一种土层锚杆锚固力影响因素敏感性的测定方法
【专利摘要】本发明公开了一种土层锚杆锚固力影响因素敏感性的测定方法，包括步骤：一、土层锚杆锚固力预测模型选择及其输入量与输出量确定：将M个土层锚杆锚固力的影响因素和土层锚杆锚固力分别作为土层锚杆锚固力预测模型的M个输入量和输出量；二、训练样本集获取：收集N个土层锚杆的原位测试数据，并将各土层锚杆的原位测试数据作为一个训练样本；三、土层锚杆锚固力预测模型建立及训练；四、多水平多因素正交试验，过程如下：土层锚杆设计参数输入、正交表建立、正交试验样本获取、锚固力预测、锚固力预测值整理和敏感性确定。本发明方法步骤简单、设计合理且实现方便、使用效果好，能简便、快速且准确完成土层锚杆锚固力影响因素的敏感性测定过程。
【专利说明】一种土层锚杆锚固力影响因素敏感性的测定方法
【技术领域】
[0001]本发明属于土层锚杆锚固力影响因素分析【技术领域】，尤其是涉及一种土层锚杆锚固力影响因素敏感性的测定方法。
【背景技术】
[0002]土层锚杆的锚固力取决于锚固段的长度、锚杆直径、孔径、灌浆体强度、锚杆的倾角、土体的性质等多种因素，这些影响因素不可避免地存在着不确定性。实际使用过程中，上述不确定因素可能出现的摆幅对土层锚杆锚固力的影响有多大，以及锚杆锚固力对何种因素的影响最为敏感往往是工程关心的重要问题之一。
[0003]1986年，Hohenbichler进行了可靠度对随机变量的敏感性研究，此后Madsen,Bjerager以及Karamchandani等人对此作了进一步研究。国内目前对锚固工程的参数敏感性方面的研究较少，报道可见的文献资料也主要局限于各种参数对锚固工程稳定性及变形的敏感性分析，针对土层锚杆锚固力的敏感性研究较少，几乎没有该方面比较完善的研究资料。已有的敏感性研究方法也只局限于有限元法，这种方法明显的缺点就是当参数较多时计算量很大，另一方面多个参数的组合很难确定。
【发明内容】
[0004]本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种土层锚杆锚固力影响因素敏感性的测定方法，其方法步骤简单、设计合理且实现方便、使用效果好，能简便、快速且准确完成土层锚杆锚固力影响因素的敏感性测定过程。
[0005]为解决上述技术问题，本发明采用的技术方案是:一种土层锚杆锚固力影响因素敏感性的测定方法，其特征在于该方法包括以下步骤:
[0006]步骤一、土层锚杆锚固力预测模型选择及其输入量与输出量确定:选用BP神经网络模型作为土层锚杆锚固力预测模型，将M个影响土层锚杆锚固力的不同影响因素作为所述土层锚杆锚固力预测模型的输入量，并将土层锚杆锚固力作为所述土层锚杆锚固力预测模型的输出量；
[0007]所述输入量的数量为M个,M个所述输入量分别记作Xp x2、…、xM;所述输出量记作y ;M为正整数且M≥3 ；
[0008]步骤二、训练样本集获取:收集N个土层锚杆的原位测试数据，并将各土层锚杆的原位测试数据均存储至与数据处理器相接的数据存储单元内；每个所述土层锚杆的原位测试数据均包括该土层锚杆的M个影响因素的数值与锚固力的实测值，N个所述土层锚杆的原位测试数据组成训练样本集；
[0009]所述训练样本集中包括N个训练样本，每个训练样本记作{xu、x21、…、xM1、yJ，其中Xl1、X21、…、xMi分别为N个土层锚杆中第i个所述土层锚杆的M个影响因素的数值，Yi为第i个所述土层锚杆的锚固力实测值；其中，i为正整数且i = 1、2、…、N ;
[0010]步骤三、土层锚杆锚固力预测模型建立及训练:所述数据处理器调用Matlab软件建立所述土层锚杆锚固力预测模型，并采用步骤二中所建立的训练样本集对所建立的土层锚杆锚固力预测模型进行训练；训练完成后，获得训练好的土层锚杆锚固力预测模型；
[0011]对所述土层锚杆锚固力预测模型进行训练前，先对训练次数和训练目标误差进行设定；
[0012]步骤四、多水平多因素正交试验:通过对当前所设计土层锚杆的设计参数进行多水平多因素正交试验，确定影响当前所设计土层锚杆锚固力的M个所述影响因素的敏感性，过程如下:
[0013]步骤401、土层锚杆设计参数输入:通过与所述数据处理器相接的参数输入单元，输入当前所设计土层锚杆的设计参数，该设计参数中包括当前所设计土层锚杆的M个所述影响因素的设计值；
[0014]步骤402、正交表建立:所建立的正交表中包含步骤一中M个所述影响因素，且对M个所述影响因素均进行S个水平试验；其中，S为正整数且S≥3 ;
[0015]每个所述影响因素的S个试验水平均为对该影响因素的设计值进行S次不同幅度的调整后，获得的试验值；
[0016]步骤403、正交试验样本获取:根据步骤401中所输入的设计参数，并结合步骤402中所建立的正交表，获得对当前所设计土层锚杆进行多水平多因素正交试验时所用的所有试验样本；每个所述试验 样本中，均包括当前所设计土层锚杆的M个所述影响因素的试验值；
[0017]步骤404、锚固力预测:所述数据处理器调用步骤三中训练好的土层锚杆锚固力预测模型，对步骤403中所有试验样本所对应的锚固力进行预测，并获得M个所述影响因素的S个不同试验水平的锚固力预测值；
[0018]步骤405、锚固力预测值整理:根据步骤404中所获得的M个所述影响因素的S个不同试验水平的锚固力预测值，计算得出每个所述影响因素的S个不同试验水平的锚固力预测值平均值；其中，M个所述影响因素中第j个影响因素的第t个试验水平的锚固力预测值平均值记作Mjt，j和t均为正整数，j = 1、2、…、M，t = l、2、…、S;
[0019]之后，根据计算得出的M个所述影响因素的S个不同试验水平的锚固力预测值平均值，计算得出每个所述影响因素的极差；其中，M个所述影响因素中第j个影响因素的极差记作Λ Mjt, AMjt = M_x-M>in，式中Miliax为第j个影响因素的S个不同试验水平的锚固力预测值平均值中的最大值，Millin为第j个影响因素的S个不同试验水平的锚固力预测值平均值中的最小值；
[0020]步骤五、敏感性确定:根据步骤405中计算得出的M个所述影响因素的极差，对M个所述影响因素的敏感性进行确定；其中，极差越大的影响因素越敏感，对所设计土层锚杆的锚固力影响程度越大，各影响因素的极差大小决定该影响因素对所设计土层锚杆的锚固力影响程度。
[0021]上述一种土层锚杆锚固力影响因素敏感性的测定方法，其特征是:步骤一中M =5。
[0022]上述一种土层锚杆锚固力影响因素敏感性的测定方法，其特征是:步骤三中所述土层锚杆锚固力预测模型训练完成后，还需采用测试样本集对训练好的土层锚杆锚固力预测模型进行测试；所述测试样本集为由步骤二中所述训练样本集中的多个训练样本组成的样本集或按照步骤二中所述训练样本集的获取方法重新建立的样本集。
[0023]上述一种土层锚杆锚固力影响因素敏感性的测定方法，其特征是:5个所述影响因素分别为锚固段长度、锚杆直径、孔径、灌浆体强度和锚杆倾斜角度。
[0024]上述一种土层锚杆锚固力影响因素敏感性的测定方法，其特征是:对所述土层锚杆锚固力预测模型进行测试时，所述数据处理器调用Matlab神经网络工具箱中的sim函数进行测试，并生成各训练样本对应的锚固力预测值，之后将各检测样本对应的锚固力预测值与该检测样本的锚固力实测值进行差值比较，得出该检测样本对应的预测误差；待所述训练样本集内各训练样本均测试完成后，获得所述训练样本集内各训练样本对应的预测误差；之后，根据各训练样本对应的预测误差，对训练好的土层锚杆锚固力预测模型的预测精度进行分析。
[0025]上述一种土层锚杆锚固力影响因素敏感性的测定方法，其特征是:步骤三中对所述土层锚杆锚固力预测模型进行训练时，所述数据处理器调用Matlab神经网络工具箱中的“trainlm”函数进行训练。
[0026]上述一种土层锚杆锚固力影响因素敏感性的测定方法，其特征是:步骤三中对所述土层锚杆锚固力预测模型进行训练之前，所述数据处理器先调用归一化处理模块对所述训练样本集中各训练样本内的数据进行归一化处理；训练完成后，所述数据处理器还需调用反归一化处理模块对训练过程中对生成的预测值进行反归一化处理；
[0027]步骤404中进行锚固力预测之前，所述数据处理器先调用所述归一化处理模块对步骤403中所有试验样本内的数据进行归一化处理，待调用所述土层锚杆锚固力预测模型所有试验样本所对应的锚固力进行预测后，还需调用所述反归一化处理模块对所生成的预测值进行反归一化处理。
[0028]上述一种土层锚杆锚固力影响因素敏感性的测定方法，其特征是:步骤三中建立所述土层锚杆锚固力预测模型时，所建立的土层锚杆锚固力预测模型包含一个输入层、一个隐含层和一个输出层，所述输入层包括分别与M个所述影响因素相对应的M个节点，所述隐含层包含(2M+1)个节点，所述输出层包含一个节点。
[0029]上述一种土层锚杆锚固力影响因素敏感性的测定方法，其特征是:步骤402中S =5。
[0030]上述一种土层锚杆锚固力影响因素敏感性的测定方法，其特征是:步骤402中每个所述影响因素的5个试验水平均为对该影响因素的设计值上调20%、上调10%、上调0%、下调10%和下调20%后，获得的试验值。
[0031]本发明与现有技术相比具有以下优点:
[0032]1、方法步骤简单、设计合理且实现方便。
[0033]2、设计合理，本发明基于土层锚杆锚固力原位测试试验，综合考虑锚杆直径、锚固段长度、倾角以及灌浆体强度、孔径等锚固力影响因素，利用人工神经网络(artificialneural network)的误差反向传播(back propagation, BP)算法及MATLAB人工神经网络工具箱，建立锚固力预测模型；在此基础上，采用正交表试验理论分析了锚固力对各影响因素的敏感性，能为相应锚固加固工程的实际应用提供参考依据。
[0034]3、使用效果好且实用价值高，基于人工神经网络的BP算法，综合考虑锚杆直径、灌浆体强度、锚固段长度、孔径、锚杆倾角等影响因素，建立了土层锚杆锚固力预测的智能模型。结合锚杆加固工程的原位测试数据，对网络进行训练、误差分析，从而验证了所建立预测模型的适用性和可行性。利用训练好的预测模型，并结合正交表试验理论设计了多组正交试验，对土层锚杆锚固力影响因素的敏感性进行分析。采用基于正交试验的神经网络设计方法，该方法可从任意网络开始，利用正交试验原理改进网络结构，提高网络性能，直至最终设计出较优或最优的神经网络。并利用正交试验的极差分析法获得最优决策，揭示神经网络各层间交互作用的强弱。
[0035]综上所述，本发明方法步骤简单、设计合理且实现方便、使用效果好，能简便、快速且准确完成土层锚杆锚固力影响因素的敏感性测定过程。
[0036]下 面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
【专利附图】
【附图说明】
[0037]图1为本发明的方法流程框图。
[0038]图2为本发明所建立土层锚杆锚固力预测模型的结构示意图。
[0039]图3为本发明进行模型训练时训练误差随训练次数变化的变化曲线图。
【具体实施方式】
[0040]如图1所示的一种土层锚杆锚固力影响因素敏感性的测定方法，包括以下步骤:
[0041]步骤一、土层锚杆锚固力预测模型选择及其输入量与输出量确定:选用BP神经网络模型作为土层锚杆锚固力预测模型，将M个影响土层锚杆锚固力的不同影响因素作为所述土层锚杆锚固力预测模型的输入量，并将土层锚杆锚固力作为所述土层锚杆锚固力预测模型的输出量。
[0042]所述输入量的数量为M个,M个所述输入量分别记作Xp x2、…、xM;所述输出量记作y ;M为正整数且M≥3。
[0043]实际使用时，所选用的M个所述影响因素均为对土层锚杆锚固力影响较大的重要
影响因素。
[0044]本实施例中，步骤一中M = 5。5个所述影响因素分别为锚固段长度、锚杆直径、孔径、灌浆体强度和锚杆倾斜角度。其中，锚固段长度、锚杆直径和孔径的单位均为mm，灌浆体强度的单位为MPa，锚杆倾斜角度的单位为。，孔径为土层锚杆的锚固孔孔径。
[0045]实际使用时，可以根据具体需要，对M的取值大小和M个所述影响因素分别进行调整。也就是说，可以根据具体需要，对所选用的影响因素进行相应调整，可选用其它的影响因素。
[0046]步骤二、训练样本集获取:收集N个土层锚杆的原位测试数据，并将各土层锚杆的原位测试数据均存储至与数据处理器相接的数据存储单元内；每个所述土层锚杆的原位测试数据均包括该土层锚杆的M个影响因素的数值与锚固力的实测值，N个所述土层锚杆的原位测试数据组成训练样本集。
[0047]所述训练样本集中包括N个训练样本，每个训练样本记作{xu、x21、…、xM1、yJ，其中Xl1、X21、…、xMi分别为N个土层锚杆中第i个所述土层锚杆的M个影响因素的数值，Yi为第i个所述土层锚杆的锚固力实测值；其中，i为正整数且i = 1、2、…、N。
[0048]N个所述训练样本中的M个影响因素的数值组成输入矩阵，所述输入矩阵为NXM矩阵。
[0049]本实施例中，N= 15。实际使用时，可以根据具体需要，对N的取值大小进行相应调整。
[0050]本实施例中，所建立的训练样本集详见表1:
[0051]表1训练样本集内各训练样本的数据表
[0052]
【权利要求】
1.一种土层锚杆锚固力影响因素敏感性的测定方法，其特征在于该方法包括以下步骤: 步骤一、土层锚杆锚固力预测模型选择及其输入量与输出量确定:选用BP神经网络模型作为土层锚杆锚固力预测模型，将M个影响土层锚杆锚固力的不同影响因素作为所述土层锚杆锚固力预测模型的输入量，并将土层锚杆锚固力作为所述土层锚杆锚固力预测模型的输出量； 所述输入量的数量为M个,M个所述输入量分别记作XpX2、…、xM ;所述输出量记作y ；M为正整数且M≥3 ； 步骤二、训练样本集获取:收集N个土层锚杆的原位测试数据，并将各土层锚杆的原位测试数据均存储至与数据处理器相接的数据存储单元内；每个所述土层锚杆的原位测试数据均包括该土层锚杆的M个影响因素的数值与锚固力的实测值，N个所述土层锚杆的原位测试数据组成训练样本集； 所述训练样本集中包括N个训练样本，每个训练样本记作{xn、x21、…、xM1、yj，其中Xli> X2i>…、xMi分别为N个土层锚杆中第i个所述土层锚杆的M个影响因素的数值，第i个所述土层锚杆的锚固力实测值；其中，i为正整数且i = 1、2、…、N ; 步骤三、土层锚杆锚固力预测模型建立及训练:所述数据处理器调用Matlab软件建立所述土层锚杆锚固力预测模型，并采用步骤二中所建立的训练样本集对所建立的土层锚杆锚固力预测模型进行训练；训练完成后，获得训练好的土层锚杆锚固力预测模型； 对所述土层锚杆锚固力预测模型进行训练前，先对训练次数和训练目标误差进行设定; 步骤四、多水平多因素正交试验:通过对当前所设计土层锚杆的设计参数进行多水平多因素正交试验，确定影响当前所设计土层锚杆锚固力的M个所述影响因素的敏感性，过程如下: 步骤401、土层锚杆设计参数输入:通过与所述数据处理器相接的参数输入单元，输入当前所设计土层锚杆的设计参数，该设计参数中包括当前所设计土层锚杆的M个所述影响因素的设计值； 步骤402、正交表建立:所建立的正交表中包含步骤一中M个所述影响因素，且对M个所述影响因素均进行S个水平试验；其中，S为正整数且S≥3; 每个所述影响因素的S个试验水平均为对该影响因素的设计值进行S次不同幅度的调整后，获得的试验值； 步骤403、正交试验样本获取:根据步骤401中所输入的设计参数，并结合步骤402中所建立的正交表，获得对当前所设计土层锚杆进行多水平多因素正交试验时所用的所有试验样本；每个所述试验样本中，均包括当前所设计土层锚杆的M个所述影响因素的试验值； 步骤404、锚固力预测:所述数据处理器调用步骤三中训练好的土层锚杆锚固力预测模型，对步骤403中所有试验样本所对应的锚固力进行预测，并获得M个所述影响因素的S个不同试验水平的锚固力预测值； 步骤405、锚固力预测值整理:根据步骤404中所获得的M个所述影响因素的S个不同试验水平的锚固力预测值，计算得出每个所述影响因素的S个不同试验水平的锚固力预测值平均值；其中，M个所述影响因素中第j个影响因素的第t个试验水平的锚固力预测值平均值记作Mjt，j和t均为正整数，j = 1、2、…、M，t = l、2、…、S; 之后，根据计算得出的M个所述影响因素的S个不同试验水平的锚固力预测值平均值，计算得出每个所述影响因素的极差；其中，M个所述影响因素中第j个影响因素的极差记作AMjt, AMjt = Miliax-Millin，式中M_x为第j个影响因素的S个不同试验水平的锚固力预测值平均值中的最大值，Mjfflin为第j个影响因素的S个不同试验水平的锚固力预测值平均值中的最小值； 步骤五、敏感性确定:根据步骤405中计算得出的M个所述影响因素的极差，对M个所述影响因素的敏感性进行确定；其中，极差越大的影响因素越敏感，对所设计土层锚杆的锚固力影响程度越大，各影响因素的极差大小决定该影响因素对所设计土层锚杆的锚固力影响程度。
2.按照权利要求1所 述的一种土层锚杆锚固力影响因素敏感性的测定方法，其特征在于:步骤一中M = 5。
3.按照权利要求1或2所述的一种土层锚杆锚固力影响因素敏感性的测定方法，其特征在于:步骤三中所述土层锚杆锚固力预测模型训练完成后，还需采用测试样本集对训练好的土层锚杆锚固力预测模型进行测试；所述测试样本集为由步骤二中所述训练样本集中的多个训练样本组成的样本集或按照步骤二中所述训练样本集的获取方法重新建立的样本集。
4.按照权利要求2所述的一种土层锚杆锚固力影响因素敏感性的测定方法，其特征在于:5个所述影响因素分别为锚固段长度、锚杆直径、孔径、灌浆体强度和锚杆倾斜角度。
5.按照权利要求3所述的一种土层锚杆锚固力影响因素敏感性的测定方法，其特征在于:对所述土层锚杆锚固力预测模型进行测试时，所述数据处理器调用Matlab神经网络工具箱中的sim函数进行测试，并生成各训练样本对应的锚固力预测值，之后将各检测样本对应的锚固力预测值与该检测样本的锚固力实测值进行差值比较，得出该检测样本对应的预测误差；待所述训练样本集内各训练样本均测试完成后，获得所述训练样本集内各训练样本对应的预测误差；之后，根据各训练样本对应的预测误差，对训练好的土层锚杆锚固力预测模型的预测精度进行分析。
6.按照权利要求1或2所述的一种土层锚杆锚固力影响因素敏感性的测定方法，其特征在于:步骤三中对所述土层锚杆锚固力预测模型进行训练时，所述数据处理器调用Matlab神经网络工具箱中的“trainlm”函数进行训练。
7.按照权利要求1或2所述的一种土层锚杆锚固力影响因素敏感性的测定方法，其特征在于:步骤三中对所述土层锚杆锚固力预测模型进行训练之前，所述数据处理器先调用归一化处理模块对所述训练样本集中各训练样本内的数据进行归一化处理；训练完成后，所述数据处理器还需调用反归一化处理模块对训练过程中对生成的预测值进行反归一化处理； 步骤404中进行锚固力预测之前，所述数据处理器先调用所述归一化处理模块对步骤403中所有试验样本内的数据进行归一化处理，待调用所述土层锚杆锚固力预测模型所有试验样本所对应的锚固力进行预测后，还需调用所述反归一化处理模块对所生成的预测值进行反归一化处理。
8.按照权利要求1或2所述的一种土层锚杆锚固力影响因素敏感性的测定方法，其特征在于:步骤三中建立所述土层锚杆锚固力预测模型时，所建立的土层锚杆锚固力预测模型包含一个输入层、一个隐含层和一个输出层，所述输入层包括分别与M个所述影响因素相对应的M个节点，所述隐含层包含(2M+1)个节点，所述输出层包含一个节点。
9.按照权利要求1或2所述的一种土层锚杆锚固力影响因素敏感性的测定方法，其特征在于:步骤402中S = 5。
10.按照权利要求9所述的一种土层锚杆锚固力影响因素敏感性的测定方法，其特征在于:步骤402中每个所述影响因素的5个试验水平均为对该影响因素的设计值上调.20%、上调10%、上调0%、下调10%和下调20%后，获得的试验值。
【文档编号】G06N3/02GK103927458SQ201410181912
【公开日】2014年7月16日 申请日期:2014年4月30日 优先权日:2014年4月30日
【发明者】郝建斌, 汪班桥, 姚婕, 黄毓挺, 李金和 申请人:长安大学