CN1945279A - 一种地下工程围岩类别的识别方法 - Google Patents

Abstract

本发明涉及一种地下工程围岩类别的识别方法。它首先采用结构动测技术获取完整锚杆系统的动测信号，然后对动测信号进行拟合分析以获得相应的结构动力参数，然后通过经过训练的神经网络智能识别系统进行围岩类别的检测。本发明为围岩类别提供了一种新的识别方法，它可以克服传统判别过程中人为因素的干扰，同时还可以实现围岩类别的动态识别，这对于隧洞的设计施工提供了可靠的依据。

Description

一种地下工程围岩类别的识别方法

技术领域

本发明涉及一种地下工程围岩类别的识别方法。

背景技术

围岩分类是进行地下工程设计和施工的基础，是评价围岩稳定性、设计断面形状、施工方式和支撑、衬砌等的重要依据。

地下围岩如隧洞围岩分类的方法有很多种，其原理基本上是采用工程经验类比法或根据位移监测所获得的信息来判别其稳定性，进而进行分类。通常，在获得隧洞围岩位移监测结果后进行的数据处理过程中渗透了较多的人为因素，使得处理结果带有较多的人为干扰。

发明内容

本发明的目的在于提供一种操作简便、处理结果准确的地下工程类别的识别方法。

发明人发现，在锚杆受到瞬态纵向激振时的数学力学模型中，动力参数可以取代锚固介质与围岩对锚杆的作用，所以锚固介质与围岩的物理力学性质与动力参数有着直接的相关性。如果对完整锚杆系统的动力参数进行识别，建立从围岩的质量参数到动力参数的映射关系，是锚杆锚固系统动力响应问题从振动理论模型到实际工程的一座桥梁。大家都知道，锚杆在其长期服役过程中，被锚杆加固的围岩可能由于受到自然或人为的扰动而产生力学性状的改变，可见，由完整锚杆动力响应得到的动力参数的变化可反映出围岩质量参数的改变，从而可进一步动态地确定围岩的类别。

本发明的目的是这样实现的：一种地下工程围岩类别的识别方法，其特征在于：它首先采用结构动测技术获取完整锚杆系统的动测信号，然后对动测信号进行拟合分析以获得相应的结构动力参数，然后通过经过训练的神经网络智能识别系统进行围岩类别的检测。

具体地说，上述识别方法采用以下步骤进行：

A.应力波发生器激发产生低应变动力信号作用于处于围岩内完整锚杆的顶部；

B.加速度传感器获取经锚杆底部反射回来的声波脉冲动测信号，并将此信号传送给信号接收装置；

C.信号接收装置将信号传送到微处理机进行信号拟合分析，提取结构动力参数；

D.上步处理得到的结构动力参数输入到经过训练的神经网络系统进行识别，得到锚杆所处围岩的类别。

本发明所述的信号拟合分析采用遗传算法。对于已测得的完整锚杆动力响应信号，在一定范围内随机选取若干组动力参数α、β与α_b、β_b作为初始解，进行完整锚杆系统的动力响应分析，可得这些动力参数因子所对应的锚杆速度动力响应函数ss′(i)，并与已测得的锚杆速度动力响应信号ss(i)作对比，进行分析比较，优选出适应值较大的动力参数作父代。对父代进行交叉和变异等一系列遗传算法的操作，又得到若干组动力参数作为子代，再进行前述数值计算，并对适应度函数进行判别，如此循环反复，当适应度函数最趋近于1时，便可得到计算结果与原始信号最为接近的一组动力参数，即为最优解。本发明的信号拟合分析之所以采用遗传算法，主要是确定适应度函数、遗传操作方法及终止准则。具体方法如下：

1、确定动力参数因子取值范围即解空间的范围

锚杆的动力参数包括杆侧刚度与阻尼因子、杆底刚度与阻尼因子。它们取决于砂浆和围岩的力学性质，并随锚杆设计参数的不同而不同。因此可根据不同类别的围岩、不同标号的砂浆以及不同的锚杆设计参数对动力参数的取值范围进行估计。

在实际操作中，可采用试算的办法，即扩大取值范围而动力参数的反演结果基本不变时，取最小的范围为解空间的范围。本发明根据砂浆、围岩以及锚杆的力学参数确定动力参数因子的取值范围为：杆侧阻尼因子：1～100，杆底阻尼因子：0.5～3；杆侧刚度因子：100～500，杆底阻尼因子：500～2000；

2、对种群进行随机初始化，种群规模取30，对各种群进行低应变动力响应分析，得到响应函数ss′(i)，数学模型见参考文献；

3、与已测得的锚杆速度动力响应信号ss(i)作对比，分析比较确定父代，对父代进行交叉和变异等一系列遗传算法的操作，得到若干组动力参数作为子代，计算适应度函数

$F_n=\frac{1}{1+\sqrt{Y}},Y=\underset{i}{\mathrm{\Σ}}{|{\mathrm{ss}}^{\′}\left(i\right)-\mathrm{ss}\left(i\right)|}^2;$

4、当适应度函数趋近于1时，且最优子代的适应度值逐渐趋近于平均值时，计算结果接近于实测值，为最优解，程序终止。

本发明的遗传算法采用排序选择，分别用算术交叉、启发式交叉、单点交叉等交叉算子进行交叉操作，再采用非均匀变异操作产生下一代；终止准则是判断程序是否停止的依据，一般可取最大迭代数(即子代数)100～300。

本发明所述的神经网络采用径向基函数神经网络，其中输入参数为完整锚杆杆侧的刚度系数和阻尼系数，输出参数则为围岩类别。本发明的训练样本是根据均匀设计所设计的30组数值试验方案通过有限元数值仿真计算得到。这些均为现有的成熟技术。识别结果如下：

围岩类别	杆侧阻尼系数cs(107Kg/m2·s)	杆侧刚度系数ks(1011N/m3)
			VIVIIIIII	0.03～0.060.08～0.110.10～0.130.12～0.140.18～0.30	0.02～0.060.06～0.160.08～0.180.10～0.200.15～0.32

本发明为围岩类别提供了一种新的识别方法，它可以克服传统判别过程中人为因素的干扰，同时还可以实现围岩类别的动态识别，这对于隧洞的设计施工提供了可靠的依据。通过本发明可以达到如下工程的应用：

1、通过现场围岩类别的动态测定来复核原来围岩的设计类别，并把测定结果(信息)反馈到设计中，从而进一步修改和完善原设计的支护参数，并进而指导后续的施工，这样可使得设计和施工更符合或接近现场实际，也能够适应多变的地质条件和各种不同的施工条件。

2、将围岩类别跟踪调研测试结果及时、迅速地反馈给业主、施工、监理单位和现场设计代表，以便达成共识和及时调整与优化施工方案，提高了效率。由于及时掌握了围岩的动态，并采取相应的措施，从而大大减少了灾害事故发生率及工程返工时间。

3、在隧道施工和支护工程中，及时地掌握了围岩的真实状态，了解了围岩的松驰范围，能够客观、真实为隧道围岩的稳定性做出综合评价。

4、对隧道工程施工进行动态围岩类别的测定，使隧道工程的设计和施工运作纳入科学的动态管理中，使隧道工程始终处于良好的运行状态，确保地下工程的顺利实施，以保证高水平、高质量地完成隧道工程施工。

附图说明

图1：本发明实施例的原理框图；

图2：本发明实施例中信号拟合分析提取结构动力参数的流程框图。

具体实施方式

下面结合附图和实施例对本发明作进一步描述，但本发明并不仅限于此。

实施例：一种地下工程围岩类别的识别方法，其特征在于：它首先采用结构动测技术获取完整锚杆系统的动测信号，然后对动测信号进行拟合分析以获得相应的结构动力参数，然后通过经过训练的神经网络智能识别系统进行围岩类别的检测。

具体地说，首先将应力波发生器激发产生声波信号作用于处于围岩内的完整锚杆的顶部；再利用加速度传感器获取经锚杆底部反射回来的应力波动测信号，并将此信号传送给信号接收装置；信号接收装置再将信号传送到微处理机进行信号拟合分析，提取结构动力参数；最后将提取得到的结构动力参数输入到经过训练的神经网络系统进行识别，得到锚杆所处围岩的类别。

在本例中，本发明根据砂浆、围岩以及锚杆的力学参数确定动力参数因子的取值范围为：杆侧阻尼因子：1～100，杆底阻尼因子：0.5～3；杆侧刚度因子：100～500，杆底阻尼因子：500～2000；

然后对种群进行随机初始化，种群规模取30，对各种群进行低应变动力响应分析，得到响应函数ss′(i)，数学模型见参考文献；

将所得的响应函数ss′(i)与已测得的锚杆速度动力响应信号ss(i)作对比，分析比较确定父代，对父代进行交叉和变异等一系列遗传算法的操作，得到若干组动力参数作为子代，计算适应度函数 $F_n=\frac{1}{1+\sqrt{Y}},Y=\underset{i}{\mathrm{\Σ}}{|{\mathrm{ss}}^{\′}\left(i\right)-\mathrm{ss}\left(i\right)|}^2;$

4、当适应度函数趋近于1时，且最优子代的适应度值逐渐趋近于平均值时，计算结果接近于实测值，为最优解，程序终止。

本例的遗传算法采用排序选择，分别用算术交叉、启发式交叉、单点交叉等交叉算子进行交叉操作，再采用非均匀变异操作产生下一代；终止准则是判断程序是否停止的依据，一般可取最大迭代数(即子代数)100～300，而本例采用的试算办法，取反演结果基本不变的最优子代数为迭代次数，取200。

经过上述信号分析提取的围岩的结构动力参数为完整锚杆杆侧的刚度系数和阻尼系数，将其输入至微处理机，与先已输入微处理机中的神经网络智能识别系统进行判别，以得到锚杆所处围岩的类别。识别结果如下：

围岩类别	杆侧阻尼系数cs(107Kg/m2·s)	杆侧刚度系数ks(1011N/m3)
			VIVIIIIII	0.03～0.060.08～0.110.10～0.130.12～0.140.18～0.30	0.02～0.060.06～0.160.08～0.180.10～0.200.15～0.32

参考文献

[1]陈建功，张永兴，李英民.完整锚杆低应变动力响应问题的半解析解及分析.世界地震工程.2004(9)

[2]陈建功，张永兴.完整锚杆纵向振动问题的求解与分析.地下空间.2003(9)。

Claims (4)

1、一种地下工程围岩类别的识别方法，其特征在于：它首先采用结构动测技术获取完整锚杆系统的动测信号，然后对动测信号进行拟合分析以获得相应的结构动力参数，然后通过经过训练的神经网络智能识别系统进行围岩类别的检测。

2、如权利要求1所述的地下工程围岩类别的识别方法，其特征在于：它采用以下步骤进行：

A.应力波发生器激发产生瞬态低应变动力信号作用于处于围岩内完整锚杆的顶部；

B.加速度传感器获取经完整锚杆结构系统反射回来的应力波动测信号，并将此信号传送给信号接收装置；

C.信号接收装置将信号传送到微处理机进行信号拟合分析，提取结构动力参数；

D.上步处理得到的结构动力参数输入到经过训练的神经网络系统进行识别，得到锚杆所处围岩的类别。

3、如权利要求2所述的地下工程围岩类别的识别方法，其特征在于：所述的信号拟合分析采用遗传算法，A.首先确定锚杆的动力参数取值范围即解空间的范围，它根据砂浆、围岩以及锚杆的力学参数确定动力参数因子的取值范围为：杆侧阻尼因子：1～100，杆底阻尼因子：0.5～3；杆侧刚度因子：100～500，杆底阻尼因子：500～2000；

B.然后对种群进行随机初始化，种群规模取30，对各种群进行低应变动力响应分析，得到响应函数ss′(i)；

C.与已测得的锚杆速度动力响应信号ss(i)作对比，分析比较确定父代，对父代进行交叉和变异一系列遗传算法的操作，得到若干组动力参数作为子代，计算适应度函数

$F_n=\frac{1}{1+\sqrt{Y}},Y=\underset{i}{\mathrm{\Σ}}{|{\mathrm{ss}}^{\′}\left(i\right)-\mathrm{ss}\left(i\right)|}^2;$

D.当适应度函数趋近于1时，且最优子代的适应度值逐渐趋近于平均值时，计算结果接近于实测值，即为提取的锚杆所处围岩的结构动力参数的最优解，程序终止。

4、如权利要求2所述的地下工程围岩类别的识别方法，其特征在于：所述的神经网络采用径向基函数神经网络，其中输入参数为完整锚杆杆侧的刚度系数和阻尼系数，输出参数为围岩类别；

当输入的杆侧阻尼系数C_s为0.18～0.3，杆侧刚度系数K_s为0.15～0.32时，围岩类别为I类；

当输入的杆侧阻尼系数C_s为0.12～0.14，杆侧刚度系数K_s为0.10～0.20时，围岩类别为II类；

当输入的杆侧阻尼系数C_s为0.10～0.13，杆侧刚度系数K_s为0.08～0.18时，围岩类别为III类；

当输入的杆侧阻尼系数C_s为0.08～0.11，杆侧刚度系数K_s为0.06～0.16时，围岩类别为IV类；

当输入的杆侧阻尼系数C_s为0.03～0.06，杆侧刚度系数K_s为0.02～0.06时，围岩类别为V类；

以上杆侧阻尼系数C_s的单位为10⁷Kg/m².s，杆侧刚度系数K_s单位为10¹¹N/m³。

Images