置的隧道每10m长的涌水量的先验风险系数。
其中,λ1、λ2、λ3、λ4、λ5、λ6为根据专家经验风险评估预先设置的先验风险系数,且满足关系式:λ123456=1;
进一步的,对每一项项目指标预设有效条件;当步骤(1)所述项目指标中的某一种测试方法得到某一项数据信息不符合预设有效条件时,则删除该数据信息,并且在步骤(2)所述风险系数的计算过程中不对该数据进行计算。
以围岩不连续面数目信息为例,当现场素描调查得到的数据信息不符合预设有效条件时,则不对该数据进行操作,此时λ'2的取值有如下两种情况:
Figure BDA0002764726050000051
进一步的,步骤(2)所述从步骤(1)所述每一个项目指标中各选取一种测试方法得到的数据信息进行排列组合,如第i种排列组合为:施密特锤测试获取围岩强度信息,现场素描调查获取不连续面数目,数字照相技术提取围岩不连续面粗糙度系数,激光扫描技术提取围岩不连续面张开度,激光扫描技术提取围岩不连续面迹长,降水入渗法测试获得隧道每10m长的涌水量,则λ'1、λ’2、λ’3、λ'4、λ'5、λ'6的取值如下:
Figure BDA0002764726050000052
Figure BDA0002764726050000053
(3)比较不同组合风险评估所得风险值Ri,取Ri值最低的组合作为该隧道围岩多源信息融合的最优结果,取值公式如下:
Rbest=min{R1,R2,...,Rn}
其中,Rbest为隧道围岩多源信息的最低风险值。
有益效果:本发明综合考虑了隧道围岩强度、围岩不连续面数目、围岩不连续面粗糙度系数、围岩不连续面张开度、围岩不连续面迹长、隧道每10m长涌水量等多项隧道围岩质量指标,以及获取隧道围岩数据信息的多种测试方式,如点荷载测试、施密特锤测试、现场素描调查、数字照相、激光扫描、降水入渗法测试、地下水动力学法测试等。基于最小风险贝叶斯决策理论,将不同测试方式获得多源数据信息进行组合,并进行风险评估。得出一种风险最低的信息组合作为隧道多源信息融合的最优结果,作为隧道设计施工的依据。本发明的融合方法,操作简便易于理解,有着较强的操作性与良好的实用价值,可适用于大多数山岭隧道工程的围岩多源信息融合。
附图说明
图1是基于风险决策的隧道围岩多源信息融合方法的示意图。
具体实施方式
为了更加清楚的表述本发明专利的目的、技术和优点,下面结合本发明专利具体实施例和附图对本发明专利进行清楚、完整地描述。需要说明的是,所描述的实施例仅为本发明专利实施例的一部分,并不是所有的实施例,对于基于本发明专利的实施例,但没有做出其他创造性劳动的其他所有实施例,都属于本发明专利保护范围内。
本发明所述的一种基于风险决策的隧道围岩多源信息融合方法,以某山岭隧道工程的围岩为例,具体方法如下:
(1)在工程现场分别用用不同的测试方法获取多项隧道围岩质量指标,其中隧道围岩质量指标包括围岩强度信息、不连续面数目信息、不连续面条件信息和地下水信息的数据值;不连续面条件信息包括围岩不连续面粗糙度系数、不连续面张开度和不连续面迹长;具体方法如下:
(1.1)获得多源围岩强度信息的方法如下:
(1.11)通过20次点荷载测试获得围岩的点荷载强度Is(50)为8.64,并取20次试验标准差,根据如下公式将点荷载强度换算为围岩强度:
UCS1=22×8.64=190.08MPa,
UCS1表示通过点荷载测试获得的围岩强度,并用SUCS1表示20次测试数据的标准差,本例中点荷载测试获得的围岩强度的标准差为SUCS1=1.34;
(1.12)通过20次施密特锤测试获取围岩强度UCS2=200.45MPa,并取20次试验标准差,用SUCS2表示20次测试数据的标准差,本例施密特锤测试获取围岩强度的标准差SUCS2=2.48。
(1.2)获得围岩不连续面数目信息的方法如下:
(1.21)通过20次现场素描调查获取不连续面数目为12,取20次试验标准差,并用SN1表示20次测试数据的标准差;本例场素描调查获取不连续面数目的标准差SN1为0.45;
(1.22)通过20次数字照相技术识别不连续面数目N2为15,取20次试验标准差,并用SN2表示测试方法所得数据的标准差;本例数字照相技术识别不连续面数目的标准差SN2为0.32;
(1.23)通过20次激光扫描技术识别不连续面数目为10,取20次试验标准差,并用SN3表示测试方法所得数据的标准差;本例激光扫描技术识别不连续面数目的标准差SN3为0.67。
(1.3)获取围岩不连续面条件信息的方法如下:
(1.31)通过20次数字照相技术提取不连续面信息获得围岩不连续面粗糙度系数JRC1为10,不连续面张开度h1为3.4mm,不连续面迹长l1为2.3m,并对每一项数据取20次试验标准差,用SJRC1、Sh1和Sl1分别表示20次测试数据不连续面粗糙度系数JRC1、不连续面张开度h1和不连续面迹长l1对应的标准差;本例数字照相技术提取围岩不连续面粗糙度的标准差为SJRC1=0.74,数字照相技术提取围岩不连续面张开度的标准差为Sh1=0.44,数字照相技术提取不连续面迹长的标准差为Sl1=0.35;
(1.32)通过20次激光扫描技术提取不连续面信息获得围岩不连续面粗糙度系数JRC2为8,不连续面张开度h2为1.8mm,不连续面迹长l2为2.6m,并对每一项数据取20次试验标准差,用SJRC2、Sh2和Sl2分别表示三项数据对应的标准差;本例数字照相技术提取围岩不连续面粗糙度的标准差为SJRC2=0.47,数字照相技术提取围岩不连续面张开度的标准差为Sh2=0.23,数字照相技术提取不连续面迹长的标准差为Sl2=0.42。
(1.4)获取隧道地下水信息的方法如下:
(1.41)通过20次降水入渗法测试获得隧道每10m长的涌水量Q1为12L/min,并取20次试验标准差,用SQ1表示其标准差;本例降水入渗法测试获得隧道每10m长的涌水量的标准差为SQ1=0.27;
(1.42)通过20次地下水动力学法测试获得隧道每10m长的涌水量Q2为16L/min,并取20次试验标准差,用SQ2表示其标准差;本例地下水动力学法测试获得隧道每10m长的涌水量的标准差为SQ2=0.46。
(2)在步骤(1)所述每一个项目指标中分别选取一种测试方法进行排列组合,根据贝叶斯风险决策理论,对每一种排列组合均进行风险评估,得到该组合对应测试方法下的风险值,具体计算公式如下:
Figure BDA0002764726050000071
其中,Ri,i∈N+表示第i种排列组合所得隧道围岩多源信息的风险值;λ'1为第i种排列组合的围岩强度的风险系数;Sucs为第i种排列组合的围岩强度信息的标准差;λ'2为第i种排列组合的围岩不连续面数目的风险系数;SN为第i种排列组合的围岩不连续面数目信息的标准差;λ'3为第i种排列组合的围岩不连续面粗糙度系数的风险系数;SJRC为第i种排列组合的围岩不连续面粗糙度系数标准差;λ'4为第i种排列组合的围岩不连续面张开度的风险系数;Sh为第i种排列组合的围岩不连续面张开度标准差;λ'5为第i种排列组合的围岩不连续面迹长的风险系数;Sl为第i种排列组合的围岩不连续面迹长标准差;λ'6为第i种排列组合的隧道每10m长的涌水量的风险系数;SQ为第i种排列组合的隧道每10m长的涌水量的标准差;
进一步的,不同测试方法下每一项数据的风险系数的计算方法如下:
(2.1)计算不同测试方法下围岩强度信息的风险系数:
Figure BDA0002764726050000081
其中,λ'1为第i种排列组合的围岩强度的风险系数;λ1为预先设置的围岩强度的先验风险系数;
(2.2)计算不同测试方法下围岩强度信息的风险系数:
Figure BDA0002764726050000082
其中,λ'2为第i种排列组合的围岩不连续面数目的风险系数;λ2为预先设置的围岩不连续面数目的先验风险系数;
(2.3)计算不同测试方法下围岩不连续面粗糙度系数的风险系数:
Figure BDA0002764726050000083
其中,λ'3为第i种排列组合的围岩不连续面粗糙度系数的风险系数;λ3为预先设置的围岩不连续面粗糙度系数的先验风险系数;
(2.4)计算不同测试方法下围岩不连续面张开度的风险系数:
Figure BDA0002764726050000084
其中,λ'4为第i种排列组合的围岩不连续面张开度的风险系数;λ4为预先设置的围岩不连续面张开度的先验风险系数;
(2.5)计算不同测试方法下围岩不连续面迹长的风险系数:
Figure BDA0002764726050000091
其中,λ'5为第i种排列组合的围岩不连续面迹长的风险系数;λ5为预先设置的围岩不连续面迹长的先验风险系数;
(2.6)计算不同测试方法下隧道每10m长的涌水量的风险系数:
Figure BDA0002764726050000092
其中,λ'6为第i种排列组合的隧道每10m长的涌水量的风险系数;λ6为预先设置的隧道每10m长的涌水量的先验风险系数。
其中,λ1、λ2、λ3、λ4、λ5、λ6为根据专家经验风险评估预先设置的先验风险系数,且满足关系式:λ123456=1;
对每一项项目指标预设有效条件;当步骤(1)所述项目指标中的某一种测试方法得到某一项数据信息不符合预设有效条件时,则删除该数据信息,并且不对该数据进行计算。
在本例中,根据专家经验和相关规范确定风险系数先验值如下:
Figure BDA0002764726050000093
综合考虑实际测试数据信息以及专家经验进行风险评估,对风险系数进行修正如下:
Figure BDA0002764726050000094
Figure BDA0002764726050000101
对各种组合进行风险评估,结果如下表:
Figure BDA0002764726050000102
Figure BDA0002764726050000111
Figure BDA0002764726050000121
(3)比较不同组合风险评估所得风险值Ri,取Ri值最低的组合作为该隧道围岩多源信息融合的最优结果,取值公式如下:
Rbest=min{R1,R2,...,Rn}
其中,Rbest为隧道围岩多源信息的最低风险值。
本例共进行96种排列组合的风险评估,经比较后得到最小风险值为0.0840,风险值最低的一种隧道围岩数据信息组合,为山岭隧道工程的设计施工提供可靠依据。其中,风险最低的一种隧道围岩数据信息组合如下表所示:
Figure BDA0002764726050000122

Claims (4)

1.一种基于风险决策的隧道围岩多源信息融合方法,其特征在于,具体方法如下:
(1)用不同的测试方法获取研究区域多项隧道围岩质量指标;
其中隧道围岩质量指标包括围岩强度信息、不连续面数目信息、不连续面条件信息和地下水信息的数据值;不连续面条件信息包括围岩不连续面粗糙度系数、不连续面张开度和不连续面迹长;
(2)在步骤(1)所述每一个项目指标中分别选取一种测试方法进行排列组合,根据贝叶斯风险决策理论,对每一种排列组合均进行风险评估,得到该组合对应测试方法下的风险值,具体计算公式如下:
Figure FDA0002764726040000011
其中,Ri,i∈N+表示第i种排列组合所得隧道围岩多源信息的风险值;λ'1为第i种排列组合的围岩强度的风险系数;Sucs为第i种排列组合的围岩强度信息的标准差;λ'2为第i种排列组合的围岩不连续面数目的风险系数;SN为第i种排列组合的围岩不连续面数目信息的标准差;λ'3为第i种排列组合的围岩不连续面粗糙度系数的风险系数;SJRC为第i种排列组合的围岩不连续面粗糙度系数标准差;λ'4为第i种排列组合的围岩不连续面张开度的风险系数;Sh为第i种排列组合的围岩不连续面张开度标准差;λ'5为第i种排列组合的围岩不连续面迹长的风险系数;Sl为第i种排列组合的围岩不连续面迹长标准差;λ'6为第i种排列组合的隧道每10m长的涌水量的风险系数;SQ为第i种排列组合的隧道每10m长的涌水量的标准差;
(3)比较步骤(2)所述不同排列组合下风险评估所得风险值Ri,取Ri值最低的排列组合的测试方法作为该隧道围岩多源信息融合的最优结果,取值公式如下:
Rbest=min{R1,R2,...,Rn}
其中,Rbest为隧道围岩多源信息的最低风险值;R1表示第1种排列组合所得隧道围岩多源信息的风险值;R2表示第2种排列组合所得隧道围岩多源信息的风险值;Rn表示第n种排列组合所得隧道围岩多源信息的风险值。
2.根据权利要求1所述的基于风险决策的隧道围岩多源信息融合方法,其特征在于,步骤(1)所述用不同的测试方法获取研究区域多项隧道围岩质量指标如下:
(1.1)获得多源围岩强度信息的方法如下:
(1.11)通过m次点荷载测试获得围岩的点荷载强度Is(50),并取m次试验标准差,根据如下公式将点荷载强度换算为围岩强度:
UCS1=22Is(50)
UCS1表示通过点荷载测试获得的围岩强度,并用SUCS1表示点荷载测试获得的围岩强度的标准差;
(1.12)通过m次施密特锤测试获取围岩强度UCS2,并取m次试验标准差,用SUCS2表示施密特锤测试获取围岩强度的标准差;
(1.2)获得围岩不连续面数目信息的方法如下:
(1.21)通过m次现场素描调查获取不连续面数目N1,取m次试验标准差,并用SN1表示现场素描调查获取不连续面数目的标准差;
(1.22)通过m次数字照相技术识别不连续面数目N2,取m次试验标准差,并用SN2表示现场素描调查获取不连续面数目的标准差;
(1.23)通过m次激光扫描技术识别不连续面数目N3,取m次试验标准差,并用SN3表示激光扫描技术识别不连续面数目的标准差;
(1.3)获得围岩不连续面条件信息的方法如下:
(1.31)通过m次数字照相技术提取不连续面信息获得围岩不连续面粗糙度系数JRC1、不连续面张开度h1和不连续面迹长l1,并对每一项数据取m次试验标准差,用SJRC1、Sh1和Sl1分别表示数字照相技术提取不连续面粗糙度系数JRC1、不连续面张开度h1和不连续面迹长l1对应的标准差;
(1.32)通过m次激光扫描技术提取不连续面信息获得围岩不连续面粗糙度系数JRC2、不连续面张开度h2和不连续面迹长l2,并对每一项数据取m次试验标准差,用SJRC2、Sh2和Sl2分别表示激光扫描技术提取围岩不连续面粗糙度系数JRC2、不连续面张开度h2和不连续面迹长l2对应的标准差;
(1.4)获取隧道地下水信息的方法如下:
(1.41)通过m次降水入渗法测试获得隧道每10m长的涌水量Q1,并取m次试验标准差,用SQ1表示降水入渗法测试获得隧道每10m长的涌水量的标准差;
(1.42)通过m次地下水动力学法测试获得隧道每10m长的涌水量Q2,并取m次试验标准差,用SQ2表示地下水动力学法测试获得隧道每10m长的涌水量的标准差。
3.根据权利要求2所述的基于风险决策的隧道围岩多源信息融合方法,其特征在于,步骤(2)中不同测试方法下每一项数据的风险系数的计算方法如下:
(2.1)计算不同测试方法下围岩强度信息的风险系数:
Figure FDA0002764726040000031
其中,λ'1为第i种排列组合的围岩强度的风险系数;λ1为预先设置的围岩强度的先验风险系数;
(2.2)计算不同测试方法下围岩强度信息的风险系数:
Figure FDA0002764726040000032
其中,λ'2为第i种排列组合的围岩不连续面数目的风险系数;λ2为预先设置的围岩不连续面数目的先验风险系数;
(2.3)计算不同测试方法下围岩不连续面粗糙度系数的风险系数:
Figure FDA0002764726040000033
其中,λ'3为第i种排列组合的围岩不连续面粗糙度系数的风险系数;λ3为预先设置的围岩不连续面粗糙度系数的先验风险系数;
(2.4)计算不同测试方法下围岩不连续面张开度的风险系数:
Figure FDA0002764726040000034
其中,λ'4为第i种排列组合的围岩不连续面张开度的风险系数;λ4为预先设置的围岩不连续面张开度的先验风险系数;
(2.5)计算不同测试方法下围岩不连续面迹长的风险系数:
Figure FDA0002764726040000041
其中,λ'5为第i种排列组合的围岩不连续面迹长的风险系数;λ5为预先设置的围岩不连续面迹长的先验风险系数;
(2.6)计算不同测试方法下隧道每10m长的涌水量的风险系数:
Figure FDA0002764726040000042
其中,λ'6为第i种排列组合的隧道每10m长的涌水量的风险系数;λ6为预先设置的隧道每10m长的涌水量的先验风险系数。
4.根据权利要求3所述的基于风险决策的隧道围岩多源信息融合方法,其特征在于,所述预先设置的先验风险系数满足关系式:λ123456=1。
CN202011229569.7A 2020-11-06 2020-11-06 一种基于风险决策的隧道围岩多源信息融合方法 Active CN112434914B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011229569.7A CN112434914B (zh) 2020-11-06 2020-11-06 一种基于风险决策的隧道围岩多源信息融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011229569.7A CN112434914B (zh) 2020-11-06 2020-11-06 一种基于风险决策的隧道围岩多源信息融合方法

Publications (2)

Publication Number Publication Date
CN112434914A true CN112434914A (zh) 2021-03-02
CN112434914B CN112434914B (zh) 2022-04-08

Family

ID=74695375

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011229569.7A Active CN112434914B (zh) 2020-11-06 2020-11-06 一种基于风险决策的隧道围岩多源信息融合方法

Country Status (1)

Country Link
CN (1) CN112434914B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117591988A (zh) * 2024-01-18 2024-02-23 中国矿业大学 煤矿井下安全双重预防管理的风险数据处理方法和系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110619483A (zh) * 2019-09-29 2019-12-27 山东科技大学 一种基于多源数据融合分析的隧洞围岩等级动态变更与决策方法
CN111401653A (zh) * 2020-03-25 2020-07-10 华中科技大学 一种隧道渗漏水风险空间相依性预测方法及预测系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110619483A (zh) * 2019-09-29 2019-12-27 山东科技大学 一种基于多源数据融合分析的隧洞围岩等级动态变更与决策方法
CN111401653A (zh) * 2020-03-25 2020-07-10 华中科技大学 一种隧道渗漏水风险空间相依性预测方法及预测系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张琦等: "基于Mamdani 模糊推理的山岭隧道围岩RMR14 分级", 《岩土工程学报》 *
张顶立等: "复杂隧道围岩安全性及其评价方法", 《岩石力学与工程学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117591988A (zh) * 2024-01-18 2024-02-23 中国矿业大学 煤矿井下安全双重预防管理的风险数据处理方法和系统
CN117591988B (zh) * 2024-01-18 2024-04-09 中国矿业大学 煤矿井下安全双重预防管理的风险数据处理方法和系统

Also Published As

Publication number Publication date
CN112434914B (zh) 2022-04-08

Similar Documents

Publication Publication Date Title
WO2007073575A1 (en) Magnetic beacon guidance system
CN109214994B (zh) 一种基于双控制点的隧道密集点云噪声剔除方法
CN112434914B (zh) 一种基于风险决策的隧道围岩多源信息融合方法
Slob et al. Fracture mapping using 3D laser scanning techniques
CN105910743A (zh) 一种利用无人机测量斜拉桥拉索张力的方法
Jung et al. A method for detecting concrete cracks using deep-learning and image processing
JPWO2018147086A1 (ja) 道路陥没危険度評価装置および道路陥没危険度評価方法、ならびに道路陥没危険度評価用コンピュータプログラム
Ranaweera et al. Automated real-time monitoring system to measure shift production of tunnel construction projects
CN105787239A (zh) 风电场湍流强度处理方法及系统
CN105242311B (zh) 预估初至拾取的时窗的方法和装置
CN110334317A (zh) 一种图片型测井曲线数据自动提取方法
CN116229354A (zh) 基于特征参数自动提取的掌子面图像围岩等级辨识方法
Gwynn et al. Combined use of traditional core logging and televiewer imaging for practical geotechnical data collection
Gaich et al. 3D images for digital geological mapping: focussing on conventional tunnelling
CN117670092A (zh) 基于数据分析的煤矿爆破数据分析系统
CN112859183A (zh) 一种城市地下管线的深度测量系统及方法
CN117195371A (zh) 一种隧道爆破施工超欠挖优化方法
CN109403959B (zh) 基于工程录井参数的储层智能解释方法
KR102047251B1 (ko) 해양 플랜트 입찰 지원 시스템 및 그 방법
CN108776854B9 (zh) 大型露天矿山边坡稳定性等精度评价方法
Ge et al. Rock joint detection from 3D point clouds based on colour space
Denisenko et al. Automated geosteering while drilling using machine learning. case studies
CN115564116A (zh) 一种基于反正切时间函数的采空区地表沉降动态预测方法
CN111159869B (zh) 一种砂岩铀矿床与古河道间定量参数的自动计算方法
Jeon et al. A study on the automatic detection of railroad power lines using LiDAR data and RANSAC algorithm

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