千枚岩隧道围岩蠕变参数预测方法、装置及产品制造方法及图纸

本发明专利技术实施例提供了一种千枚岩隧道围岩蠕变参数预测方法、装置及产品，涉及岩石力学领域。本发明专利技术实施例中，先将岩石的室内蠕变实验结果与蠕变损伤本构方程拟合，得到各监测点的初始蠕变参数，然后基于上述初始蠕变参数通过正交实验方案生成多组围岩蠕变参数，对多组围岩蠕变参数以及其他监测点的初始蠕变参数分别进行数值模拟计算，生成各监测点对应的多组训练样本，通过神经网络模型建立围岩的神经网络反演模型，最终，将隧道现场的实际监测变形量代入反演模型，反演出围岩蠕变参数。本发明专利技术实施例中，还根据各监测点围岩的工程地质特性，采用控制变量法来分别建立各监测点附近围岩的反演模型，从而可以提高反演的准确度。从而可以提高反演的准确度。从而可以提高反演的准确度。

【技术实现步骤摘要】
千枚岩隧道围岩蠕变参数预测方法、装置及产品


[0001]本专利技术实施例涉及岩石力学领域，尤其涉及一种千枚岩隧道围岩蠕变参数预测方法、装置及产品。

技术介绍

[0002]隧道开始开挖后，围岩应力状态发生变化，加上隧道工程的复杂性和隐蔽性，使得开挖后很难准确获得围岩的蠕变参数，仅基于理论和室内简单实验研究得到的参数往往与实际围岩参数相差较大，很难满足要求。随着近年来智能分析的发展和广泛应用，越来越多的研究人员采用现场监测
‑
神经网络智能分析相结合的方法来对隧道围岩的蠕变参数进行反演。
[0003]传统的神经网络方法以隧道围岩整体为对象来建立统一的参数反演模型，往往需要大量的样本数据才能训练出一个反演模型，但一般采取经验值作为输入参数，并不能反映围岩的真实情况，导致神经网络结构不统一、训练效率低、精度不高等问题。
[0004]因此，目前亟需一种新的千枚岩隧道围岩蠕变参数预测方法。

技术实现思路

[0005]本专利技术实施例提供一种千枚岩隧道围岩蠕变参数预测方法、装置及产品，以至少部分解决相关技术中存在的问题。
[0006]本专利技术实施例第一方面提供了一种千枚岩隧道围岩蠕变参数预测方法，所述方法包括：
[0007]对当前围岩监测点的变形量进行监测，所述变形量包括：边墙收敛变形量、右拱腰沉降量、拱顶沉降量、左拱腰沉降量、拱腰收敛变形量；
[0008]将实际监测到的变形量输入到与当前围岩监测点对应的神经网络反演模型中，得出当前围岩监测点的蠕变参数；r/>[0009]其中，所述当前围岩监测点对应的神经网络反演模型的一组训练数据包括：当前围岩监测点的蠕变参数及其对应的变形量，该对应的变形量对当前围岩监测点的蠕变参数以及其他围岩监测点的初始蠕变参数进行模拟计算得到的；所述当前围岩监测点的蠕变参数是基于当前围岩监测点的初始蠕变参数通过正交实验方案得到的；
[0010]围岩监测点的初始蠕变参数是通过渗流
‑
应力条件下饱和千枚岩三轴蠕变实验结果以及渗流
‑
应力条件下的千枚岩隧道围岩蠕变本构式得到的：
[0011]ε＝Aσ
e
+BS
11
+CS
11
[1
‑
e
‑
Ft
]+MS
11
D
n
+NS
11
D
g
，σ≥σ
s2
得到的，
[0012]其中，σ
e
为有效应力，S
11
为有效偏应力，D
*
表示有效损伤量，由渗流
‑
应力条件下饱和千枚岩三轴蠕变实验结果确定，若无渗流条件，则D
*
＝0；σ3表示隧道围岩地应力最小主应力，σ1表示隧道围岩地应力最大主应力，P表示渗透压，σ
s2
表示岩石的长期强度；A、B、C、F、M、N为蠕变参数；D
n
为起裂损伤函数，为线性演化规
律，设D
n
＝kt，k是受偏应力与短期峰值强度比影响的损伤参数；D
g
为加速损伤函数，为幂函数演化规律，设D
g
＝mt
n
，m、n是加速损伤参数；由室内声发射实验获得损伤演化规律曲线，通过拟合得到损伤参数k、m、n。
[0013]可选地，所述与当前围岩监测点对应的神经网络反演模型的训练步骤包括：
[0014]获取当前围岩监测点对应的神经网络反演模型的多组训练数据；
[0015]利用所述多组训练数据对BP模型进行训练，得到与当前围岩监测点对应的神经网络反演模型。
[0016]可选地，获取当前围岩监测点对应的神经网络反演模型的多组训练数据，包括：
[0017]对各个围岩监测点处的围岩进行渗流
‑
应力条件下饱和千枚岩三轴蠕变实验，将实验结果与所述渗流
‑
应力条件下的千枚岩隧道围岩蠕变本构式进行拟合，得到各个检测点的初始蠕变参数；
[0018]固定其他监测点的初始蠕变参数不变，基于当前监测点的初始蠕变参数和正交实验设计生成当前围岩监测点的蠕变参数样本集；
[0019]将所述蠕变参数样本集中的每组蠕变参数和其他监测点的初始蠕变参数分别输入到数值模型中计算得到对应的变形量，将每组蠕变参数以及对应的变形量作为训练数据，所述数值模型为GDEM数值模型。
[0020]可选地，所述与当前围岩监测点对应的神经网络反演模型的训练步骤还包括：
[0021]将测试变形量输入训练得到的当前围岩监测点对应的神经网络反演模型，反演得到对应的测试蠕变参数，将所述测试蠕变参数输入所述数值模型，得到模拟变形量；
[0022]比较所述测试变形量和所述模拟变形量的误差；
[0023]在误差大于预设阈值的情况下，对所述数值模型进行调整，利用调整后的数值模型重新确定训练数据，并重新对BP模型进行训练。
[0024]可选地，将所述蠕变参数样本集中的每组蠕变参数和其他监测点的初始蠕变参数分别输入到数值模型中计算得到对应的变形量，包括：
[0025]在GDEM数值模拟程序中嵌入所述渗流
‑
应力条件下的千枚岩隧道围岩蠕变本构式；
[0026]将所述蠕变参数样本集中的每组蠕变参数和其他监测点的初始蠕变参数分别输入到GDEM数值模拟程序，计算得到对应的变形量。
[0027]本专利技术实施例第二方面提供了一种千枚岩隧道围岩蠕变参数预测装置，所述装置包括：
[0028]监测模块，用于对当前围岩监测点的变形量进行监测，所述变形量包括：边墙收敛变形量、右拱腰沉降量、拱顶沉降量、左拱腰沉降量、拱腰收敛变形量；
[0029]预测模块，用于将实际监测到的变形量输入到与当前围岩监测点对应的神经网络反演模型中，得出当前围岩监测点的蠕变参数；
[0030]所述当前围岩监测点对应的神经网络反演模型的一组训练数据包括：当前围岩监测点的蠕变参数及其对应的变形量，该对应的变形量对当前围岩监测点的蠕变参数以及其他围岩监测点的初始蠕变参数进行模拟计算得到的；所述当前围岩监测点的蠕变参数是基于当前围岩监测点的初始蠕变参数通过正交实验方案得到的；
[0031]围岩监测点的初始蠕变参数是通过渗流
‑
应力条件下饱和千枚岩三轴蠕变实验结
果以及渗流
‑
应力条件下的千枚岩隧道围岩蠕变本构式得到的：
[0032]ε＝Aσ
e
+BS
11
+CS
11
[1
‑
e
‑
Ft
]+MS
11
D
n
+NS
11
D
g
，σ≥σ
s2
得到的，
[0033]其中，σ
e...

【技术保护点】

【技术特征摘要】
1.一种千枚岩隧道围岩蠕变参数预测方法，其特征在于，所述方法包括：对当前围岩监测点的变形量进行监测，所述变形量包括：边墙收敛变形量、右拱腰沉降量、拱顶沉降量、左拱腰沉降量、拱腰收敛变形量；将实际监测到的变形量输入到与当前围岩监测点对应的神经网络反演模型中，得出当前围岩监测点的蠕变参数；其中，所述当前围岩监测点对应的神经网络反演模型的一组训练数据包括：当前围岩监测点的蠕变参数及其对应的变形量，该对应的变形量对当前围岩监测点的蠕变参数以及其他围岩监测点的初始蠕变参数进行模拟计算得到的；所述当前围岩监测点的蠕变参数是基于当前围岩监测点的初始蠕变参数通过正交实验方案得到的；围岩监测点的初始蠕变参数是通过渗流
‑
应力条件下饱和千枚岩三轴蠕变实验结果以及渗流
‑
应力条件下的千枚岩隧道围岩蠕变本构式得到的：ε＝Aσ
e
+BS
11
+CS
11
[1
‑
e
‑
Ft
]+MS
11
D
n
+NS
11
D
g
，σ≥σ
s2
得到的，其中，σ
e
为有效应力，S
11
为有效偏应力，D
*
表示有效损伤量，由渗流
‑
应力条件下饱和千枚岩三轴蠕变实验结果确定，若无渗流条件，则D
*
＝0；σ3表示隧道围岩地应力最小主应力，σ1表示隧道围岩地应力最大主应力，P表示渗透压，σ
s2
表示岩石的长期强度；A、B、C、F、M、N为蠕变参数；D
n
为起裂损伤函数，为线性演化规律，设D
n
＝kt，k是受偏应力与短期峰值强度比影响的损伤参数；D
g
为加速损伤函数，为幂函数演化规律，设D
g
＝mt
n
，m、n是加速损伤参数；由室内声发射实验获得损伤演化规律曲线，通过拟合得到损伤参数k、m、n。2.根据权利要求1所述的方法，其特征在于，所述与当前围岩监测点对应的神经网络反演模型的训练步骤包括：获取当前围岩监测点对应的神经网络反演模型的多组训练数据；利用所述多组训练数据对BP模型进行训练，得到与当前围岩监测点对应的神经网络反演模型。3.根据权利要求2所述的方法，其特征在于，获取当前围岩监测点对应的神经网络反演模型的多组训练数据，包括：对各个围岩监测点处的围岩进行渗流
‑
应力条件下饱和千枚岩三轴蠕变实验，将实验结果与所述渗流
‑
应力条件下的千枚岩隧道围岩蠕变本构式进行拟合，得到各个检测点的初始蠕变参数；固定其他监测点的初始蠕变参数不变，基于当前监测点的初始蠕变参数和正交实验设计生成当前围岩监测点的蠕变参数样本集；将所述蠕变参数样本集中的每组蠕变参数和其他监测点的初始蠕变参数分别输入到数值模型中计算得到对应的变形量，将每组蠕变参数以及对应的变形量作为训练数据，所述数值模型为GDEM数值模型。4.根据权利要求3所述的方法，其特征在于，所述与当前围岩监测点对应的神经网络反演模型的训练步骤还包括：将测试变形量输入训练得到的当前围岩监测点对应的神经网络反演模型，反演得到对
应的测试蠕变参数，将所述测试蠕变参数输入所述数值模型，得到模拟变形量；比较所述测试变形量和所述模拟变形量的误差；在误差大于预设阈值的情况下，对所述数值模型进行调整，利用调整后的数值模型重新确定训练数据，并重新对BP模型进行训练。5.根据权利要求3所述的方法，其特征在于，将所述蠕变参数样本集中的每组蠕变参数和其他监测点的初始蠕变参数分别输入到数值模型中计算得到对应的变形量，包括：在GDEM数值模拟程序中嵌入所述渗流
...

【专利技术属性】
技术研发人员：李天斌，马俊杰，陈超，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：