CN110705178A - 一种基于机器学习的隧道/地铁施工全过程围岩变形动态预测方法 - Google Patents
一种基于机器学习的隧道/地铁施工全过程围岩变形动态预测方法 Download PDFInfo
- Publication number
- CN110705178A CN110705178A CN201910933480.XA CN201910933480A CN110705178A CN 110705178 A CN110705178 A CN 110705178A CN 201910933480 A CN201910933480 A CN 201910933480A CN 110705178 A CN110705178 A CN 110705178A
- Authority
- CN
- China
- Prior art keywords
- surrounding rock
- tunnel
- rock
- deformation
- section
- 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 102
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000010276 construction Methods 0.000 title claims abstract description 27
- 238000010801 machine learning Methods 0.000 title claims abstract description 23
- 230000008569 process Effects 0.000 title claims abstract description 21
- 238000009412 basement excavation Methods 0.000 claims abstract description 10
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- 238000013461 design Methods 0.000 claims abstract description 8
- 230000004044 response Effects 0.000 claims abstract description 8
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 3
- 238000009933 burial Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 238000005096 rolling process Methods 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 7
- 230000008859 change Effects 0.000 abstract description 4
- 238000006073 displacement reaction Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Excavating Of Shafts Or Tunnels (AREA)
Abstract
本发明涉及一种基于机器学习的隧道/地铁施工全过程围岩变形动态预测方法，以隧道/地铁同一设计围岩等级区段为研究对象，同时，通过现场监控量测可获取各选取断面的围岩变形收敛值。以所选监测断面为样本，则每个样本中包含了该断面岩体的自然属性指标与围岩变形收敛值。采集已开挖段各量测断面的信息，构成一样本空间。进而直接通过当前掌子面揭露围岩的自然属性来预测其变形收敛值。本发明研究了一种基于机器学习的隧道/地铁施工全过程围岩变形响应预测方法。与之前研究相比，并基于隧道/地铁开挖过程中的先验分布信息，进而构建了围岩变形的响应预测模型。为后续工法变更及支护参数优化提供了直接的数据支撑。
Description
技术领域
本发明涉及一种隧道/地铁施工全过程围岩变形预测方法，尤其是一种基于机器学习的隧道/地铁围岩变形快速、动态、实时预测方法。
背景技术
新奥法自提出以来，受到全世界隧工程技术专家的肯定，并在隧道及地下工程修建中得到了广泛的推广和应用。而作为其核心要义，现场量测所反馈的围岩变形信息显得尤为重要，但由于影响因素众多（涉及到水文地质环境、岩体结构属性，开挖支护工法以及施工技术与管理水平等），很难构建具有普适性的各因素与围岩变形间的响应模型。然而就某具体隧道/地铁而言，以同一设计围岩等级区段为研究对象，则可将工程影响看作为同一效应水平，这就为构建岩体自然属性与围岩变形间的映射关系提供了可能。作为一个完整的***工程，某隧道/地铁已开挖段所揭露岩体的自然属性与围岩变形间的内在关联往往被忽略，而这恰恰是对该隧道/地铁后续施工有实际指导意义的。
发明内容
本发明目的是为克服上述现有技术的不足，充分利用已开挖段揭露围岩的先验分布信息，提供一种基于机器学习的掌子面围岩变形收敛值的响应预测方法。可为隧道/地铁开挖过程中工法转换及支护参数优化提供直接有效的数据支撑。
为实现上述目的，本发明采用下述技术方案：
一种基于机器学习的隧道/地铁施工全过程围岩变形动态预测方法，以隧道/地铁同一设计围岩等级区段为研究对象，在该区段已开挖部分中获取各开挖掌子面岩体自然属性评定指标（地质结构、岩体力学参数、结构面产状等），同时通过现场监控量测可获取各选取断面的围岩变形收敛值。以所选监测断面为样本，则每个样本中包含了该断面岩体的自然属性指标与围岩变形收敛值。采集已开挖段各量测断面信息，构成一样本空间，则基于机器学习算法（此处采用高斯过程回归）可构建一映射模型。进而直接通过当前掌子面揭露围岩的自然属性来预测其变形收敛值。实现了对隧道/地铁施工过程中围岩变形收敛值的超前预测，以此对围岩稳定性状况进行即时评定。
所述超前预测方法是基于岩体结构信息的先验分布规律及机器学习算法。
一种基于机器学习的隧道/地铁施工全过程围岩变形动态预测方法，其特征在于，包括以下步骤：
A. 采集已开挖隧道/地铁段各监测断面的岩体自然属性评定指标与围岩收敛变形值为训练样本，GPR模型的输入样本对为：(x i ，y i )，i=1，2，…，k，其中，x i 为代表影响隧道/地铁围岩变形的若干个定量控制因素（此处仅包括自然属性影响因素，诸如岩石强度、岩体完整性、岩体结构自身特征、体积节理数、围岩等级等等），y i 为围岩变形收敛值；
B. 构建岩体自然属性与围岩变形收敛值之间的映射模型需要提供功能函数Z的训练样本，选取的样本点是同一隧道/地铁在同等设计围岩等级区段中已开挖部分的各断面信息。在实际应用过程中，随着隧道/地铁的不断开挖，样本集进行滚动式更新，所选取的n个样本需保证为距离当前掌子面最近的n个断面的样本信息，即在添加下一断面为样本点的同时，舍弃距离掌子面最远的样本点；
C. 当影响围岩变形的各控制因素诸如岩石强度、RQD值、岩体完整程度、隧道/地铁埋深等的数量级相差较大时，需对样本数据进行标准化处理
式中：
x i 为第i个指标；P i 为标准化后的值；
D. 基于所构建样本空间，以现有机器学习算法进行模型训练，建立控制影响因素x i 与输出响应y i 间的映射关系，获取既定工程影响条件下X*对应的围岩变形收敛预测值y*。以为隧道/地铁当前开挖工法与支护参数优化提供数据支撑。
本发明中的机器学习算法、岩体结构信息采集设备（包含诸如双目摄影量测、三维激光扫描等非接触式量测技术）均为现有东西，此处不再赘述。
应该指出，本文使用机器学习算法并非指单一一种算法，包括目前主流的人工神经网络（ANN）、支持向量机（SVM）、高斯过程回归理论（GPR）等等。
应该指出，以上所述旨在对本申请提供进一步的说明。仅为本发明的优选示例而已，并不用于限制本发明。除非另有说明，本文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。
本发明以隧道/地铁同一设计围岩等级区段为研究对象，在已开挖部分中获取各开挖掌子面的岩体自然属性评定指标（地质结构、岩体力学参数、结构面产状等），同时，通过现场监控量测可获取各选取断面的围岩变形收敛值。以所选监测断面为样本，则每个样本中包含了该断面岩体的自然属性指标与围岩变形收敛值。采集已开挖段各量测断面的信息，构成一样本空间，则基于机器学习算法构建映射模型。进而直接通过当前掌子面揭露围岩的自然属性来预测其变形收敛值。
本发明研究了一种基于机器学习的隧道/地铁围岩变形响应预测方法，实现了对隧道/地铁施工过程中围岩变形收敛值的超前预测，以此对围岩稳定性状况进行即时评定。与之前研究相比，该方法不同于位移的时序预测，而是充分考虑了影响围岩变形的各岩体自然属性，并基于隧道/地铁开挖过程中的先验分布信息，进而构建了围岩变形的响应预测模型。为后续工法变更及支护参数优化提供了直接的数据支撑。
本发明解决了隧道/地铁施工过程中围岩变形收敛值的即时预测，具有以下优点：
1、基于机器学习算法进行围岩变形预测，无需人工分析、处理数据；节省人力、财力；且随着样本库的持续构建，其预测精度会不断提高；
2、无需等待围岩变形收敛，避免了位移时序预测中位移信息长期、精确采集与应用断面有限的缺点，实现了隧道/地铁施工过程中围岩变形值的超前预测；
3、在以往评定分析模型或方法中，由于面向对象是全国各地不同的隧道/地铁工程，需全面、综合地考虑各影响因素及工程可行性，因此所建数学模型评估结果多是在等级区间层面上的。而本发明涉及方法所构建样本库是基于所研究隧道/地铁已开挖揭露岩体的先验分布信息，充分做到了具体问题具体考虑，实现对具体工程的针对性指导；
4、就某具体隧道/地铁而言，在同一设计围岩等级区段条件下，围岩自然属性与变形间存在一定的映射关系，通过机器学习算法进行相应的响应分析。虽然预测位移尚有误差，但其变化趋势可基本反映工程实际，为快速变更决策提供了定量化依据，可减少因变更而延误工期的情况发生。
图1是本发明预测方法流程图。
Claims (3)
1.一种基于机器学习的隧道/地铁施工全过程围岩变形动态预测方法，充分利用已开挖段揭露围岩的先验分布信息，采集已开挖部分中获取各开挖掌子面的岩体自然属性评定指标（地质结构、岩体力学参数、结构面产状等），同时，通过现场监控量测可获取各选取断面的围岩变形收敛值,以所选监测断面为样本，则每个样本中包含了该断面岩体的自然属性指标与围岩变形收敛值；采集已开挖段各量测断面的信息，构成一样本空间，以揭露岩体的自然属性指标为输入样本，围岩变形收敛值为输出样本，基于机器学习算法构建同一设计围岩等级区间段内岩体自然属性与变形间的映射模型，实现对当前掌子面围岩变形收敛值的响应预测及围岩稳定性状况的即时评定；以此为隧道/地铁开挖工法与支护参数优化提供数据支撑。
2.根据权利要求1所述的基于机器学习的隧道/地铁施工全过程围岩变形动态预测方法，其特征在于：所述预测方法是基于岩体结构信息的先验分布规律与机器学习算法。
3.一种基于机器学习的隧道/地铁施工全过程围岩变形动态预测方法，其特征在于，包括以下步骤：
A.采集已开挖隧道/地铁段各监测断面的岩体自然属性评定指标与围岩收敛变形值为训练样本，GPR模型的输入样本对为：(x i ，y i )，i=1，2，…，k，其中，x i 为代表影响隧道/地铁围岩变形的若干个定量控制因素（此处仅包括自然属性影响因素，诸如岩石强度、岩体完整性、岩体结构自身特征、体积节理数、围岩等级等等），y i 为围岩变形收敛值；
B.构建岩体自然属性与围岩变形收敛值之间的映射模型需要提供功能函数Z的训练样本，选取的样本点是同一隧道/地铁在同等设计围岩等级区段中已开挖部分的各断面信息；在实际应用过程中，随着隧道/地铁的不断开挖，样本集进行滚动式更新，所选取的n个样本需保证为距离当前掌子面最近的n个断面的样本信息，即在添加下一断面为样本点的同时，舍弃距离掌子面最远的样本点；
C.当影响围岩变形的各控制因素诸如岩石强度、RQD值、岩体完整程度、隧道/地铁埋深等的数量级相差较大时，需对样本数据进行标准化处理
式中：
x i 为第i个指标；P i 为标准化后的值；
D.基于所构建样本空间，以现有机器学习算法进行模型训练，建立控制影响因素x i 与输出响应y i 间的映射关系，获取既定工程影响条件下X*对应的围岩变形收敛预测值y*；以为隧道/地铁当前开挖工法与支护参数优化提供数据支撑。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910933480.XA CN110705178A (zh) | 2019-09-29 | 2019-09-29 | 一种基于机器学习的隧道/地铁施工全过程围岩变形动态预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910933480.XA CN110705178A (zh) | 2019-09-29 | 2019-09-29 | 一种基于机器学习的隧道/地铁施工全过程围岩变形动态预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110705178A true CN110705178A (zh) | 2020-01-17 |
Family
ID=69197263
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910933480.XA Pending CN110705178A (zh) | 2019-09-29 | 2019-09-29 | 一种基于机器学习的隧道/地铁施工全过程围岩变形动态预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110705178A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111340275A (zh) * | 2020-02-18 | 2020-06-26 | 山东科技大学 | 基于随钻探测技术的隧道支护模式选型实时预测方法 |
| CN112614021A (zh) * | 2020-12-24 | 2021-04-06 | 东南大学 | 一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法 |
| CN112664174A (zh) * | 2020-12-21 | 2021-04-16 | 中铁四局集团第五工程有限公司 | 一种基于多钻孔的隧道围岩等级判定方法及*** |
| CN113268808A (zh) * | 2021-07-21 | 2021-08-17 | 中铁大桥科学研究院有限公司 | 一种极软弱破碎围岩门式***挑顶施工数字化检测方法 |
| CN113360998A (zh) * | 2021-07-14 | 2021-09-07 | 四川绵九高速公路有限责任公司 | 一种大变形隧道大变形趋势动态判定及施工决策方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103870677A (zh) * | 2014-02-07 | 2014-06-18 | 上海交通大学 | 一种掘进机的掘进参数设定方法 |
| CN107702638A (zh) * | 2017-11-08 | 2018-02-16 | 山东科技大学 | 围岩开挖变形全过程监测***及使用方法 |
| CN109241627A (zh) * | 2018-09-07 | 2019-01-18 | 大连海事大学 | 概率分级的动态支护方法及自动设计支护方案的装置 |
-
2019
- 2019-09-29 CN CN201910933480.XA patent/CN110705178A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103870677A (zh) * | 2014-02-07 | 2014-06-18 | 上海交通大学 | 一种掘进机的掘进参数设定方法 |
| CN107702638A (zh) * | 2017-11-08 | 2018-02-16 | 山东科技大学 | 围岩开挖变形全过程监测***及使用方法 |
| CN109241627A (zh) * | 2018-09-07 | 2019-01-18 | 大连海事大学 | 概率分级的动态支护方法及自动设计支护方案的装置 |
Non-Patent Citations (1)
| Title |
|---|
| 贺鹏等: "基于数据挖掘的隧道围岩变形响应预测与动态变更许可机制", 《岩石力学与工程学报》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111340275A (zh) * | 2020-02-18 | 2020-06-26 | 山东科技大学 | 基于随钻探测技术的隧道支护模式选型实时预测方法 |
| CN112664174A (zh) * | 2020-12-21 | 2021-04-16 | 中铁四局集团第五工程有限公司 | 一种基于多钻孔的隧道围岩等级判定方法及*** |
| CN112614021A (zh) * | 2020-12-24 | 2021-04-06 | 东南大学 | 一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法 |
| CN113360998A (zh) * | 2021-07-14 | 2021-09-07 | 四川绵九高速公路有限责任公司 | 一种大变形隧道大变形趋势动态判定及施工决策方法 |
| CN113268808A (zh) * | 2021-07-21 | 2021-08-17 | 中铁大桥科学研究院有限公司 | 一种极软弱破碎围岩门式***挑顶施工数字化检测方法 |
| CN113268808B (zh) * | 2021-07-21 | 2021-10-26 | 中铁大桥科学研究院有限公司 | 一种极软弱破碎围岩门式***挑顶施工数字化检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110705178A (zh) | 一种基于机器学习的隧道/地铁施工全过程围岩变形动态预测方法 | |
| Qi et al. | Prediction of open stope hangingwall stability using random forests | |
| Shen et al. | Real-time prediction of shield moving trajectory during tunnelling | |
| CN109165664A (zh) | 一种基于生成对抗网络的属性缺失数据集补全与预测方法 | |
| CN109740119B (zh) | 一种tbm掘进隧洞围岩单轴抗压强度快速估算方法 | |
| CN109490072B (zh) | 一种土木工程建筑用检测***及其检测方法 | |
| Harandizadeh et al. | TBM performance prediction developing a hybrid ANFIS-PNN predictive model optimized by imperialism competitive algorithm | |
| Wang et al. | A novel combination of PCA and machine learning techniques to select the most important factors for predicting tunnel construction performance | |
| Ghorbani et al. | Determination of initial stress state and rock mass deformation modulus at Lavarak HEPP by back analysis using ant colony optimization and multivariable regression analysis | |
| Yao et al. | Improved support vector machine regression in multi-step-ahead prediction for rock displacement surrounding a tunnel | |
| Liu et al. | Intelligent information-based construction in tunnel engineering based on the GA and CCGPR coupled algorithm | |
| Gao et al. | Back analysis of rock mass parameters and initial stress for the Longtan tunnel in China | |
| Qi et al. | A real-time back-analysis technique to infer rheological parameters from field monitoring | |
| Yang et al. | A no-tension elastic–plastic model and optimized back-analysis technique for modeling nonlinear mechanical behavior of rock mass in tunneling | |
| Yagiz et al. | Application of differential evolution algorithm and comparing its performance with literature to predict rock brittleness for excavatability | |
| CN103885867B (zh) | 一种模拟电路性能的在线评价方法 | |
| CN110378574A (zh) | 水下隧道盾构施工开挖面稳定性评价方法、***及设备 | |
| CN108733952B (zh) | 一种基于序贯模拟的土壤含水量空间变异性三维表征方法 | |
| Wang et al. | An extreme gradient boosting technique to estimate TBM penetration rate and prediction platform | |
| Wang et al. | Discussion on the prediction of engineering cost based on improved BP neural network algorithm | |
| Shang et al. | Intelligent back analysis of displacements using precedent type analysis for tunneling | |
| CN111305899A (zh) | 用于地铁车站拱盖法施工临时支撑拆除长度确定的方法 | |
| Zhang et al. | An integrated framework for improving the efficiency and safety of hydraulic tunnel construction | |
| Nguyen et al. | Identification of a fault zone ahead of the tunnel excavation face using the extended Kalman filter | |
| Yan et al. | A novel method for identifying geomechanical parameters of rock masses based on a PSO and improved GPR hybrid algorithm |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200814 Address after: 266590 No. 579, Bay Road, Huangdao District, Shandong, Qingdao Applicant after: Shandong University of Science and Technology Applicant after: Sichuan Jingyu Biotechnology Co., Ltd Address before: 266590 No. 579, Bay Road, Huangdao District, Shandong, Qingdao Applicant before: Shandong University of Science and Technology |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200117 |