一种软岩隧道可靠性评价方法与流程

1.本发明涉及隧道工程技术领域，尤其是涉及一种软岩隧道可靠性评价方法。


背景技术：

2.随着我国高速公路和高速铁路建设的迅速发展，软岩隧道，特别是超深埋软岩隧道，受地形、选线和围岩力学参数不确定性的影响，其隧道开挖和支护施工对隧道结构受力状态有很大影响，存在很大安全隐患。因此，有必要对软岩隧道进行数值模拟分析和现场监控量测，进而对隧道初支护结构的可靠性进行科学评价。
3.目前在设计软岩隧道的结构时，常用的软岩隧道功能函数主要有多项式拟合、神经网络模型、有理分式模型和kriging模型等构建方法，但这些方法往往存在求解困难、结果常出现振荡难以收敛、参数估计过程复杂等局限性，此外，现有的软岩隧道的可靠性评价大多采用传统的机器学习方式，一方面难以保证评价结果的准确度，另一方面在计算效率方面还存在较大的改进空间。


技术实现要素：

4.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种软岩隧道可靠性评价方法，以能够快速、精准地得到软岩隧道结构可靠性评价结果。
5.本发明的目的可以通过以下技术方案来实现：一种软岩隧道可靠性评价方法，包括以下步骤：
6.s1、采用拉丁超立方抽样方法生成指定数量的参数数据集，并确定数值试验方案；
7.s2、根据步骤s1确定的数值试验方案，采用flac3d有限差分软件进行数值模拟计算，得到指定测点位移量；
8.并结合步骤s1生成的参数数据集，得到整体的参数-位移数据集；
9.s3、通过多层神经网络算法，构建参数与位移的拟合模型，并采用萤火虫算法对多层神经网络模型超参数寻优，选取出最优超参数组合，得到最优拟合模型；
10.s4、采集软岩隧道洞周实测位移数据，并根据洞周设计预留变形值，结合最优拟合模型，采用贝叶斯推断算法计算岩土力学参数的概率分布，据此反演待求围岩参数，得到优化的围岩力学参数；
11.s5、根据步骤s4的计算结果，进一步计算得到软岩隧道初支护结构相应的可靠指标。
12.进一步地，所述步骤s1具体包括以下步骤：
13.s11、通过现场实测数据，确定待评价的围岩参数及其变化范围；
14.s12、采用拉丁超立方抽样方法，生成指定数量的围岩参数数据集，并确定数值试验方案。
15.进一步地，所述围岩参数包括围岩弹性模量、泊松比、围岩粘结力和围岩内摩擦角。
16.进一步地，所述步骤s2具体包括以下步骤：
17.s21、获取flac3d计算文件；
18.s22、调用flac3d计算文件，记录洞周各测点的位移变化，并与步骤s1生成的参数数据集进行合并处理；
19.s23、判断当前调用flac3d计算文件的次数是否达到预设阈值，若判断为是，则执行步骤s24，否则返回执行步骤s22；
20.s24、输出得到合并后的整体参数-位移数据集。
21.进一步地，所述步骤s3具体包括以下步骤：
22.s31、按照设定比例将整体参数-位移数据集划分为训练集和测试集；
23.s32、通过多层神经网络算法，建立输入输出样本数据间的关系，以构建得到参数与位移的拟合模型；
24.s33、采用萤火虫算法，结合训练集和测试集，对步骤s32构建的拟合模型进行超参数调优，得到最优拟合模型。
25.进一步地，所述步骤s33中超参数包括学习率(learning_rate)、正则化参数、每一个隐层中神经元的个数、神经元激活函数、神经网络的层数、参加训练模型数据的规模、学习的回合数epoch、小批量数据minibatch的大小。
26.进一步地，所述步骤s33具体包括以下步骤：
27.s331、确定萤火虫算法中的自适应移动步长α和自适应光吸收系数γ；
28.s332、采用萤火虫算法不断迭代调用输入输出样本数据间的关系，通过求解目标函数的最优解，确定出拟合模型的最优超参数，即得到最优拟合模型。
29.进一步地，所述步骤s331中自适应移动步长α和自适应光吸收系数γ具体为：
[0030][0031][0032]
其中，α0、γ0分别为初始移动步长和初始光强吸收系数，c为确定随机性衰减速度的整数，itr
max
为最大迭代次数，itri为当前迭代次数。
[0033]
进一步地，所述步骤s4具体包括以下步骤：
[0034]
s41、采集软岩隧道洞周实测位移数据，结合最优拟合模型，采用贝叶斯推断算法计算软岩隧道洞周实测位移数据对应的岩土力学参数的概率分布；
[0035]
s42、根据步骤s41中软岩隧道洞周实测位移数据对应的岩土力学参数的概率分布，得到岩土力学参数的置信区间，其中，概率分布均值对应的参数值即为优化的反演围岩力学参数，所述优化的反演围岩力学参数包括软岩隧道初支护结构洞周预留变形值对应的围岩弹性模量、粘结力和内摩擦角的计算值。
[0036]
进一步地，所述步骤s5中软岩隧道初支护结构相应的可靠指标具体为：
[0037]
[0038]
其中，β为可靠性指标，μe和σe分别为围岩弹性模量的均值和标准差，μc和σc分别为围岩粘结力的均值和标准差，和分别为围岩内摩擦角的均值和标准差，e
*
、c
*
、分别为步骤s42反演计算得到的软岩隧道初支护结构洞周预留变形值对应的围岩弹性模量、粘结力和内摩擦角的计算值。
[0039]
与现有技术相比，本发明基于构建的拟合模型，通过优化拟合模型，再采用贝叶斯推断算法对最优拟合模型进行岩土力学参数概率分布计算，从而能够确定出围岩力学参数后验分布的均值和统计上的方差、标准差，进而得到统计学意义的置信区间，能够有效提高计算精度，由于充分考虑了围岩力学参数回归计算结果的不确定性，使得可靠性指标的获取更加准确，即保证了可靠性评价结果的准确性。
[0040]
本发明通过调用flac3d计算文件，以记录洞周各测点的位移变化，结合生成的参数数据集，合并得到参数-位移数据集；再采用多层神经网络算法构建参数-位移的拟合模型，并结合萤火虫算法对拟合模型的超参数进行调优，以得到最优拟合模型，不仅能够快速可靠地得到最优拟合模型，同时也保证了后续计算优化围岩力学参数的准确性。
附图说明
[0041]
图1为本发明的方法流程示意图；
[0042]
图2为实施例中可靠性评价结果的示意图。
具体实施方式
[0043]
下面结合附图和具体实施例对本发明进行详细说明。
[0044]
实施例
[0045]
本技术方案受中铁二十局集团科技项目(qzsycsd-202010-00002)和浙江省交通厅科技计划项目(2020035)资助。以下结合图1和图2对本技术方案的内容进行详细说明。
[0046]
如图1所示，一种软岩隧道可靠性评价方法，包括以下步骤：
[0047]
步骤1：采用拉丁超立方抽样方法生成指定数量的参数数据集，并确定数值试验方案；
[0048]
步骤2：根据步骤1确定的数值试验方案，采用flac3d有限差分软件进行数值模拟计算，得到指定测点位移量，结合参数数据集，得到整体的参数-位移数据集；
[0049]
步骤3：通过多层神经网络算法，构建参数与位移的拟合模型，并采用萤火虫算法对多层神经网络模型超参数寻优，选取出最优超参数组合，得到最优拟合模型；
[0050]
步骤4：采集软岩隧道洞周实测位移数据，并根据洞周设计预留变形值，结合最优拟合模型，采用贝叶斯推断算法计算岩土力学参数的概率分布，据此反演待求围岩参数，得到优化的围岩力学参数；
[0051]
步骤5：根据步骤4的计算结果，计算得到软岩隧道初支护结构相应的可靠指标。
[0052]
其中，步骤1具体包括以下步骤：
[0053]
步骤1-1：通过现场实测数据，确定待评价的围岩参数及其范围；
[0054]
步骤1-2：采用拉丁超立方抽样方法，生成指定数量的参数数据集，并确定数值试验方案。
[0055]
步骤2具体包括以下步骤：
[0056]
步骤2-1：获取flac3d计算文件；
[0057]
步骤2-2：调用步骤2-1中的flac3d计算文件，并记录测点的位移变化，与步骤1中的参数数据集进行合并；
[0058]
步骤2-3：判断当前调用次数是否达到预设阈值，若是，则执行步骤2-4，否则，返回步骤2-2；
[0059]
步骤2-4：获得整体参数-位移数据集。
[0060]
步骤3具体包括以下步骤：
[0061]
步骤3-1：本实施例按照参数与位移数据总数的70～80％作为训练集，按照参数与位移数据总数的20～30％作为测试集，以完成对参数-位移数据集的划分；
[0062]
步骤3-2：通过多层神经网络算法建立参数与位移的拟合模型，其中，多层神经网络算法包含多个隐含层的网络，具备处理线性不可分问题的能力，在诸多领域表现出了其强大的性能，本技术方案采用多层神经网络算法能够有效取代仿真模型的耗时计算，并能够达到较高的精度；
[0063]
步骤3-3：在萤火虫算法中，自适应移动步长α和自适应光吸收系数γ通过以下计算：
[0064][0065][0066]
式中，α0、γ0分别为初始移动步长和初始光强吸收系数；c为确定随机性衰减速度的整数，一般取c＝5；itr
max
为最大迭代次数；itri为当前迭代次数。
[0067]
采用萤火虫算法，对步骤3-2构建的拟合模型中的学习率(learning_rate)、正则化参数、每一个隐层中神经元的个数、神经元激活函数、输出神经元的编码方式、代价函数的选择、权重初始化的方法、神经网络的层数、参加训练模型数据的规模、学习的回合数epoch、小批量数据minibatch的大小超参数进行调优，从而获得最优拟合模型。
[0068]
步骤4具体包括以下步骤：
[0069]
步骤4-1：采集软岩隧道洞周实测位移数据，在步骤3-3最优拟合模型的基础上，采用贝叶斯推断算法计算软岩隧道洞周实测位移数据对应的岩土力学参数的概率分布；
[0070]
步骤4-2：根据步骤4-1中软岩隧道洞周实测位移数据对应的岩土力学参数的概率分布，得到岩土力学参数的置信区间(工程中可按需考虑)，其中概率分布均值对应的参数值即为优化的反演围岩力学参数。
[0071]
步骤5则是根据步骤4-2获取的软岩隧道初支护结构洞周预留变形值对应的围岩力学参数，通过下式计算软岩隧道初支护结构的可靠指标β：
[0072][0073]
式中，μe和σe分别为围岩弹性模量的均值和标准差，μc和σc分别为围岩粘结力的均值和标准差，和分别为围岩内摩擦角的均值和标准差，e
*
、c
*
、分别是根据步骤4-2得
到的软岩隧道初支护结构洞周预留变形值对应的围岩弹性模量、粘结力和内摩擦角的计算值。
[0074]
本实施例中，选取某公路软岩隧道作为评价对象，隧道围岩为全强风化花岗片麻岩，隧道高10.23m，跨度12.46m。隧道初始支护设计参数：锚杆长度φ25-5＝3.5m；格栅钢架间距φ25＝0.6m；喷涂混凝土厚度25cm；钢筋网φ8＝20
×
20cm。隧道埋深148m。隧道区内水平地应力为4.125～4.411mpa。隧道初支护结构预留变形量为38cm。围岩参数变化范围如表1所示。隧道所处围岩参数有较大的变化范围，为保证施工安全可靠，根据监测数据对隧道初支护结构预留变形量进行可靠性评价。
[0075]
表1围岩参数变化范围
[0076][0077]
根据表1所示取值范围，采用拉丁超立方采样方式产生了2000组围岩参数数据，并建立隧道的flac3d模型，计算得到各个测点位移值。将建立好的数据集输入多层神经网络算法进行学习，并采用萤火虫算法，对多层神经网络算法模型超参数进行调优，得到了围岩参数与位移的最优拟合模型。
[0078]
本实施例中，通过贝叶斯推断算法计算软岩隧道洞周实测位移数据对应的岩土力学参数的概率分布，得到岩土力学参数的置信区间(工程中可按需考虑)，其中概率分布均值对应的参数值即为优化的反演围岩力学参数。最后，通过下式计算软岩隧道初支护结构的可靠指标β：
[0079][0080]
最后得到该软岩隧道各测点的可靠性指标如图2所示(图中数字为可靠性指标)。
[0081]
综上所述，本技术方案能够得到围岩力学参数后验分布的均值和统计上的方差、标准差，进而得到统计学意义的置信区间，具有精度高、准确率高的优点。