隧道衬砌结构服役可靠度智能预测模型构建方法及系统技术方案

本发明专利技术提供基于设计域数据驱动的隧道衬砌结构服役可靠度智能预测模型构建方法及系统，方法包括：步骤1，构建隧道衬砌结构的设计域并确定采样均值点；步骤2，设置两阶段高效采样路径；第二阶段：将上一个采样均值点生成的训练样本作为新种子，沿着当前采样均值点的失效边界，进行失效邻域附近定向采样，在失效边界的左右两侧失效邻域内生成新的训练样本；采样时，基于两阶段采样路径对固定变量对应的所有采样均值点按顺序生成训练样本：第一个采样均值点按照第一阶段采样生成训练样本，后续采样均值点均按照第二阶段依次采样生成相应的训练样本，直至遍历所有采样均值点；得到覆盖设计域整个失效边界的样本；步骤3，建立可靠度智能预测模型。智能预测模型。智能预测模型。

【技术实现步骤摘要】
隧道衬砌结构服役可靠度智能预测模型构建方法及系统


[0001]本专利技术属于铁路隧道结构设计
，具体涉及隧道衬砌结构服役可靠度智能预测模型构建方法及系统。

技术介绍

[0002]铁路隧道在投入运营后，由于受到围岩形变、地下水腐蚀，列车震动和空气压缩的长期反复作用，往往容易出现衬砌开裂、渗漏水等病害问题，给铁路的行车安全带来极大的隐患，亟需对现有铁路隧道的服役可靠性开展全面且可持续的评估。
[0003]现有的铁路手段评估方法主要采用定期或不定期的检测手段，获取衬砌结构的裂缝长度、宽度和走向，渗漏水大小，混凝土强度，衬砌结构变形等指标，然后通过数据融合手段综合评价隧道的服役性能，并根据评估结果采取养护或加固措施。这类方法的不足之处主要包括：
[0004]1)检测期间容易影响列车的正常营运，而且检测成本较高，难以满足隧道建维并重的实际需求。
[0005]2)缺乏时间维度的连续性，检测手段的间隔时间一般都较长，这段时间衬砌结构的服役性能的下降程度和影响无法评估。
[0006]3)检测评估是对多项间接指标进行综合分析，难以直接反应真实的服役性能。评估方法未考虑围岩压力、材料强度、构件尺寸等参数的不确定性，使得评估结果的准确性存疑。
[0007]除了检测手段之外，随机有限元方法也可用来计算不确定性条件下衬砌结构的服役可靠度。将其与围岩压力的时变特性，材料参数的劣化规律相结合，可以评估并预测铁路隧道衬砌结构服役性能的变化。然而，这一方法的计算过程极为复杂，且对小概率失效事件的计算时间太长，每次评估都需进行大量的有限元分析，分析结果无法应用到其它工况，造成数据的极大浪费，难以在实际工程中得到推广应用。
[0008]因此，目前亟需开发高效、准确、简便的铁路隧道衬砌结构服役可靠度的智能化评价模型，以应对大量运营隧道衬砌结构多工况、高频次的服役可靠度快速评估的需求，预测铁路隧道的使用寿命，并为维修养护提供决策依据。

技术实现思路

[0009]本专利技术是为了解决上述问题而进行的，目的在于提供基于设计域数据驱动的隧道衬砌结构服役可靠度智能预测(评价)模型构建方法及系统，能够应对大量运营隧道衬砌结构多工况、高频次的服役可靠度快速评估的需求，预测铁路隧道的使用寿命，为维修养护提供决策依据。
[0010]为了实现以上目的，本专利技术采用了以下方案：
[0011]<模型构建方法>
[0012]本专利技术提供隧道衬砌结构服役可靠度智能预测模型构建方法，包括以下步骤：
[0013]步骤1，构建隧道衬砌结构的设计域并确定采样均值点；
[0014]如图1所示，受概率密度函数的影响，单点(变量平均值)采样得到的样本被限制在一个局部局域内，使得训练样本在参数空间的分布极不均匀，严重限制了拟合模型的适用范围。为了克服这一缺陷，如图2和3所示，本专利技术：首先，从隧道衬砌结构设计变量中选择两个设计变量(x1和x2)，这两个设计变量的分布类型应满足一个设计变量存在交叉部分和另一个设计变量不存在交叉部分；接着，确定隧道服役状态下两个设计变量各自所有可能的分布范围，变量x1所有可能的分布范围为x
1l
～x
1u
，变量x2所有可能的分布范围为x
2l
～x
2u
，将该分布范围作为采样边界建立设计域，两个设计变量分别对应设计域的横纵坐标；随后，根据两个设计变量各自的分布类型和均值将设计域在横向和纵向上划分为若干等份(图2中横向和纵向的虚线所划分)，将每个交点(图2中黑色点)作为采样均值点，如图3所示，形成设计域多点采样，以全面覆盖参数空间内样本可能的分布范围；
[0015]步骤2，设置两阶段高效采样路径；
[0016]图3的多点采样可实现参数空间设计域的全覆盖，但按常规方式采样，存在两个重要缺陷：1)拟合决策边界需要数量相当的稳定样本和失效样本，而对小概率失效事件，要经过大量的有限元计算才能得到一定数量的失效样本，计算效率太低，且稳定样本和失效样本的比例严重失衡；2)常规采样方式将产生大量远离决策边界的样本，这些样本极大影响了拟合的效率，且对拟合的精度也有不利影响。因此，本专利技术提出如图4所示的两阶段高效采样路径：
[0017]第一阶段：采用子集模拟方法，从当前采样均值点的第一个中间失效事件开始F1，通过接受拒绝采样方法，逐步逼近失效域F
m
，并生成新的训练样本；
[0018]第二阶段：进行高效采样，将上一个采样均值点生成的训练样本作为新种子，沿着当前采样均值点的失效边界，进行失效邻域附近定向采样，在失效边界的左右两侧失效邻域内生成新的训练样本；
[0019]根据分布类型，将两设计变量中不存在交叉部分的一个作为固定变量，采样时，基于两阶段采样路径对固定变量对应的所有采样均值点按照预定顺序生成训练样本：第一个采样均值点按照第一阶段采样生成训练样本，后续采样均值点均按照第二阶段依次采样生成相应的训练样本，直至遍历所有采样均值点；从而得到覆盖设计域整个失效边界的样本；
[0020]步骤3，基于步骤1和2建立可靠度智能预测模型。
[0021]优选地，本专利技术提供的隧道衬砌结构服役可靠度智能预测模型构建方法，在步骤1中，根据每个设计变量的分布类型确定其均值划分情况，然后根据两个设计变量的均值划分情况，在设计变量对应的横向或纵向上对应划分与各均值对应、均值数量相等的等份。
[0022]优选地，本专利技术提供的隧道衬砌结构服役可靠度智能预测模型构建方法，还可以具有这样的特征：两个设计变量分别为围岩压力和配筋率，配筋率为固定变量。
[0023]优选地，本专利技术提供的隧道衬砌结构服役可靠度智能预测模型构建方法，在步骤2中，预定顺序为从大到小、从小到大、从中间向两侧中的任意一种。
[0024]优选地，本专利技术提供的隧道衬砌结构服役可靠度智能预测模型构建方法，在步骤3中，将失效边界邻域内的样本用向量表示，分别表示第i个样本第1,2,
…
,k个随机变量的取值；对于最终失效域F
m
内的样本，将其标定为Y
i
＝
‑
1；对于稳定域F
m
‑1内的样本，将其标定为Y
i
＝+1；
[0025]失效边界邻域内的样本构成了训练样本集合{(X
i
,Y
i
):i＝1,2,
…
,N}，将其输入支持向量机分类模型中进行训练，拟合决策模型表达式为：
[0026][0027]式中，和b为经过训练后拟合的决策模型的系数；Z＝0代表拟合的决策边界，位于Z＝1和Z＝
‑
1上的样本为支持向量，Z＝1和Z＝
‑
1分别对应安全系数在1附近(例如，0.1范围内)、且大于1的样本(例如，1～1.1)，和安全系数在1附近、且不超过1的样本(例如，0.9～1)。
[0028]&lt本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.隧道衬砌结构服役可靠度智能预测模型构建方法，其特征在于，包括：步骤1，构建隧道衬砌结构的设计域并确定采样均值点；首先，从隧道衬砌结构的设计变量中选择两个，这两个设计变量的分布类型应满足一个设计变量存在交叉部分和另一个设计变量不存在交叉部分；接着，确定隧道服役状态下两个设计变量各自所有可能的分布范围，将该分布范围作为采样边界建立设计域，两个设计变量分别对应设计域的横纵坐标；随后，根据两个设计变量各自的分布类型和均值将设计域在横向和纵向上划分为若干等份，将每个交点作为采样均值点；步骤2，设置两阶段高效采样路径；第一阶段：采用子集模拟方法，从当前采样均值点的第一个中间失效事件开始F1，通过接受拒绝采样方法，逐步逼近失效域F
m
，并生成新的训练样本；第二阶段：进行高效采样，将上一个采样均值点生成的训练样本作为新种子，沿着当前采样均值点的失效边界，进行失效邻域附近定向采样，在失效边界的左右两侧失效邻域内生成新的训练样本；根据分布类型，将两设计变量中不存在交叉部分的一个作为固定变量，采样时，基于两阶段采样路径对固定变量对应的所有采样均值点按照预定顺序生成训练样本：第一个采样均值点按照第一阶段采样生成训练样本，后续采样均值点均按照第二阶段依次采样生成相应的训练样本，直至遍历所有采样均值点；从而得到覆盖设计域整个失效边界的样本；步骤3，基于步骤1和2建立可靠度智能预测模型。2.根据权利要求1所述的隧道衬砌结构服役可靠度智能预测模型构建方法，其特征在于：其中，在步骤1中，根据每个设计变量的分布类型确定其均值划分情况，然后根据两个设计变量的均值划分情况，在设计变量对应的横向或纵向上对应划分与各均值对应、均值数量相等的等份。3.根据权利要求1所述的隧道衬砌结构服役可靠度智能预测模型构建方法，其特征在于：其中，两个设计变量分别为围岩压力和配筋率，配筋率为固定变量。4.根据权利要求1所述的隧道衬砌结构服役可靠度智能预测模型构建方法，其特征在于：其中，在步骤2中，预定顺序为从大到小、从小到大、从中间向两侧中的任意一种。5.根据权利要求1所述的隧道衬砌结构服役可靠度智能预测模型构建方法，其特征在于：其中，在步骤3中，将失效边界邻域内的样本用向量表示，分别表示第i个样本第1,2,
…
,k个随机变量的取值；对于最终失效域F
m
内的样本，将其标定为Y
i
＝
‑
1；对于稳定域F
m
‑1内的样本，将其标定为Y
i
＝+1；失效边界邻域内的样本构成了训练样本集合{(X
i
,Y
i
):i＝1,2,
…
,N}，将其输入支持向量机分类模型中进行训练，拟合决策模型表达式为：式中，和b为经过训练后拟合的决策模型的系数；Z＝0代表拟合的决策边界，位于Z＝1
和Z＝
‑
1上的样本为支持向量，Z＝1和Z＝
‑
1分别对应安全系数在1附近、且大于1的样本，和安全系数在1附近、且不超过1的样本。6.隧道衬砌结构服役可靠度智能预测系统，其特征在于，包括：采样均值点确定部，构建隧道衬砌结构的设计域并确定采样均值点；首先，从隧道衬砌结构的设计变量中选择两个，这两个设计变量的分布类型应满足一个设计变量存在交叉部分和另一个设计变量不存在交叉部分；接着，确定隧道服役状态下两个设计变量各自所有可能的分布范围，将该分布范围作为采样边界建立设计域，两个设计变量分别对应设计域的横纵坐标；随后，根据两个设计变量各自的分布类型和均值将设计域在横向和纵向上划分为若干等份，将每个交点作为采样均值点；采样路径设置部，设...

【专利技术属性】
技术研发人员：李斌，马博文，魏中华，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：