一种深部矩形巷道力学响应预测方法及系统
本发明属于地下工程围岩力学分析与物理信息机器学习,具体涉及一种深部矩形巷道力学响应预测方法及系统。
背景技术:
1、深部巷道开挖会改变原始地应力平衡并引起围岩位移、应力重分布和局部屈服。矩形截面巷道具有直墙和非光滑角部,角部附近容易形成较大的应力梯度,其连续位移场、应力场及塑性区范围是巷道稳定性分析和支护响应评估的重要依据。
2、传统解析方法对于圆形巷道等规则边界能够给出清晰的弹性解,但在矩形截面边界、复杂卸载路径和弹塑性本构条件下通常依赖复杂映射或难以获得紧凑闭式解。有限差分、有限元等数值方法能够处理复杂边界和材料非线性,但数值计算依赖网格离散,且离散单元之间不直接给出满足物理方程的连续场表达。
3、纯数据驱动网络虽可拟合离散数值结果,但在训练数据有限或角部梯度较大时,难以保证预测应力满足静力平衡、位移与应变满足运动学关系、以及应力更新满足路径相关的弹塑性本构关系;同时,摩尔库仑屈服面在主应力空间存在棱边角点,角点处屈服函数不可微,使弹塑性应力返回更新更为困难,而固定或均匀的配点方式在角部等高梯度区域亦难以保证足够的预测精度。
4、因此,需要一种能够把几何感知输入、连续场网络、平衡与边界约束、增量弹塑性更新、屈服面角点处理以及少量数值模拟场数据在同一训练框架内协同起来,并能够根据应力梯度自适应调整配点分布的矩形截面巷道弹塑性响应预测方案,以在减少对稠密网格结果依赖的同时获得具有力学一致性的连续位移-应力场和塑性区分布。
技术实现思路
1、针对上述现有技术存在的问题,本发明提供一种深部矩形巷道力学响应预测方法及系统,该方法显著提升了非光滑角部高梯度区域与路径相关弹塑性响应的预测精度与物理可解释性;该系统实现了深部矩形巷道围岩弹塑性响应的模块化、全流程、高精度预测。
2、为了实现上述目的,本发明提供一种深部矩形巷道力学响应预测方法,包括以下步骤:
3、步骤1:获取建模参数并建立对称平面应变计算域;获取矩形截面巷道的几何参数、围岩材料参数和初始地应力,建立具有对称边界与对称荷载的平面应变计算域;
4、步骤2:对数值模拟数据与卸载过程进行预处理;获取数值模拟位移—应力场数据,建立归一化卸载参数,并在满足几何和荷载对称条件时执行四分之一域镜像映射、应力符号转换和观测尺度一致化处理;
5、步骤3:构建几何感知的物理信息神经网络;构建物理信息神经网络,将位置坐标、归一化卸载参数、壁面距离特征和局部角部特征作为输入,将位移分量和应力分量作为输出;
6、步骤4:以梯度自适应配点替代固定分区,动态调整配点密度与残差尺度;在计算域内进行基于应力梯度估计的自适应配点采样,在低梯度带内计算点式静力平衡与本构残差,在高梯度带内计算单元尺度本构残差,并计算小应变运动学量和边界残差;
7、步骤5:将摩尔库仑增量弹塑性本构嵌入网络,并针对屈服面角点实施角点返回映射;沿多个卸载步,根据相邻卸载步的应变增量执行试应力计算、摩尔库仑屈服判定、角点邻域识别与返回映射,获得算法应力与累积塑性乘子;
8、步骤6:构建四类加权损失并进行两阶段训练,训练中动态重采样;根据平衡、边界、本构和终态数据残差构建加权损失函数,采用adam预训练和l-bfgs精调网络,并在训练过程中周期性执行梯度自适应配点重采样;
9、步骤7:利用训练后的网络输出连续场并判定塑性区;将待预测位置坐标和目标归一化卸载参数输入训练后的物理信息神经网络,输出矩形截面巷道围岩连续位移—应力场,并沿至目标卸载参数的预设离散路径累积塑性乘子以形成塑性区分布。
10、作为一种优选,在步骤1中,获取建模参数并建立对称平面应变计算域的过程如下:
11、获取矩形截面巷道的宽度、高度、围岩材料参数及初始地应力,利用矩形截面巷道及其荷载的对称性,建立具有对称边界与对称荷载的平面应变计算域。
12、作为一种优选,在步骤2中,对数值模拟数据与卸载过程进行预处理的过程如下:
13、s21:在计算终态数据残差之前,将全域数值模拟单元中心映射至对称四分之一域并去除重复点,并将数值模拟的受压为负的应力转换为与网络一致的受压为正符号;
14、s22:以归一化卸载参数表征巷道边界支护压力随卸载步的变化,其表达式为,式中为归一化卸载参数对应的巷道边界压力,为初始地应力,为最终巷道边界压力;
15、s23:对于距巷道边界预设距离以内的网络场,通过多个相邻观测位置的平均值形成与数值模拟单元尺度一致的观测量,其表达式为,式中为第卸载步的观测量,为第个相邻观测位置的网络场量。
16、作为一种优选,在步骤3中,构建几何感知的物理信息神经网络的过程如下:
17、s31:网络以、和为基础输入,引入壁面距离、直墙邻域、局部角部、坐标二次项及坐标与卸载参数的耦合项,构成输入特征向量,其中为基础与耦合特征,,为几何特征,,,;式中、、为归一化坐标与卸载参数,、为位置点至矩形截面巷道相邻直墙的距离经归一化处理所得的壁面距离特征,、、为直墙与角部特征,、分别为以巷道角部对角方向相邻单元中心为中心的局部径向基特征,、为巷道半宽和半高,为数值单元尺度,为径向基尺度参数;
18、s32:网络联合输出向位移、向位移、平面内法向应力、、面外法向应力及平面内剪应力;
19、s33:对网络原始向位移输出施加硬边界参数化,其表达式为,,式中为满足硬约束的向位移,为网络原始向位移输出,为向边界权函数,为四分之一计算域的向尺寸,为位移参考尺度;
20、对网络原始向位移输出施加硬边界参数化,其表达式为,,式中,为满足硬约束的向位移,为网络原始向位移输出,为向边界权函数,为四分之一计算域的向尺寸。
21、作为一种优选,在步骤4中,以梯度自适应配点替代固定分区,动态调整配点密度与残差尺度的过程如下:
22、s41:初始配点布置;在计算域内布置内部候选配点,并在距矩形截面巷道边界预设距离的近场区域加密初始配点;在巷道长宽相等、计算域两方向尺寸相等、初始应力与边界荷载关于坐标交换对称时,对位置坐标交换后的点成对采样;在外边界、巷道边界和对称边界分别布置边界配点,并从边界残差计算中排除非光滑角点;
23、s42:应力梯度估计;在训练过程中,利用网络当前预测的应力场,通过自动微分计算各配点处的应力梯度范数,其表达式如下:
24、
25、式中,为应力梯度范数;
26、s43:自适应配点重采样与尺度划分;每隔预设训练步数,根据当前各候选配点的应力梯度范数重新分配配点:配点被选中的概率与其梯度范数成正比,使高梯度区域自动加密配点、低梯度区域自动稀疏配点;同时,根据梯度范数与动态梯度阈值的比较划分残差尺度,对大于的高梯度带配点采用观测模板平均后计算单元尺度本构残差,对不大于的低梯度带配点采用点式本构残差与点式静力平衡残差;
27、s44:利用自动微分计算低梯度带配点的静力平衡残差,其表达式为,式中、分别为向和向静力平衡残差;
28、s45:利用自动微分将网络位移输出转换为平面应变分量,其表达式为、、、,式中、和为平面内应变分量;为面外应变分量;
29、s46:巷道边界通过牵引条件施加随变化的支护压力,外边界和两条对称边界分别施加相应的位移条件或牵引条件,并据此形成边界残差。
30、作为一种优选,在步骤5中,将摩尔库仑增量弹塑性本构嵌入网络,并针对屈服面角点实施角点返回映射的过程如下:
31、s51:以当前卸载步应变与前一卸载步应变之差获得应变增量,以前一卸载步算法应力和该应变增量对应的弹性应力增量形成试应力,其表达式为、,式中为第卸载步的试应力,为第卸载步的算法应力,为弹性张量,为应变增量,、分别为第、卸载步的应变;
32、s52:采用受压为正的摩尔库仑屈服函数进行屈服判定,其表达式为,式中、分别为最大主应力和最小主应力,为摩擦参数,为围岩摩擦角,为黏聚参数,为围岩黏聚力;为摩尔库仑屈服函数,表示弹性可接受状态,表示试应力越过屈服面;
33、s53:角点邻域识别;将主应力按受压为正排序为,当两个相邻主应力之差不超过角点邻域阈值时,判定试应力位于摩尔库仑屈服面的角点邻域;
34、s54:塑性势函数及其膨胀角参数表达式为、,式中为塑性势函数,为由膨胀角确定的塑性势参数;
35、s55:返回映射,分两种情形执行:
36、当试应力位于角点邻域之外时,执行单面返回映射,其表达式为,为总塑性乘子增量,为一次返回映射迭代的塑性乘子增量,为第卸载步返回映射后的算法应力,为塑性势函数对应力张量的梯度,为屈服函数的正部,为屈服函数梯度,表示张量双点积;
37、当试应力位于角点邻域之内时,执行双面角点返回映射:对上角点邻域,同时激活两个屈服面与,按koiter法则引入两个塑性乘子、,返回映射表达式为;其中、为两个塑性势函数,、由联立、求解;对下角点邻域,同时激活,,按koiter法则引入、,返回应力至角点;
38、s56:沿卸载路径更新累积塑性乘子,其表达式为,式中、分别为第、卸载步的累积塑性乘子,为返回映射迭代索引。
39、作为一种优选,在步骤6中,构建四类加权损失并进行两阶段训练,训练中动态重采样的过程如下:
40、s61:构建平衡损失,式中为低梯度带参与点式平衡约束的配点与卸载步组合数,和为第个组合的两个静力平衡残差分量,为平衡残差参考尺度,使残差项无量纲化;
41、s62:构建边界损失,式中为边界配点数量,为经归一化处理的无量纲位移残差或牵引残差;
42、s63:本构损失表达式为,式中为全部本构评价点数,为网络应力屈服函数为正的点集,为该点集元素数,、分别为归一化的应力残差平方和与屈服函数正部平方;低梯度带使用点值本构残差,高梯度带使用观测模板平均后的单元尺度本构残差;
43、s64:构建终态数据损失,式中为位移数据损失,为按计算域区域统计的应力平均误差,为样本误差中处于预设高误差分位区间的高误差项,为由应力计算得到的屈服函数数据损失;
44、s65:将四类残差组成加权训练目标,总损失表达式为,式中、、、为对应权重;
45、s66:构建网络参数的优化目标,式中为训练完成后的网络参数,为待优化网络参数,为网络参数对应的总损失;
46、训练时先采用adam优化器进行第一阶段训练;在adam训练阶段,每隔预设步数执行一次s42至s43的应力梯度估计与自适应配点重采样;再以保留的网络参数为初始状态,采用l-bfgs优化器进行第二阶段精调;通过adam训练阶段周期性的梯度估计与自适应配点重采样,使配点分布随网络对高梯度区域的识别而逐步收敛于角部与壁面附近。
47、作为一种优选,在步骤7中,利用训练后的网络输出连续场并判定塑性区的过程如下:
48、s71:将待预测坐标和目标输入训练后的网络,得到该下连续的、、、、和六个场量;
49、s72:针对从至目标的预设离散卸载序列,逐步执行试应力计算、屈服判定并累积塑性乘子;将累积塑性乘子与预设塑性判定阈值比较,由大于该预设塑性判定阈值的位置形成矩形截面巷道围岩塑性区分布。
50、本发明针对深部矩形截面巷道直墙和角部导致的局部高梯度、摩尔库仑屈服面棱边角点不可微导致的返回映射困难、固定配点方式在高梯度区精度不足、传统数值计算依赖网格以及纯数据模型难以同时满足平衡、运动学和路径相关本构约束的问题,通过物理约束、几何感知输入、梯度自适应配点、角点返回映射与有限数值场数据在同一训练框架内的协同,在保持力学一致性的同时形成连续位移—应力场和塑性区分布,具体效果如下:
51、1、物理约束与角点返回映射共同约束,抑制非物理场并保证弹塑性更新稳定。由于将静力平衡、小应变运动学、边界条件和含角点返回映射的增量弹塑性本构共同用于约束网络输出,能够抑制仅由离散数据拟合产生的非物理位移—应力场;同时,通过角点邻域识别与双面角点返回映射,克服了摩尔库仑屈服面棱边角点处屈服函数不可微、标准返回映射失效的难题,保证了弹塑性应力更新的数值稳定性与训练可微性。
52、2、几何感知输入与梯度自适应配点协同,增强高梯度区域表达。由于在网络输入中引入壁面距离和局部角部特征,并以几何感知初始配点为基础、通过应力梯度估计进行自适应配点重采样,能够增强网络对直墙、角部及其附近高梯度区域的表达,使配点分布随训练进程自适应收敛于高梯度区域,从而提升角部等高梯度区域的预测精度。
53、3、弱监督与累积塑性乘子独立判定,保持塑性区物理可解释性。由于将经符号和观测尺度统一的数值位移—应力场作为弱监督,并以累积塑性乘子(含角点返回映射)独立形成塑性区,而非将塑性区作为网络直接输出,能够在利用有限数值信息的同时保持塑性区输出的物理可解释性,使塑性区判定具有明确的力学依据。
54、4、归一化卸载参数与逐步累积塑性乘子结合,实现连续场演化预测。通过归一化卸载参数将多个卸载步统一编码为网络输入,并沿卸载路径逐步累积塑性乘子,同一网络能够表征不同卸载阶段的连续位移—应力场和塑性区演化,为矩形截面巷道支护响应评估提供连续场数据,弥补了离散数值方法仅给出离散单元结果的不足。
55、该方法显著提升了非光滑角部高梯度区域与路径相关弹塑性响应的预测精度与物理可解释性。
56、本发明还提供了一种深部矩形巷道力学响应预测系统,用于实现一种深部矩形巷道力学响应预测方法,包括计算域建立模块、数值数据与卸载处理模块、网络构建模块、配点与物理量计算模块、增量弹塑性更新模块、损失构建与训练模块以及预测输出模块;
57、所述计算域建立模块用于获取矩形截面巷道的宽度、高度等几何参数、围岩材料参数和初始地应力,利用矩形截面巷道及其荷载的对称性,建立具有对称边界与对称荷载的平面应变计算域;
58、所述数值数据与卸载处理模块用于获取数值模拟位移—应力场数据,建立归一化卸载参数,并在满足几何和荷载对称条件时执行四分之一域镜像映射、应力符号转换和观测尺度一致化处理;
59、所述网络构建模块用于构建物理信息神经网络,将位置坐标、归一化卸载参数、壁面距离特征和局部角部特征作为输入,将位移分量和应力分量作为输出;
60、所述配点与物理量计算模块用于以梯度自适应配点替代固定分区、动态调整配点密度与残差尺度;
61、所述增量弹塑性更新模块用于沿多个卸载步,根据相邻卸载步的应变增量执行试应力计算、摩尔库仑屈服判定、角点邻域识别与返回映射,获得算法应力与累积塑性乘子;
62、所述损失构建与训练模块用于根据平衡、边界、本构和终态数据残差构建加权损失函数,采用adam预训练和l-bfgs精调网络,并在训练过程中周期性执行梯度自适应配点重采样;
63、所述预测输出模块用于将待预测位置坐标和目标归一化卸载参数输入训练后的物理信息神经网络,输出矩形截面巷道围岩连续位移—应力场,并沿至目标卸载参数的预设离散路径累积塑性乘子,将累积塑性乘子与预设塑性判定阈值比较,由大于预设塑性判定阈值的位置形成塑性区分布。
64、本发明中,基于计算域建立模块的设置,能利用矩形截面巷道及其荷载的对称性建立平面应变计算域,缩小了计算范围,并为后续各模块提供了准确的几何、材料与荷载基础。基于数值数据与卸载处理模块的设置,通过四分之一域映射去重、应力符号统一和观测尺度一致化处理,统一了数据格式并减少了监督数据量;同时以归一化卸载参数将多个卸载步编码为单一输入,使系统能够对连续卸载水平进行预测。基于网络构建模块的设置,通过引入壁面距离、直墙邻域和局部角部等几何感知特征,增强了网络对直墙、角部等高梯度区域的表达;并联合输出位移与应力分量、保留面外法向应力,满足了主应力计算和屈服判定的需要;其硬边界参数化处理使位移严格满足对称边界零位移约束。基于配点与物理量计算模块的设置,以梯度自适应配点替代固定分区,根据应力梯度动态调整配点密度与残差尺度,使配点自适应加密于角部等高梯度区域,提升了角部预测精度,并分区施加了静力平衡、小应变运动学和边界物理约束。基于增量弹塑性更新模块的设置,将摩尔库仑增量弹塑性本构嵌入系统,沿卸载路径执行试应力、屈服判定与返回映射,处理了弹塑性路径依赖问题,并通过角点返回映射克服了屈服面角点不可微导致的返回映射困难。基于损失构建与训练模块的设置,通过平衡、边界、本构和终态数据四类残差加权,融合了物理约束与数据监督,并以高误差分位项加强了角部约束;其adam预训练、l-bfgs精调及训练中的梯度自适应重采样形成了动态闭环,提升了训练稳定性与精度。基于预测输出模块的设置,能输出连续的位移—应力场,弥补了离散方法的不足,并通过沿卸载路径累积塑性乘子判定塑性区,保持了塑性区输出的物理可解释性。
65、该系统通过多模块的分工协同将几何建模、数据预处理、物理约束、弹塑性本构更新与连续场预测集成为一体,实现了深部矩形巷道围岩弹塑性响应的模块化、全流程、高精度预测。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com