【技术实现步骤摘要】
本专利技术涉及地下厂房领域，尤其是涉及一种地下厂房开挖支护质量评价分析方法。
技术介绍
1、在地下厂房的建设中，其面临的技术问题复杂多样且相互关联。地应力环境复杂多变，不同地区、深度的地应力大小和方向差异显著，板块交界地带或地质构造活动频繁区域地应力大且方向复杂，高山峡谷地区受地形地貌影响会出现应力集中，地质构造运动历史也致使地应力场分布不均。围岩岩性和强度差异大，岩浆岩、沉积岩、变质岩等不同岩性围岩各具特性，其强度受矿物成分、颗粒结构、胶结程度等内在因素以及地下水侵蚀等外在因素影响。支护强度与围岩稳定性紧密相关，支护强度不足时，在高地应力下软弱围岩易塑性变形，节理裂隙发育围岩会崩塌，威胁施工安全与进度。
2、由于地下厂房所处地应力环境不同，围岩的岩性和强度不同，维持围岩稳定所需的支护强度也随之变化，支护强度不足，可以导致围岩局部失稳、崩塌、或产生过大变形，甚至产生整体性破坏，而支护强度过强，则造成不必要的浪费。
技术实现思路
1、针对上述现有技术存在的不足，本专利技术所要解决的技术问题是提供一种地下厂房开挖支护质量评价分析方法，能够实现精准的开挖支护设计，确保支护结构能有效维持围岩稳定，防止围岩失稳、崩塌或过大变形。
2、为解决上述技术问题，本专利技术所采用的技术方案是：本专利技术提供一种地下厂房开挖支护质量评价分析方法，包括以下步骤：
3、s1、数据收集与预处理：建立基础数据库，并采集地下厂房的地质勘探数据及现场监测数据，以得到地质参数数据，
4、s2、模型选择与集成策略：根据预处理后的地质参数数据选取物理模型和机器学习模型，并根据选取的物理模型和机器学习模型确定相应的集成策略；
5、s3、模型训练与迭代：对选取的物理模型和机器学习模型进行训练，并交替训练深度学习模型和物理模型，使用深度学习模型的预测结果来优化物理模型的参数，同时使用物理模型的输出结果来指导深度学习模型的训练；
6、s4、集成预测与性能验证：将训练好的深度学习模型和物理模型的预测结果进行集成，以得到集成模型，并使用实际工程数据验证集成模型的预测性能。
7、优选的方案中，还包括以下步骤：
8、s5、应用与持续优化：将训练好的深度学习模型和物理模型以及集成模型部署到实际工程环境中，使其实时接收工程现场的地质参数数据，并进行预测和分析，在部署过程中，使模型与工程现场的数据采集系统、监控系统无缝集成，以获取所需数据并输出预测结果，根据预测结果并利用设定的标准特征向量评估集成模型的预测性能，得到性能评估结果，根据性能评估结果，对集成模型以及深度学习模型和物理模型进行必要的调整和优化；
9、其中，将深度学习模型部署于工程现场的服务器上，通过网络连接实时接收传感器采集的地质参数数据，物理模型则可以根据现场实际情况进行参数调整后进行计算分析，两者协同工作为工程施工提供决策；
10、持续收集新的预测结果，并将预测结果整理后存储至基础数据库中，重复s1至s5的步骤，并使用新数据对深度学习模型和物理模型进行更新和优化；
11、优选的方案中，在步骤s1中，根据地质勘察数据确定地层岩性、地质构造及地应力情况，并通过传感器采集现场监测数据以获取施工动态；
12、其中，现场监测数据包括围岩变形、应力变化及支护结构受力数据；
13、预处理包括对地质参数数据的清洗与转换，用于整理数据以去除重复、错误或不完整记录，将非数值型数据转化为适合分析形式，对不同来源数据进行标准化处理，包括统一物理量单位及归一化数值范围；
14、设定标准特征向量作为评价指标，包括标准参数的锚杆支护强度指数范围为1.17至1.24，标准参数锚索支护强度指数范围为1.55至1.7；
15、其中，和是基于大量工程经验和理论分析确定的理想情况下的范围值，用于衡量实际工程与标准情况的差异。
16、优选的方案中，在步骤s2中，物理模型采用基于有限元分析的物理模型，用于模拟锚杆、锚索在极高地应力下的物理行为，根据地下厂房的地质参数数据设置模型参数，并在基于有限元分析的物理模型中定义边界条件，以模拟实际工程中的约束情况；
17、再构建一个深度学习模型并选择卷积神经网络作为深度学习架构；
18、其中，卷积神经网络的卷积层可用于从基于有限元分析的物理模型中自动提取数据中的局部特征，池化层用于降低数据维度，全连接层用于整合特征并进行最终预测，将经过预处理的地质参数数据输入到深度学习模型中，从基于有限元分析的物理模型的计算结果中提取关键特征，包括应力分布特征图应力、变形趋势数据变形，将关键特征作为深度学习模型的额外输入，实现基于有限元分析的物理模型与深度学习模型的有机结合，以使深度学习模型学习到物理模型模拟的物理过程相关特征，增强深度学习模型对复杂地质和应力情况的预测能力。
19、优选的方案中，在步骤s3中，具体训练步骤如下：
20、利用收集到的并经过预处理后的地质参数数据训练深度学习模型，以预测锚杆、锚索的支护强度指数，将预处理后的地质参数数据作为数据集，并设数据集的总样本数量为，按照7:2:1的比例划分为训练集、验证集和测试集，即，，，通过训练集对初步构建的深度学习模型进行多轮次的有监督训练，通过验证集监控训练效果，并用测试集评估模型性能；
21、其中，，，；
22、定义损失函数：；
23、其中，为训练集中实际支护强度指数，为深度学习模型对应的预测函数，为训练集中第个输入的地质参数数据的样本，为深度学习模型的参数，通过输入的地质参数数据以及参数，输出相应的预测值，并计算预测值与实际值的差异平方和的平均值，以量化模型训练集上的预测误差；
24、使用随机梯度下降算法更新模型参数，对于卷积层参数和，其更新公式为：
25、；
26、；
27、其中，为卷积核权重，为卷积层偏置，为学习率，和分别是损失函数对卷积层参数和的梯度，通过计算梯度并乘以学习率更新调整参数，以使深度学习模型在训练集上的损失函数值逐渐降低；
28、全连接层参数和的更新公式如下：
29、；
30、；
31、其中，为全连接层权重，为全连接层偏置；
32、在训练过程中，在验证集上监控模型性能，则计算验证集上的损失：
33、；
34、其中，为验证集样本数量，为验证集中实际支护强度指数，为验证集中第个输入的地质参数数据样本；
35、当验证集损失连续若干轮次不再下降或者开始上升时，可采取早停法停止训练，防止过拟合，以适当降低学习率后继续训练；
36、物理模型基于有限元分析，其基本方程基于连续介质力学原理，对于地下厂房围岩的应力应变关系，遵循广义胡克定律；
37、设基于有限元分析的物理模型的计算结本文档来自技高网...
【技术保护点】
1.一种地下厂房开挖支护质量评价分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述地下厂房开挖支护质量评价分析方法，其特征在于，还包括以下步骤：
3.根据权利要求2所述地下厂房开挖支护质量评价分析方法，其特征在于，在步骤S1中，根据地质勘察数据确定地层岩性、地质构造及地应力情况，并通过传感器采集现场监测数据以获取施工动态；
4.根据权利要求3所述地下厂房开挖支护质量评价分析方法，其特征在于，在步骤S2中，物理模型采用基于有限元分析的物理模型，用于模拟锚杆、锚索在极高地应力下的物理行为，根据地下厂房的地质参数数据设置模型参数，并在基于有限元分析的物理模型中定义边界条件，以模拟实际工程中的约束情况；
5.根据权利要求4所述地下厂房开挖支护质量评价分析方法，其特征在于，在步骤S3中，具体训练步骤如下：
6.根据权利要求5所述地下厂房开挖支护质量评价分析方法，其特征在于，在步骤S4中，设深度学习模型预测结果为，基于有限元分析的物理模型预测结果为，采用加权平均集成策略，则集成预测结果公式表示如下：
7.根据权
...【技术特征摘要】
1.一种地下厂房开挖支护质量评价分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述地下厂房开挖支护质量评价分析方法，其特征在于，还包括以下步骤：
3.根据权利要求2所述地下厂房开挖支护质量评价分析方法，其特征在于，在步骤s1中，根据地质勘察数据确定地层岩性、地质构造及地应力情况，并通过传感器采集现场监测数据以获取施工动态；
4.根据权利要求3所述地下厂房开挖支护质量评价分析方法，其特征在于，在步骤s2中，物理模型采用基于有限元分析的物理模型，用于模拟锚杆、锚索在极高地应力下的物理行为，根据地下厂房的地质参数数据设置模型参数，并在基...
【专利技术属性】
技术研发人员：李永红，李治国，张世殊，李邵军，徐鼎平，张顺利，卢薇，
申请(专利权)人：中国科学院武汉岩土力学研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。