基于神经网络的围岩稳定性预测方法、系统及存储介质技术方案

本发明专利技术公开了一种基于神经网络的围岩稳定性预测方法、系统及存储介质，涉及隧洞围岩监测技术领域。步骤为：应用弹塑性有限元法分析隧洞围岩变形规律以及隧洞围岩应力分布规律，采用数值模拟的方法计算获得隧洞围岩的主应力分布情况，确定围岩关键承载区；在关键承载区布设多个监测点，获取监测点数据信息；将监测点数据信息输入到训练好的围岩稳定性预测神经网络模型中，进行围岩稳定性预测，得到预测结果；根据预测结果对围岩稳定性情况进行分级，针对不同稳定性级别采用不同的围岩支护方式。本发明专利技术通过神经网络算法提高了确定隧道围岩稳定性的效率，并且根据警报信息的判识及时采取相对措施，加强了隧道围岩的管理，保证了后续工程实施安全。了后续工程实施安全。了后续工程实施安全。

【技术实现步骤摘要】
基于神经网络的围岩稳定性预测方法、系统及存储介质


[0001]本专利技术涉及隧洞围岩监测
，更具体的说是涉及一种基于神经网络的围岩稳定性预测方法、系统及存储介质。

技术介绍

[0002]对隧洞围岩进行监测是隧道工程中必不可少的一个环节，通过对隧洞围岩的监测可以判断隧洞围岩的安全性，进而保障隧道的安全施工。在现有技术中，采用静态观测的方法对隧洞围岩进行变形监测，例如将扫描设备固定在隧道内，对隧道围岩变形进行监测，或者，在隧道内预先安装轨道，使扫描设备在预先安装的轨道上行走，通过作业人员的协助进行工作，完成数据的采集，从而对隧道围岩的稳定性进行分析。但通过上述传统方法对围岩进行监测时会影响隧道内的施工，且确定围岩稳定性或变形的效率较低。因此，对本领域技术人员来说，如何高效准确地对围岩稳定性情况进行预测是亟待解决的问题。

技术实现思路

[0003]有鉴于此，本专利技术提供了一种基于神经网络的围岩稳定性预测方法、系统及存储介质，以解决
技术介绍
中存在的问题。
[0004]为了实现上述目的，本专利技术采用如下技术方案：一种基于神经网络的深埋隧洞围岩稳定性预测方法，具体步骤包括如下：
[0005]应用弹塑性有限元法分析隧洞围岩变形规律以及隧洞围岩应力分布规律，采用数值模拟的方法计算获得隧洞围岩的主应力分布情况，确定围岩关键承载区；
[0006]在所述关键承载区布设多个监测点，获取监测点数据信息；
[0007]将所述监测点数据信息输入到训练好的围岩稳定性预测神经网络模型中，进行围岩稳定性预测，得到预测结果；
[0008]根据所述预测结果对围岩稳定性情况进行分级，针对不同稳定性级别采用不同的围岩支护方式。
[0009]可选的，训练所述围岩稳定性预测神经网络模型的步骤为：
[0010]S1、采集影响围岩稳定性的相关数据，包括岩体结构、围岩应力状态以及围岩变性数据；
[0011]S2、将S1采集到的相关数据进行归一化处理，构造训练集；
[0012]S3、构造基于注意力神经网络的围岩稳定性预测模型；
[0013]S4、将所述训练集输入到所述围岩稳定性预测模型中进行训练，得到训练好的围岩稳定性预测神经网络模型。
[0014]在S3中，构造双向LSTM神经网络模型和前馈注意力模型，将二种模型构造为基于注意力神经网络的围岩稳定性预测模型。
[0015]可选的，还包括在所述预测结果大于预设阈值时，向服务端发送围岩变形信息和警报信息。
[0016]可选的，采集终端向服务端发送围岩变形信息和警报信息时，包括对信息进行加密的步骤。
[0017]可选的，根据所述预测结果通过聚类算法对围岩稳定性情况进行分级。
[0018]可选的，还包括：通过无人机机载三维激光扫描仪获取目标隧道断面的点云数据；根据所述目标隧道断面的点云数据，获取目标隧道断面包括的多个隧道断面的断面模型；将所述目标隧道断面包括的多个隧道断面的断面模型与隧道三维模型进行重叠，确定隧道围岩的变形趋势。
[0019]另一方面，提供一种基于神经网络的深埋隧洞围岩稳定性预测系统，利用一种基于神经网络的深埋隧洞围岩稳定性预测方法进行分析，包括围岩承载区确定模块、监测模块、预测模块、支护模块；其中，
[0020]所述围岩承载区确定模块，用于应用弹塑性有限元法分析隧洞围岩变形规律以及隧洞围岩应力分布规律，采用数值模拟的方法计算获得隧洞围岩的主应力分布情况，确定围岩关键承载区；
[0021]所述监测模块，用于在所述关键承载区布设多个监测点，获取监测点数据信息；
[0022]所述预测模块，用于将所述监测点数据信息输入到训练好的围岩稳定性预测神经网络模型中，进行围岩稳定性预测，得到预测结果；
[0023]所述支护模块，用于根据所述预测结果对围岩稳定性情况进行分级，针对不同稳定性级别采用不同的围岩支护方式。
[0024]最后，提供一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种基于神经网络的深埋隧洞围岩稳定性预测方法的步骤。
[0025]经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种基于神经网络的围岩稳定性预测方法、系统及存储介质，具有以下有益的技术效果：通过神经网络算法提高了确定隧道围岩稳定性的效率，并且根据警报信息的判识及时采取相对措施，加强了隧道围岩的管理，保证了后续工程实施安全，根据不同的稳定性等级采取不同的支护措施，对围岩起到了良好的支撑作用，可有效防止围岩的变形。
附图说明
[0026]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0027]图1为本专利技术的方法流程图；
[0028]图2为本专利技术的监测点布置示意图；
[0029]图3为本专利技术的系统结构图。
具体实施方式
[0030]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于
本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0031]本专利技术实施例公开了一种基于神经网络的深埋隧洞围岩稳定性预测方法，如图1所示，具体步骤包括如下：
[0032]步骤一、应用弹塑性有限元法分析隧洞围岩变形规律以及隧洞围岩应力分布规律，采用数值模拟的方法计算获得隧洞围岩的主应力分布情况，确定围岩关键承载区；
[0033]步骤二、在关键承载区布设多个监测点，获取监测点数据信息；
[0034]步骤三、将监测点数据信息输入到训练好的围岩稳定性预测神经网络模型中，进行围岩稳定性预测，得到预测结果；
[0035]步骤四、根据预测结果对围岩稳定性情况进行分级，针对不同稳定性级别采用不同的围岩支护方式。
[0036]如图2所示，为监测点布置示意图，采集监测点位数据信息。
[0037]围岩破坏严重影响隧洞施工及运营的安全，其破坏形式多样，而且是多因素的综合影响的结果。在不同影响因素作用下，围岩的变形机理是不同的，针对隧洞围岩破坏模式的影响因素，基本上可以归纳为三类地质因素，包括(1)地质因素：岩体性质、岩体构造、地下水作用等；(2)工程因素：包括險道埋深、断面的形状、大小、高跨比等；(3)施工因素：包括隧洞施工方法和手段、支护时间和方式等。其中地质因素是影响围岩稳定性和破坏模式的最主要因素。在本专利技术实施例中，选取三方面的主要因素进行分析。
[0038]进一步的，训练围岩稳定性预测神经网络模型的步骤为：
[0039]S1、采集影响围岩稳定性的相关数据，包括岩体结构、围岩应力状本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的深埋隧洞围岩稳定性预测方法，其特征在于，具体步骤包括如下：应用弹塑性有限元法分析隧洞围岩变形规律以及隧洞围岩应力分布规律，采用数值模拟的方法计算获得隧洞围岩的主应力分布情况，确定围岩关键承载区；在所述关键承载区布设多个监测点，获取监测点数据信息；将所述监测点数据信息输入到训练好的围岩稳定性预测神经网络模型中，进行围岩稳定性预测，得到预测结果；根据所述预测结果对围岩稳定性情况进行分级，针对不同稳定性级别采用不同的围岩支护方式。2.根据权利要求1所述的一种基于神经网络的深埋隧洞围岩稳定性预测方法，其特征在于，训练所述围岩稳定性预测神经网络模型的步骤为：S1、采集影响围岩稳定性的相关数据，包括岩体结构、围岩应力状态以及围岩变性数据；S2、将S1采集到的相关数据进行归一化处理，构造训练集；S3、构造基于注意力神经网络的围岩稳定性预测模型；S4、将所述训练集输入到所述围岩稳定性预测模型中进行训练，得到训练好的围岩稳定性预测神经网络模型。在S3中，构造双向LSTM神经网络模型和前馈注意力模型，将二种模型构造为基于注意力神经网络的围岩稳定性预测模型。3.根据权利要求1所述的一种基于神经网络的深埋隧洞围岩稳定性预测方法，其特征在于，还包括在所述预测结果大于预设阈值时，向服务端发送围岩变形信息和警报信息。4.根据权利要求3所述的一种基于神经网络的深埋隧洞围岩稳定性预测方法，其特征在于，采集终端向服务端发送围岩变形信息和警报信息时，包括对信息进行加密的步骤。5.根据权利要求1所述的一种基于神经网络的深埋隧洞围...

【专利技术属性】
技术研发人员：张聪，朱珍德，蒋志坚，牛子豪，朱端，戴伦，许振波，葛鑫梁，
申请(专利权)人：河海大学，
类型：发明
国别省市：