CN116050273A - 千枚岩隧道围岩蠕变参数预测方法、装置及产品 - Google Patents
千枚岩隧道围岩蠕变参数预测方法、装置及产品 Download PDFInfo
- Publication number
- CN116050273A CN116050273A CN202310102834.2A CN202310102834A CN116050273A CN 116050273 A CN116050273 A CN 116050273A CN 202310102834 A CN202310102834 A CN 202310102834A CN 116050273 A CN116050273 A CN 116050273A
- Authority
- CN
- China
- Prior art keywords
- creep
- surrounding rock
- parameters
- monitoring point
- deformation
- 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
- 239000011435 rock Substances 0.000 title claims abstract description 253
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012544 monitoring process Methods 0.000 claims abstract description 186
- 230000006378 damage Effects 0.000 claims abstract description 72
- 238000012549 training Methods 0.000 claims abstract description 70
- 238000013528 artificial neural network Methods 0.000 claims abstract description 64
- 238000002474 experimental method Methods 0.000 claims abstract description 25
- 238000004088 simulation Methods 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 30
- 238000012360 testing method Methods 0.000 claims description 21
- 229920006395 saturated elastomer Polymers 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 13
- 230000000977 initiatory effect Effects 0.000 claims description 10
- 230000003204 osmotic effect Effects 0.000 claims description 8
- 238000013401 experimental design Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 6
- 230000007774 longterm Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 66
- 239000000523 sample Substances 0.000 description 38
- 238000004458 analytical method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 230000009471 action Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000005336 cracking Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000009412 basement excavation Methods 0.000 description 3
- 230000035699 permeability Effects 0.000 description 3
- 238000010008 shearing Methods 0.000 description 3
- 241000282320 Panthera leo Species 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000002390 adhesive tape Substances 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000005422 blasting Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 239000007822 coupling agent Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000012153 distilled water Substances 0.000 description 1
- 230000005489 elastic deformation Effects 0.000 description 1
- 229920001971 elastomer Polymers 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000003189 isokinetic effect Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000004901 spalling Methods 0.000 description 1
- 229940099259 vaseline Drugs 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual 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]
- G06F30/20—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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Fluid Mechanics (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明实施例提供了一种千枚岩隧道围岩蠕变参数预测方法、装置及产品,涉及岩石力学领域。本发明实施例中,先将岩石的室内蠕变实验结果与蠕变损伤本构方程拟合,得到各监测点的初始蠕变参数,然后基于上述初始蠕变参数通过正交实验方案生成多组围岩蠕变参数,对多组围岩蠕变参数以及其他监测点的初始蠕变参数分别进行数值模拟计算,生成各监测点对应的多组训练样本,通过神经网络模型建立围岩的神经网络反演模型,最终,将隧道现场的实际监测变形量代入反演模型,反演出围岩蠕变参数。本发明实施例中,还根据各监测点围岩的工程地质特性,采用控制变量法来分别建立各监测点附近围岩的反演模型,从而可以提高反演的准确度。
Description
技术领域
本发明实施例涉及岩石力学领域,尤其涉及一种千枚岩隧道围岩蠕变参数预测方法、装置及产品。
背景技术
隧道开始开挖后,围岩应力状态发生变化,加上隧道工程的复杂性和隐蔽性,使得开挖后很难准确获得围岩的蠕变参数,仅基于理论和室内简单实验研究得到的参数往往与实际围岩参数相差较大,很难满足要求。随着近年来智能分析的发展和广泛应用,越来越多的研究人员采用现场监测-神经网络智能分析相结合的方法来对隧道围岩的蠕变参数进行反演。
传统的神经网络方法以隧道围岩整体为对象来建立统一的参数反演模型,往往需要大量的样本数据才能训练出一个反演模型,但一般采取经验值作为输入参数,并不能反映围岩的真实情况,导致神经网络结构不统一、训练效率低、精度不高等问题。
因此,目前亟需一种新的千枚岩隧道围岩蠕变参数预测方法。
发明内容
本发明实施例提供一种千枚岩隧道围岩蠕变参数预测方法、装置及产品,以至少部分解决相关技术中存在的问题。
本发明实施例第一方面提供了一种千枚岩隧道围岩蠕变参数预测方法,所述方法包括:
对当前围岩监测点的变形量进行监测,所述变形量包括:边墙收敛变形量、右拱腰沉降量、拱顶沉降量、左拱腰沉降量、拱腰收敛变形量;
将实际监测到的变形量输入到与当前围岩监测点对应的神经网络反演模型中,得出当前围岩监测点的蠕变参数;
其中,所述当前围岩监测点对应的神经网络反演模型的一组训练数据包括:当前围岩监测点的蠕变参数及其对应的变形量,该对应的变形量对当前围岩监测点的蠕变参数以及其他围岩监测点的初始蠕变参数进行模拟计算得到的;所述当前围岩监测点的蠕变参数是基于当前围岩监测点的初始蠕变参数通过正交实验方案得到的;
围岩监测点的初始蠕变参数是通过渗流-应力条件下饱和千枚岩三轴蠕变实验结果以及渗流-应力条件下的千枚岩隧道围岩蠕变本构式得到的:
ε=Aσe+BS11+CS11[1-e-Ft]+MS11Dn+NS11Dg,σ≥σs2得到的,
其中,σe为有效应力,S11为有效偏应力,D*表示有效损伤量,由渗流-应力条件下饱和千枚岩三轴蠕变实验结果确定,若无渗流条件,则D*=0;σ3表示隧道围岩地应力最小主应力,σ1表示隧道围岩地应力最大主应力,P表示渗透压,σs2表示岩石的长期强度;A、B、C、F、M、N为蠕变参数;Dn为起裂损伤函数,为线性演化规律,设Dn=kt,k是受偏应力与短期峰值强度比影响的损伤参数;Dg为加速损伤函数,为幂函数演化规律,设Dg=mtn,m、n是加速损伤参数;由室内声发射实验获得损伤演化规律曲线,通过拟合得到损伤参数k、m、n。
可选地,所述与当前围岩监测点对应的神经网络反演模型的训练步骤包括:
获取当前围岩监测点对应的神经网络反演模型的多组训练数据;
利用所述多组训练数据对BP模型进行训练,得到与当前围岩监测点对应的神经网络反演模型。
可选地,获取当前围岩监测点对应的神经网络反演模型的多组训练数据,包括:
对各个围岩监测点处的围岩进行渗流-应力条件下饱和千枚岩三轴蠕变实验,将实验结果与所述渗流-应力条件下的千枚岩隧道围岩蠕变本构式进行拟合,得到各个检测点的初始蠕变参数;
固定其他监测点的初始蠕变参数不变,基于当前监测点的初始蠕变参数和正交实验设计生成当前围岩监测点的蠕变参数样本集;
将所述蠕变参数样本集中的每组蠕变参数和其他监测点的初始蠕变参数分别输入到数值模型中计算得到对应的变形量,将每组蠕变参数以及对应的变形量作为训练数据,所述数值模型为GDEM数值模型。
可选地,所述与当前围岩监测点对应的神经网络反演模型的训练步骤还包括:
将测试变形量输入训练得到的当前围岩监测点对应的神经网络反演模型,反演得到对应的测试蠕变参数,将所述测试蠕变参数输入所述数值模型,得到模拟变形量;
比较所述测试变形量和所述模拟变形量的误差;
在误差大于预设阈值的情况下,对所述数值模型进行调整,利用调整后的数值模型重新确定训练数据,并重新对BP模型进行训练。
可选地,将所述蠕变参数样本集中的每组蠕变参数和其他监测点的初始蠕变参数分别输入到数值模型中计算得到对应的变形量,包括:
在GDEM数值模拟程序中嵌入所述渗流-应力条件下的千枚岩隧道围岩蠕变本构式;
将所述蠕变参数样本集中的每组蠕变参数和其他监测点的初始蠕变参数分别输入到GDEM数值模拟程序,计算得到对应的变形量。
本发明实施例第二方面提供了一种千枚岩隧道围岩蠕变参数预测装置,所述装置包括:
监测模块,用于对当前围岩监测点的变形量进行监测,所述变形量包括:边墙收敛变形量、右拱腰沉降量、拱顶沉降量、左拱腰沉降量、拱腰收敛变形量;
预测模块,用于将实际监测到的变形量输入到与当前围岩监测点对应的神经网络反演模型中,得出当前围岩监测点的蠕变参数;
所述当前围岩监测点对应的神经网络反演模型的一组训练数据包括:当前围岩监测点的蠕变参数及其对应的变形量,该对应的变形量对当前围岩监测点的蠕变参数以及其他围岩监测点的初始蠕变参数进行模拟计算得到的;所述当前围岩监测点的蠕变参数是基于当前围岩监测点的初始蠕变参数通过正交实验方案得到的;
围岩监测点的初始蠕变参数是通过渗流-应力条件下饱和千枚岩三轴蠕变实验结果以及渗流-应力条件下的千枚岩隧道围岩蠕变本构式得到的:
ε=Aσe+BS11+CS11[1-e-Ft]+MS11Dn+NS11Dg,σ≥σs2得到的,
其中,σe为有效应力,S11为有效偏应力,D*表示有效损伤量,由渗流-应力条件下饱和千枚岩三轴蠕变实验结果确定,若无渗流条件,则D*=0;σ3表示隧道围岩地应力最小主应力,σ1表示隧道围岩地应力最大主应力,P表示渗透压,σs2表示岩石的长期强度;A、B、C、F、M、N为蠕变参数;Dn为起裂损伤函数,为线性演化规律,设Dn=kt,k是受偏应力与短期峰值强度比影响的损伤参数;Dg为加速损伤函数,为幂函数演化规律,设Dg=mtn,m、n是加速损伤参数;由室内声发射实验获得损伤演化规律曲线,通过拟合得到损伤参数k、m、n。
可选地,所述与当前围岩监测点对应的神经网络反演模型的训练步骤包括:
获取当前围岩监测点对应的神经网络反演模型的多组训练数据;
利用所述多组训练数据对BP模型进行训练,得到与当前围岩监测点对应的神经网络反演模型。
可选地,获取当前围岩监测点对应的神经网络反演模型的多组训练数据,包括:
对各个围岩监测点处的围岩进行渗流-应力条件下饱和千枚岩三轴蠕变实验,将实验结果与所述渗流-应力条件下的千枚岩隧道围岩蠕变本构式进行拟合,得到各个检测点的初始蠕变参数;
固定其他监测点的初始蠕变参数不变,基于当前监测点的初始蠕变参数和正交实验设计生成当前围岩监测点的蠕变参数样本集;
将所述蠕变参数样本集中的每组蠕变参数和其他监测点的初始蠕变参数分别输入到数值模型中计算得到对应的变形量,将每组蠕变参数以及对应的变形量作为训练数据,所述数值模型为GDEM数值模型。
可选地,所述与当前围岩监测点对应的神经网络反演模型的训练步骤还包括:
将测试变形量输入训练得到的当前围岩监测点对应的神经网络反演模型,反演得到对应的测试蠕变参数,将所述测试蠕变参数输入所述数值模型,得到模拟变形量;
比较所述测试变形量和所述模拟变形量的误差;
在误差大于预设阈值的情况下,对所述数值模型进行调整,利用调整后的数值模型重新确定训练数据,并重新对BP模型进行训练。
可选地,将所述蠕变参数样本集中的每组蠕变参数和其他监测点的初始蠕变参数分别输入到数值模型中计算得到对应的变形量,包括:
在GDEM数值模拟程序中嵌入所述渗流-应力条件下的千枚岩隧道围岩蠕变本构式;
将所述蠕变参数样本集中的每组蠕变参数和其他监测点的初始蠕变参数分别输入到GDEM数值模拟程序,计算得到对应的变形量。
本发明实施例第三方面提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明第一方面所述的方法中的步骤。
本发明实施例第四方面提供一种电子设备,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,所述处理器执行时实现如本发明第一方面所述的方法中的步骤。
本发明实施例中,先将岩石的室内蠕变实验结果与蠕变损伤本构方程拟合,得到各监测点的初始蠕变参数,然后基于上述初始蠕变参数通过正交实验方案生成多组围岩蠕变参数,对多组围岩蠕变参数以及其他监测点的初始蠕变参数分别进行数值模拟计算,生成各监测点对应的多组训练样本,通过神经网络模型建立围岩的神经网络反演模型,最终,将隧道现场的实际监测变形量代入反演模型,反演出围岩蠕变参数。本发明实施例中,还根据各监测点围岩的工程地质特性,采用控制变量法来分别建立各监测点附近围岩的反演模型,从而可以提高反演的准确度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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是本发明实施例的一种千枚岩隧道围岩蠕变参数预测方法的流程图;
图2是本发明实施例的一种千枚岩隧道围岩蠕变参数预测方法的流程图;
图3是本发明实施例的一种实施案例中各监测点沉降变形的监测值示意图;
图4是本发明实施例的一种实施案例中围岩在第10天的模拟变形结果示意图;
图5是本发明实施例的一种实施案例中围岩在第30天的模拟变形结果示意图;
图6是本发明实施例的一种实施案例中围岩在第60天的模拟变形结果示意图;
图7是本发明实施例的一种千枚岩隧道围岩蠕变参数预测装置的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1,示出了本发明实施例的一种千枚岩隧道围岩蠕变参数预测方法的流程图,本发明实施例所提供的千枚岩隧道围岩蠕变参数预测方法可以包括以下步骤:
S101,对当前围岩监测点的变形量进行监测。
其中,所述变形量包括:边墙收敛变形量、右拱腰沉降量、拱顶沉降量、左拱腰沉降量、拱腰收敛变形量。
本发明实施例中,针对千枚岩隧道围岩的每个监测点分别进行蠕变参数预测。
本发明实施例中,针对千枚岩隧道围岩,可以分别监测其边墙收敛变形量、右拱腰沉降量、拱顶沉降量、左拱腰沉降量、拱腰收敛变形量,作为边墙、右拱腰、拱顶、左拱腰、拱腰这五个位置的监测点对应的变形量。
S102,将实际监测到的变形量输入到与当前围岩监测点对应的神经网络反演模型中,得出当前围岩监测点的蠕变参数。
其中,所述当前围岩监测点对应的神经网络反演模型的一组训练数据包括:当前围岩监测点的蠕变参数、以及对当前围岩监测点的蠕变参数进行模拟计算得到的变形量。
其中,所述当前围岩监测点对应的神经网络反演模型的一组训练数据包括:当前围岩监测点的蠕变参数及其对应的变形量,该对应的变形量对当前围岩监测点的蠕变参数以及其他围岩监测点的初始蠕变参数进行模拟计算得到的;所述当前围岩监测点的蠕变参数是基于当前围岩监测点的初始蠕变参数通过正交实验方案得到的;
围岩监测点的初始蠕变参数是通过渗流-应力条件下饱和千枚岩三轴蠕变实验结果以及渗流-应力条件下的千枚岩隧道围岩蠕变本构式得到的:
ε=Aσe+BS11+CS11[1-e-Ft]+MS11Dn+NS11Dg,σ≥σs2得到的,
其中,σe为有效应力,S11为有效偏应力,D*表示有效损伤量,由渗流-应力条件下饱和千枚岩三轴蠕变实验结果确定,若无渗流条件,则D*=0;σ3表示隧道围岩地应力最小主应力,σ1表示隧道围岩地应力最大主应力,P表示渗透压,σs2表示岩石的长期强度;A、B、C、F、M、N为蠕变参数;Dn为起裂损伤函数,为线性演化规律,设Dn=kt,k是受偏应力与短期峰值强度比影响的损伤参数;Dg为加速损伤函数,为幂函数演化规律,设Dg=mtn,m、n是加速损伤参数;由室内声发射实验获得损伤演化规律曲线,通过拟合得到损伤参数k、m、n。
本发明实施例中,采用饱水状态的千枚岩进行三轴蠕变试验,控制渗透压和围压为当前渗透压和当前围压,蠕变加载仍采用陈氏加载法,再确定岩样短期峰值强度的20%、40%、60%、80%进行级加载差应力(σ1-σ3),每级加载维持时间24小时,若在最后一级加载之前发生破坏,则试验停止加载,若最后一级加载作用下试件并未出现失稳破坏,则根据实际情况提高荷载直到岩样发生破坏。实验期间,采用瞬态法对岩样的渗透率进行采集,并对岩样的损伤事件进行监测。
实验主要步骤如下:
①先将千枚岩试样干燥后,放入真空饱水装置中进行真空饱水。
②岩样的安装与固定。将饱水试样用高性能隔水胶皮塑封好后放入三轴压力仓,用防水胶带将试样与上下透水板连接处密封好,然后在上下端加装密封圈,安装位移引伸计,连接并检查进水口、出水口。
③降下MTS三轴压力室外壁,并在外壁上下各均布布置4个ACk-800型声发射探头,用凡士林当耦合剂,打开油压泵,给岩样施加围压。
④通过渗流系统中的活塞来推动进水仓中的蒸馏水给试样施加一定的渗透压力,保持围压、渗透压不变,施加每级的轴向荷载,然后保持轴向荷载不变,采用瞬态法采集岩样的渗透率。
⑤重复第4步,按照分级加载方案,记录并采集渗透率数据,直到岩样发生加速蠕变破坏,最后对实验数据进行汇总整理。
本发明实施例中,在进行蠕变实验的同时进行室内声发射实验,监测声发射事件,获得损伤演化规律曲线,通过拟合得到损伤参数k、m、n。
本发明实施例中,先将岩石的室内蠕变实验结果与蠕变损伤本构方程拟合,得到各监测点的初始蠕变参数,然后基于上述初始蠕变参数通过正交实验方案生成多组围岩蠕变参数,对多组围岩蠕变参数以及其他监测点的初始蠕变参数分别进行数值模拟计算,生成各监测点对应的多组训练样本,通过神经网络模型建立围岩的神经网络反演模型,最终,将隧道现场的实际监测变形量代入反演模型,反演出围岩蠕变参数。
由于实际工程中围岩的复杂性,即便是同一断面的不同位置,影响围岩变形的因素也是不同的,同时实际获取的数据量往往是有限的。因此,本发明实施例中,可以根据各监测点围岩的工程地质特性,采用控制变量法来分别建立各监测点附近围岩的反演模型,以此来提高反演的准确度。
参照图2,示出了本发明实施例的一种千枚岩隧道围岩蠕变参数预测方法中的神经网络反演模型的训练步骤流程图,本发明实施例所提供的千枚岩隧道围岩蠕变参数预测方法中的神经网络反演模型的训练步骤可以包括:
S201,采用matlab神经网络工具箱建立BP模型,所述神经网络反演模型的输入节点为5个,隐藏层节点数为13个,输出节点为6个。
本发明实施例中,利用MATLAB中的BP神经网络工具箱,输入层节点5个(对应围岩的各个变形量指标),输出层节点6个(对应各个围岩蠕变参数),中间隐藏层节点数采用以下经验公式估计:
式(1-1)中,a为输入层节点数,n为输出层节点数,i为1~10之间的整数,根据具体的神经网络拟合结果来试算出最优数。经过试算,隐藏层节点数取13能使拟合结果达到最佳。
S202,获取当前围岩监测点对应的神经网络反演模型的多组训练数据。
具体的,所述步骤S202包括以下子步骤:
S2021,对各个围岩监测点处的围岩进行渗流-应力条件下饱和千枚岩三轴蠕变实验,将实验结果与所述渗流-应力条件下的千枚岩隧道围岩蠕变本构式进行拟合,得到各个检测点的初始蠕变参数。
本发明实施例中,可以对围岩监测点处的围岩进行围压15MPa条件下的饱和千枚岩的蠕变-声发射实验,并将实验结果与千枚岩隧道围岩蠕变本构式进行拟合,得到各测点岩样的蠕变损伤参数,作为初始蠕变参数。
本发明实施例中,经过理论推导及实验分析,确定渗流-应力条件下的千枚岩三维蠕变损伤本构方程为:
式(2-1)包含的待定系数有K、P、D*、G0、G1、η1、η2、η3、M、H,其中P表示渗透压;表示有效损伤量,受渗流的影响,若无渗流条件,则D*=0;α表示荷载水平强度参数。岩石的蠕变本构方程可分为四个部分:
(1)瞬时弹性应变:岩石的瞬时弹性变形主要与自身的弹性模量、受到的有效应力有关,一般为蠕变曲线的初始值,对应式(2-1)的第一、第二项。
(2)衰减蠕变:与自身的黏弹性模量、黏弹系数、受到的偏应力有关,应变增长曲线为斜率减小的上凸曲线,对应式(2-1)的第三项。
(3)起裂(等速)损伤蠕变:与受到的偏应力、自身黏滞系数、起裂损伤程度有关,应变增长曲线为线性函数,对应式(2-1)的第四项。
(4)加速损伤蠕变:与受到的偏应力、黏滞系数、加速损伤程度有关,应变增长曲线为斜率增大的下凸曲线,可用指数函数来表征,对应式(2-1)的第五项。
本发明实施例探索确定,岩石材料的强度是按照损伤演化规律劣化的,当岩石强度降低后,蠕变应变则相应增加,因此蠕变应变规律与损伤演化规律呈高度正相关,可近似用损伤函数来表征应变,将式(2-1)中的各项参数合并整理后得到千枚岩隧道围岩蠕变本构式:
ε=Aσe+BS11+CS11[1-e-Ft]+MS11Dn+NS11Dg,σ≥σs2 (2-2)
其中,σe为有效应力,S11为有效偏应力,D*表示有效损伤量,由室内渗流实验确定,若无渗流条件,则D*=0;σs2表示岩石的长期强度;A、B、C、F、M、N均为待定参数(即为本发明实施例中需要预测得到的蠕变参数),A、B由瞬时弹性阶段来确定,C、F由衰减蠕变应变曲线确定,M由等速蠕变应变曲线确定,N由加速损伤蠕变应变曲线确定;Dn为起裂损伤函数,为线性演化规律,设Dn=kt,k是受偏应力与短期峰值强度比影响的损伤参数;Dg为加速损伤函数,为幂函数演化规律,设Dg=mtn,m、n是加速损伤参数;损伤演化规律曲线由室内声发射实验获得,通过拟合得到损伤参数k、m、n。
S2022,固定其他监测点的初始蠕变参数不变,基于当前监测点的初始蠕变参数和正交实验设计生成当前围岩监测点的蠕变参数样本集。
本发明实施例中,将围岩看作已经发生了蠕变损伤的岩石,那室内实验的参数范围覆盖了围岩的参数,基于该假设,通过正交设计方案,以生成围岩蠕变参数的训练样本。
具体的,为了生成每一个监测点围岩对应的样本参数,本发明实施例采用量值差均分来作为参数浮动范围,提取各个监测点的每个初始蠕变参数中的最大、最小值得到参数浮动范围,再基于当前监测点的初始蠕变参数得到其蠕变参数样本。
例如:在5个监测点中,蠕变参数A对应的初始蠕变参数中的最大、最小值分别为0.018、0.008,两者相减除以5(一共有5组数据)后得到0.005,其中,4号监测点参数数据A为0.008,那么该参数样本就在0.008±0.0025(0.005除以2)的范围内进行取值,以此类推来得到4号测点围岩的蠕变参数样本,每个参数取5个值。
S2023,将所述蠕变参数样本集中的每组蠕变参数分别输入到数值模型中计算得到对应的变形量,将每组蠕变参数以及对应的变形量作为训练数据。
本发明实施例中,采用控制变量法分别构建各监测点的反演模型的训练数据,具体为:固定其他监测点的初始蠕变参数不变,基于当前监测点的初始蠕变参数和正交实验设计生成当前监测点的多组蠕变参数,基于每组蠕变参数和其他监测点的初始蠕变参数进行数值模拟,得到当前监测点的反演模型的训练数据。
具体的,所述步骤S2023包括以下子步骤:
S20231,在GDEM数值模拟程序中嵌入所述渗流-应力条件下的千枚岩隧道围岩蠕变本构式。
GDEM是由中科院力学所开发的一款基于多核CPU并行的连续-非连续耦合分析软件,该软件可对单元块体进行有限元分析,也可以实现块体之间渐进破坏分析,实现了材料在连续和非连续状态下的耦合计算。GDEM将有限元、离散元与颗粒离散元进行了融合,使其应用领域扩大,数值结果更符合实际,可同时支持渗流、温度、应力、破裂等的交互耦合,对多场耦合下材料的破裂破碎过程及碎块群的碰撞堆积过程等均可模拟实现,可广泛应用于岩土、地灾、采矿、隧道、爆破、水电、能源等多个领域。GDEM软件主要分为GDEM-BlockDyna块体分析软件和GDEM-PDyna颗粒离散元分析两个软件模块。
GDEM内置的界面接触模型是按照脆断特性来设置的,当界面弹簧受力达到拉伸或者剪切阈值时,程序会将界面弹簧的黏聚力C及抗拉强度T同时清零,具体设置如下式:
为实现蠕变过程中的两种损伤机制,可通过改变模拟单元之间的接触面本构模型来实现。本发明实施例中,将起裂损伤函数设为跟时间有关的线性规律,而加速扩展损伤函数设为跟时间有关的幂函数规律,因此在蠕变模拟的过程中,处于起裂(张拉)损伤阶段时,接触面之间弹簧单元的拉伸强度T由初始强度线性劣化到0;处于扩展(剪切)损伤阶段时,弹簧单元的剪切强度C由初始强度非线性衰减到0,具体如下:
T=(1-Dn)T0=(1-kt)T0 (231-1)
C= 1-Dg)C0=(1-mtn)C0 (231-2)
在Visual Studio 2008平台上打开GDEM软件的CustomModel.sln程序,对其中的接触本构程序CustomModel_Interface进行修改,编入上述接触本构程序(其中将蠕变时间定义为全局变量方便计算),然后在块体本构程序CustomModel_Element中嵌入千枚岩隧道围岩蠕变本构式。
用VS平台将程序编译成功后,将.dll文件放入数值模型文件夹中,在GDEM软件中用blkdyn.LoadUDF(“CustomModel.dll”)命令来加载自定义本构动态链接库,通过blkdyn.SetMatByGroup(<>)设置基础材料参数,再通过blkdyn.SetUDFValue(<>)来设置用户自定义本构的参数,接着用blkdyn.SetIModel("Custom")命令调用自定义接触本构模型,通过blkdyn.SetModel("Custom")命令调用自定义块体本构模型,这样在核心计算时,BlockDyna将自动调用用户自定义的接触本构和块体本构进行计算。
S20232,将所述蠕变参数样本集中的每组蠕变参数和其他监测点的初始蠕变参数分别输入到GDEM数值模拟程序,计算得到对应的变形量。
S203,利用所述多组训练数据对所述BP模型进行训练,得到与当前围岩监测点对应的神经网络反演模型。
本发明实施例中,可以取70%的训练数据作为训练样本,取15%数据作为验证样本集,取15%作为测试样本集,对所述神经网络反演模型进行训练,得到与当前围岩监测点对应的神经网络反演模型。
本发明实施例中,可以通过上述步骤S201~S203依次生成每个围岩监测点的训练样本,并训练得到每个围岩监测点对应的神经网络反演模型,从而可以将实际监测变形量输入到每个围岩监测点各自对应的神经网络反演模型中,得出各点围岩的蠕变参数。
本发明实施例中,针对每个围岩监测点,基于该监测点的岩石的室内蠕变实验结果,确定初始蠕变参数,再基于初始蠕变参数和正交实验方案和数值模拟计算生成与该监测点相对应的多个训练样本。再基于该训练样本训练得到与该监测点相应的神经网络反演模型,从而可以基于该神经网络反演模型,在隧道开挖过程中,基于监测到的变形量,对该监测点对应的蠕变参数进行准确预测。从而可以得到开挖过程中的实际蠕变参数,从而可以基于该实际蠕变参数对隧道围岩的蠕变预测分析提供依据。
为了便于理解,以下通过一个具体的实施例,对本发明实施例提供的一种千枚岩隧道围岩蠕变参数预测方法,进行进一步地解释,可以理解的,该实施例仅作为示例:
以汶川至马尔康高速公路的狮子坪隧道工程的大变形里程段为案例来进行分析。该隧道为超长左右分离式隧道工程(左隧道长5695m,右隧道长5672m),其中多段发生大变形,导致沿初始支撑拱的多个点出现周向开裂,并导致侧壁和隧道顶部局部开裂和剥落。
选取反演断面狮子坪隧道大变形里程段ZK145+630附近的围岩(以ZK145+620断面为例)的变形进行预测分析,同时对本发明实施例建立的神经网络反演模型适用性进行验证,ZK145+620断面的地质情况与反演断面的基本一致,各监测点的结果见图3。图3示出了开挖后ZK145+620断面各个监测点沉降变形的监测值,其中,data1表示边墙收敛变形;data2表示右拱腰沉降量;data3表示拱顶沉降量;data4表示左拱腰沉降量;data5表示拱腰收敛变形量。
将第30天监测到的累积变形量输入到各个测点对应的反演模型中,得出该断面各测点围岩的蠕变参数,再将各点参数赋值到对应区域的数值模型中进行计算,得到围岩的时程位移云图(图4~图6),图4示出了围岩在第10天的模拟变形结果;图5示出了围岩在第30天的模拟变形结果;图6示出了围岩在第60天的模拟变形结果。
提取不同时间下数值模拟围岩变形量结果,并与实际监测值相比较(如下表所示)来验证反演参数的准确性。
围岩变形监测数据与预测值比较
从表中可以看出,在前20天的监测值与预测值相差较大,误差将近30%,这是因为隧道在开挖后,围岩在短时间发生了快速变形,而反演模型是以蠕变为基础建立的,因此相差较大。随着时间的推移,在40天~60天的时间段,监测值与预测值的误差在20%以内,已经能较准确地预测出围岩变形量,说明预测模型在围岩蠕变阶段的适用性较好。
在后续的研究和分析中,基于该方法可建立大变形段围岩监控-反演参数系统,达到动态掌握隧洞围岩参数的目的,为复杂环境中围岩的蠕变预测分析提供思路和方法,给大变形围岩支护设计和施工提供参考。
基于同一发明构思,本发明实施例提供一种千枚岩隧道围岩蠕变参数预测装置,参考图7,图7是本发明实施例提供的千枚岩隧道围岩蠕变参数预测装置的示意图。如图7所示,该装置包括:
监测模块701,用于对当前围岩监测点的变形量进行监测;
预测模块702,用于将实际监测到的变形量输入到与当前围岩监测点对应的神经网络反演模型中,得出当前围岩监测点的蠕变参数;
其中,所述当前围岩监测点对应的神经网络反演模型的一组训练数据包括:当前围岩监测点的蠕变参数、以及对当前围岩监测点的蠕变参数进行模拟计算得到的变形量。
可选地,还包括:
建立模块,用于采用matlab神经网络工具箱建立神经网络反演模型,所述神经网络反演模型的输入节点为5个,隐藏层节点数为13个,输出节点为6个。
可选地,所述与当前围岩监测点对应的神经网络反演模型的训练步骤包括:
获取当前围岩监测点对应的神经网络反演模型的多组训练数据;
利用所述多组训练数据对所述神经网络反演模型进行训练,得到与当前围岩监测点对应的神经网络反演模型。
可选地,获取当前围岩监测点对应的神经网络反演模型的多组训练数据,包括:
对当前围岩监测点处的围岩对应的室内实验结果拟合得到对应的初始蠕变参数;
固定其他监测点的原始参数不变,基于所述初始蠕变参数和正交实验设计生成当前围岩监测点的蠕变参数样本集;
将所述蠕变参数样本集中的每组蠕变参数分别输入到数值模型中计算得到对应的变形量,将每组蠕变参数以及对应的变形量作为训练数据。
可选地,将所述蠕变参数样本集中的每组蠕变参数分别输入到数值模型中计算得到对应的变形量,包括:
在GDEM数值模拟程序中嵌入千枚岩围岩蠕变损伤本构方程;
将所述蠕变参数样本集中的每组蠕变参数分别输入到GDEM数值模拟程序,计算得到对应的变形量。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
基于同一发明构思,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一实施例所述的千枚岩隧道围岩蠕变参数预测方法中的步骤。
基于同一发明构思,本发明实施例提供一种电子设备,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,所述处理器执行时实现上述任一实施例所述的千枚岩隧道围岩蠕变参数预测方法中的步骤。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种千枚岩隧道围岩蠕变参数预测方法、装置及产品,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种千枚岩隧道围岩蠕变参数预测方法,其特征在于,所述方法包括:
对当前围岩监测点的变形量进行监测,所述变形量包括:边墙收敛变形量、右拱腰沉降量、拱顶沉降量、左拱腰沉降量、拱腰收敛变形量;
将实际监测到的变形量输入到与当前围岩监测点对应的神经网络反演模型中,得出当前围岩监测点的蠕变参数;
其中,所述当前围岩监测点对应的神经网络反演模型的一组训练数据包括:当前围岩监测点的蠕变参数及其对应的变形量,该对应的变形量对当前围岩监测点的蠕变参数以及其他围岩监测点的初始蠕变参数进行模拟计算得到的;所述当前围岩监测点的蠕变参数是基于当前围岩监测点的初始蠕变参数通过正交实验方案得到的;
围岩监测点的初始蠕变参数是通过渗流-应力条件下饱和千枚岩三轴蠕变实验结果以及渗流-应力条件下的千枚岩隧道围岩蠕变本构式得到的:
ε=Aσe+BS11+CS11[1-e-Ft]+MS11Dn+NS11Dg,σ≥σs2得到的,
2.根据权利要求1所述的方法,其特征在于,所述与当前围岩监测点对应的神经网络反演模型的训练步骤包括:
获取当前围岩监测点对应的神经网络反演模型的多组训练数据;
利用所述多组训练数据对BP模型进行训练,得到与当前围岩监测点对应的神经网络反演模型。
3.根据权利要求2所述的方法,其特征在于,获取当前围岩监测点对应的神经网络反演模型的多组训练数据,包括:
对各个围岩监测点处的围岩进行渗流-应力条件下饱和千枚岩三轴蠕变实验,将实验结果与所述渗流-应力条件下的千枚岩隧道围岩蠕变本构式进行拟合,得到各个检测点的初始蠕变参数;
固定其他监测点的初始蠕变参数不变,基于当前监测点的初始蠕变参数和正交实验设计生成当前围岩监测点的蠕变参数样本集;
将所述蠕变参数样本集中的每组蠕变参数和其他监测点的初始蠕变参数分别输入到数值模型中计算得到对应的变形量,将每组蠕变参数以及对应的变形量作为训练数据,所述数值模型为GDEM数值模型。
4.根据权利要求3所述的方法,其特征在于,所述与当前围岩监测点对应的神经网络反演模型的训练步骤还包括:
将测试变形量输入训练得到的当前围岩监测点对应的神经网络反演模型,反演得到对应的测试蠕变参数,将所述测试蠕变参数输入所述数值模型,得到模拟变形量;
比较所述测试变形量和所述模拟变形量的误差;
在误差大于预设阈值的情况下,对所述数值模型进行调整,利用调整后的数值模型重新确定训练数据,并重新对BP模型进行训练。
5.根据权利要求3所述的方法,其特征在于,将所述蠕变参数样本集中的每组蠕变参数和其他监测点的初始蠕变参数分别输入到数值模型中计算得到对应的变形量,包括:
在GDEM数值模拟程序中嵌入所述渗流-应力条件下的千枚岩隧道围岩蠕变本构式;
将所述蠕变参数样本集中的每组蠕变参数和其他监测点的初始蠕变参数分别输入到GDEM数值模拟程序,计算得到对应的变形量。
6.一种千枚岩隧道围岩蠕变参数预测装置,其特征在于,所述装置包括:
监测模块,用于对当前围岩监测点的变形量进行监测,所述变形量包括:边墙收敛变形量、右拱腰沉降量、拱顶沉降量、左拱腰沉降量、拱腰收敛变形量;
预测模块,用于将实际监测到的变形量输入到与当前围岩监测点对应的神经网络反演模型中,得出当前围岩监测点的蠕变参数;
所述当前围岩监测点对应的神经网络反演模型的一组训练数据包括:当前围岩监测点的蠕变参数及其对应的变形量,该对应的变形量对当前围岩监测点的蠕变参数以及其他围岩监测点的初始蠕变参数进行模拟计算得到的;所述当前围岩监测点的蠕变参数是基于当前围岩监测点的初始蠕变参数通过正交实验方案得到的;
围岩监测点的初始蠕变参数是通过渗流-应力条件下饱和千枚岩三轴蠕变实验结果以及渗流-应力条件下的千枚岩隧道围岩蠕变本构式得到的:
ε=Aσe+BS11+CS11[1-e-Ft]+MS11Dn+NS11Dg,σ≥σs2得到的,
7.根据权利要求6所述的装置,其特征在于,所述与当前围岩监测点对应的神经网络反演模型的训练步骤包括:
获取当前围岩监测点对应的神经网络反演模型的多组训练数据;
利用所述多组训练数据对BP模型进行训练,得到与当前围岩监测点对应的神经网络反演模型。
8.根据权利要求6所述的装置,其特征在于,获取当前围岩监测点对应的神经网络反演模型的多组训练数据,包括:
对各个围岩监测点处的围岩进行渗流-应力条件下饱和千枚岩三轴蠕变实验,将实验结果与所述渗流-应力条件下的千枚岩隧道围岩蠕变本构式进行拟合,得到各个检测点的初始蠕变参数;
固定其他监测点的初始蠕变参数不变,基于当前监测点的初始蠕变参数和正交实验设计生成当前围岩监测点的蠕变参数样本集;
将所述蠕变参数样本集中的每组蠕变参数和其他监测点的初始蠕变参数分别输入到数值模型中计算得到对应的变形量,将每组蠕变参数以及对应的变形量作为训练数据,所述数值模型为GDEM数值模型。
9.一种电子设备,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,其特征在于,所述处理器执行所述程序时实现权利要求1-5任一项所述的千枚岩隧道围岩蠕变参数预测方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-5任一项所述的千枚岩隧道围岩蠕变参数预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310102834.2A CN116050273A (zh) | 2023-01-18 | 2023-01-18 | 千枚岩隧道围岩蠕变参数预测方法、装置及产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310102834.2A CN116050273A (zh) | 2023-01-18 | 2023-01-18 | 千枚岩隧道围岩蠕变参数预测方法、装置及产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116050273A true CN116050273A (zh) | 2023-05-02 |
Family
ID=86120492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310102834.2A Pending CN116050273A (zh) | 2023-01-18 | 2023-01-18 | 千枚岩隧道围岩蠕变参数预测方法、装置及产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116050273A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117540481A (zh) * | 2024-01-09 | 2024-02-09 | 石家庄铁道大学 | 冻土区衬砌损伤预测方法、装置、电子设备及存储介质 |
-
2023
- 2023-01-18 CN CN202310102834.2A patent/CN116050273A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117540481A (zh) * | 2024-01-09 | 2024-02-09 | 石家庄铁道大学 | 冻土区衬砌损伤预测方法、装置、电子设备及存储介质 |
CN117540481B (zh) * | 2024-01-09 | 2024-03-12 | 石家庄铁道大学 | 冻土区衬砌损伤预测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Extended finite element simulation of step-path brittle failure in rock slopes with non-persistent en-echelon joints | |
Lee et al. | Model for the shear behavior of rock joints under CNL and CNS conditions | |
Sheng et al. | Finite element analysis of pile installation using large-slip frictional contact | |
Su et al. | Finite element modelling of complex 3D static and dynamic crack propagation by embedding cohesive elements in Abaqus | |
Yang et al. | Stress distribution and development within geosynthetic-reinforced soil slopes | |
Kouretzis et al. | Numerical simulation of cone penetration testing using a new critical state constitutive model for sand | |
Bao et al. | A novel numerical approach for rock slide blocking river based on the CEFDEM model: A case study from the Samaoding paleolandslide blocking river event | |
Wu et al. | A modified strain-softening model with multi-post-peak behaviours and its application in circular tunnel | |
Xu et al. | Calibration of the microparameters of rock specimens by using various machine learning algorithms | |
Johari et al. | Reliability analysis of foundation settlement by stochastic response surface and random finite element method | |
CN116050273A (zh) | 千枚岩隧道围岩蠕变参数预测方法、装置及产品 | |
Pan et al. | Modeling of an excavation-induced rock fracturing process from continuity to discontinuity | |
Zhang et al. | Analysis of the numerical stability of soil slope using virtual-bond general particle dynamics | |
Toufigh et al. | Probabilistic-based analysis of MSE walls using the Latin hypercube sampling method | |
Boulanger et al. | Nonlinear deformation analyses of liquefaction effects on embankment dams | |
Rezaiee-Pajand et al. | Crack detection in concrete gravity dams using a genetic algorithm | |
Muntakim et al. | Assessment of axial pullout force for buried medium-density polyethylene pipelines | |
Wang et al. | Modelling the pre-and post-failure behaviour of faulted rock slopes based on the particle finite element method with a damage mechanics model | |
Li et al. | Elastoplastic two-surface model for unsaturated cohesive soils under cyclic loading | |
Ekanayake et al. | Numerical simulation of EPS geofoam behaviour in triaxial tests | |
Chen et al. | A computational inverse technique to determine the dynamic constitutive model parameters of concrete | |
Chen et al. | Stress/strain-dependent properties of hydraulic conductivity for fractured rocks | |
Maleki et al. | Safety evaluation of shallow tunnel based on elastoplastic-viscoplastic analysis | |
Feng et al. | Nonlinear Constitutive Model of Rock Joint in Geological Structure and Application of Implicit Return Mapping Algorithm | |
Ju et al. | Implicit integration of an anisotropic egg-shaped elastoplastic model for saturated soft clay |
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 |