【技术实现步骤摘要】
一种基于深度学习的地下厂房岩体力学参数反演及后续开挖响应预测方法
[0001]本专利技术涉及地下工程
,尤其是地下厂房,提供一种基于深度学习的地下厂房岩体力学参数反演及后续开挖响应预测方法。
技术介绍
[0002]对于地下工程,尤其是地下厂房,由于地质条件存在不确定性,施工组织复杂,工程问题突出,施工周期长,监测数据量大,传统的岩体力学参数反演依赖人工对比监测数据,监测数据全局对比难度大,岩体力学参数反复调试工作量大,耗时长。
[0003]深度学习是机器学习领域中一个新的研究方向,将深度学习应用到地下工程建设中,利用数值模拟技术事先建立地下工程分析样本数据库,在工程建设过程中,根据建立的学习样本数据库,快速获取能够反应地下工程围岩响应特征的岩体力学参数,进行地下工程稳定快速评估,并可以实现根据响应情况及反演参数快速更新开挖增量预测信息,可以节省大量人力资源,提高反演分析效率、准确性,更好地指导后续开挖支护设计。
技术实现思路
[0004]本专利技术的目的是提供一种基于深度学习的地下厂房岩体力学参数反演及后续开挖响应预测方法,解决常规的反演分析及时性差、准确反演难、工作量大的问题,进一步地,预测后续开挖响应情况,以指导开挖支护方案设计,更好地发挥反演分析的作用。
[0005]为解决上述技术问题,本专利技术采用以下技术方案:
[0006]一种基于深度学习的地下厂房岩体力学参数反演及后续开挖响应预测方法,所述的响应包括地下厂房围岩变形、应力、塑性区、支护结构受力等随分层开挖的影 ...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的地下厂房岩体力学参数反演及后续开挖响应预测方法,所述的响应包括地下厂房围岩变形、支护结构受力随分层开挖的变化情况,其特征包括以下步骤:S1:地下厂房第i层开挖,2≤i≤n,n为地下厂房开挖分层总数,根据第(i
‑
1)层地下厂房地质信息,建立地下厂房洞室群数值分析模型;S2:根据地质信息,各地层及结构面建议的力学参数取值范围,进行参数组合,对每一种参数组合按地下厂房洞室群实际开挖支护过程开展施工过程数值模拟,计算地下厂房第i层及第(i+1)层的开挖响应情况;S3:根据地下厂房监测设计以及仪器布置,对S2中每一种地层、断层及结构面力学参数组合情况整理厂房第i层开挖监测仪器位置相应监测变量的数值模拟结果;S4:对于地下厂房第i层开挖的数值模拟结果,利用深度学习算法进行训练,获得训练好的深度学习网络;S5:输入地下厂房第i层开挖完成的工程现场实际的监测数据,应用步骤S4训练好的深度学习网络,快速预测出岩体力学参数及下一层的开挖响应,判断后续开挖支护方案的合理性;S6:根据地下厂房第i层开挖新揭露的信息更新地质模型、参数范围,对第i+1层重新进行步骤S1
‑
S5,直至地下厂房开挖完成。2.如权利要求1所述的一种基于深度学习的地下厂房岩体力学参数反演及后续开挖响应预测方法,其特征在于在地下厂房第i层开挖完成时进行,接入监测数据后快速实现岩体力学参数反演及下一层围岩变形、支护结构受力响应的快速预测。3.如权利要求1所述的一种基于深度学习的地下厂房岩体力学参数反演及后续开挖响应预测方法,其特征在于在S2中,各地层、断层的岩体力学参数按Hoek
‑
Brown准则考虑,变化的参数为地质强度因子GSI;对洞室开挖响应起到控制性作用的主要结构面考虑综合变形模量、抗剪断参数这三个主要参数,按建议的参数取值范围分成m等份,5≤m≤10,取值包含取值范围上下限2种情况,以及中间的m
‑
1种情况,即每个地层、结构面考虑m+1种情况;各地层GSI值和结构面参数组合,采样Pairwise算法,实现有效降低参数组合数量,在保障样本覆盖性的同时提高分析效率;数值模拟中地下厂房洞室群开挖精确到分层,为提高模拟效率,不再考虑每一层内的分块分区开挖过程,各洞室开挖分层情况、支护的安装时机与实际施工方案一致。4.如权利要求1所述的一种基于深度学习的地下厂房岩体力学参数反演及后续开挖响应预测方法,其特征在于在S3中,监测仪器包括多点位移计、锚杆测力计、锚索测力计、收敛监测,监测仪器均考虑为即埋;监测仪器位置的数值模拟结果获取,通过在数值模拟模型中设置与实际监测仪器位置、测量的内容相同的测点;测点的结果需考虑监测仪器的安装时机,由于数值模拟模型只精确到分层,对于当前开挖层即...
【专利技术属性】
技术研发人员:曹爱武,褚卫江,封磊,吴家耀,张洋,程勇进,孟国涛,陈平志,潘兵,刘宁,岳超,
申请(专利权)人:中国电建集团华东勘测设计研究院有限公司,
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。