CN114154215A - 基于机理预测与误差修正的隧道突涌水预测方法及系统 - Google Patents
基于机理预测与误差修正的隧道突涌水预测方法及系统 Download PDFInfo
- Publication number
- CN114154215A CN114154215A CN202111397577.7A CN202111397577A CN114154215A CN 114154215 A CN114154215 A CN 114154215A CN 202111397577 A CN202111397577 A CN 202111397577A CN 114154215 A CN114154215 A CN 114154215A
- Authority
- CN
- China
- Prior art keywords
- water
- inrush
- tunnel
- prediction
- error correction
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 174
- 238000012937 correction Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000007246 mechanism Effects 0.000 title claims abstract description 42
- 239000011435 rock Substances 0.000 claims abstract description 52
- 230000008859 change Effects 0.000 claims abstract description 27
- 230000009471 action Effects 0.000 claims abstract description 10
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 9
- 239000002243 precursor Substances 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000006073 displacement reaction Methods 0.000 claims description 5
- 230000003204 osmotic effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 239000011148 porous material Substances 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000000926 separation method Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 238000013499 data model Methods 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002939 conjugate gradient method Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001052 transient effect Effects 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
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Economics (AREA)
- Computer Hardware Design (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于机理预测与误差修正的隧道突涌水预测方法及系统,包括:实时收集隧道周围多物理场信息,确定突涌水状态变化趋势;基于有效微震信号进行突涌水灾害位置的预测;根据裂隙岩体裂纹的几何特征及裂纹面上的应力状态,判定岩体在动力扰动和卸荷作用下是否会发生破坏;综合上述信息得到隧道突涌水的初步预测概率;将所述突涌水状变化趋势、突涌水灾害位置以及防突岩体是否发生破坏的数据,以及初步预测概率,作为误差修正模型的输入,得到修正后的隧道突涌水预测概率。本发明通过以神经网络为核心的数据模型进行误差修正,补充了机理模型无法体现的重要影响因素,使隧道突涌水预测更加准确。
Description
技术领域
本发明涉及隧道突涌水预测技术领域,尤其涉及一种基于机理预测与误差修正的隧道突涌水预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
隧道工程建设中所遭遇的岩溶突水突泥灾害等灾害问题,极易造成工期延误及经济损失。由于工程的区域地质条件与施工过程都具有显著的不确定性,如何合理地预测评估灾害发生的概率,进行有效的管理与防控,成为保证地下工程安全施工的关键。
目前隧道突涌水灾害的预测多侧重于从预报信息,地质条件,水文信息等角度进行分析,其准确率与普适性较差,而隧道突涌水灾害是一个复杂且多因素影响的过程,难以依据单一的信息进行评判划分,因此需要建立基于多个信息元素综合反馈的判断标准,仅通过对现有突涌水机理的研究难以建立精确的隧道突涌水预测模型。
同时,隧道突涌水灾害的发生具有复杂性、突发性和多样性,每种突涌水灾害发生前伴随发生的前兆多元信息的演化规律并不完全相同,机理模型存在无法体现所有影响突涌水灾害的因素,实际概率与预测概率存在部分误差。
发明内容
为了解决上述问题,本发明提出了一种基于机理预测与误差修正的隧道突涌水预测方法及系统,从机理方面出发,判定突涌水发生的概率,同时通过误差模型进行相关的误差修正,实现隧道突涌水灾害的精准预测。
在一些实施方式中,采用如下技术方案:
一种基于机理预测与误差修正的隧道突涌水预测方法,包括:
实时收集隧道周围多物理场信息,基于所述信息确定突涌水状态变化趋势;
获取每个突水通道内监测到的微震波形,并提取有效微震信号;基于所述有效微震信号进行突涌水灾害位置的预测;
根据裂隙岩体裂纹的几何特征及裂纹面上的应力状态,判定岩体在动力扰动和卸荷作用下是否会发生破坏;
综合上述的突涌水状变化趋势、突涌水灾害位置以及防突岩体是否发生破坏,得到隧道突涌水的初步预测概率;
将所述突涌水状变化趋势、突涌水灾害位置以及防突岩体是否发生破坏的数据,以及所述初步预测概率,作为误差修正模型的输入,得到修正后的隧道突涌水预测概率。
作为进一步地方案,实时收集隧道周围多物理场信息,基于所述信息确定突涌水状态变化趋势,具体包括:
实时收集隧道周围多物理场信息,利用主成分分析方法对所述多物理场信息进行处理,得到多物理量的相关系数矩阵,利用相关系数矩阵的特征值确定多物理量中各物理量数据的重要程度,进而得到突涌水前兆物理量的第一主成分和第二主成分,进行突涌水模式识别和划分。
作为进一步地方案,所述隧道周围多物理场信息,具体包括:应力、位移、渗压、温度和视电阻率。
作为进一步地方案,获取每个突涌水通道内监测到的微震波形,并提取有效微震信号,具体包括:通过小波包分解对每个突涌水通道内记录的微震波形进行滤波降噪,实现有效微震信号的分离提取。
作为进一步地方案,基于所述有效微震信号进行突涌水灾害位置的预测,具体包括:
基于提取到的有效微震信号,采用STA/LTA算法拾取每个突涌水通道内有效微震信号的初至时刻,将所述初至时刻带入设定的目标方程进行求解,得到震源的空间位置。
作为进一步地方案,根据裂隙岩体裂纹的几何特征及裂纹面上的应力状态,判定岩体在动力扰动和卸荷作用下是否会发生破坏,具体包括:
确定裂纹发生压剪破坏的临界水压力,当裂纹面上孔隙水压力超过所述临界水压力时,岩体将发生压剪破坏。
作为进一步地方案,所述误差修正模型为深度神经网络模型,对于所述误差修正模型的训练过程包括:
利用历史获得的突涌水状态变化趋势数据序列,突涌水灾害位置数据及突涌水通道数量数据,裂隙岩体裂纹的几何特征及裂纹面上的应力状态及岩体是否发生破坏的数据,以及隧道突涌水概率初步预测数据,作为误差修正模型的输入数据,对所述误差修正模型进行训练。
在另一些实施方式中,采用如下技术方案:
一种基于机理预测与误差修正的隧道突涌水预测系统,包括:
突涌水状态趋势预测模块,用于实时收集隧道周围多物理场信息,基于所述信息确定突涌水状态变化趋势;
突涌水灾害位置预测模块,用于获取每个突水通道内监测到的微震波形,并提取有效微震信号;基于所述有效微震信号进行突涌水灾害位置的预测;
岩体破坏预测模块,用于根据裂隙岩体裂纹的几何特征及裂纹面上的应力状态,判定岩体在动力扰动和卸荷作用下是否会发生破坏;
突涌水初步概率预测模块,用于综合上述的突涌水状变化趋势、突涌水灾害位置以及防突岩体是否发生破坏,得到隧道突涌水的初步预测概率;
概率误差修正模块,用于将所述突涌水状变化趋势、突涌水灾害位置以及防突岩体是否发生破坏的数据,以及所述初步预测概率,作为误差修正模型的输入,得到修正后的隧道突涌水预测概率。
在另一些实施方式中,采用如下技术方案:
一种终端设备,其包括处理器和存储器,处理器用于实现各指令;存储器用于存储多条指令,所述指令适于由处理器加载并执行上述的基于机理预测与误差修正的隧道突涌水预测方法。
在另一些实施方式中,采用如下技术方案:
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行上述的基于机理预测与误差修正的隧道突涌水预测方法。
与现有技术相比,本发明的有益效果是:
(1)本发明从机理方面出发,通过突涌水状态趋势预测、突涌水灾害位置预测以及岩体破坏预测模块,形成隧道突涌水预测的机理模型,得到隧道突涌水初步预测概率,然后建立误差修正模型,通过以神经网络为核心的数据模型进行误差修正,补充了机理模型无法体现的重要影响因素,使隧道突涌水预测更加准确。
(2)考虑隧道突涌水过程是一个及其复杂的过程,当前的机理模型存在一定的简化过程,模型中无法体现的影响因素与误差之间的关系比较复杂,无法通过确定的关系建立数学模型来描述;本发明通过与突涌水前兆信息的获取与分析,结合微震信息定位岩体破裂位置以及突水通道,基于岩体断裂准则,建立隧道突涌水机理预测模型,解决了传统预测方法只考虑多物理场信息预警的弊端,相比过往方法包含了隧道突涌水中更多的影响因素,从而使机理模型更加接近真实情况。
本发明的其他特征和附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本方面的实践了解到。
附图说明
图1为本发明实施例中基于机理预测与误差修正的隧道突涌水预测方法流程图;
图2(a)为本发明实施例中裂纹面压剪状态示意图;
图2(b)为本发明实施例中裂纹面拉剪状态示意图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
在一个或多个实施方式中,公开了一种基于机理预测与误差修正的隧道突涌水预测方法,参照图1,具体包括如下过程:
步骤(1):实时收集隧道周围多物理场信息,基于所述信息确定突涌水状态变化趋势;
具体地,通过在隧道内布设的多种传感器,实时收集隧道周围多物理场信息,主要包括:应力、位移、渗压、温度和视电阻率等。
利用主成分分析方法对监测获得的多物理参量信息进行处理,可以得到多物理参量信息之间的联系;即多元信息之间可能存在信息的重叠,甚至存在冗余信息,可以采用典型信息参量替代多余的信息参量,突出重点有效信息,而典型信息同样可以表征原来全部的信息。
本实施例中,对多物理参量信息进行主成分分析的过程具体包括:
①原始监测数据的标准化处理
多物理参量监测数据组成矩阵序列:{微震,位移,应力,渗压,温度,视电阻率},矩阵行数据的排列按照时间坐标各自对应,以此建立样本数据矩阵X。
X=(xij)n×p
式中,n为监测数据的样本数,p为物理参量的指标数,i=1,2,…,n,j=1,2,…,p。xij表示第i个监测样本的第j项物理参量指标值。对样本元素矩阵进行如下标准化转换:
从而得到标准化的样本数据矩阵:
Z=(zij)n×pi=1,2,…,nj=1,2,…,p。
②多物理量的相关系数矩阵
协方差矩阵即为相关系数矩阵R,其中k=1,2,…,p。rjk为指标参量j与指标参量k的相关系数。
R=(rjk)p×p
或
rij=E{[zi-E(zi)][zj-E(zj)]}
即:
有:
rij=1
rjk=rkj
多物理量的相关系数矩阵值介于-1与1之间,即-1≤r≤1。它的属性为
当r>0时,表示两物理量正相关,r<0时,两物理量为负相关。
当|r|=1时,表示两物理量为完全线性相关,即为函数关系。
当r=0时,表示两物理量间无线性相关关系。当0<|r|<1时,表示两物理量存在一定的线性关系。
物理量间的关系通常依据|r|的取值范围划分为:|r|<0.4为低度线性相关;0.4≤|r|<0.7为显著线性相关;0.7≤|r|<1为高度线性相关。
③相关系数矩阵的特征值
通过特征方程|R-λE|=0,计算得到P个非负特征根λg(g=1,2,…,p),根据λg的大小顺序(λ1≥λ2≥λp≥0)求得特征向量Ig(Ig1,Ig2,…,Igp),同时将处理后的指标变量化为:Fg=Ig1Z1+Ig2Z2+…+IgpZp,其中,Fp为第p主成分。
④确定多物理量中各物理量数据的重要程度。
根据特征方程求得的特征根λg,依据其大小可以表征各个物理参量对监测目标的贡献程度,当部分物理参量对应的特征根方差和≥85%时,则代表这几个物理参量可以表征全部物理参量的主要特征,累积方差的计算公式如下:
主成分分析完成后,当物理量的特征方差加和贡献率大于85%,即W≥85%,则表明物理量用来反映全部物理量所表征的含义,同时依据特征根的大小划分第一主成分和第二主成分。
本实施例中,不同的突水类型对应了不同的第一主成分和第二主成分,依据主成分顺序的差异建立隧道突水模式匹配模型。该模型分为两个层次,第一层次采用主成分分析方法按照累计方差贡献率大于85%的原则判定物理量指标的信息,并将这些物理量指标分为主要或次要信息;第二层次采用因子分析方法将主成分以各自的方差贡献率为权值,通过线性加权求和,完成最终主成分评价,实现不同进行突水模式识别和划分。表1给出了不同突水类型及其前兆信息的关系列表。
表1突水类型及其前兆信息
步骤(2):获取每个突水通道内监测到的微震波形,并提取有效微震信号;基于所述有效微震信号进行突涌水灾害位置的预测;
本实施例中,通过小波包分解对每个突涌水通道内记录的微震波形进行滤波降噪,实现有效微震信号的分离提取。
采用STA/LTA算法拾取单通道内信号的初至时刻,将上述取的初至时刻带入目标方程进行求解,利用牛顿迭代法求解震源的空间位置。通过对微震事件监测与统计,对防突岩体破裂位置以及突水通道进行精准判断,从而实现突涌水灾害位置预测。
本实施例中,采用STA/LTA方法处理微震信号的过程中,分别设置长时窗和短时窗两个滑动窗口。STA和LTA分别指短时窗和长时窗内信号平均幅值或能量等。LTA包含的采样数据较多能够反映较长时间段内信号的平均状态,LTA主要反映背景噪声的变化规律。STA包含的数据量较LTA少,被用来刻画信号瞬态的变化情况。微震事件未发生时背景噪声为主,STA与LTA比值变化不大;当微震事件濒临发生时,变换后的波形曲线呈现出幅值瞬间增长的现象。最终,通过设定阈值统计信号幅值较大的“尖峰”达到微震事件识别与初至拾取的目的。
本实施例中,目标方程具体为:
其中,(x,y,z)为震源点P坐标,(xi,yi,zi)(i=1,2,3……)为传感器Mi(i=1,2,3……)的空间坐标。以传感器M1为参考传感器,R1为震源P到传感器M1的距离。传感器Mi到P的距离与M1到P的距离d1差记为d1i=di-d1。传感器之间的走时差为τi1,传感器Mi与传感器M1的距离差d1i=τi1C,C为应力波在岩体内的传播速度。将已知量传感器的空间坐标、应力波波速以及传感器之间的走时差数据代入目标方程组中,可以求得微震震源P的空间坐标(x,y,z)。
通过对微震事件监测与统计,对防突岩体破裂位置以及突水通道进行精准判断,从而实现突涌水灾害位置预测。
步骤(3):根据裂隙岩体裂纹的几何特征及裂纹面上的应力状态,判定岩体在动力扰动和卸荷作用下是否会发生破坏;
具体地,裂纹面上的应力状态包括:地应力、水压力、动荷载、裂纹与最大主应力夹角等;裂纹面压剪状态和裂纹面拉剪状态分别参见图2(a)和图2(b)。其中,含水裂纹长为2a,受近区地应力σ1和σ3作用,裂纹与地应力σ1方向夹角为α,裂纹中有孔隙水压力Pw的作用,裂纹同时受到应力波P波(或SV波)的作用。
本实施例中,基于岩体压剪破坏判据,判定防突岩体在动力扰动和卸荷作用下是否会发生破坏,从而诱发突涌水灾害的发生。
①当不考虑动力波影响时,裂纹发生压剪破坏的临界水压力Pc:
②当考虑动力波影响时,裂纹发生压剪破坏的临界水压力Pc:
当裂纹面上孔隙水压力Pw超过上式的计算值Pc时,岩体将发生压剪破坏。
步骤(4):综合上述的突涌水状变化趋势、突涌水灾害位置以及防突岩体是否发生破坏,得到隧道突涌水的初步预测概率;
本实施例中,隧道突涌水的初步预测概率综合了上述得到的三种数据预测结果。初步预测结果可以通过人为经验获得,也可以通过人工智能手段直接得到,这些是本领域技术人员根据实际需要可以进行选择的。
步骤(5):将所述突涌水状变化趋势、突涌水灾害位置以及防突岩体是否发生破坏的数据,以及所述初步预测概率,作为误差修正模型的输入,得到修正后的隧道突涌水预测概率。
本实施例中,为对突涌水机理模型预测的误差进行有效补偿,以机器学习为核心,通过大量过往隧道监测数据以及突涌水案例,对机理预测产生的误差建立误差模型,即将隧道突涌水的多物理场信息变化规律以及防突岩体强度及微震事件,与机理模型所预测隧道突涌水发生的概率作为输入层,利用数据库样本数据对数据模型参数进行优化,修正后的突涌水概率作为输出层,建立基于神经网络的非线性映射模型,以此作为隧道突涌水的预测误差修正模型。
本实施例中,首先将以往数据库中隧道突涌水样本进行分类:训练样本,验证样本,测试样本。神经网络模型包括输入层,隐藏层,输出层。其中输入层的单元个数取决于特征个数,包括机理模型的判断结果,应力场,位移场,渗压场的变化规律,以及微震事件数量和防突岩体的强度。输出层的单元个数取决于训练集中结果的类别数量,此处主要指突涌水预测的概率。
首先进行参数的随机初始化,将参数初始化为趋近于零的极小值,然后进行前向传播,对于输入的xi,计算得到y(xi),其结果形式为向量,其次编写计算代价函数J(θ),通过反向传播算法计算J(θ)关于θ的的偏导数,通过梯度下降法或共轭梯度法与反向传播算法相结合进一步将J(θ)的值最小化,从而得到局部最优解。通过上述基于神经网络的非线性映射模型,将机理模型的预测数据进一步优化修正,从而得到更加准确的隧道突涌水灾害预测结果。
本实施例为了更加精准预测隧道突涌水概率,将突涌水机理预测与误差修正模型相结合,建立机理预测与误差模型双驱动的隧道突涌水预测方式,将机理预测得到的输出以及数据模型的误差预测输出相结合,可以得到更加准确的预测输出结果,从而实现隧道突涌水的状态追踪以及预测预警,为隧道安全生产建设提供指导作用。
实施例二
在一个或多个实施方式中,公开了一种基于机理预测与误差修正的隧道突涌水预测系统,包括:
突涌水状态趋势预测模块,用于实时收集隧道周围多物理场信息,基于所述信息确定突涌水状态变化趋势;
突涌水灾害位置预测模块,用于获取每个突水通道内监测到的微震波形,并提取有效微震信号;基于所述有效微震信号进行突涌水灾害位置的预测;
岩体破坏预测模块,用于根据裂隙岩体裂纹的几何特征及裂纹面上的应力状态,判定岩体在动力扰动和卸荷作用下是否会发生破坏;
突涌水初步概率预测模块,用于综合上述的突涌水状变化趋势、突涌水灾害位置以及防突岩体是否发生破坏,得到隧道突涌水的初步预测概率;
概率误差修正模块,用于将所述突涌水状变化趋势、突涌水灾害位置以及防突岩体是否发生破坏的数据,以及所述初步预测概率,作为误差修正模型的输入,得到修正后的隧道突涌水预测概率。
需要说明的是,上述各模块的具体实现方式已经在实施例一中进行了说明,此处不再详述。
实施例三
在一个或多个实施方式中,公开了一种终端设备,包括服务器,所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现实施例一中的基于机理预测与误差修正的隧道突涌水预测方法。为了简洁,在此不再赘述。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例四
在一个或多个实施方式中,公开了一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行实施例一中所述的基于机理预测与误差修正的隧道突涌水预测方法。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于机理预测与误差修正的隧道突涌水预测方法,其特征在于,包括:
实时收集隧道周围多物理场信息,基于所述信息确定突涌水状态变化趋势;
获取每个突水通道内监测到的微震波形,并提取有效微震信号;基于所述有效微震信号进行突涌水灾害位置的预测;
根据裂隙岩体裂纹的几何特征及裂纹面上的应力状态,判定岩体在动力扰动和卸荷作用下是否会发生破坏;
综合上述的突涌水状变化趋势、突涌水灾害位置以及防突岩体是否发生破坏,得到隧道突涌水的初步预测概率;
将所述突涌水状变化趋势、突涌水灾害位置以及防突岩体是否发生破坏的数据,以及所述初步预测概率,作为误差修正模型的输入,得到修正后的隧道突涌水预测概率。
2.如权利要求1所述的一种基于机理预测与误差修正的隧道突涌水预测方法,其特征在于,实时收集隧道周围多物理场信息,基于所述信息确定突涌水状态变化趋势,具体包括:
实时收集隧道周围多物理场信息,利用主成分分析方法对所述多物理场信息进行处理,得到多物理量的相关系数矩阵,利用相关系数矩阵的特征值确定多物理量中各物理量数据的重要程度,进而得到突涌水前兆物理量的第一主成分和第二主成分,进行突涌水模式识别和划分。
3.如权利要求2所述的一种基于机理预测与误差修正的隧道突涌水预测方法,其特征在于,所述隧道周围多物理场信息,具体包括:应力、位移、渗压、温度和视电阻率。
4.如权利要求1所述的一种基于机理预测与误差修正的隧道突涌水预测方法,其特征在于,获取每个突涌水通道内监测到的微震波形,并提取有效微震信号,具体包括:通过小波包分解对每个突涌水通道内记录的微震波形进行滤波降噪,实现有效微震信号的分离提取。
5.如权利要求1所述的一种基于机理预测与误差修正的隧道突涌水预测方法,其特征在于,基于所述有效微震信号进行突涌水灾害位置的预测,具体包括:
基于提取到的有效微震信号,采用STA/LTA算法拾取每个突涌水通道内有效微震信号的初至时刻,将所述初至时刻带入设定的目标方程进行求解,得到震源的空间位置。
6.如权利要求1所述的一种基于机理预测与误差修正的隧道突涌水预测方法,其特征在于,根据裂隙岩体裂纹的几何特征及裂纹面上的应力状态,判定岩体在动力扰动和卸荷作用下是否会发生破坏,具体包括:
确定裂纹发生压剪破坏的临界水压力,当裂纹面上孔隙水压力超过所述临界水压力时,岩体将发生压剪破坏。
7.如权利要求1所述的一种基于机理预测与误差修正的隧道突涌水预测方法,其特征在于,所述误差修正模型为深度神经网络模型,对于所述误差修正模型的训练过程包括:
利用历史获得的突涌水状态变化趋势数据序列,突涌水灾害位置数据及突涌水通道数量数据,裂隙岩体裂纹的几何特征及裂纹面上的应力状态及岩体是否发生破坏的数据,以及隧道突涌水概率初步预测数据,作为误差修正模型的输入数据,对所述误差修正模型进行训练。
8.一种基于机理预测与误差修正的隧道突涌水预测系统,其特征在于,包括:
突涌水状态趋势预测模块,用于实时收集隧道周围多物理场信息,基于所述信息确定突涌水状态变化趋势;
突涌水灾害位置预测模块,用于获取每个突水通道内监测到的微震波形,并提取有效微震信号;基于所述有效微震信号进行突涌水灾害位置的预测;
岩体破坏预测模块,用于根据裂隙岩体裂纹的几何特征及裂纹面上的应力状态,判定岩体在动力扰动和卸荷作用下是否会发生破坏;
突涌水初步概率预测模块,用于综合上述的突涌水状变化趋势、突涌水灾害位置以及防突岩体是否发生破坏,得到隧道突涌水的初步预测概率;
概率误差修正模块,用于将所述突涌水状变化趋势、突涌水灾害位置以及防突岩体是否发生破坏的数据,以及所述初步预测概率,作为误差修正模型的输入,得到修正后的隧道突涌水预测概率。
9.一种终端设备,其包括处理器和存储器,处理器用于实现各指令;存储器用于存储多条指令,其特征在于,所述指令适于由处理器加载并执行权利要求1-7任一项所述的基于机理预测与误差修正的隧道突涌水预测方法。
10.一种计算机可读存储介质,其中存储有多条指令,其特征在于,所述指令适于由终端设备的处理器加载并执行权利要求1-7任一项所述的基于机理预测与误差修正的隧道突涌水预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111397577.7A CN114154215A (zh) | 2021-11-23 | 2021-11-23 | 基于机理预测与误差修正的隧道突涌水预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111397577.7A CN114154215A (zh) | 2021-11-23 | 2021-11-23 | 基于机理预测与误差修正的隧道突涌水预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114154215A true CN114154215A (zh) | 2022-03-08 |
Family
ID=80457545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111397577.7A Pending CN114154215A (zh) | 2021-11-23 | 2021-11-23 | 基于机理预测与误差修正的隧道突涌水预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114154215A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105891874A (zh) * | 2016-06-30 | 2016-08-24 | 马克 | 一种采动煤岩体突水微震监测方法 |
CN107144891A (zh) * | 2017-06-12 | 2017-09-08 | 山东大学 | 隧道突涌水前兆信息监测与融合预警系统以及方法 |
CN110671153A (zh) * | 2019-09-23 | 2020-01-10 | 山东大学 | 用于隧道及地下工程突涌水灾害的监测预警系统 |
CN111368405A (zh) * | 2020-02-25 | 2020-07-03 | 山东大学 | 隧道岩体破坏突涌水灾变模拟的近场动力学方法及系统 |
CN111738495A (zh) * | 2020-05-27 | 2020-10-02 | 山东大学 | 一种地下工程突涌水灾害预测与互馈调控方法及系统 |
WO2020211505A1 (zh) * | 2019-04-15 | 2020-10-22 | 山东大学 | 充填溶洞沉积与隧道间歇型突水突泥灾变一体化试验装置及方法 |
-
2021
- 2021-11-23 CN CN202111397577.7A patent/CN114154215A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105891874A (zh) * | 2016-06-30 | 2016-08-24 | 马克 | 一种采动煤岩体突水微震监测方法 |
CN107144891A (zh) * | 2017-06-12 | 2017-09-08 | 山东大学 | 隧道突涌水前兆信息监测与融合预警系统以及方法 |
WO2020211505A1 (zh) * | 2019-04-15 | 2020-10-22 | 山东大学 | 充填溶洞沉积与隧道间歇型突水突泥灾变一体化试验装置及方法 |
CN110671153A (zh) * | 2019-09-23 | 2020-01-10 | 山东大学 | 用于隧道及地下工程突涌水灾害的监测预警系统 |
CN111368405A (zh) * | 2020-02-25 | 2020-07-03 | 山东大学 | 隧道岩体破坏突涌水灾变模拟的近场动力学方法及系统 |
CN111738495A (zh) * | 2020-05-27 | 2020-10-02 | 山东大学 | 一种地下工程突涌水灾害预测与互馈调控方法及系统 |
Non-Patent Citations (1)
Title |
---|
李朝阳: "基于数据学习的岩溶隧道突涌水风险评估及预警研究", 中国优秀硕士论文电子期刊, 15 January 2021 (2021-01-15), pages 43 - 48 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110889440A (zh) | 基于主成分分析和bp神经网络的岩爆等级预测方法及系统 | |
CN115758212A (zh) | 一种基于并行网络和迁移学习的机械设备故障诊断方法 | |
CN114048790B (zh) | 一种基于耦合双向lstm和卷积结构网络的道路基层应变分析方法 | |
CN115061219B (zh) | 基于石油天然气探测的裂缝型储层预测识别方法及系统 | |
CN113568043B (zh) | 基于深度卷积神经网络的三阶段震相拾取方法 | |
CN114358192B (zh) | 一种多源异构滑坡数据监测融合方法 | |
CN109779791B (zh) | 一种固体火箭发动机中异常数据智能诊断方法 | |
CN113723010A (zh) | 一种基于lstm温度-位移相关模型的桥梁损伤预警方法 | |
CN111753776B (zh) | 基于回声状态与多尺度卷积联合模型的结构损伤识别方法 | |
CN112668526A (zh) | 基于深度学习和压电主动传感的螺栓群松动定位监测方法 | |
CN114818817A (zh) | 一种电容式电压互感器微弱故障识别系统及方法 | |
CN114266289A (zh) | 一种复杂装备健康状态评估方法 | |
Ye et al. | A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring | |
CN110988985B (zh) | 基于波形特征的地震信号检测方法 | |
CN115983465A (zh) | 一种基于小样本学习的冲击地压时序预测模型构建方法 | |
CN113687433A (zh) | 一种基于Bi-LSTM的大地电磁信号去噪方法及系统 | |
CN113065188B (zh) | 基于机器学习的沉桩过程评估方法、存储介质及电子设备 | |
CN114330120A (zh) | 一种基于深度神经网络预测24小时pm2.5浓度的方法 | |
CN106228132A (zh) | 目标识别方法和目标识别装置 | |
CN114021620A (zh) | 基于bp神经网络特征提取的电潜泵故障诊断方法 | |
CN113112067A (zh) | 一种tfri权重计算模型的建立方法 | |
CN114154215A (zh) | 基于机理预测与误差修正的隧道突涌水预测方法及系统 | |
CN116842358A (zh) | 一种基于多尺度卷积和自适应特征融合的软测量建模方法 | |
CN116050564A (zh) | 基于尾矿库坝体位移预测的算法流程 | |
CN113688770A (zh) | 高层建筑长期风压缺失数据补全方法及装置 |
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 |