CN113627761A - 一种岩土工程涌突水概率预测的并行评价方法 - Google Patents
一种岩土工程涌突水概率预测的并行评价方法 Download PDFInfo
- Publication number
- CN113627761A CN113627761A CN202110874422.1A CN202110874422A CN113627761A CN 113627761 A CN113627761 A CN 113627761A CN 202110874422 A CN202110874422 A CN 202110874422A CN 113627761 A CN113627761 A CN 113627761A
- Authority
- CN
- China
- Prior art keywords
- prediction
- water
- water inrush
- geotechnical engineering
- sample
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 167
- 238000011156 evaluation Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000005070 sampling Methods 0.000 claims abstract description 32
- 238000013507 mapping Methods 0.000 claims abstract description 28
- 238000009826 distribution Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 10
- 238000003066 decision tree Methods 0.000 claims abstract description 10
- 230000010354 integration Effects 0.000 claims abstract description 7
- 238000007619 statistical method Methods 0.000 claims abstract description 4
- 239000011435 rock Substances 0.000 claims description 29
- 238000011161 development Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 description 25
- 230000008569 process Effects 0.000 description 22
- 238000010276 construction Methods 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 11
- 206010017076 Fracture Diseases 0.000 description 10
- 239000010410 layer Substances 0.000 description 10
- 238000005755 formation reaction Methods 0.000 description 8
- 208000010392 Bone Fractures Diseases 0.000 description 7
- 239000003673 groundwater Substances 0.000 description 7
- 230000035699 permeability Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000009412 basement excavation Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000009933 burial Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 239000010438 granite Substances 0.000 description 2
- 230000008595 infiltration Effects 0.000 description 2
- 238000001764 infiltration Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000003313 weakening effect Effects 0.000 description 2
- 241000258920 Chilopoda Species 0.000 description 1
- 238000012614 Monte-Carlo sampling Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000006253 efflorescence Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000008398 formation water Substances 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 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
- 238000005457 optimization Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 206010037844 rash Diseases 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种岩土工程涌突水概率预测的并行评价方法,包括:对岩土工程综合数据进行采样建立涌突水预测样本;基于决策树通过并行集成算法建立涌突水预测样本与涌水量之间的映射关系,并建立涌水量预测模型;对岩土工程综合数据进行统计及分布特征分析,并根据分析结果对岩土工程综合数据随机抽样,形成涌水量待预测样本;将涌水量待预测样本输入涌水量预测模型中,获得涌水量预测值;最后通过对多个涌水量预测值进行统计分析来预测岩土工程涌突水概率。本发明通过并行计算的方式解决了岩土工程涌突水成因复杂导致的输入指标选择困难的问题,并且能够在特征指标部分缺失的情况下实现准确映射,同时避免了回归模型可能出现的过拟合情况。
Description
技术领域
本发明涉及岩体工程涌突水技术领域,尤其涉及一种岩土工程涌突水概率预测的并行评价方法。
背景技术
随着交通网络的飞速发展,公路隧道建设里程逐年增长。地下水问题是隧道建设过程中主要风险源之一,频发的涌水灾害给工程建设的顺利开展造成了极大阻碍。出现隧道涌水灾害的主要原因是对当前地质环境蕴含的突水风险认知不清,未能及时实施积水疏导、止水帷幕等处理措施。为了实现隧道施工过程中水环境的准确评价,解析法和数值分析等手段首先被用于描述地下水的运移过程,但是这种方法是基于一系列给定的水文地质假设条件基础上的,难以描述实际工程中复杂的渗流环境。层次分析法、模糊评价等计算方法被用于从混沌系统的角度分析隧道涌水风险,较为全面地描述了复杂的涌水形成环境,但是这些方法的基础权重评价过程不可避免地存在一定的人为主观评价误差。另一方面,这些方法的涌水预测指标多为确定性取值,未考虑待分析区域内施工环境的随机性,相应的涌水风险预测结果难以全面地描述真实地质情况。
可靠度方法近年来逐渐被用于描述隧道工程的不确定性,在围岩分级、结构评价、支护优化等方面均取得了良好的效果,采用该方法从概率的角度描述涌水决定因素在工程环境中的分布情况,通过Monte-Carlo抽样理论实现涌水预测与概率评价,所得结果将能够更全面地描述隧道涌水风险。可靠度计算的关键步骤是建立一个具有较快计算速度和较高计算精度的、能够描述输入与输出间映射关系的响应面模型,近年来逐渐被引入于岩土工程评价计算的机器学习方法能够实现这个目标,例如SVM、ANN、GP、RFR等。
隧道涌水预测指标的选取是决定预测结果准确性的直接因素,现有技术中一般是从围岩环境、地下水环境、节理裂隙发育情况等方面进行描述,但是尚未形成完整的涌水风险预测指导规范及公认的评价指标体系。当前的指标组多是根据隧道开挖后的情况进行评价,并认为指标取值结果能够代表未开挖区域一定范围内的地质情况。但开挖后指标难以在施工前获取,从而无法对施工过程形成有效指导。而且这种指标取值办法无法考虑工程样体的变异性,分析结果代表性不足。
发明内容
本发明提供一种岩土工程涌突水概率预测的并行评价方法,以克服上述技术问题。
本发明一种岩土工程涌突水概率预测的并行评价方法,包括:
S1、对岩土工程综合数据进行采样,并根据所述岩土工程综合数据建立涌突水预测样本;
S2、基于决策树通过并行集成算法建立所述涌突水预测样本与涌水量之间的映射关系,并根据所述映射关系建立涌水量预测模型;
S3、对所述岩土工程综合数据进行统计及分布特征分析,并根据分析结果对所述岩土工程综合数据随机抽样,形成涌水量待预测样本;
S4、将所述涌水量待预测样本输入所述涌水量预测模型中,获得涌水量预测值;
S5、重复多次执行S1至S4,通过对多个所述涌水量预测值进行统计分析来预测岩土工程涌突水概率。
进一步地,所述岩土工程综合数据包括:TSP地质超前预报数据、掌子面观察统计数据及地质勘查报告数据;
所述TSP地质超前预报数据,包括:反射层分布系数、地下水发育情况;
所述掌子面观察统计数据,包括:岩层产状、裂隙开度及地层岩性;
所述地层岩性的统计结果采用参数t作为表达系数,表达式为:
式中,A1、A2、A3分别为溶解度强、溶解度中、溶解度弱的岩性对涌水量的贡献;B1、B2、B3分别为溶解度强、溶解度中、溶解度弱的岩性比例;
所述地质勘查报告数据,包括:隧道埋深。
进一步地,所述基于决策树通过并行集成算法建立所述涌突水预测样本与涌水量之间的映射关系,包括:
S21、采用有放回抽样的形式从所述涌突水预测样本中抽取N个样本,形成决策树的训练样本;在N次抽样过程中始终不被抽中的概率P是
当N无限大时,
将始终不被抽中的样本作为检验样本;
S22、从所述涌突水预测样本中抽取N个样本重复执行Ntree次,得到由Ntree个决策单元组成的决策组;
S23:输入决策组的维度M,以S为控制值在所述决策组中进行参数选取,其中,S<<M;建立所述涌突水预测样本与涌水量之间的映射关系为:
Y=h(X,θij) (2)
式中,Y为预测输出;X为预测输入且X=(x1,x2,...,xm),即抽取了S个输入;θij表示第i个决策单元的第j个分支。
进一步地,建立所述涌突水预测样本与涌水量之间的映射关系之后,还包括:以不放回抽样的形式确定决策单元分支的终端节点。
进一步地,所述以不放回抽样的形式确定决策单元分支的终端节点,包括:
G1、以不放回抽样的形式随机选取两组数量为S的输入参数组合作为分裂子节点;
G2、通过验证检验样本并采用信息增益算法选择各节点上输入参数的对输出结果影响最大的属性;
G3、对每个节点分别以不放回抽样的形式随机选取两组数量为S-1的输入参数,与父节点的对输出结果影响最大的属性组合后形成新一代的子节点;
G4、重复执行G1至G3,直至父、子两代节点的对输出结果影响最大的属性一致时,确定为当前决策单元分支的终端节点。
进一步地,采用式(3)对所述涌突水预测样本进行归一化处理;
dnormalized=(d-dmin)/(dmax-dmin) (3)
式中,d为待处理的预测数据,dmax与dmin分别为待处理的预测数据中的最大、最小值。
进一步地,所述涌水量预测模型,表示为:
RFP={Ntree,Msplits},d=f(x1,x2,...,xi,RFP),i=1,2,...,6 (4)
式中,RFP定义了回归算法建模过程参数集,Ntree(T)为模型中决策单元数量,Msplits(S)为随机特征数目;d为涌水量,xi为第i个影响涌水值的指标;f代表了随机树的不确定函数关系。
进一步地,所述步骤S4,包括:将所述涌水量待预测样本分配给决策组中的每个决策单元,在各决策单元的各节点处获得相对于本决策单元的最优预测结果;统计决策组中所有单元的预测结果,取均值作为所述涌水量预测值。
进一步地,通过式(5)的涌水量预测值与真实值之间的均方根误差来计算所述验证检验样本的检验指标,表示为:
式中,k为检验样本的数量,xp、xt分别为涌水量预测值和实测值。
本发明建立的评价方法通过并行计算的方式解决了岩土工程涌突水成因复杂导致的输入指标选择困难的问题,并且能够在特征指标部分缺失的情况下实现准确映射。本方法中对样本和特征项的选取均是随机的,避免了回归模型可能出现的过拟合情况。
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作以简单地介绍,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为本发明的方法流程图;
图2为本发明的流程框图;
图3为本发明中实现并行计算方法的流程图;
图4为本发明实施例中依托工程所处区域地理图;
图5为本发明实施例中依托工程地质情况图;
图6为本发明实施例中部分参数统计结果图;
图7为本发明实施例中涌水风险的概率评价结果图。
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作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、图2所示,本实施例提供了一种岩土工程涌突水概率预测的并行评价方法,包括:
S1、对岩土工程综合数据进行采样,并根据岩土工程综合数据建立涌突水预测样本;
具体而言,岩土工程综合数据包括:TSP地质超前预报数据、掌子面观察统计数据及地质勘查报告数据;
TSP地质超前预报数据,包括:反射层分布系数、地下水发育情况;
掌子面观察统计数据,包括:岩层产状、裂隙开度及地层岩性;
地质勘查报告数据,包括:隧道埋深。
各数据指标取值方法如下:
(1)反射层分布系数(来源于TSP预报)
超前地质预报中P波负反射情况能够反映围岩中的软弱结构面分布状态,P波负反射强度与结构面弱化程度呈正比。所谓的弱化往往代表了结构面的张开与风化程度,这将会为地下水的运移提供通道。因此根据负反射程度确定反射层分布系数,并作为涌水预测指标之一。
反射层分布系数的取值以经验总结的形式进行量化评价,其量化标准是在总结大量的TSP预报经验的基础上总结和整理形成的,量化指标如表1所示。
表1
反射层分布状态 | 负反射不明显 | 可见负反射 | 负反射明显 | 负反射强烈 | 负反射极明显 |
反射层分布系数 | 0~0.2 | 0.2~0.4 | 0.4~0.6 | 0.6~0.8 | 0.8~1.0 |
(2)地下水发育情况(来源于TSP预报)
地下水是隧道涌水的物质基础,也是其决定性因素之一。TSP预报结果可以定性反映地下水发育情况,按表2方法进行量化。
表2
(3)岩层产状(来源于掌子面统计)
地下岩层渗透性质具有各项异性特征,地下水沿层面渗透系数大,垂直层面渗透系数小。岩层产状影响地下水补、径、排、入渗条件,及地下水动力学与岩溶发生学条件。水平产出岩层入渗条件差,岩溶发育受到抑制;直立产出岩层,地表汇水面积小,水循环较弱,岩溶发育程度亦较弱。最有利于岩溶发育的岩层产状是倾角为25°~65°的向斜或背斜翼部。岩层产状在掌子面上进行统计,统计结果的角度数据直接参与映射计算。
(4)裂隙开度(来源于掌子面统计)
层面与层间裂隙发育程度影响地下水活跃程度与径流条件,也会从地下水动力学与溶蚀动力学方面造成岩溶发育形态与程度分异。一般而言,层面与层间裂隙十分发育部位地下水活跃,且岩溶发育;隧道穿过此类地层易于产生塌方、突水突泥等事故。
在掌子面上对揭露岩体的裂隙开度进行统计,统计结果的长度数据直接参与映射计算,参数单位控制为毫米。
(5)地层岩性(来源于掌子面统计)
隧道围岩是涌水灾害蕴生的主要载体,地层岩性是控制隧道涌水的主要因素之一。地层岩性的统计结果采用参数t作为表达系数,表达式为:
式中,A1、A2、A3分别为溶解度强、溶解度中、溶解度弱的岩性对涌水量的贡献;B1、B2、B3分别为溶解度强、溶解度中、溶解度弱的岩性比例。岩层溶水性定性评价方法如表3所示。
表3
水平分级 | 定义 |
强岩溶性 | 具有稀疏而宽大的原生裂隙,透水性强;或碳质/沥青质易氧化岩质 |
中岩溶性 | 镶嵌结构特征岩层,原始发育有构造裂隙与溶蚀裂隙网络 |
弱岩溶性 | 原生裂隙被泥质充填,或被岩粉/次生岩充填,但孔隙率较高 |
非可溶岩 | 无明显原生裂隙,岩体完整,具有一定的隔水性 |
(6)隧道埋深(来源于地质勘查报告)
围岩压力随隧道深度的增加而增大,高围岩压力可能会导致裂缝孔径减小。隧道围岩渗透性随着隧道埋深增加逐渐减小。根据地勘结果获得隧道埋深,统计数据直接参与映射计算,参数单位控制为米。
S2、基于决策树通过并行集成算法建立涌突水预测样本与涌水量之间的映射关系,并根据映射关系建立涌水量预测模型;
具体而言,在抽取涌突水预测样本前先采用式(2)对所述涌突水预测样本进行归一化处理;
dnormalized=(d-dmin)/(dmax-dmin) (2)
式中,d为待处理的预测数据,dmax与dmin分别为待处理的预测数据中的最大、最小值。
如图3所示,再通过并行集成算法建立涌突水预测样本与涌水量之间的映射关系,具体步骤如下:
S21、采用有放回抽样的形式从涌突水预测样本中抽取N个样本(在此过程中抽取得到的样本可能存在重复的情况,这是被允许的),获得T个训练子集并建立与之相应的回归决策树,在此T的取值被建议为75,形成决策树的训练样本;在N次抽样过程中始终不被抽中的概率P是
当N无限大时,
即存在约37%的样本始终不被抽中、不属于森林中的任何决策单元,将这些样本作为检验样本。将始终不被抽中的样本作为检验样本;
S22、从所述涌突水预测样本中抽取N个样本重复执行Ntree次,得到由Ntree个决策单元组成的决策组;
S23:输入决策组的维度M,以S为控制值在所述决策组中进行参数选取,其中,S<<M;建立所述涌突水预测样本与涌水量之间的映射关系为:
Y=h(X,θij) (3)
式中,Y为预测输出;X为预测输入且X=(x1,x2,...,xm),即抽取了S个输入;θij表示第i个决策单元的第j个分支。
映射关系就是一个简单的拟合函数,但是通过抽样逻辑、生成了大量的映射,其中可能有一些映射是不准确的,但是当数量被放大时,评价输出结果将会无限逼近真实解,从而保证了结果的准确性。
步骤S21实现了样本的随机性;步骤S22实现了特征指标的随机性,这两个随机性过程避免了回归模型可能出现的过拟合情况。
为了确定决策单元分支的终端节点,采用不放回抽样的形式,具体的步骤为:
G1、以不放回抽样的形式随机选取两组数量为S的输入参数组合作为分裂子节点;
G2、通过验证检验样本并采用信息增益算法选择各节点上输入参数的对输出结果影响最大的属性;
通过式(4)的涌水量预测值与真实值之间的均方根误差来计算验证检验样本的检验指标,表示为:
式中,k为检验样本的数量,xp、xt分别为涌水量预测值和实测值。
G3、对每个节点分别以不放回抽样的形式随机选取两组数量为S-1的输入参数,与父节点的对输出结果影响最大的属性组合后形成新一代的子节点;
G4、重复执行G1至G3,直至父、子两代节点的对输出结果影响最大的属性一致时,确定为当前决策单元分支的终端节点。
涌水量预测模型,表示为:
RFP={Ntree,Msplits},d=f(x1,x2,...,xi,RFP),i=1,2,...,6 (5)
式中,RFP定义了回归算法建模过程参数集,Ntree(T)为模型中决策单元数量,Msplits(S)为随机特征数目;d为涌水量,xi为第i个影响涌水值的指标;f代表了随机树的不确定函数关系。
S3、对岩土工程综合数据进行统计及分布特征分析,并根据分析结果对岩土工程综合数据随机抽样,形成涌水量待预测样本;
具体而言,在待分析区域对输入指标组中各参数分布规律进行统计,获得概率密度函数的特征值,并根据概率密度函数的特征值通过概率密度函数对各参数进行随机抽样,以获得涌水量待预测样本。
S4、将涌水量待预测样本输入涌水量预测模型中,获得涌水量预测值;
具体而言,将所述涌水量待预测样本分配给决策组中的每个决策单元,在各决策单元的主要子节点处获得相对于本决策单元的最优预测结果;统计决策组中所有单元的预测结果,取均值作为涌水量预测值。
S5、重复多次执行S1至S4,通过对多个涌水量预测值进行统计分析来预测岩土工程涌突水概率。
具体而言,大量重复(一般控制为105~106次)抽样、映射过程,统计涌水量预测结果,获得待分析区域的涌突水概率评价。
本实施例中,步骤S2的具体数据计算过程详述如下:
首先在样本采集区域进行数据采样:记反射层分布系数为a、地下水发育情况为b、岩层产状为c、裂隙开度为d、地层岩性为e,隧道埋深为f,与之对应的该位置涌水量为y。那么第一个位置的样本采集结果为:[a1,b1,c1,d1,e1,f1]→[y1],以此类推,重复上述采集过程N次,建立涌突水预测样本矩阵如下:
对于即有的N个样本,采取有放回抽样的形式抽取N个样本如下:
应说明,矩阵(7)仍具有N个样本,其与矩阵(6)的差别在于矩阵(7)中有重复的样本,这是被允许的。某样本在N次抽样过程中始终不被抽中的概率是极限状态下即存在约37%的样本始终不被抽中、不属于多模型并行评价体系中的任何决策单元,记这些样本为检验样本。
重复这个抽样过程Mt次,获得Mt个矩阵。需要说明的是,在对Mt个矩阵的抽样过程中,部分样本始终未被抽取,将这些样本作为检验样本组。
此处Mt个矩阵组形成了决策单元的基础,共同组成决策组。以下为决策组的具体建立过程。
从矩阵(6)可知输入维度M=6。以m为控制值进行参数选取,需满足m<<M,此处m取值为5。
连续两次对矩阵(7)中的6个参数随机选取m个,形成新的矩阵如下所示:
通过检验样本验证、采用信息增益方法确定矩阵(7-1)表达的函数关系中最重要的信息为d。
所述信息增益方法是指依次删除矩阵(7-1)中的输入项,在删除某一项后,采用检验样本验证当前模型,即矩阵(7-1)表达的映射模型的预测能力,若预测能力变化较大则意味着被删除项重要性较高,反之则不重要。根据预测能力变化情况确定最重要信息。即当某个信息被删除时,模型预测能力变化最大,则这个信息为最重要信息;所述第一重要信息及第二重要信息均通过此方法得到。
对矩阵(7-1)保持岩体点荷载强度d不变,随机选取m-1个参数形成子类矩阵,并重复两次:
记为矩阵(7-1-1)与矩阵(7-1-2),通过检验样本验证、采用信息增益方法确定矩阵(7-1-1)和矩阵(7-1-2)各自的最重要的信息。若矩阵(7-1-1)中最重要信息仍为d,那么矩阵(7-1)的分裂结束,对矩阵(7-2)重复相同的过程;若矩阵(7-1-1)或矩阵(7-1-2)中最重要信息不为d,那么将两个矩阵各自再分裂成两个,然后再进行最重要信息判断,不断重复分裂过程,直至末端节点与上一级节点最重要信息相同。
对Mt个矩阵重复上述过程,获得各模型的评价组。记为Y=h(X,θij),其中Y为预测输出;X为预测输入且X=(x1,x2,...,xm);θij表示当前分支模型代表了第i个决策单元的第j个分支。在各主要终端节点处获得相对于本模型的最优预测结果。统计多单元并行评价体系中所有单一模型的预测结果,取均值作为最终预测结果。
仿真试验实例:
以福建省莆炎高速公路YA15标段为例进行本发明实施例介绍。蒲炎高速公路YA15标段连接了中国福建省三明市的尤溪县中仙镇与三元县莘口镇,标段全长9.55km,包含铭溪隧道、际山隧道、乐善亭隧道、蜈蚣山隧道等多条隧道,地理位置如图4所示。这些隧道处于同一山脉中,地质环境基本相同。在施工较早的铭溪隧道、乐善亭隧道、蜈蚣山隧道中进行采样,形成表4所示的学习样本,建立涌水风险预测的RFR可靠度模型;在际山隧道施工过程中进行该方法的应用验证。际山隧道地质剖面如图5所示,其地下水位最大处高于隧道顶板40余米,隧道主体的上部为碎块状强风化花岗岩、下部为完整性相对较好的中风化花岗岩,这种地质环境容易出现地下水蓄积的情况,造成潜在的工程涌水风险。
表4
际山隧道施工过程中全线采用了本研究方法以应对涌水问题。在此以具有代表性的K6+128~K6+158区间为例对应用过程进行介绍。当隧道施工面推进至K6+128断面时,按照本发明方法进行各指标的数据采样,采样距离控制为30m,其中地质超前预报指标和地质勘察指标以1m为单位进行统计、掌子面指标在隧道施工面的拱顶、拱肩、拱腰、拱脚及各位置连线交点位置处分别取值后进行分布规律统计。部分参数的采集、统计如图6所示。限于篇幅未展示的参数统计结果为:裂隙开度μ=11.3,σ2=3.12;地层岩性μ=0.42,σ2=0.13;隧道埋深μ=22.5,σ2=0.34。
如图7所示,以际山隧道K6+128~K6+158区间为例给出了RFR可靠度的隧道涌水风险预测结果,可见该区段将出现中度涌水,涌水量大概率为35~40m3。为此工程方提前准备了相应的抽、排水设备并设计加强了止水方案,开挖后实际情况与预测结果一致,在充足的准备下有效避免了可能出现的施工风险。
表5进一步对比了际山隧道其它5个区段的涌水风险预测结果和实测情况。其中的“确定性评价”是指对本发明技术所述指标评价取值后通过并行评价方法直接预测隧道涌水风险,而不再进行概率分析过程。由表中数据可见基于确定性评价的涌水预测结果与实测结果的一致性较差,这主要是由于预测指标的确定性取值时可能存在的人为评价误差以及隧道地质环境自身的随机性造成的。基于并行评价的概率评价很好地解决了这些问题,预测结果与实测数据基本一致,并且从概率角度给出了更完整的数据参考。
表5
应当说明,本发明内容及实施例中采用的涌突水预测指标为:反射层分布系数(来源于TSP预报)、地下水发育情况(来源于TSP预报)、岩层产状(来源于掌子面统计)、裂隙开度(来源于掌子面统计)、地层岩性(来源于掌子面统计)、隧道埋深(来源于地质勘查报告)6个指标。这个指标组构成特征仅为一个应用例,用于说明本发明的实现过程、但不用于限定本发明的具体应用范围。即当工程中采用其它涌突水预测指标组时,本发明方法仍然适用。
整体有益效果:
(1)隧道涌突水风险评价指标组建立。综合考虑地下水环境、围岩性质、裂隙发育状态等因素,建立了一组能够在施工过程中快速获取且能够全面描述地下水环境的评价指标组。
(2)隧道涌突水风险的并行评价方法。通过并行计算的方式解决了岩土工程涌突水成因复杂导致的输入指标选择困难的问题,并且能够在特征指标部分缺失的情况下实现准确映射。本方法对样本和特征项的选取均是随机的,避免了回归模型可能出现的过拟合情况。较好地描述涌突水预测指标与实际涌水量之间的映射关系,所建立的回归模型能够满足快速、准确的计算需求。
(3)隧道涌突水风险的可靠度评价。以前述并行评价方法作为响应面,通过Monte-Carlo抽样的形式开发了隧道涌突水风险的可靠度评价方法流程。该方法能够充分考虑隧道涌突水影响指标分布的不确定性,从概率统计的角度获得涌水量预测的分布情况,从而给出具有概率意义的预测结果。所得结果能够更全面地描述涌突水风险、为施工者和设计者提供更全面参考信息。
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 (9)
1.一种岩土工程涌突水概率预测的并行评价方法,其特征在于,包括:
S1、对岩土工程综合数据进行采样,并根据所述岩土工程综合数据建立涌突水预测样本;
S2、基于决策树通过并行集成算法建立所述涌突水预测样本与涌水量之间的映射关系,并根据所述映射关系建立涌水量预测模型;
S3、对所述岩土工程综合数据进行统计及分布特征分析,并根据分析结果对所述岩土工程综合数据随机抽样,形成涌水量待预测样本;
S4、将所述涌水量待预测样本输入所述涌水量预测模型中,获得涌水量预测值;
S5、重复多次执行S1至S4,通过对多个所述涌水量预测值进行统计分析来预测岩土工程涌突水概率。
3.根据权利要求2所述的一种岩土工程涌突水概率预测的并行评价方法,其特征在于,所述基于决策树通过并行集成算法建立所述涌突水预测样本与涌水量之间的映射关系,包括:
S21、采用有放回抽样的形式从所述涌突水预测样本中抽取N个样本,形成决策树的训练样本;在N次抽样过程中始终不被抽中的概率P是
当N无限大时,
将始终不被抽中的样本作为检验样本;
S22、从所述涌突水预测样本中抽取N个样本重复执行Ntree次,得到由Ntree个决策单元组成的决策组;
S23:输入决策组的维度M,以S为控制值在所述决策组中进行参数选取,其中,S<<M;建立所述涌突水预测样本与涌水量之间的映射关系为:
Y=h(X,θij) (2)
式中,Y为预测输出;X为预测输入且X=(x1,x2,...,xs),即抽取了S个输入;θij表示第i个决策单元的第j个分支。
4.根据权利要求3所述的一种岩土工程涌突水概率预测的并行评价方法,其特征在于,建立所述涌突水预测样本与涌水量之间的映射关系之后,还包括:以不放回抽样的形式确定决策单元分支的终端节点。
5.根据权利要求4所述的一种岩土工程涌突水概率预测的并行评价方法,其特征在于,所述以不放回抽样的形式确定决策单元分支的终端节点,包括:
G1、以不放回抽样的形式随机选取两组数量为S的输入参数组合作为分裂子节点;
G2、通过验证检验样本并采用信息增益算法选择各节点上输入参数的对输出结果影响最大的属性;
G3、对每个节点分别以不放回抽样的形式随机选取两组数量为S-1的输入参数,与父节点的对输出结果影响最大的属性组合后形成新一代的子节点;
G4、重复执行G1至G3,直至父、子两代节点的对输出结果影响最大的属性一致时,确定为当前决策单元分支的终端节点。
6.根据权利要求5所述的一种岩土工程涌突水概率预测的并行评价方法,其特征在于,采用式(3)对所述涌突水预测样本进行归一化处理;
dnormalized=(d-dmin)/(dmax-dmin) (3)
式中,d为待处理的预测数据,dmax与dmin分别为待处理的预测数据中的最大、最小值。
7.根据权利要求6所述的一种岩土工程涌突水概率预测的并行评价方法,其特征在于,所述涌水量预测模型,表示为:
RFP={Ntree,Msplits},d=f(x1,x2,...,xi,RFP),i=1,2,...,6 (4)
式中,RFP定义了回归算法建模过程参数集,Ntree(T)为模型中决策单元数量,Msplits(S)为随机特征数目;d为涌水量,xi为第i个影响涌水值的指标;f代表了随机树的不确定函数关系。
8.根据权利要求5所述的一种岩土工程涌突水概率预测的并行评价方法,其特征在于,所述步骤S4,包括:
将所述涌水量待预测样本分配给决策组中的每个决策单元,在各决策单元的各节点处获得相对于本决策单元的最优预测结果;统计决策组中所有单元的预测结果,取均值作为所述涌水量预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110874422.1A CN113627761B (zh) | 2021-07-30 | 2021-07-30 | 一种岩土工程涌突水概率预测的并行评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110874422.1A CN113627761B (zh) | 2021-07-30 | 2021-07-30 | 一种岩土工程涌突水概率预测的并行评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113627761A true CN113627761A (zh) | 2021-11-09 |
CN113627761B CN113627761B (zh) | 2024-03-01 |
Family
ID=78381899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110874422.1A Active CN113627761B (zh) | 2021-07-30 | 2021-07-30 | 一种岩土工程涌突水概率预测的并行评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113627761B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108952807A (zh) * | 2018-06-28 | 2018-12-07 | 同济大学 | 一种隧道断裂破碎带涌水的止水处置方法 |
WO2019224739A1 (en) * | 2018-05-25 | 2019-11-28 | University Of Johannesburg | System and method for real time prediction of water level and hazard level of a dam |
CN110519128A (zh) * | 2019-09-20 | 2019-11-29 | 西安交通大学 | 一种基于随机森林的操作系统识别方法 |
CN112100727A (zh) * | 2020-09-23 | 2020-12-18 | 西安理工大学 | 一种断层破碎带影响下的富水隧道突水的预警防控方法 |
CN112257763A (zh) * | 2020-10-13 | 2021-01-22 | 华北科技学院 | 一种基于特征选择与AdaBoost模型的矿井突水水源判别方法 |
CN113159364A (zh) * | 2020-12-30 | 2021-07-23 | 中国移动通信集团广东有限公司珠海分公司 | 一种大型交通场站的客流预测方法及系统 |
-
2021
- 2021-07-30 CN CN202110874422.1A patent/CN113627761B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019224739A1 (en) * | 2018-05-25 | 2019-11-28 | University Of Johannesburg | System and method for real time prediction of water level and hazard level of a dam |
CN108952807A (zh) * | 2018-06-28 | 2018-12-07 | 同济大学 | 一种隧道断裂破碎带涌水的止水处置方法 |
CN110519128A (zh) * | 2019-09-20 | 2019-11-29 | 西安交通大学 | 一种基于随机森林的操作系统识别方法 |
CN112100727A (zh) * | 2020-09-23 | 2020-12-18 | 西安理工大学 | 一种断层破碎带影响下的富水隧道突水的预警防控方法 |
CN112257763A (zh) * | 2020-10-13 | 2021-01-22 | 华北科技学院 | 一种基于特征选择与AdaBoost模型的矿井突水水源判别方法 |
CN113159364A (zh) * | 2020-12-30 | 2021-07-23 | 中国移动通信集团广东有限公司珠海分公司 | 一种大型交通场站的客流预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
黄永刚等: ""基于随机森林算法的矿井涌水量预测"", 《煤炭技术》, vol. 36, no. 01, pages 1 - 2 * |
Also Published As
Publication number | Publication date |
---|---|
CN113627761B (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109978226B (zh) | 基于循环神经网络的盾构施工地面沉降预测方法 | |
CN111339691A (zh) | 一种基于voxler软件的智慧岩土工程参数三维分析与评价系统及方法 | |
CN114154427B (zh) | 基于深度学习的体积压裂裂缝扩展预测方法和系统 | |
CN113204830B (zh) | 基于bp网络由横波波速确定黏性土地基承载力的校正方法 | |
CN113570226A (zh) | 断层破碎带隧道突涌水灾害发生概率等级评价方法 | |
CN107621231A (zh) | 一种隧道二次衬砌厚度检测方法 | |
CN115130734A (zh) | 一种基于LightGBM与深度学习算法的穿越工程施工影响预测方法及系统 | |
CN107016205A (zh) | 一种地下水数值模拟的多模型构建方法 | |
CN113742827B (zh) | 一种基于有限差分分析的公路边坡监测网络体系构建方法 | |
CN113536414B (zh) | 基于三维建模的岩质边坡稳定性分析方法、系统及介质 | |
Hendrick et al. | Fractal dimension, walk dimension and conductivity exponent of karst networks around Tulum | |
CN111779477B (zh) | 一种基于分形理论的水力裂缝复杂度动态评价方法 | |
CN115563831B (zh) | 隧道地层力学参数获取方法、装置、电子设备及存储介质 | |
CN113627761A (zh) | 一种岩土工程涌突水概率预测的并行评价方法 | |
KR20120004113A (ko) | 지리정보시스템 및 확률 통계기법에 근거한 지하수산출가능성 예측모델 개발 | |
CN114236624B (zh) | 基于电磁法估算压裂改造空间体积的方法和系统 | |
CN116050917A (zh) | 一种基于网格分布特征的路面三维纹理均匀性评价方法 | |
Yu et al. | Dynamic Risk Assessment of Karst Tunnel Collapse Based on Fuzzy‐AHP: A Case Study of the LianHuaShan Tunnel, China | |
CN111815769B (zh) | 逆冲推覆构造带构造的建模方法、计算设备及存储介质 | |
CN115469361B (zh) | 一种碎屑岩地层三维地质建模方法 | |
CN109408920A (zh) | 建筑物纠偏方法及纠偏系统 | |
CN117575106B (zh) | 一种煤层气井产气剖面预测方法、系统、电子设备及介质 | |
CN117688821B (zh) | 一种排土场边坡稳定性预测方法 | |
CN118016217B (zh) | 一种互层结构的膨胀土地基膨胀变形计算方法 | |
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 |
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 |