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技术

本发明专利技术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。本发明专利技术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。

A dynamic prediction method of surrounding rock deformation in the whole process of tunnel / subway construction based on machine learning

【技术实现步骤摘要】
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
本专利技术涉及一种隧道/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。
技术介绍
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。作为一个完整的系统工程，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。
技术实现思路
本专利技术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本文档来自技高网...

【技术保护点】
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...

【技术特征摘要】
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：(xi...

【专利技术属性】
技术研发人员：贺鹏，王刚，孙尚渠，蒋宇静，李为腾，秦哲，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：山东;37