一种基于随钻监测数据的隧道岩体分级预测方法技术

本发明专利技术涉及一种基于随钻监测数据的隧道岩体分级预测方法，步骤如下：S1在隧道随钻监测数据中选择包括钻孔压力在内的10个无监督变量；S2利用K

【技术实现步骤摘要】
一种基于随钻监测数据的隧道岩体分级预测方法


[0001]本专利技术涉及隧道围岩岩体分级领域，具体涉及一种基于随钻监测数据的隧道岩体分级预测方法。

技术介绍

[0002]在隧道开挖施工前和施工之中，全面掌握隧道工程区域影响范围内的工程地质情况对隧道的安全顺利建设有至关重要的作用，一条隧道的设计、施工和后期运营维护都离不开隧道所属地质区域地质情况的影响，而先期的地质勘查工作也就成为了隧道建设中的关键一环。
[0003]地质勘察工作者的主要工作对象是隧道穿越区域的围岩情况，往往需要通过采样进行物理力学性质测试获得其工程性能，判断是否有不良地质现象，再依据隧道的设计需要和施工需求、通过现行的岩体质量评价方法对围岩进行分级。岩体质量评价可以说是隧道工程地质勘查的核心，根据岩体质量评价得出的围岩稳定性及其类别是隧道的衬砌支护设计、隧道施工和运营维护的基础。目前国内最为常用的岩体分级方法是《工程岩体分级标准》的修正BQ法，而国外学者提出的Q系统分类方法和节理岩体地质力学分级法(RMR法)在岩体质量评价发展史上具有里程碑式的意义，这两种方法在国际上具有极高的影响力，应用范围相当广。而目前国内外学者正在不断对这些岩体评价方法做进一步的完善和应用，并在其基础上提出更简便快捷的岩体评价方法。
[0004]目前隧道施工最常使用的是钻爆法，在隧道施工的过程中都会产生大量实时数据，即所谓的MWD(随钻监测)数据，这些随钻检测数据在通过一定的方法处理后结合现有的岩体评价方法，如RMR法，可以预测出隧道开挖面前方围岩的岩体质量情况，为隧道的现场施工提供支持，有利于进一步确定支护参数、选择施工方法。

技术实现思路

[0005]针对现有技术对隧道掘进过程中获得的大量随钻监测数据不能充分利用的问题，本专利技术的目的是：提供一种基于随钻监测数据的隧道岩体分级预测方法。
[0006]为实现上述目的，本专利技术采用以下技术方案：一种基于随钻监测数据的隧道岩体分级预测方法，包括以下步骤：
[0007]S1：在隧道随钻监测数据中选择无监督变量，具体的变量种类包括阻尼器压力、钻孔渗透率、锤击压力、注浆压力、转速、钻孔压力、水的流速、水压；
[0008]S101：对隧道施工过程中获取的可用随钻监测数据进行处理，把获得的变量数据按照所属开挖面分组并且作出以钻孔编号为横轴、变量数据为纵轴的变量数据统计图，验证数据的合理性，将数据值超过平均值大小20％的数据作为异常值并去除，利用线性插值修复缺失值以补全数据的完整性；
[0009]S102：然后基于PCA(主成分分析)和FA(因子分析)这两种无监督方法来选择变量中的最相关变量，将第一主成分、主成分超过主成分集合的平均值、包含至少90％原始信息
的主成分以及分析因子的最大数量作为变量评价的4个标准，得到全局排名；
[0010]S103：通过进行基于OWA(有序加权平均)的多准则决策来对不同评价标准下的变量排序，得到随钻监测变量的最终排名，选择出最相关变量，其中OWA 的权重基于RIM函数；
[0011]该函数为：Q
α(r)
＝r
α
，且模糊集成算子
[0012]S2：将隧道各个开挖面的钻孔分类：
[0013]S201：使用K
‑
Means、X
‑
Means、DBSCAN、Spectral和FCM这5种分类算法来确定隧道钻孔的每个备选分类，输入随钻监测变量数据后得到并描述这些不同类别的钻孔；
[0014]S202：然后再进行基于OWA的多准则决策，将上述5种分类算法的各个参数进行全局排序，选择出最佳分类数；
[0015]S3：获取开挖面的特征：将钻孔在所属的各个开挖面的类别分布作为开挖面的特征；
[0016]S4：预测开挖面岩体的RMR值：用MRE(准确率)、NR(规则数)和NLT (语言数)作为预测方法的评价标准，RMR值的预测由S
‑
IRL和L
‑
IRL这两种遗传FRBS方法实现。
附图说明
[0017]图1是本专利技术的流程简图
具体实施方式
[0018]下面对本专利技术做进一步的详细说明。
[0019]本专利技术中S1表示步骤1，S101表示S1中的01步骤，S102表示S1中的02 步骤，以此类推。
[0020]一种基于随钻监测数据的隧道岩体分级预测方法，包括以下步骤：
[0021]S1：在隧道随钻监测数据中选择无监督变量，具体类别包括阻尼器压力、钻孔渗透率、锤击压力、注浆压力、转速、钻孔压力、水的流速、水压；
[0022]S101：对隧道施工过程中获取的可用随钻监测数据进行处理，把获得的变量数据按照所属开挖面分组并且作出以钻孔编号为横轴、变量数据为纵轴的变量数据统计图，验证数据的合理性，将数据值超过平均值大小20％的数据作为异常值并去除，利用线性插值修复缺失值以补全数据的完整性；
[0023]将由上述8个变量描述的各个钻孔进行钻孔时间和钻孔深度上的傅里叶变换，变换公式如下：
[0024][0025]其中m
k
分别为阻尼器压力、钻孔渗透率、锤击压力、注浆压力、转速、钻孔压力、水的流速、水压；n
j
为钻孔时间和钻孔深度；
[0026]利用皮尔逊相关系数剔除这些新的变量的部分变量，获得30个变量；
[0027]S102：然后基于主成分分析和因子分析这两种方法来选择这些变量中最相关的变量，应用第一主成分、主成分超过主成分集合的平均值、包含至少90％原始信息的主成分以及分析因子的最大数量这4个评价标准来对每个变量进行评估，得出全局排名；
[0028]S103：通过进行基于OWA(有序加权平均)的多准则决策来对不同评价标准下的变
量排序，得到随钻监测变量的最终排名，选择出最相关变量，其中OWA 的权重基于RIM函数；
[0029]该函数为：Q
α(r)
＝r
α
，且模糊集成算子
[0030]S2：将隧道各个开挖面的钻孔分类：
[0031]S201：使用K
‑
Means、X
‑
Means、DBSCAN、Spectral和FCM这5种分类算法来确定隧道钻孔的每个备选分类，输入随钻监测变量数据后得到并描述这些不同类别的钻孔；
[0032]S202：然后再进行基于OWA的多准则决策，将上述5种分类算法的各个参数进行全局排序，选择出最佳分类数；
[0033]S3：获取开挖面的特征：将钻孔在所属的各个开挖面的类别分布作为开挖面的特征，开挖面上的每个钻孔都属于一种分类之中，一个开挖面上各个钻孔的类别分布反映出各个开挖面的区别；
[0034]S4：预测开挖面岩体的RMR值：用MRE(准确率)、NR(规则数)和NLT (语言数)作为预测方法的评价标准，RMR值的预测由S
‑
IRL和L
...

【技术保护点】

【技术特征摘要】
1.一种基于随钻监测数据的隧道岩体分级预测方法，其特征包括以下步骤：S1：在隧道随钻监测数据中选择无监督变量，具体的变量种类来源于阻尼器压力、钻孔渗透率、锤击压力、注浆压力、转速、钻孔压力、水的流速、水压；S101：对隧道施工过程中获取的可用随钻监测数据进行处理，把获得的变量数据按照所属开挖面分组并且作出以钻孔编号为横轴、变量数据为纵轴的变量数据统计图，验证数据的合理性，将数据值超过平均值大小20％的数据作为异常值并去除，利用线性插值修复缺失值以补全数据的完整性；S102：然后基于PCA(主成分分析)和FA(因子分析)这两种无监督方法来选择变量中的最相关变量，将第一主成分、主成分超过主成分集合的平均值、包含至少90％原始信息的主成分以及分析因子的最大数量作为变量评价的4个标准，得到全局排名；S103：通过进行基于OWA(有序加权平均)的多准则决策来对不同评价标准下的变量排序，得到随钻监测变量的最终排名，选择出最相关变量，其中OWA的权重基于RIM函数；该函数为：Q
α(r)
＝r
α...

【专利技术属性】
技术研发人员：曹元均，阮超，杨海清，丛义营，何伟，屈黎黎，李文庆，
申请(专利权)人：重庆大学中铁十四局集团第五工程有限公司，
类型：发明
国别省市：