【技术实现步骤摘要】
本专利技术属于隧道与地下工程围岩分级，特别涉及一种基于人工智能的工程扰动下围岩分级修正系数的取值方法。
技术介绍
1、围岩分级是指根据岩体完整程度和岩石强度等指标将无限的岩体序列划分为具有不同稳定程度的有限个类别，即将稳定性相似的一些围岩划归为一类，将全部的围岩划分为若干类。在围岩分类的基础上再依照每一类围岩的稳定程度给出最佳的施工方法和支护结构设计。因此，准确的围岩分级对于隧道及地下工程的合理设计及安全施工具有重要意义。
2、目前，通常以《工程岩体分级标准》gb/t 50218-2014中规定的bq围岩分级方法为标准，通过围岩的坚硬程度rc和围岩的完整程度kv两个指标，定量计算围岩基本质量指标bq，并考虑地下水状态，初始地应力状态，主要结构面状态等因素进行修正，以修正后的围岩质量指标修正值bq定量评价隧道稳定性。然而，现有的围岩分级修正方法并未考虑工程扰动的影响，导致复杂地质环境下围岩分级结果与实际开挖揭露的结果存在差异，影响隧道的施工进度。
3、因此，如何提供一种基于人工智能的工程扰动下围岩分级修正系数的取值方法，通过构建工程扰动下围岩分级修正系数智能预测模型，快速、准确地获取工程扰动效应下的围岩分级修正系数，是本领域技术人员亟需解决的技术问题。
技术实现思路
1、本专利技术的目的在于提供一种基于人工智能的工程扰动下围岩分级修正系数的取值方法，以至少解决上述一种技术问题。
2、为实现上述目的，本专利技术第一方面提供了一种基于人工智能的工程扰动
3、在第一方面中，所述影响因素包括：隧道埋深、侧应力系数、岩石强度、围岩完整性系数、开挖工法、开挖尺寸和开挖走向。
4、在第一方面中，所述对不同影响因素条件下的隧道开挖过程进行仿真模拟，确定隧道围岩开挖损伤破坏结果包括：基于所述隧道埋深、所述侧应力系数、所述岩石强度、所述围岩完整性系数、所述开挖工法、所述开挖尺寸和所述开挖走向，建立隧道开挖数值仿真计算几何模型；基于所述岩石强度和所述围岩完整性系数，确定所述隧道围岩的力学参数；依据所述隧道开挖数值仿真计算几何模型和所述隧道围岩的力学参数，确定所述隧道围岩开挖损伤破坏结果。
5、在第一方面中，通过计算公式(1)确定所述第一围岩分级修正系数d：所述计算公式(1)为其中，n1为开挖前节理面长度，n2为开挖后扰动区岩体完全破碎时的裂隙总长度，n3为开挖后扰动区内岩石破裂产生的裂隙总长度。
6、在第一方面中，通过计算公式(2)确定所述第二围岩分级修正系数d：所述计算公式(2)为其中，vp1为隧道围岩开挖前的岩体纵波波速，vp2为隧道围岩开挖扰动后的岩体纵波波速。
7、在第一方面中，所述选择所述隧道围岩的实际数据为第二输入参数、所述第二围岩分级修正系数为第二输出参数，建立第二数据集包括：对所述隧道围岩进行取样测试，以及记录所述隧道掌子面的开挖数据，获取所述隧道围岩的实际数据，所述实际数据包括：岩体破碎程度、开挖工法、开挖尺寸、开挖走向、岩石强度、竖向应力和水平侧向应力；以所述隧道围岩的所述实际数据为第二输入参数，以由所述tsp数据分析确定的所述第二围岩分级修正系数为第二输出参数，建立所述第二数据集。
8、在第一方面中，所述对所述第一数据集和所述第二数据集进行处理，建立第三数据集包括：建立所述第二输入参数与所述第一输入参数之间的转换关系；根据所述转换关系，对所述第二输入参数进行转化，得到转化参数；对所述第一输入参数和所述转化参数进行合并，得到第三输入参数；对所述第一输出参数和所述第二输出参数进行合并，得到第三输出参数；依据所述第三输入参数和所述第三输出参数，建立所述第三数据集。
9、在第一方面中，所述转换关系包括：h＝σv/0.0231，λ＝σh/σv；其中，h为所述转化参数中的隧道埋深，σv为所述第二输入参数中的竖向应力，λ为所述转化参数中的侧应力系数，σh为所述第二输入参数中的侧向水平应力。
10、在第一方面中，所述转化关系还包括：对所述岩体破碎程度进行数值化，得到所述岩体破碎程度与所述转化参数中的围岩完整数系数的对应关系；所述对应关系包括：当所述岩体破碎程度为极破碎时，所述转化参数中的围岩完整性系数小于0.15；当所述岩体破碎程度为破碎时，所述转化参数中的围岩完整性系数的范围为0.15-0.35；当所述岩体破碎程度为较破碎时，所述转化参数中的围岩完整性系数的范围为0.35-0.55；当所述岩体破碎程度为较完整时，所述转化参数中的围岩完整性系数的范围为0.55-0.75；当所述岩体破碎程度为完整时，所述转化参数中的围岩完整性系数大于0.75。
11、在第一方面中，所述机器学习算法包括：改进粒子群-支持向量机算法。
12、有益效果：
13、本专利技术提供的一种基于人工智能的工程扰动下围岩分级修正系数的取值方法，首先，对不同影响因素条件下的隧道开挖过程进行仿真模拟，确定隧道围岩开挖损伤破坏结果，分析开挖扰动效应，确定第一围岩分级修正系数，通过隧道仿真模拟获取不同条件下的第一围岩分级修正系数，进而建立第一数据集；对隧道掌子面开挖前后的围岩进行地震波探测，获取tsp数据，分析隧道开挖前后的围岩扰动效应，确定第二围岩分级修正系数，同时还对围岩进行取样测试，获得岩体数据，通过现场围岩测试结果获取第二围岩分级修正系数，进而建立第二数据集；其次，对第一数据集和第二数据集进行处理，得到第三数据集，将隧道仿真模拟数据和现场测试结果进行结合，得到更为准确、可靠的第三数据集；然后，通过机器学习算法对第三数据集进行学习，建立围岩分级修正系数智能预测模型；最后，向围岩分级修正系数智能预测模型输入不同的工况条件，得到该工况条件下的围岩分级修正系数，实现了考虑工程扰动效应下的围岩分级修正系数的快速、准确修正。
14、上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。
本文档来自技高网...【技术保护点】
1.一种基于人工智能的工程扰动下围岩分级修正系数的取值方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于人工智能的工程扰动下围岩分级修正系数的取值方法，其特征在于，所述影响因素包括：隧道埋深、侧应力系数、岩石强度、围岩完整性系数、开挖工法、开挖尺寸和开挖走向。
3.根据权利要求2所述的基于人工智能的工程扰动下围岩分级修正系数的取值方法，其特征在于，所述对不同影响因素条件下的隧道开挖过程进行仿真模拟，确定隧道围岩开挖损伤破坏结果包括：
4.根据权利要求3所述的基于人工智能的工程扰动下围岩分级修正系数的取值方法，其特征在于，通过计算公式(1)确定所述第一围岩分级修正系数D：
5.根据权利要求4所述的基于人工智能的工程扰动下围岩分级修正系数的取值方法，其特征在于，通过计算公式(2)确定所述第二围岩分级修正系数D：
6.根据权利要求5所述的基于人工智能的工程扰动下围岩分级修正系数的取值方法，其特征在于，所述选择隧道围岩的实际数据为第二输入参数、所述第二围岩分级修正系数为第二输出参数，建立第二数据集包括：
8.根据权利要求7所述的基于人工智能的工程扰动下围岩分级修正系数的取值方法，其特征在于，所述转换关系包括：
9.根据权利要求8所述的基于人工智能的工程扰动下围岩分级修正系数的取值方法，其特征在于，所述转化关系还包括：对所述岩体破碎程度进行数值化，得到所述岩体破碎程度与所述转化参数中的围岩完整数系数的对应关系；
10.根据权利要求9所述的基于人工智能的工程扰动下围岩分级修正系数的取值方法，其特征在于，所述机器学习算法包括：改进粒子群-支持向量机算法。
...【技术特征摘要】
1.一种基于人工智能的工程扰动下围岩分级修正系数的取值方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于人工智能的工程扰动下围岩分级修正系数的取值方法，其特征在于，所述影响因素包括：隧道埋深、侧应力系数、岩石强度、围岩完整性系数、开挖工法、开挖尺寸和开挖走向。
3.根据权利要求2所述的基于人工智能的工程扰动下围岩分级修正系数的取值方法，其特征在于，所述对不同影响因素条件下的隧道开挖过程进行仿真模拟，确定隧道围岩开挖损伤破坏结果包括：
4.根据权利要求3所述的基于人工智能的工程扰动下围岩分级修正系数的取值方法，其特征在于，通过计算公式(1)确定所述第一围岩分级修正系数d：
5.根据权利要求4所述的基于人工智能的工程扰动下围岩分级修正系数的取值方法，其特征在于，通过计算公式(2)确定所述第二围岩分级修正系数d：
6.根据权利要求5所述的基于人...
【专利技术属性】
技术研发人员：周云，徐正宣，谭贤君，扈森，王栋，李慧，田洪铭，王科，贾哲强，朱泳标，杨科，张敏，张夏临，王哲威，林之恒，李天雨，袁东，孟少伟，
申请(专利权)人：中国国家铁路集团有限公司，
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。