CN115508206A - 一种节理岩质边坡岩体强度参数概率反演方法 - Google Patents
一种节理岩质边坡岩体强度参数概率反演方法 Download PDFInfo
- Publication number
- CN115508206A CN115508206A CN202211242366.0A CN202211242366A CN115508206A CN 115508206 A CN115508206 A CN 115508206A CN 202211242366 A CN202211242366 A CN 202211242366A CN 115508206 A CN115508206 A CN 115508206A
- Authority
- CN
- China
- Prior art keywords
- rock
- slope
- strength
- gsi
- 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.)
- Granted
Links
- 239000011435 rock Substances 0.000 title claims abstract description 162
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000009826 distribution Methods 0.000 claims abstract description 67
- 238000004088 simulation Methods 0.000 claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000006467 substitution reaction Methods 0.000 claims abstract description 21
- 239000000463 material Substances 0.000 claims abstract description 17
- 238000005259 measurement Methods 0.000 claims abstract description 17
- 238000005070 sampling Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 13
- 238000003745 diagnosis Methods 0.000 claims description 8
- 231100000817 safety factor Toxicity 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000004441 surface measurement Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/08—Investigating strength properties of solid materials by application of mechanical stress by applying steady tensile or compressive forces
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V20/00—Geomodelling in general
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- 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
- Y02A10/23—Dune restoration or creation; Cliff stabilisation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Geophysics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种节理岩质边坡岩体强度参数概率反演方法,属于岩土工程领域。本发明通过现场地质调查和测量边坡信息,确定地质强度指标GSI、岩石材料常数mi和岩石单轴抗压强度σci的先验分布信息;基于节理岩体强度参数的先验信息,采用拉丁超立方抽样方法抽取m组参数GSI、mi、σci形成强度参数样本,逐个代入边坡数值模拟模型,进行正演模拟,输出对应的最小安全系数Fs、临界滑面剪入口横坐标x、滑面深度h;构建神经网络预测模型作为边坡数值模拟模型的替代模型,检验替代模型的精度,并统计替代模型与边坡数值模拟模型之间的误差;构造对数似然函数,采用改进的DREAM(KZS)算法进行岩体强度参数反演;收敛性分析,统计强度参数GSI、mi、σci后验概率分布中的统计特征值。
Description
技术领域
本发明涉及一种节理岩质边坡岩体强度参数概率反演方法,属于岩土工程领域。
背景技术
Hoek-Brown强度准则综合考虑了岩体结构、岩块强度和应力状态等因素的影响,适合表征岩体介质非线性破坏特征,广泛应用于岩质边坡稳定性分析。然而岩体由完整岩块和内部的结构面共同组成,其强度参数具有较大的变异性,强度参数取值存在主观性和不确定性。常用的GSI表只给出了一个表征岩体块体连续性和结构面质量的GSI区间,没有提及定量化方法,导致GSI取值的存在较大的随机性和模糊性。岩体是一种变异性很大的介质,其单轴抗压强度σci可能存在较大的离散性。mi是完整岩石常数,常用的方法基于岩石类型和岩石结构同样只能确定mi的取值范围,传统的确定性反演方法采用试错法进行计算,计算效率低,而且未考虑滑面的测量误差,反演结果不可靠。
发明内容
本发明针对节理岩体边坡岩体强度参数概率反演中,传统的试错反演方法的计算效率低,而且未考虑滑面的测量误差,反演结果不可靠等问题,提出了一种节理岩质边坡岩体强度参数概率反演方法,即利用似然度,筛选初始种群,对DREAM(KZS)算法进行改进,提高反演识别精度和计算效率。
一种节理岩质边坡岩体强度参数概率反演方法,具体步骤如下:
S1.通过现场地质调查和测量边坡信息,确定地质强度指标GSI、岩石材料常数mi和岩石单轴抗压强度σci的先验分布信息;
S2.基于节理岩体强度参数的先验信息,采用拉丁超立方抽样方法抽取m组参数GSI、mi、σci形成强度参数样本,逐个代入边坡数值模拟模型,进行正演模拟,输出对应的最小安全系数Fs、临界滑面剪入口横坐标x、滑面深度h;
S3.构建神经网络预测模型作为边坡数值模拟模型的替代模型,检验替代模型的精度,并统计替代模型与边坡数值模拟模型之间的误差;
S4.构造对数似然函数,采用改进的DREAM(KZS)算法进行岩体强度参数反演;
S5.收敛性分析,统计强度参数GSI、mi、σci后验概率分布中的统计特征值。
所述步骤S1中地质强度指标GSI、岩石材料常数mi和岩石单轴抗压强度σci的先验分布信息确定方法为
(1)通过地质调查确定边坡各层岩石的类型和结构,根据岩石材料常数mi表确定岩石材料常数mi的取值范围;
(2)通过试验获取岩石单轴抗压强度σci和重度γ,统计确定岩石单轴抗压强度σci的先验分布类型、平均值和变异系数;
(3)观测岩体块体的连续性和结构面状态,根据地质强度指标GSI表确定节理岩体中GSI的取值范围。
(4)测量边坡的几何参数即高度H和坡角β,测定滑坡体的滑面剪入口的位置和滑面深度。
所述步骤S2具体包括:
(1)基于边坡高度H、坡角β和重度γ,在Slide中建立初始边坡数值模拟模型;
(2)基于节理岩体强度参数的先验信息,采用拉丁超立方抽样方法生成m组服从先验分布的节理岩体强度参数GSI、mi、σci,逐个代入Slide中的初始边坡数值模拟模型,输出对应的最小安全系数FS、临界滑面剪入口横坐标x、滑面深度h,获得m组输入值GSI、mi和σci和对应的输出值FS、x和h。
所述步骤S3中神经网络预测模型的构建方法,采用MATLAB中的神经网络拟合APP,构建输入参数(GSI、mi和σci)与输出参数(FS、x及h)的响应面关系,以构建神经网络预测模型作为替代模型,采用泰勒图来检验替代模型的精度,并统计替代模型与模拟模型之间的误差;包括:
(1)分别以岩质边坡的强度参数和临界滑面特征参数作为输入数据和目标数据;
(2)从先验分布中随机抽取样本,并分为神经网络预测模型的训练集、验证集和测试集;
(3)设置隐含层的神经元个数,建立神经网络结构,采用BayesianRegularization训练算法对建立的神经网络结构进行训练、验证和测试,得到神经网络预测模型。
所述步骤S4中对数似然函数的构造方法,似然函数用以描述模拟结果与观测数据之间的似然度,包括:
(1)对于一个含n层不同性质岩体的二维边坡,将岩体强度参数构成的向量定义为θ(θ=[GSI1,(mi)1,(σci)1,···,GSIn,(mi)n,(σci)n]);假设其破坏时安全系数FS=1,通过滑面调查得到滑面特征值,设y={FS,x,h};
(2)以F(θ)为预测边坡安全系数和滑面特征点的模型,在贝叶斯推理中,考虑模型总误差ε,观测数据y表示为:
y=F(θ)+ε
式中:向量θ采用随机变量表征,ε={εFs,εx,εh},表示测量误差和预测模型的总误差,采用均值为0和方差为σ的正态分布表示,即ε~N(0,σ2),其中σ={σFS,σx,σh},表示总误差的标准差;
(3)利用岩体强度指标θ先验信息和观测数据,岩体参数的后验分布为:
p(θ|y)∝L(y|θ)p(θ)
式中:p(θ)为先验概率密度函数,p(θ|y)为后验概率密度函数,L(y|θ)为似然函数;似然函数L(y|θ)的表达式为:
似然函数L(y|θ)取对数形式:
式中:L(y|θ)为似然函数;n为不同性质岩体的层数,σi表示总误差的标准差,yi表示滑面特征值。
式中:L(y|θ)为似然函数;n为不同性质岩体的层数,σi表示总误差的标准差,yi表示滑面特征值。
所述步骤S4中改进DREAM(KZS)算法特征为利用对数似然函数筛选算法的初始种群。
所述步骤S4中岩体强度参数反演方法,包括:
(1)从待求变量的先验分布中随机抽取5000个参数样本,并计算每组参数样本的似然度,按照似然度从小到大对参数样本进行排序,筛选前3组参数样本作为初始种群;
(2)确定DREAM(KZS)算法中马尔科夫链的数量N、迭代次数T,基于先验分布、对数似然函数和初始种群,设置安全系数误差及滑面误差,采用改进的DREAM(KZS)算法对岩体强度参数的后验分布进行采样。
所述安全系数误差为替代模型与边坡数值模拟模型之间的计算误差,滑面误差为测量误差;安全系数误差服从正态分布或均匀分布的函数;测量误差可设置为常数0m,0.1m,0.2m等,或服从正态分布或均匀分布的函数;
所述步骤S5中收敛性分析方法,包括:
(1)计算收敛诊断指标Rstat;
(2)若收敛诊断指标Rstat≤1.2,马尔科夫链收敛到平稳分布,计算结束;否则,增加马尔科夫链数目N或迭代次数T重新进行计算,直至收敛。
所述步骤S5中统计特征值包括均值和方差;即从平稳分布中随机采样,并对样本进行统计分析,得出模型参数θ的后验概率分布及其统计特征值(均值和方差)。
本发明的有益效果是:
(1)本发明提出的节理岩质边坡岩体强度参数概率反演方法,利用似然度,筛选初始种群,对DREAM(KZS)算法进行改进,提高反演识别精度和计算效率;
(2)本发明提出的节理岩质边坡岩体强度参数概率反演方法,考虑滑面的测量误差,反演结果更符合实际;
(3)本发明提出的节理岩质边坡岩体强度参数概率反演方法,降低岩土体强度参数取值的不确定性,有利于提高对边坡参数的认识。
附图说明
图1为实施例涉及的节理岩质边坡的岩体强度参数概率反演流程图;
图2为实施例的岩质边坡模型示意图;
图3为实施例中评估替代模型精度的泰勒图;
图4为实施例的替代模型误差统计图;
图5为实施例的改进DREAM(KZS)算法收敛指标Rstat的变化曲线;
图6为实施例的岩体强度参数反演结果示意图;
图7为实施例在不同滑面测量误差下的岩体强度参数后验分布。
具体实施方式
下面结合具体实施方式对本发明作进一步详细说明,但本发明的保护范围并不限于所述内容。
本发明节理岩质边坡岩体强度参数概率反演方法,即利用似然度,筛选初始种群,对DREAM(KZS)算法进行改进,提高反演识别精度和计算效率。
一种节理岩质边坡岩体强度参数概率反演方法,具体步骤如下:
S1.通过现场地质调查和测量边坡信息,确定地质强度指标GSI、岩石材料常数mi和岩石单轴抗压强度σci的先验分布信息;
其中地质强度指标GSI、岩石材料常数mi和岩石单轴抗压强度σci的先验分布信息确定方法为
(1)通过地质调查确定边坡各层岩石的类型和结构,根据岩石材料常数mi表确定岩石材料常数mi的取值范围;
(2)通过试验获取岩石单轴抗压强度σci和重度γ,统计确定岩石单轴抗压强度σci的先验分布类型、平均值和变异系数;
(3)观测岩体块体的连续性和结构面状态,根据地质强度指标GSI表确定节理岩体中GSI的取值范围。
(4)测量边坡的几何参数即高度H和坡角β,测定滑坡体的滑面剪入口的位置和滑面深度。
S2.基于节理岩体强度参数的先验信息,采用拉丁超立方抽样方法抽取m组参数GSI、mi、σci形成强度参数样本,逐个代入边坡数值模拟模型,进行正演模拟,输出对应的最小安全系数Fs、临界滑面剪入口横坐标x、滑面深度h;
(1)基于边坡高度H、坡角β和重度γ,在Slide中建立初始边坡数值模拟模型;
(2)基于节理岩体强度参数的先验信息,采用拉丁超立方抽样方法生成m组服从先验分布的节理岩体强度参数GSI、mi、σci,逐个代入Slide中的初始边坡数值模拟模型,输出对应的最小安全系数FS、临界滑面剪入口横坐标x、滑面深度h,获得m组输入值GSI、mi和σci和对应的输出值FS、x和h;
S3.构建神经网络预测模型作为边坡数值模拟模型的替代模型,检验替代模型的精度,并统计替代模型与边坡数值模拟模型之间的误差;
神经网络预测模型的构建方法,采用MATLAB中的神经网络拟合APP,构建输入参数(GSI、mi和σci)与输出参数(FS、x及h)的响应面关系,以构建神经网络预测模型作为替代模型,采用泰勒图来检验替代模型的精度,并统计替代模型与模拟模型之间的误差;包括:
(1)分别以岩质边坡的强度参数和临界滑面特征参数作为输入数据和目标数据;
(2)从先验分布中随机抽取样本,并分为神经网络预测模型的训练集、验证集和测试集;
(3)设置隐含层的神经元个数,建立神经网络结构,采用BayesianRegularization训练算法对建立的神经网络结构进行训练、验证和测试,得到神经网络预测模型;
S4.构造对数似然函数,采用改进的DREAM(KZS)算法进行岩体强度参数反演;
对数似然函数的构造方法,似然函数用以描述模拟结果与观测数据之间的似然度,包括:
(1)对于一个含n层不同性质岩体的二维边坡,将岩体强度参数构成的向量定义为θ(θ=[GSI1,(mi)1,(σci)1,···,GSIn,(mi)n,(σci)n]);假设其破坏时安全系数FS=1,通过滑面调查得到滑面特征值,设y={FS,x,h};
(2)以F(θ)为预测边坡安全系数和滑面特征点的模型,在贝叶斯推理中,考虑模型总误差ε,观测数据y表示为:
y=F(θ)+ε
式中:向量θ采用随机变量表征,ε={εFs,εx,εh},表示测量误差和预测模型的总误差,采用均值为0和方差为σ的正态分布表示,即ε~N(0,σ2),其中σ={σFS,σx,σh},表示总误差的标准差;
(3)基于贝叶斯公式,利用岩体强度指标θ先验信息和观测数据,岩体参数的后验分布为:
p(θ|y)∝L(y|θ)p(θ)
式中:p(θ)为先验概率密度函数,p(θ|y)为后验概率密度函数,L(y|θ)为似然函数;似然函数L(y|θ)的表达式为:
似然函数L(y|θ)取对数形式:
式中:L(y|θ)为似然函数;n为不同性质岩体的层数,σi表示总误差的标准差,yi表示滑面特征值;
改进DREAM(KZS)算法特征为利用对数似然函数筛选算法的初始种群;
岩体强度参数反演方法,包括:
(1)从待求变量的先验分布中随机抽取5000个参数样本,并计算每组参数样本的似然度,按照似然度从小到大对参数样本进行排序,筛选前3组参数样本作为初始种群;
(2)确定DREAM(KZS)算法中马尔科夫链的数量N、迭代次数T,基于先验分布、对数似然函数和初始种群,设置安全系数误差及滑面误差,采用改进的DREAM(KZS)算法对岩体强度参数的后验分布进行采样。
所述安全系数误差为替代模型与边坡数值模拟模型之间的计算误差,滑面误差为测量误差;
S5.收敛性分析,统计强度参数GSI、mi、σci后验概率分布中的统计特征值;
收敛性分析方法,包括:
(1)计算收敛诊断指标Rstat;
(2)若收敛诊断指标Rstat≤1.2,马尔科夫链收敛到平稳分布,计算结束;否则,增加马尔科夫链数目N或迭代次数T重新进行计算,直至收敛;
统计特征值包括均值和方差;即从平稳分布中随机采样,并对样本进行统计分析,得出模型参数θ的后验概率分布及其统计特征值(均值和方差)。
实施例1:以一个理想的均质节理岩质边坡数值算例为研究对象对本方法进行详细说明,其中待求变量都是已知值,通过将待求变量的反演识别结果与“已知值”进行对比,从而评价所提方法的有效性;
一种节理岩质边坡岩体强度参数概率反演方法,具体步骤如下:
S1.通过现场地质调查和测量边坡信息,确定地质强度指标GSI、岩石材料常数mi和岩石单轴抗压强度σci的先验分布信息;
其中地质强度指标GSI、岩石材料常数mi和岩石单轴抗压强度σci的先验分布信息确定方法为
(1)测量边坡的几何参数即高度H和坡角β(见图2),高度为10m,坡角为45°,图中红色虚线为临界滑动面,滑面剪入口距模型左边界的距离为x,滑面深度为h;通过地质调查确定边坡各层岩石的类型和结构,根据完整岩石材料常数mi表确定岩石材料常数mi的取值范围;
(2)通过试验获取岩石单轴抗压强度σci和重度γ,统计确定岩石单轴抗压强度σci的先验分布类型、平均值和变异系数;假定边坡岩块单位重度γ为25Kg/m3,基本材料强度参数先验统计值见表1,
表1岩体强度参数先验概率分布
参数名称 | 均值μ | 标准差σ | 分布类型 | 取值范围 |
GSI | 24 | 4.8 | 正态 | 19.2~28.8 |
m<sub>i</sub> | 10 | 2 | 正态 | 8~12 |
σ<sub>ci</sub>/KPa | 2000 | 400 | 正态 | 1600~2400 |
(3)测定滑坡体的滑面剪入口的位置和滑面深度,观测岩体块体的连续性和结构面状态,根据地质强度指标GSI表确定节理岩体中GSI的取值范围;假设岩体强度参数GSI,mi,σci相互独立且服从正态分布,GSI,mi,σci的变异系数均为0.2,GSI,mi,σci的范围分别为[19.2,28.8],[8,12]和[1600,2400],岩体强度参数的先验统计值见表1;
S2.基于节理岩体强度参数的先验信息,采用拉丁超立方抽样方法抽取1000组参数GSI、mi、σci形成强度参数样本,利用MATLAB自编函数自动导入Aslide程序,逐个代入边坡数值模拟模型,进行正演模拟计算边坡稳定性,并输出不同岩体强度参数下的临界滑面特征参数,即输出对应的最小安全系数Fs、临界滑面剪入口横坐标x、滑面深度h,构成了1000组输入-输出训练样本;
(1)基于边坡高度H、坡角β和重度γ,在Slide V5.0软件中(Rocscience 2012)建立初始边坡数值模拟模型,滑动面选用圆弧滑动面,滑动面经过坡趾,计算方法选用严格极限平衡条分法Spencer法;
(2)基于节理岩体强度参数的先验信息,采用拉丁超立方抽样方法抽取1000组参数GSI、mi、σci形成强度参数样本,利用MATLAB自编函数自动导入Aslide程序,逐个代入边坡数值模拟模型,进行正演模拟计算边坡稳定性,并输出不同岩体强度参数下的临界滑面特征参数,即输出对应的最小安全系数Fs、临界滑面剪入口横坐标x、滑面深度h,构成了1000组输入值GSI、mi和σci和对应的输出值FS、x和h的样本集;在Aslide分析软件中,计算得安全系数为1时,临界滑面特征值如表2所示;
表2临界滑面特征值
安全系数 | x(m) | h(m) |
1.000 | 26.5 | 3.0 |
S3.利用MATLAB(2019b)软件中的神经网络拟合工具箱(Neural Net Fitting)进行训练和测试,构建神经网络预测模型作为复杂的边坡数值模拟模型的替代模型,检验替代模型的精度,并统计替代模型与边坡数值模拟模型之间的误差;
神经网络预测模型的构建方法,采用MATLAB中的神经网络拟合APP,构建输入参数(GSI、mi和σci)与输出参数(FS、x及h)的响应面关系,以构建神经网络预测模型作为替代模型,采用泰勒图来检验替代模型的精度,并统计替代模型与模拟模型之间的误差;包括:
(1)分别以岩质边坡的强度参数和临界滑面特征参数作为输入数据和目标数据;
(2)从先验分布中随机抽取样本,并分为神经网络预测模型的训练集、验证集和测试集,其中训练集、验证集和测试集3种类型数据的比例为8:1:1;
(3)设置隐含层的神经元个数为16个,建立神经网络结构,包括3个输入层、16个隐含层、3个输出层,采用Bayesian Regularization训练算法对建立的神经网络结构进行训练、验证和测试,得到神经网络预测模型;采用泰勒图评估替代模型的精度,从先验分布中抽取100组样本,采用替代模型进行计算,结果如图3所示;安全系数Fs的相关系数最大,接近于1,h的相关系数较少,为0.7,Fs,x和h的标准偏差均小于0.15,替代模型的精度满足要求。用统计直方图对替代模型的误差进行统计,并用正态分布曲线进行拟合,结果如图4所示;安全系数Fs的误差平均值为0.01,标准差为0.01;x误差的平均值为0,标准差为0.06;h误差的平均值为0,标准差为0.13;
S4.构造对数似然函数,采用改进的DREAM(KZS)算法进行岩体强度参数反演;
对数似然函数的构造方法,似然函数用以描述模拟结果与观测数据之间的似然度,包括:
(1)对于一个理想的均质节理岩质边坡数值模型,将岩体强度参数构成的向量定义为θ(θ=[GSI,mi,σci]);假设其破坏时安全系数FS=1,通过滑面调查得到滑面特征值,设y={FS,x,h};
(2)以F(θ)为预测边坡安全系数和滑面特征点的模型,在贝叶斯推理中,考虑模型总误差ε,观测数据y表示为:
y=F(θ)+ε
式中:向量θ采用随机变量表征,ε={εFs,εx,εh},表示测量误差和预测模型的总误差,采用均值为0和方差为σ的正态分布表示,即ε~N(0,σ2),其中σ={σFS,σx,σh},表示总误差的标准差;
(3)基于贝叶斯公式,利用岩体强度指标θ先验信息和观测数据,岩体参数的后验分布为:
p(θ|y)∝L(y|θ)p(θ)
式中:p(θ)为先验概率密度函数,p(θ|y)为后验概率密度函数,L(y|θ)为似然函数;似然函数L(y|θ)的表达式为:
似然函数L(y|θ)取对数形式:
式中:L(y|θ)为似然函数;n为不同性质岩体的层数,σi表示总误差的标准差,yi表示滑面特征值;
改进DREAM(KZS)算法特征为利用对数似然函数筛选算法的初始种群;
岩体强度参数反演方法,包括:
(1)从待求变量的先验分布中随机抽取5000个参数样本,并计算每组参数样本的似然度,按照似然度从小到大对参数样本进行排序,筛选前3组参数样本作为初始种群(见表3);
表3DREAM(kzs)算法的初始种群
Parameters | GSI | m<sub>i</sub> | σ<sub>ci</sub>/KPa |
1 | 24.35 | 9.56 | 2021 |
2 | 24.37 | 9.54 | 1977 |
3 | 26.29 | 10.09 | 1916 |
(2)确定DREAM(KZS)算法中马尔科夫链的数量N为3、迭代次数T为6000,基于先验分布、对数似然函数和初始种群,设置安全系数误差(替代模型与边坡数值模拟模型之间的计算误差)服从均值为0.01,标准差为0.01的正态分布,滑面误差(测量误差)为0.1m,采用改进的DREAM(KZS)算法对岩体强度参数的后验分布进行采样;
S5.收敛性分析(见图5),统计强度参数GSI、mi、σci后验概率分布中的统计特征值;
收敛性分析方法,包括:
(1)计算收敛诊断指标Rstat;
(2)若收敛诊断指标Rstat≤1.2,马尔科夫链收敛到平稳分布,计算结束;否则,增加马尔科夫链数目N或迭代次数T重新进行计算,直至收敛;
改进的DREAM(kzs)算法计算6000次后,满足规定的收敛阈值1.2,表明N=3和T=6000可以保证马尔科夫链收敛于目标分布;在马尔科夫链收敛到平稳状态后,选取每条马尔科夫链的后4000组样本进行统计分析,获得后验概率分布及其统计特征值,包括均值、方差;采样过程达到静态分布时,3个模型参数的边缘后验概率分布(见图6),后验概率密度分布有明显的峰值,统计得GSI,mi,σci的后验均值分别为24.4,10.1,1990,与先验均值接近,岩体强度参数得到有效识别;
设置滑面测量误差为0m,0.3m,0.5m,0.7m,0.9m,重复运行改进的DREAM(kzs)算法,在不同滑面测量误差下,岩体强度参数的后验分布见图7。
以上对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (10)
1.一种节理岩质边坡岩体强度参数概率反演方法,其特征在于,具体步骤如下:
S1.通过现场地质调查和测量边坡信息,确定地质强度指标GSI、岩石材料常数mi和岩石单轴抗压强度σci的先验分布信息;
S2.基于节理岩体强度参数的先验信息,采用拉丁超立方抽样方法抽取m组参数GSI、mi、σci形成强度参数样本,逐个代入边坡数值模拟模型,进行正演模拟,输出对应的最小安全系数Fs、临界滑面剪入口横坐标x、滑面深度h;
S3.构建神经网络预测模型作为边坡数值模拟模型的替代模型,检验替代模型的精度,并统计替代模型与边坡数值模拟模型之间的误差;
S4.构造对数似然函数,采用改进的DREAM(KZS)算法进行岩体强度参数反演;
S5.收敛性分析,统计强度参数GSI、mi、σci后验概率分布中的统计特征值。
2.根据权利要求1所述节理岩质边坡岩体强度参数概率反演方法,其特征在于:步骤S1中地质强度指标GSI、岩石材料常数mi和岩石单轴抗压强度σci的先验分布信息确定方法为
(1)通过地质调查确定边坡各层岩石的类型和结构,根据岩石材料常数mi表确定岩石材料常数mi的取值范围;
(2)通过试验获取岩石单轴抗压强度σci和重度γ,统计确定岩石单轴抗压强度σci的先验分布类型、平均值和变异系数;
(3)观测岩体块体的连续性和结构面状态,根据地质强度指标GSI表确定节理岩体中GSI的取值范围。
(4)测量边坡的几何参数即高度H和坡角β,测定滑坡体的滑面剪入口的位置和滑面深度。
3.根据权利要求2所述节理岩质边坡岩体强度参数概率反演方法,其特征在于:步骤S2具体包括:
(1)基于边坡高度H、坡角β和重度γ,在Slide中建立初始边坡数值模拟模型;
(2)基于节理岩体强度参数的先验信息,采用拉丁超立方抽样方法生成m组服从先验分布的节理岩体强度参数GSI、mi、σci,逐个代入Slide中的初始边坡数值模拟模型,输出对应的最小安全系数FS、临界滑面剪入口横坐标x、滑面深度h,获得m组输入值GSI、mi和σci和对应的输出值FS、x和h。
4.根据权利要求1所述节理岩质边坡岩体强度参数概率反演方法,其特征在于:步骤S3中神经网络预测模型的构建方法,包括:
(1)分别以岩质边坡的强度参数和临界滑面特征参数作为输入数据和目标数据;
(2)从先验分布中随机抽取样本,并分为神经网络预测模型的训练集、验证集和测试集;
(3)设置隐含层的神经元个数,建立神经网络结构,采用Bayesian Regularization训练算法对建立的神经网络结构进行训练,得到神经网络预测模型。
5.根据权利要求1所述节理岩质边坡岩体强度参数概率反演方法,其特征在于:步骤S4中对数似然函数的构造方法,包括:
(1)对于一个含n层不同性质岩体的二维节理岩质边坡,将岩体强度参数构成的向量定义为θ(θ=[GSI1,(mi)1,(σci)1,···,GSIn,(mi)n,(σci)n]);假设其破坏时安全系数FS=1,通过滑面调查得到滑面特征值,设y={FS,x,h};
(2)以F(θ)为预测边坡安全系数和滑面特征点的模型,在贝叶斯推理中,考虑模型总误差ε,观测数据y表示为:
y=F(θ)+ε
式中:向量ε采用随机变量表征,ε={εFs,εx,εh},表示测量误差和预测模型的总误差,采用均值为0和方差为σ的正态分布表示,即ε~N(0,σ2),其中σ={σFS,σx,σh},表示总误差的标准差;
(3)基于贝叶斯公式,利用岩体强度指标θ先验信息和观测数据,岩体参数的后验分布为:
p(θ|y)∝L(y|θ)p(θ)
式中:p(θ)为先验概率密度函数,p(θ|y)为后验概率密度函数,L(y|θ)为似然函数;似然函数L(y|θ)的表达式为:
似然函数L(y|θ)取对数形式:
式中:L(y|θ)为似然函数;n为不同性质岩体的层数,σi表示总误差的标准差,yi表示滑面特征值。
6.根据权利要求5所述节理岩质边坡岩体强度参数概率反演方法,其特征在于:步骤S4中改进DREAM(KZS)算法特征为利用对数似然函数筛选算法的初始种群。
7.根据权利要求6所述节理岩质边坡岩体强度参数概率反演方法,其特征在于:步骤S4中岩体强度参数反演方法,包括:
(1)从待求变量的先验分布中随机抽取5000个参数样本,并计算每组参数样本的似然度,按照似然度从小到大对参数样本进行排序,筛选前3组参数样本;
(2)确定DREAM(KZS)算法中马尔科夫链的数量N、迭代次数T,基于先验分布、对数似然函数和初始种群,设置安全系数误差及滑面误差,采用改进的DREAM(KZS)算法对岩体强度参数的后验分布进行采样。
8.根据权利要求7所述节理岩质边坡岩体强度参数概率反演方法,其特征在于:安全系数误差为替代模型与边坡数值模拟模型之间的计算误差,滑面误差为测量误差。
9.根据权利要求7所述节理岩质边坡岩体强度参数概率反演方法,其特征在于:步骤S5中收敛性分析方法,包括:
(1)计算收敛诊断指标Rstat;
(2)若收敛诊断指标Rstat≤1.2,马尔科夫链收敛到平稳分布,计算结束;否则,增加马尔科夫链数目N或迭代次数T重新进行计算,直至收敛。
10.根据权利要求1所述节理岩质边坡岩体强度参数概率反演方法,其特征在于:步骤S5中统计特征值包括均值和方差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211242366.0A CN115508206B (zh) | 2022-10-11 | 2022-10-11 | 一种节理岩质边坡岩体强度参数概率反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211242366.0A CN115508206B (zh) | 2022-10-11 | 2022-10-11 | 一种节理岩质边坡岩体强度参数概率反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115508206A true CN115508206A (zh) | 2022-12-23 |
CN115508206B CN115508206B (zh) | 2024-07-05 |
Family
ID=84509853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211242366.0A Active CN115508206B (zh) | 2022-10-11 | 2022-10-11 | 一种节理岩质边坡岩体强度参数概率反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115508206B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116258972A (zh) * | 2023-05-16 | 2023-06-13 | 四川安信科创科技有限公司 | 一种基于深度学习的岩质高陡边坡结构面提取方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110119040A1 (en) * | 2009-11-18 | 2011-05-19 | Conocophillips Company | Attribute importance measure for parametric multivariate modeling |
CN102789516A (zh) * | 2012-05-21 | 2012-11-21 | 河北钢铁集团矿业有限公司 | 一种基于监测信息的边坡施工过程的稳定性数值分析与优化设计方法 |
US20140318037A1 (en) * | 2011-06-03 | 2014-10-30 | Albertelli Aldino | Modular building |
US20160086079A1 (en) * | 2014-06-02 | 2016-03-24 | Westerngeco Llc | Properties link for simultaneous joint inversion |
CN105912777A (zh) * | 2016-04-09 | 2016-08-31 | 中国电建集团华东勘测设计研究院有限公司 | 一种利用响应面法识别边坡土体伯格斯模型参数的方法 |
CN108287254A (zh) * | 2018-01-31 | 2018-07-17 | 西安科技大学 | 一种基于图像处理的胶结充填体微观参数敏感性分析方法 |
US20200041692A1 (en) * | 2018-07-31 | 2020-02-06 | Jan Schmedes | Detecting Fluid Types Using Petrophysical Inversion |
CN112307536A (zh) * | 2020-09-18 | 2021-02-02 | 天津大学 | 一种大坝渗流参数反演方法 |
US20210041596A1 (en) * | 2019-08-06 | 2021-02-11 | Exxonmobil Upstream Research Company | Petrophysical Inversion With Machine Learning-Based Geologic Priors |
US20220011204A1 (en) * | 2020-07-10 | 2022-01-13 | Wuhan University | Real-time measurement system and measurement method for mechanical parameters of rock slag during excavation |
CN114397210A (zh) * | 2021-12-28 | 2022-04-26 | 西安电子科技大学 | 一种基于球形压痕测量材料各向异性塑性的贝叶斯方法 |
CN117235540A (zh) * | 2023-08-21 | 2023-12-15 | 江西农业大学 | 基于特征匹配融合的传感器动态信息联动分析方法 |
CN117252063A (zh) * | 2023-09-27 | 2023-12-19 | 武汉大学 | 基于机器学习的岩质高边坡开挖锚固变形预测方法及系统 |
CN117688839A (zh) * | 2023-12-18 | 2024-03-12 | 中国电建集团江西省电力设计院有限公司 | 一种基于Logistic回归的挡墙式锁固型边坡失稳预测方法以及装置 |
-
2022
- 2022-10-11 CN CN202211242366.0A patent/CN115508206B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110119040A1 (en) * | 2009-11-18 | 2011-05-19 | Conocophillips Company | Attribute importance measure for parametric multivariate modeling |
US20140318037A1 (en) * | 2011-06-03 | 2014-10-30 | Albertelli Aldino | Modular building |
CN102789516A (zh) * | 2012-05-21 | 2012-11-21 | 河北钢铁集团矿业有限公司 | 一种基于监测信息的边坡施工过程的稳定性数值分析与优化设计方法 |
US20160086079A1 (en) * | 2014-06-02 | 2016-03-24 | Westerngeco Llc | Properties link for simultaneous joint inversion |
CN105912777A (zh) * | 2016-04-09 | 2016-08-31 | 中国电建集团华东勘测设计研究院有限公司 | 一种利用响应面法识别边坡土体伯格斯模型参数的方法 |
US20170293048A1 (en) * | 2016-04-09 | 2017-10-12 | Powerchina Huadong Engineering Corporation Limited | Response Surface Method for Identifying The Parameters of Burgers Model for Slope Soil |
CN108287254A (zh) * | 2018-01-31 | 2018-07-17 | 西安科技大学 | 一种基于图像处理的胶结充填体微观参数敏感性分析方法 |
US20200041692A1 (en) * | 2018-07-31 | 2020-02-06 | Jan Schmedes | Detecting Fluid Types Using Petrophysical Inversion |
US20210041596A1 (en) * | 2019-08-06 | 2021-02-11 | Exxonmobil Upstream Research Company | Petrophysical Inversion With Machine Learning-Based Geologic Priors |
US20220011204A1 (en) * | 2020-07-10 | 2022-01-13 | Wuhan University | Real-time measurement system and measurement method for mechanical parameters of rock slag during excavation |
CN112307536A (zh) * | 2020-09-18 | 2021-02-02 | 天津大学 | 一种大坝渗流参数反演方法 |
CN114397210A (zh) * | 2021-12-28 | 2022-04-26 | 西安电子科技大学 | 一种基于球形压痕测量材料各向异性塑性的贝叶斯方法 |
CN117235540A (zh) * | 2023-08-21 | 2023-12-15 | 江西农业大学 | 基于特征匹配融合的传感器动态信息联动分析方法 |
CN117252063A (zh) * | 2023-09-27 | 2023-12-19 | 武汉大学 | 基于机器学习的岩质高边坡开挖锚固变形预测方法及系统 |
CN117688839A (zh) * | 2023-12-18 | 2024-03-12 | 中国电建集团江西省电力设计院有限公司 | 一种基于Logistic回归的挡墙式锁固型边坡失稳预测方法以及装置 |
Non-Patent Citations (6)
Title |
---|
LIU J 等: "Bayesian estimation for probability distribution of rock\'s elastic modulus based on compression wave velocity and defromation warning for large underground cavern", 《, vol. 55, no. 6, 30 June 2022 (2022-06-30), pages 3749 - 3767 * |
ZHANG HJ 等: "Reliability analysis slopes considering the uncertainty of joint spatial distributions", 《COMPUTERS AND GEOTECHNICS》, vol. 161, 30 September 2023 (2023-09-30), pages 105566 * |
吴顺川 等: "非煤露天矿山岩质边坡稳定性评鉴标准探讨", 《工程科学学报》, vol. 44, no. 5, 31 May 2022 (2022-05-31), pages 876 - 885 * |
段建: "岩质边坡稳定性分析及其危险滑移路径搜索研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》, no. 10, 15 October 2005 (2005-10-15), pages 038 - 167 * |
蒋水华;刘源;张小波;黄劲松;周创兵;: "有限数据条件下空间变异岩土力学参数随机反演分析及比较", 岩石力学与工程学报, no. 06, 31 December 2020 (2020-12-31), pages 190 - 201 * |
邓超;胡焕校;张天乐;余童;: "基于改进极限学习机模型的岩质边坡稳定性评价与参数反演", 中国地质灾害与防治学报, no. 03, 15 June 2020 (2020-06-15), pages 9 - 18 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116258972A (zh) * | 2023-05-16 | 2023-06-13 | 四川安信科创科技有限公司 | 一种基于深度学习的岩质高陡边坡结构面提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115508206B (zh) | 2024-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gamboa et al. | Statistical inference for Sobol pick-freeze Monte Carlo method | |
CN114021501B (zh) | 一种火灾温度场重构方法、系统、计算机设备、介质及终端 | |
CN112070357A (zh) | 一种基于改进bp神经网络的雷达辐射源威胁评估方法 | |
Schröder et al. | Wind turbine site-specific load estimation using artificial neural networks calibrated by means of high-fidelity load simulations | |
CN112651119B (zh) | 一种空间谐波减速器多性能参数加速退化试验评估方法 | |
CN115508206B (zh) | 一种节理岩质边坡岩体强度参数概率反演方法 | |
CN112948932A (zh) | 一种基于TSP预报数据与XGBoost算法的围岩等级预测方法 | |
Niebling | Identification of gases with classical pattern-recognition methods and artificial neural networks | |
CN115982141A (zh) | 一种针对时序数据预测的特征优化方法 | |
CN115221973A (zh) | 一种基于增强加权异质集成学习的航空轴承故障诊断方法 | |
CN116088453A (zh) | 生产质量预测模型训练方法及装置、生产质量监控方法 | |
Goeva et al. | Optimization-based calibration of simulation input models | |
CN114764682A (zh) | 一种基于多机器学习算法融合的大米安全风险评估方法 | |
CN110765668B (zh) | 一种基于偏差指标的混凝土侵彻深度试验数据异常点检测方法 | |
Rumsey et al. | Dealing with measurement uncertainties as nuisance parameters in Bayesian model calibration | |
CN105974058B (zh) | 基于电子鼻-人工神经网络的快速检测烟叶中钾含量的方法 | |
CN110779477B (zh) | 一种用于实时识别物体形状的声学方法 | |
CN117391463A (zh) | 一种河流污染的溯源方法 | |
CN103745232B (zh) | 基于波段迁移的高光谱图像聚类方法 | |
CN115308705A (zh) | 一种基于生成对抗网络的多姿态极窄脉冲回波生成方法 | |
CN114626594A (zh) | 一种基于聚类分析和深度学习的中长期电量预测方法 | |
CN111062118B (zh) | 一种基于神经网络预测分层的多层软测量建模系统及方法 | |
CN115310472A (zh) | 基于核脉冲峰值序列的一维卷积神经网络核素识别方法 | |
CN113722308A (zh) | 基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法及装置 | |
Ocviani et al. | Classification of Student Graduation Using Backpropagation Neural Network with Features Selection and Dimensions Reduction |
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 |