CN116227309B - 融合多源数据的盾构掘进数字孪生地层构建方法及系统 - Google Patents
融合多源数据的盾构掘进数字孪生地层构建方法及系统 Download PDFInfo
- Publication number
- CN116227309B CN116227309B CN202310515341.1A CN202310515341A CN116227309B CN 116227309 B CN116227309 B CN 116227309B CN 202310515341 A CN202310515341 A CN 202310515341A CN 116227309 B CN116227309 B CN 116227309B
- Authority
- CN
- China
- Prior art keywords
- stratum
- model
- soil
- rock
- parameters
- 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.)
- Active
Links
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
- G06F30/23—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]
- G06F30/10—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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/04—Architectural design, interior design
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Architecture (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种融合多源数据的盾构掘进数字孪生地层构建方法及系统,首先利用钻孔、土工试验和原位测试等勘察数据,考虑地层分布及岩土参数的“稀疏性”、“多维相关性”和“空间变异性”特征,构建基于多层感知机的地层三维分布模型,建立基于稀疏贝叶斯学习技术的岩土参数多元相关三维条件随机场;利用地层分布及多元岩土参数随机场,建立盾构隧道掘进随机有限元数字孪生模型;基于耦合双无损卡尔曼滤波融合盾构掘进力学参数及地层变形监测数据,对地层分布不确定性及岩土参数空间相关性开展基于施工反馈的动态反演,实现盾构掘进面前方地层分布及岩土参数精细化表征,进而得到盾构掘进动态数字孪生地层模型。
Description
技术领域
本申请涉及盾构掘进领域,尤其涉及了一种融合多源数据的盾构掘进数字孪生地层构建方法及系统。
背景技术
由于盾构隧道工程的隐蔽性,难以完全探知前方地层的真实情况,复杂环境下盾构隧道施工面临地层分布不确定性及岩土参数空间变异性。土压平衡盾构在复合多变地层掘进时,纵断面上地质条件变异性大,可能存在如软硬土层交互出现、地层厚度突变、软硬不同土层之间物理力学性质差异显著等情况。如果忽略岩土体形成过程中蕴含的丰富地质信息与不确定特征,将多变地层简化为均质体,忽视其物理力学性质固有的空间变异性,不可避免会造成盾构隧道施工力学分析与实际情况偏差较大。因此,如何充分利用钻孔数据、土工试验数据和原位测试数据,对相邻钻孔之间的地层分布不确定性、岩土参数的空间变异性和多参数之间的互相关性进行量化建模,高精度还原地层的真实情况,是土压平衡盾构隧道智能、高效和安全掘进的关键。同时,地层变形监测数据和盾构掘进力学参数数据,具有时空变异性和随机波动性,它们之间相互关联和影响,在一定程度上反映了盾构与地层的相互作用程度,能对盾构隧道开挖面前方的地质情况提供反馈信息。依托强大的现代网络技术及通信手段,确保施工现场数据实时迅速地传输到构建的数值模型当中,以保障其对现实施工空间的高保真模拟。因此,融合盾构掘进地层变形响应及力学参数信息,对地层分布和岩土参数开展基于施工反馈的动态反演,可以有效降低其不确定性,实现融合多源数据的地层分布、岩土参数及地表变形的准确预测,进而有效指导施工.
发明内容
针对以上问题和不足,本发明拟从地层分布和岩土参数变异性量化、多源信息融合与反演入手,提出一种融合多源数据的盾构掘进数字孪生地层构建方法及系统,为推进盾构隧道工程稳健性设计提供新的思路和方案,对完善和发展城市复杂环境土压平衡盾构安全施工和智能掘进理论,具有重要的工程应用价值。
本发明提供了一种融合多源数据的盾构掘进数字孪生地层构建方法及系统,包括如下步骤:
步骤一:收集盾构隧道位置的岩土勘察数据,对其中的钻孔数据、原位测试数据和室内土工试验数据,进行归纳整理和统计分析;
步骤二:利用钻孔数据的地层属性信息,建立反映该盾构隧道位置场地基岩界面空间位置特征的多层感知机模型,建立依托盾构隧道位置的地层分布三维重构模型;
步骤三:利用室内土工试验数据和原位测试数据,考虑多维岩土参数互相关性和单一岩土参数的空间自相关性,基于稀疏贝叶斯学习技术,建立岩土物理力学参数的多元相关三维条件随机场,构建多元岩土参数空间分布精细化模型;
步骤四:为确保模型的高保真性,建立盾构隧道掘进与地层相互作用有限元数字孪生模型,基于步骤二、步骤三中构建的地层分布多层感知机模型及岩土参数三维条件随机场模型,对数值模型中土体单元的地层属性和土体单元的物理、力学参数进行自动赋值,进而建立融合地层分布及岩土参数的土压平衡盾构施工非侵入式随机有限元数字孪生模型,作为初始数字孪生地层模型,以对盾构施工地层变形与响应进行力学分析;
步骤五:耦合双无损卡尔曼滤波技术,融合地层变形实测和盾构掘进实时力学参数数据,对地层分布多层感知机模型和岩土参数三维条件随机场模型进行更新,获取地层和岩土参数的最优反演估计;更新下一个开挖循环的地层分布和岩土参数以预测下一个开挖循环的地层变形;
步骤六:利用盾构隧道位置监测的实时数据,对反演的地层和岩土参数模型和有限元数字孪生模型变形预测结果进行验证。
优选地,步骤二中建立依托盾构隧道位置的地层分布三维重构模型是为后续的耦合双无损卡尔曼滤波模型提供初始的地层分布参数,即。
优选地,步骤三中建立三维随机场模型,假设表示该场地三维空间中的一点,/>为该点取样的室内土工试验或原位测试结果,其中/>表示该点第K种土样性质的试验值,此处共考虑K种土样性质;假设该地层内有N组实验数据,对所有数据构造随机变量矩阵似然函数:
;
上式中,B表示所有数据组成的矩阵;W为随机变量矩阵,采用混沌多项式展开来表征;R为列协方差矩阵,即自相关系数矩阵,表征参数空间相关性;C为行协方差矩阵,即互相关系数矩阵,表征参数互相关性;
基于稀疏贝叶斯学习技术,对混沌多项式展开系数矩阵和自相关距离参数定义共轭先验分布,采用混沌多项式展开来表征随机变量矩阵的均值,为了提高模型的稳健性,采用稀疏贝叶斯学习技术求解混沌多项式的系数矩阵,将该系数矩阵向量化后定义为零均值多维正态分布,基于上述稀疏贝叶斯学习技术生成空间上任意点的岩土参数多元相关三维条件随机场,从而为接下来的耦合双无损卡尔曼滤波模型构建提供岩土参数随机场的初始参数,即。
优选地,步骤四中该模型盾构掘进力学参数与地层相互作用简化方案为:1、土舱压力简化为线性荷载作用在开挖面上;2、盾构机采用刚性单元模拟,其重量以均布荷载的形式作用在底部的土体单元上;3、刀盘扭矩以切应力的形式作用在开挖面土体单元上;4、顶推力作用在管片上;5、盾构壳体摩擦力以均布切应力的形式作用在盾构机外侧的土体单元上;6、在盾尾间隙内的浆液没有硬化,采用注浆压力模拟,以正应力的形式环向作用在隧道周边的土体单元上,间隙后方衬砌管片内的浆体慢慢凝固硬化,采用线弹性实体单元简化模拟浆液的凝固作用;7、衬砌管片采用线弹性衬砌单元模拟;通过上述简化条件,进行有限元分析建模,根据生成的地层分布三维模型和多元相关三维条件随机场,实现对数值模型中土体单元的地层属性和物理、力学参数的自动赋值,建立盾构隧道掘进与地层相互作用的随机有限元精细化模型,从而完成初始数字孪生体的构建。
优选地,步骤五中的双无损卡尔曼滤波信息融合与地层参数的动态更新,因为盾构机掘进力学参数的采样频率远大于地表变形采样频率,对每一个掘进环内的掘进力学参数进行等效处理,将土舱压力、刀盘扭矩、顶推力和注浆压力的掘进参数波动视为多维正态分布随机变量,并根据记录数据计算多维正态分布随机变量的均值和方差。
优选地,步骤六中融合地层变形与掘进力学参数信息,设计两个耦合的非线性卡尔曼滤波模型,分别对地层分布三维模型参数和多元相关三维条件随机场模型参数进行反演分析;根据获得的地层分布模型和岩土参数多元相关三维条件随机场,设定卡尔曼滤波的初始条件,包括待估计状态、水平方向状态转移矩阵、岩土参数自相关距离及初始误差协方差矩阵;根据地表变形预测误差,设定卡尔曼滤波的观测噪音协方差矩阵;在第一个卡尔曼滤波模型中,融入地层变形数据,计算卡尔曼增益,对地层分布模型参数/>进行更新和修正;然后将更新的地层分布模型参数/>输入到第二个卡尔曼滤波模型中,融入地层变形数据/>,计算相应的卡尔曼增益矩阵,估计更新的多元相关条件随机场参数/>;
针对地层分布模型,获取更新后的地层分布模型的参数值的详细过程如下:;/>;/>;
为更新前地层分布模型的参数值,/>为相应的协方差矩阵,/>为经验超参数,/>为/>点总数量;
借助估测函数得到进一步估计值:/>;/>;;
式中,为权重系数,/>为噪音;
由按转换公式得到对应的/>,借助估测函数/>得到进一步估计值:;/>;
进而计算得到两个协方差矩阵:;;
式中,为噪音;
由此继而计算卡尔曼滤波增益矩阵:;
从而得到更新后的地层分布模型的参数值:;
同理可得有关岩土随机场参数的卡尔曼滤波更新模型:;
获得新的变形监测数据后,按照上述步骤依次进行地层分布和多元相关条件随机场参数动态更新。
优选地,一种基于多源数据融合的盾构隧道掘进数字孪生地层构建系统,包括:
模块一:用于收集盾构隧道位置的岩土勘察数据,对其中的钻孔数据、原位测试数据和室内土工试验数据,进行归纳整理和统计分析;
模块二:用于利用钻孔数据的地层属性信息,建立反映该盾构隧道位置场地基岩界面空间位置特征的多层感知机模型,建立依托盾构隧道位置的地层分布三维重构模型;
模块三:用于利用室内土工试验数据和原位测试数据,考虑多维岩土参数互相关性和单一岩土参数的空间自相关性,基于稀疏贝叶斯学习技术,建立岩土物理力学参数的多元相关三维条件随机场,构建多元岩土参数空间分布精细化模型;
模块四:用于建立盾构隧道掘进与地层相互作用有限元数字孪生模型,基于步骤二、步骤三中构建的地层分布多层感知机模型及岩土参数三维条件随机场模型,对数字孪生模型中土体单元的地层属性和土体单元的物理、力学参数进行自动赋值,进而建立融合地层分布及岩土参数的土压平衡盾构施工非侵入式随机有限元数字孪生模型,以对盾构施工地层变形与响应进行力学分析;
模块五:用于耦合双无损卡尔曼滤波技术,融合地层变形实测和盾构掘进实时力学参数数据,对地层分布多层感知机模型和岩土参数三维条件随机场模型进行更新,获取地层和岩土参数的最优反演估计;更新下一个开挖循环的地层分布和岩土参数以预测下一个开挖循环的地层变形;
模块六:用于利用盾构隧道位置监测的实时数据,对反演的地层和岩土参数模型和有限元数字孪生模型变形预测结果进行验证。
优选地,模块二中建立依托盾构隧道位置的地层分布三维重构模型是为后续的耦合双无损卡尔曼滤波模型提供初始的地层分布参数,即。
优选地,模块三中建立三维随机场模型,假设表示该场地三维空间中的一点,/>为该点取样的室内土工试验测试结果,其中/>表示该点第K种土样性质的试验值,此处共考虑K种土样性质;假设该地层内有N组实验数据,对所有数据构造随机变量矩阵似然函数,
上式中,B表示所有数据组成的矩阵;W为随机变量矩阵,采用混沌多项式展开来表征;R为列协方差矩阵,即自相关系数矩阵,表征参数空间相关性;C为行协方差矩阵,即互相关系数矩阵,表征参数互相关性;
基于稀疏贝叶斯学习技术,对混沌多项式展开系数矩阵和自相关距离参数定义共轭先验分布,采用混沌多项式展开来表征随机变量矩阵的均值,为了提高模型的稳健性,采用稀疏贝叶斯学习技术求解混沌多项式的系数矩阵,将该系数矩阵向量化后定义为零均值多维正态分布,基于上述稀疏贝叶斯学习技术生成空间上任意点的岩土参数多元相关三维条件随机场,从而为接下来的耦合双无损卡尔曼滤波模型构建提供岩土参数随机场的初始参数,即。
优选地,模块四中该模型盾构掘进力学参数与地层相互作用简化方案为:1、土舱压力简化为线性荷载作用在开挖面上;2、盾构机采用刚性单元模拟,其重量以均布荷载的形式作用在底部的土体单元上;3、刀盘扭矩以切应力的形式作用在开挖面土体单元上;4、顶推力作用在管片上;5、盾构壳体摩擦力以均布切应力的形式作用在盾构机外侧的土体单元上;6、在盾尾间隙内的浆液没有硬化,采用注浆压力模拟,以正应力的形式环向作用在隧道周边的土体单元上,间隙后方衬砌管片内的浆体慢慢凝固硬化,采用线弹性实体单元简化模拟浆液的凝固作用;7、衬砌管片采用线弹性衬砌单元模拟;通过上述简化条件,进行有限元分析建模,根据生成的地层分布三维模型和多元相关三维条件随机场,实现对数字孪生模型中土体单元的地层属性和物理、力学参数的自动赋值,建立盾构隧道掘进与地层相互作用的随机有限元数字孪生模型。
优选地,模块五中的双无损卡尔曼滤波信息融合与地层参数的动态更新,因为盾构机掘进力学参数的采样频率远大于地表变形采样频率,对每一个掘进环内的掘进力学参数进行等效处理,将土舱压力、刀盘扭矩、顶推力和注浆压力的掘进参数波动视为多维正态分布随机变量,并根据记录数据计算多维正态分布随机变量的均值和方差。
优选地,模块六中融合地层变形与掘进力学参数信息,设计两个耦合的非线性卡尔曼滤波模型,分别对地层分布三维模型参数和多元相关三维条件随机场模型参数进行反演分析;根据获得的地层分布模型和岩土参数多元相关三维条件随机场,设定卡尔曼滤波的初始条件,包括待估计状态、水平方向状态转移矩阵、岩土参数自相关距离及初始误差协方差矩阵;根据地表变形预测误差,设定卡尔曼滤波的观测噪音协方差矩阵;在第一个卡尔曼滤波模型中,融入地层变形数据,计算卡尔曼增益,对地层分布模型参数/>进行更新和修正;然后将更新的地层分布模型参数/>输入到第二个卡尔曼滤波模型中,融入地层变形数据/>,计算相应的卡尔曼增益矩阵,估计更新的多元相关条件随机场参数/>;
针对地层分布模型,获取更新后的地层分布模型的参数值的详细过程如下:;/>;/>;
为更新前地层分布模型的参数值,/>为相应的协方差矩阵,/>为经验超参数,/>为/>点总数量;
借助估测函数得到进一步估计值:/>;/>;;
式中,为权重系数,/>为噪音;
由按转换公式得到对应的/>,借助估测函数/>得到进一步估计值:;/>;
进而计算得到两个协方差矩阵:;;
式中,为噪音;
由此继而计算卡尔曼滤波增益矩阵:;
从而得到更新后的地层分布模型的参数值:;
同理可得有关岩土随机场参数的卡尔曼滤波更新模型:;
获得新的变形监测数据后,按照上述步骤依次进行地层分布和多元相关条件随机场参数动态更新。
有益效果:在使用多层感知机模型实现地层三维分布重构,以及稀疏贝叶斯学习技术建立岩土参数多元相关三维条件随机场模型,解决传统方法难以利用少量勘察数据同时表征岩土参数互相关性和空间变异性的困难后,完成数字孪生模型与施工现场的高水平时空交互,充分利用了工程监测产生的大量实时有效数据,建立融合多源数据的耦合双无损卡尔曼滤波反演模型,实现基于施工反馈的地层分布和岩土参数信息的实时动态更新。在纳入丰富多源数据、充分利用可用信息源的基础上,显著地提升了盾构施工区域地质条件反演的准确度,将勘察报告中原本仅限于有限特定点位的局部场地地质信息拓展到全局范围,精确的地质条件得以全面清晰地展示在工程人员面前,帮助盾构司机的掘进施工操作更适应场地条件,更加安全可靠,在盾构施工控制中充分表达地层分布和岩土参数的不确定性信息,从而降低盾构机因施工参数设置不合理等因素导致设备磨损、地层变形过大、甚至停工的风险,提高盾构掘进效率,为工程项目建设带来巨大的经济效益,为盾构施工实时力学分析及沉降等指标的精准控制提供有效方案。
附图说明
图1为本发明的总体流程图;
图2为土压平衡盾构掘进与地层相互作用简化示意图;
图3为多层感知机地层分布模型原理示意图;
图4为耦合双无损卡尔曼滤波地层分布与岩土参数联合估计示意图。
具体实施方式
下面将结合附图和实例对本发明做进一步地说明;
针对技术方案中的步骤1,收集盾构隧道工程建设项目的岩土勘察报告,本发明对应的工程案例为南京地铁11号线浦口万汇城站~七里河西站区间。对其中勘探钻孔数据的地层属性信息,进行归纳整理和分析。针对收集的全部可用数据,选择数据量密集的一块区域作为研究对象。对该区域的钻孔数据进行预处理,在深度方向每隔一定间距进行重采样,将钻孔数据转换为一系列具有空间坐标和地层类别属性的样本点。为计算方便,对数据进行标准化处理。将处理后的数据按照一定比例分为训练样本和测试样本。
针对技术方案中的步骤2,基于包含权重参数的多层感知机模型,利用处理后的训练样本数据建立地层分布三维模型,模型输入为点位的空间坐标值,输出该处属于对应地层类别的概率(原理见图3),经训练后融合场地勘察的钻孔信息,得到场地地层分布情况,并经测试样本的有力验证,实现对钻孔间未知地层界面的初步模拟,有效完成了依托工程场地地层分布的三维建模任务,该环节得到的地层分布模型主要是为后续的耦合双无损卡尔曼滤波模型提供初始的地层分布参数,即。
针对技术方案中的步骤3,对所收集的勘察资料中的原位测试数据(标准贯入试验、静力触探数据)和室内土工试验数据(密度、饱和度、压缩系数、压缩模量、粘聚力、摩擦角等),进行归纳整理和统计分析。对依托工程项目,根据三维地层建模的土层分层情况,利用同一个土层内的原位测试或室内土工试验数据,建立多元岩土参数互相关三维条件随机场模型。假设表示该场地三维空间中的一点,/>为该点取样的室内土工试验测试结果。假设该地层内有/>组实验数据,对所有数据构造随机变量矩阵似然函数,
上式中,B表示所有数据组成的矩阵;为随机变量矩阵,本研究中采用混沌多项式展开来表征;/>为列协方差矩阵,即自相关系数矩阵,表征参数空间相关性;/>为行协方差矩阵,即互相关系数矩阵,表征参数互相关性。
基于稀疏贝叶斯学习技术,对混沌多项式展开系数矩阵和自相关距离参数定义共轭先验分布。采用混沌多项式展开来表征随机变量矩阵的均值,为了提高模型的稳健性,采用稀疏贝叶斯学习技术求解混沌多项式的系数矩阵,将该系数矩阵向量化后定义为零均值多维正态分布。
由于似然函数和先验函数的共轭性,尝试求解出边际似然函数积分的解析表达式,然后对模型参数求偏导,进而获得最优解。
多元相关三维条件随机场的生成是个难点,研究水平方向和竖直方向的自相关性的解耦方法,简化混沌多项式系数矩阵的计算,解决生成三维条件随机场维度高、计算效率低的困难。然后,利用得到的最优模型参数,求混沌多项式系数矩阵的后验分布。利用解析法得到的系数矩阵后验分布样本,进一步生成空间上任意点的岩土参数多元相关三维非平稳条件随机场。基于上述稀疏贝叶斯学习技术生成空间上任意点的岩土参数多元相关三维条件随机场,从而为接下来的耦合双无损卡尔曼滤波模型构建提供岩土参数随机场的初始参数,即。
针对技术方案中的步骤4,在完成场地三维地层建模及构建岩土参数随机场两项工作后,考虑采用合适的有限元建模软件建立盾构隧道掘进与地层相互作用的数字孪生模型,该模型盾构掘进力学参数与地层相互作用简化如图2所示。具体方案为:1、土舱压力简化为线性荷载作用在开挖面上;2、盾构机采用刚性单元模拟,其重量以均布荷载的形式作用在底部的土体单元上;3、刀盘扭矩以切应力的形式作用在开挖面土体单元上;4、顶推力作用在管片上;5、盾构壳体摩擦力以均布切应力的形式作用在盾构机外侧的土体单元上;6、在盾尾间隙内的浆液没有硬化,采用注浆压力模拟,以正应力的形式环向作用在隧道周边的土体单元上,间隙后方衬砌管片内的浆体慢慢凝固硬化,采用线弹性实体单元简化模拟浆液的凝固作用;7、衬砌管片采用线弹性衬砌单元模拟。项目只研究盾构机掘进引起的短期影响,不考虑长期固结造成的地层变形,所以采用不排水分析方法进行数值模拟计算。
基于上述合理的简化条件,进行有限元分析建模,根据生成的地层分布三维模型和多元相关三维条件随机场,实现对数值模型中土体单元的地层属性和其物理、力学参数的自动赋值,建立盾构隧道掘进与地层相互作用的随机有限元精细化模型,即具高保真性的数字孪生体。
针对技术方案中的步骤5,为实现双无损卡尔曼滤波信息融合与地层参数的动态更新,在依托项目场地,选择合适的区间位置,按照《城市轨道交通工程监测技术规范》开展地层变形监测。沿盾构掘进方向,每隔两倍洞径布置一个监测断面,对地层变形进行监测作业,监测频率根据研究分析的需要进行动态调整。
由于盾构机掘进力学参数的采样频率远大于地表变形采样频率,为了计算方便,对每一个掘进环内的掘进力学参数进行等效处理,将土舱压力、刀盘扭矩、顶推力和注浆压力等掘进参数波动视为多维正态分布随机变量,并根据记录数据计算其均值和方差。
针对技术方案中的步骤6,将盾构机的等效掘进力学参数输入到建立的有限元精细化模型中计算地层变形,将预测的变形和现场实测变形进行对比分析。考虑到数值模型预测范围的有效性,本发明只对隧道开挖面所在位置前后2倍洞径范围内变形数据进行分析和融合。融合地层变形与掘进力学参数信息,设计两个耦合的非线性卡尔曼滤波模型,分别对地层分布三维模型参数和多元相关三维条件随机场模型参数进行反演分析。
耦合双无损卡尔曼滤波模型的具体方法(见图3):根据获得的地层分布模型和岩土参数多元相关三维条件随机场,设定卡尔曼滤波的初始条件,包括待估计状态、参数(水平方向状态转移矩阵、岩土参数自相关距离)及初始误差协方差矩阵。根据地表变形预测误差,设定卡尔曼滤波的观测噪音协方差矩阵。在第一个卡尔曼滤波模型中,采用上一个迭代步的多元相关条件随机场参数,融入地层变形数据/>,计算卡尔曼增益,对地层分布模型参数/>进行更新和修正;然后将更新的地层分布模型参数/>输入到第二个卡尔曼滤波模型中,融入地层变形数据/>,计算相应的卡尔曼增益矩阵,估计多元相关条件随机场参数/>;
以更新地层分布模型为例,详细过程如下:;;/>;
为更新前地层分布模型的参数值,/>为相应的协方差矩阵,/>为经验超参数,/>为/>点总数量;
借助估测函数得到进一步估计值:/>;/>;;
式中,为权重系数,/>为噪音;
由按转换公式得到对应的/>,借助估测函数/>得到进一步估计值:;/>;
进而计算得到两个协方差矩阵:;;
式中,为噪音;
由此继而计算卡尔曼滤波增益矩阵:;
从而得到更新后的地层分布模型的参数值:;
同理可得有关岩土随机场参数的卡尔曼滤波更新模型:;
获得新的变形监测数据后,按照上述步骤依次进行地层分布和多元相关条件随机场参数动态更新。
在依托项目场地,钻探获取新钻孔地层属性数据,与地层分布三维模型进行对比验证;利用钻孔获取的土样,进行室内土工试验,将结果与岩土参数三维条件随机场模型进行对比验证。另外,将参数更新后的有限元数字孪生模型的地层变形预测值,与实测值进行对比验证。经过计算,若观察到前述多项误差值均始终处在合理的小范围内,则证明该数字孪生体整体可信度高,具有极强的工程应用前景。
综上所述,本发明首先基于建立的地层分布及多元岩土参数空间分布精细化模型,构建了建筑密集区的盾构隧道掘进与地层相互作用的有限元数字孪生模型,实现对该模型中土体单元的地层属性和其物理、力学参数的自动赋值,建立起基于耦合技术的盾构隧道掘进数值计算数字孪生体,以方便验证后续双无损卡尔曼滤波模型的更新效果。基于当前地层变形监测数据和盾构掘进参数,采用耦合双无损卡尔曼滤波方法,对区域内地层分布及岩土参数进行实时动态更新,以实现对原本未知的场地地质情况的精确化表征,从而更好地反馈指导盾构掘进施工。调整盾构掘进参数以适应最新全局地质条件,有效降低过程中的不确定性,大幅度提高安全及信息化水平。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (12)
1.一种融合多源数据的盾构掘进数字孪生地层构建方法,包括如下步骤:
步骤一:收集盾构隧道位置的岩土勘察数据,对其中的钻孔数据、原位测试数据和室内土工试验数据,进行归纳整理和统计分析;
步骤二:利用钻孔数据的地层属性信息,建立反映该盾构隧道位置场地基岩界面空间位置特征的多层感知机模型,建立依托盾构隧道位置的地层分布三维重构模型;
步骤三:利用室内土工试验数据和原位测试数据,考虑多维岩土参数互相关性和单一岩土参数的空间自相关性,基于稀疏贝叶斯学习技术,建立岩土物理力学参数的多元相关三维条件随机场,构建多元岩土参数空间分布模型;
步骤四:建立盾构隧道掘进与地层相互作用有限元数字孪生模型,基于步骤二、步骤三中构建的地层分布多层感知机模型及岩土参数三维条件随机场模型,对数字孪生模型中土体单元的地层属性和土体单元的物理、力学参数进行自动赋值,进而建立融合地层分布及岩土参数的土压平衡盾构施工非侵入式随机有限元数字孪生模型,以对盾构施工地层变形与响应进行力学分析;
步骤五:耦合双无损卡尔曼滤波技术,融合地层变形实测和盾构掘进实时力学参数数据,对地层分布多层感知机模型和岩土参数三维条件随机场模型进行更新,获取地层和岩土参数的最优反演估计;更新下一个开挖循环的地层分布和岩土参数以预测下一个开挖循环的地层变形;
步骤六:利用盾构隧道位置监测的实时数据,对反演的地层和岩土参数模型和有限元数字孪生模型变形预测结果进行验证。
2.根据权利要求1所述的一种融合多源数据的盾构掘进数字孪生地层构建方法,其特征在于,步骤二中建立依托盾构隧道位置的地层分布三维重构模型是为后续的耦合双无损卡尔曼滤波模型提供初始的地层分布参数,即。
3.根据权利要求1所述的一种融合多源数据的盾构掘进数字孪生地层构建方法,其特征在于,步骤三中建立三维随机场模型,假设表示盾构隧道位置场地三维空间中的一点,/>为该点取样的室内土工试验测试结果,其中/>表示该点第K种土样性质的试验值,此处共考虑K种土样性质;假设该地层内有N组实验数据,对所有数据构造随机变量矩阵似然函数,
;
上式中,B表示所有数据组成的矩阵;W为随机变量矩阵,采用混沌多项式展开来表征;R为列协方差矩阵,即自相关系数矩阵,表征参数空间相关性;C为行协方差矩阵,即互相关系数矩阵,表征参数互相关性;
基于稀疏贝叶斯学习技术,对混沌多项式展开系数矩阵和自相关距离参数定义共轭先验分布,采用混沌多项式展开来表征随机变量矩阵的均值,为了提高模型的稳健性,采用稀疏贝叶斯学习技术求解混沌多项式的系数矩阵,将该系数矩阵向量化后定义为零均值多维正态分布,基于上述稀疏贝叶斯学习技术生成空间上任意点的岩土参数多元相关三维条件随机场,从而为接下来的耦合双无损卡尔曼滤波模型构建提供岩土参数随机场的初始参数,即θ0。
4.根据权利要求1所述的一种融合多源数据的盾构掘进数字孪生地层构建方法,其特征在于,步骤四中盾构隧道掘进与地层相互作用有限元数字孪生模型的盾构掘进力学参数与地层相互作用简化方案为:1、土舱压力简化为线性荷载作用在开挖面上;2、盾构机采用刚性单元模拟,其重量以均布荷载的形式作用在底部的土体单元上;3、刀盘扭矩以切应力的形式作用在开挖面土体单元上;4、顶推力作用在管片上;5、盾构壳体摩擦力以均布切应力的形式作用在盾构机外侧的土体单元上;6、在盾尾间隙内的浆液没有硬化,采用注浆压力模拟,以正应力的形式环向作用在隧道周边的土体单元上,间隙后方衬砌管片内的浆体慢慢凝固硬化,采用线弹性实体单元简化模拟浆液的凝固作用;7、衬砌管片采用线弹性衬砌单元模拟;通过上述简化条件,进行有限元分析建模,根据生成的地层分布三维模型和多元相关三维条件随机场,实现对数字孪生模型中土体单元的地层属性和物理、力学参数的自动赋值,建立盾构隧道掘进与地层相互作用的随机有限元数字孪生模型。
5.根据权利要求1所述的一种融合多源数据的盾构掘进数字孪生地层构建方法,其特征在于,步骤五中的双无损卡尔曼滤波信息融合与地层参数的动态更新,因为盾构机掘进力学参数的采样频率远大于地表变形采样频率,对每一个掘进环内的掘进力学参数进行等效处理,将土舱压力、刀盘扭矩、顶推力和注浆压力的掘进参数波动视为多维正态分布随机变量,并根据记录数据计算多维正态分布随机变量的均值和方差。
6.根据权利要求1所述的一种融合多源数据的盾构掘进数字孪生地层构建方法,其特征在于,步骤六中融合地层变形与掘进力学参数信息,设计两个耦合的非线性卡尔曼滤波模型,分别对地层分布三维模型参数和多元相关三维条件随机场模型参数进行反演分析;根据获得的地层分布模型和岩土参数多元相关三维条件随机场,设定卡尔曼滤波的初始条件,包括待估计状态、水平方向状态转移矩阵、岩土参数自相关距离及初始误差协方差矩阵;根据地表变形预测误差,设定卡尔曼滤波的观测噪音协方差矩阵;在第一个卡尔曼滤波模型中,采用上一个迭代步的多元相关条件随机场参数,融入地层变形数据/>,计算卡尔曼增益,对地层分布模型参数/>进行更新和修正;然后将更新的地层分布模型参数/>输入到第二个卡尔曼滤波模型中,融入地层变形数据/>,计算相应的卡尔曼增益矩阵,估计更新的多元相关条件随机场参数/>,上述各参数中下标k代表第k次迭代;
针对地层分布模型,获取更新后的地层分布模型的参数值的详细过程如下:;;/>;
为更新前地层分布模型的参数值,/>为相应的协方差矩阵,/>为经验超参数,为/>点总数量,/>代表/>点;
借助估测函数得到进一步估计值:/>;/>;;
式中,为权重系数,/>为噪音,/>为中间估计量;
由按转换公式得到对应的/>,借助估测函数/>得到进一步估计值:;/>;/>为进一步估计值;
进而计算得到两个协方差矩阵:;;
式中,为噪音;
由此继而计算卡尔曼滤波增益矩阵:;
从而得到更新后的地层分布模型的参数值:;式中/>为测量矢量;
同理可得有关岩土随机场参数的卡尔曼滤波更新模型:;
上式中*号以区分于地层分布模型参数,获得新的变形监测数据后,按照上述步骤依次进行地层分布和多元相关条件随机场参数动态更新。
7.一种基于多源数据融合的盾构隧道掘进数字孪生地层构建系统,包括:
模块一:用于收集盾构隧道位置的岩土勘察数据,对其中的钻孔数据、原位测试数据和室内土工试验数据,进行归纳整理和统计分析;
模块二:用于利用钻孔数据的地层属性信息,建立反映该盾构隧道位置场地基岩界面空间位置特征的多层感知机模型,建立依托盾构隧道位置的地层分布三维重构模型;
模块三:用于利用室内土工试验数据和原位测试数据,考虑多维岩土参数互相关性和单一岩土参数的空间自相关性,基于稀疏贝叶斯学习技术,建立岩土物理力学参数的多元相关三维条件随机场,构建多元岩土参数空间分布精细化模型;
模块四:用于建立盾构隧道掘进与地层相互作用有限元数字孪生模型,基于步骤二、步骤三中构建的地层分布多层感知机模型及岩土参数三维条件随机场模型,对数字孪生模型中土体单元的地层属性和土地单元的物理、力学参数进行自动赋值,进而建立融合地层分布及岩土参数的土压平衡盾构施工非侵入式随机有限元数字孪生模型,以对盾构施工地层变形与响应进行力学分析;
模块五:用于耦合双无损卡尔曼滤波技术,融合地层变形实测和盾构掘进实时力学参数数据,对地层分布多层感知机模型和岩土参数三维条件随机场模型进行更新,获取地层和岩土参数的最优反演估计;更新下一个开挖循环的地层分布和岩土参数以预测下一个开挖循环的地层变形;
模块六:用于利用盾构隧道位置监测的实时数据,对反演的地层和岩土参数模型和有限元数字孪生模型变形预测结果进行验证。
8.根据权利要求7所述的一种基于多源数据融合的盾构隧道掘进数字孪生地层构建系统,其特征在于,模块二中建立依托盾构隧道位置的地层分布三维重构模型是为后续的耦合双无损卡尔曼滤波模型提供初始的地层分布参数,即。
9.根据权利要求7所述的一种基于多源数据融合的盾构隧道掘进数字孪生地层构建系统,其特征在于,模块三中建立三维随机场模型,假设表示盾构隧道位置场地三维空间中的一点,/>为该点取样的室内土工试验测试结果,其中/>表示该点第K种土样性质的试验值,此处共考虑K种土样性质;假设该地层内有N组实验数据,对所有数据构造随机变量矩阵似然函数,
;
上式中,B表示所有数据组成的矩阵;W为随机变量矩阵,采用混沌多项式展开来表征;R为列协方差矩阵,即自相关系数矩阵,表征参数空间相关性;C为行协方差矩阵,即互相关系数矩阵,表征参数互相关性;
基于稀疏贝叶斯学习技术,对混沌多项式展开系数矩阵和自相关距离参数定义共轭先验分布,采用混沌多项式展开来表征随机变量矩阵的均值,为了提高模型的稳健性,采用稀疏贝叶斯学习技术求解混沌多项式的系数矩阵,将该系数矩阵向量化后定义为零均值多维正态分布,基于上述稀疏贝叶斯学习技术生成空间上任意点的岩土参数多元相关三维条件随机场,从而为接下来的耦合双无损卡尔曼滤波模型构建提供岩土参数随机场的初始参数,即θ0。
10.根据权利要求7所述的一种基于多源数据融合的盾构隧道掘进数字孪生地层构建系统,其特征在于,模块四中盾构隧道掘进与地层相互作用有限元数字孪生模型的盾构掘进力学参数与地层相互作用简化方案为:1、土舱压力简化为线性荷载作用在开挖面上;2、盾构机采用刚性单元模拟,其重量以均布荷载的形式作用在底部的土体单元上;3、刀盘扭矩以切应力的形式作用在开挖面土体单元上;4、顶推力作用在管片上;5、盾构壳体摩擦力以均布切应力的形式作用在盾构机外侧的土体单元上;6、在盾尾间隙内的浆液没有硬化,采用注浆压力模拟,以正应力的形式环向作用在隧道周边的土体单元上,间隙后方衬砌管片内的浆体慢慢凝固硬化,采用线弹性实体单元简化模拟浆液的凝固作用;7、衬砌管片采用线弹性衬砌单元模拟;通过上述简化条件,进行有限元分析建模,根据生成的地层分布三维模型和多元相关三维条件随机场,实现对数字孪生模型中土体单元的地层属性和物理、力学参数的自动赋值,建立盾构隧道掘进与地层相互作用的随机有限元数字孪生模型。
11.根据权利要求7所述的一种基于多源数据融合的盾构隧道掘进数字孪生地层构建系统,其特征在于,模块五中的双无损卡尔曼滤波信息融合与地层参数的动态更新,因为盾构机掘进力学参数的采样频率远大于地表变形采样频率,对每一个掘进环内的掘进力学参数进行等效处理,将土舱压力、刀盘扭矩、顶推力和注浆压力的掘进参数波动视为多维正态分布随机变量,并根据记录数据计算多维正态分布随机变量的均值和方差。
12.根据权利要求7所述的一种基于多源数据融合的盾构隧道掘进数字孪生地层构建系统,其特征在于,模块六中融合地层变形与掘进力学参数信息,设计两个耦合的非线性卡尔曼滤波模型,分别对地层分布三维模型参数和多元相关三维条件随机场模型参数进行反演分析;根据获得的地层分布模型和岩土参数多元相关三维条件随机场,设定卡尔曼滤波的初始条件,包括待估计状态、水平方向状态转移矩阵、岩土参数自相关距离及初始误差协方差矩阵;根据地表变形预测误差,设定卡尔曼滤波的观测噪音协方差矩阵;在第一个卡尔曼滤波模型中,融入地层变形数据,计算卡尔曼增益,对地层分布模型参数/>进行更新和修正;然后将更新的地层分布模型参数/>输入到第二个卡尔曼滤波模型中,融入地层变形数据/>,计算相应的卡尔曼增益矩阵,估计更新的多元相关条件随机场参数/>,上述各参数中下标k代表第k次迭代;
针对地层分布模型,获取更新后的地层分布模型的参数值的详细过程如下:;;/>;
为更新前地层分布模型的参数值,/>为相应的协方差矩阵,/>为经验超参数,为/>点总数量;/>代表/>点;
借助估测函数得到进一步估计值:/>;/>;;
式中,为权重系数,/>为噪音;/>为中间估计量;
由按转换公式得到对应的/>,借助估测函数/>得到进一步估计值:;/>;
进而计算得到两个协方差矩阵:;;
式中,为噪音;
由此继而计算卡尔曼滤波增益矩阵:;
从而得到更新后的地层分布模型的参数值:;式中/>为测量矢量;
上式中*号以区分于地层分布模型参数,同理可得有关岩土随机场参数的卡尔曼滤波更新模型:;
获得新的变形监测数据后,按照上述步骤依次进行地层分布和多元相关条件随机场参数动态更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310515341.1A CN116227309B (zh) | 2023-05-09 | 2023-05-09 | 融合多源数据的盾构掘进数字孪生地层构建方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310515341.1A CN116227309B (zh) | 2023-05-09 | 2023-05-09 | 融合多源数据的盾构掘进数字孪生地层构建方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116227309A CN116227309A (zh) | 2023-06-06 |
CN116227309B true CN116227309B (zh) | 2023-08-01 |
Family
ID=86575413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310515341.1A Active CN116227309B (zh) | 2023-05-09 | 2023-05-09 | 融合多源数据的盾构掘进数字孪生地层构建方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116227309B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117235874B (zh) * | 2023-11-14 | 2024-02-20 | 中电建铁路建设投资集团有限公司 | 一种基于盾构隧道掘进的轨道变形预测方法及系统 |
-
2023
- 2023-05-09 CN CN202310515341.1A patent/CN116227309B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN116227309A (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7933750B2 (en) | Method for defining regions in reservoir simulation | |
US6947843B2 (en) | Microseismic signal processing | |
CN113901681B (zh) | 一种全寿命周期页岩气储层双甜点三维可压性评估方法 | |
CN113820750B (zh) | 基于弹塑性力学定量预测泥岩构造裂缝的方法 | |
CN107563092A (zh) | 一种矿山动力灾害的全息预警方法 | |
CN104749624A (zh) | 一种地震岩相识别及其不确定性定量评价同步实现方法 | |
CN105549079A (zh) | 一种地球物理参数的全波形反演模型的建立方法和装置 | |
CN107315862A (zh) | 一种建立明挖基坑工程勘察与模拟参数关系的方法 | |
CN116227309B (zh) | 融合多源数据的盾构掘进数字孪生地层构建方法及系统 | |
CN106772577A (zh) | 基于微地震数据和spsa优化算法的震源反演方法 | |
CN104749617A (zh) | 一种多尺度裂缝储层正演模型建立方法 | |
CN114035228B (zh) | 一种基于深度学习的隧道地震波速反演方法及系统 | |
CN108842821B (zh) | 一种钻爆法修建海底隧道合理埋深的计算方法 | |
CN105089615A (zh) | 一种基于油藏模型的测井数据历史回归处理方法 | |
Chen et al. | Study on the application of a comprehensive technique for geological prediction in tunneling | |
Chang et al. | Data assimilation of coupled fluid flow and geomechanics using the ensemble Kalman filter | |
CN103913768A (zh) | 基于地震波资料对地表中浅层进行建模的方法及装置 | |
CN110188426A (zh) | 一种隧道地质条件协同预测方法 | |
Wang et al. | Multi-source data integration and multi-scale modeling framework for progressive prediction of complex geological interfaces in tunneling | |
CN103630938A (zh) | 以潜孔锤锤头为震源的井地地震成像系统及成像方法 | |
Han et al. | Deep learning–based stochastic modelling and uncertainty analysis of fault networks | |
CN115373029B (zh) | 基于深度学习的实时微地震震源机制计算方法及系统 | |
Gonzalez et al. | 3D modeling of multistage hydraulic fractures and two-way-coupling geomechanics/fluid-flow simulation of a horizontal well in the nikanassin tight gas formation, Western Canada sedimentary basin | |
CN112991531B (zh) | 一种精细化三维水文地质模型的动态构建方法 | |
CN112649893B (zh) | 一种面向薄储层的多资料多参数融合建模方法及系统 |
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 |