本发明涉及隧道施工技术领域，尤其涉及一种隧道稳定性防护预测系统及隧道岩体变形预测方法。
背景技术：
现阶段在隧道施工过程中多采用普通锚杆进行围岩锚固，这种方式无法满足稳定性参数的监测需求，更无法实现这些参数的超前预测分析。
技术实现要素：
本发明提供一种隧道稳定性防护预测系统及隧道岩体变形预测方法，技术方案如下：
一种隧道稳定性防护预测系统，包括隧道仰拱支护、喷射混凝土、智能锚杆、数据采集箱、数据发射箱、应力位移预测单元。
智能锚杆包括锚杆、用于监测岩体变形的位移传感器、应力传感器及数据线。
隧道仰拱支护支撑在隧道底端，智能锚杆以钻孔方式安装在隧道壁岩体中，通过外侧与尾端注浆固定，并以喷射混凝土固定于隧道初次衬砌中，智能锚杆经数据线与数据采集箱连接，数据采集箱与数据发射箱电连接，数据发射箱与应力位移预测单元无线连接，应力位移预测单元远程获取监测数据后，采用de-lssvm预测算法计算隧道壁岩体的变形趋势。
进一步地，应力位移预测单元设置警报模块，应力位移预测单元根据智能锚杆应力或位移测量值预测之后一天的应力或位移值，若应力或位移值超出警戒阀值，警报模块发出预警信号，防止灾害的发生。
进一步地，所述智能锚杆还包括保护套管、支撑圆盘、保护盖板，位移传感器包括螺旋线圈于铁芯，应力传感器采用光栅光纤应力传感器，支撑圆盘中心设置通孔，套在锚杆外周，支撑圆盘的外沿与保护套管内壁接触，锚杆的第一端与铁芯的第一端固定连接，锚杆的第二端位于保护套管外部，铁芯的第二端伸入螺旋线圈内部，数据线与螺旋线圈、应力传感器电连接。
一种采用de-lssvm预测算法的隧道岩体变形预测方法，包括以下步骤：
s1：以位移传感器或应力传感器的n+h个测量数据构成n组学习样本，以第n个至第n+h-1个测量数据为一组，去预测下一个数据，再用实际测量的第n+h个测量数据检验修正预测模型。
s2：基于n组学习样本对lssvm进行学习训练，对于给定的n组学习训练样本{xi,yi}i＝1...n(其中xi∈rn为h维的训练输入样本，yi∈rn为训练输出样本)，目标优化函数为
式中：
式中αk为拉格朗日乘子。
对式(2)求偏导：
将式(3)化简为求为如式(4)所示的线性方程组：
式中：y＝[y1...yn]；1v＝[1...1]；
求解式(5)方程组得到lssvm回归函数：
式中：k(x,xk)＝exp{-||x-xi||2/σ2}(核函数采用径向基核函数)。
s3：在已形成的学习结果基础上，以第一组样本为目标参数，以学习所得的lssvm回归函数为目标函数，通过差异进化算法优化确定γ和σ2这两个参数：
s4：学习后，采用连续h天的智能锚杆应力或位移测量值代入式(5)，预测之后一天的应力或位移值。
进一步地，s3包括以下具体步骤：
s31：对于n个不同学习样本(xi,yi)∈rn×rm(i＝1,2,…,n)，具有l个隐层节点，隐层激活函数为g(x)的slfn，第i个样本输出值可采用式(6)表示：
式中，oi为第i个样本的输出值；aj＝[aj1,aj2,...,ajn]t，表示输入层到隐含层的连接权值；bj＝[bj1,bj2,...,bjm]t表示隐含层节点的偏置值。βj＝[βj1,βj2,...,βjm]t表示隐含层第i个节点到输出层的连接权值，激活函数为g(x)。
s32：设置de参数包括种群数量、进化代数、交叉因子cr和放大因子f，并随机产生第一代种群。每个个体对应γ和σ2，进行训练，获得lssvm的输出权值，从而获得其拓扑结构；
s33：通过检验样本对训练的lssvm进行预测检验，以预测最大相对误差作为de的适应值；
s34：变异操作：为了求解优化的输入层权值和隐含层偏差，在初始生成γ和σ2基础上，进行以下操作：任意选取γ和σ2集合中两个个体之间的差值乘以系数f并叠加到集合中的第3个个体上，形成新的γ和σ2向量，计算公式如式(7)：
vi(g+1)＝xr1(g)+f(xr2(g)-xr3(g))(7)
其中：g为第g个迭代步，vi(g+1)为第g+1迭代步产生的输入层权值和隐含层偏差向量，xr1(g)、f(xr2(g)、xr3(g))是第g个迭代步在γ和σ2差集合中分别随机选取的3个，公式中下标r1、r2、r3为[1，np]中的随机整数且互不相同。f称为缩放因子，一般f∈[0,2]。
s35：交叉操作：将目标向量xi(g)与变异向量vi(g+1)按照如下规则杂交，生成新的试样向量ui(g+1)，计算公式如式(8)：
式中ui(g+1)是交叉后生成的新的试样γ和σ2向量，j＝1，2，…，d；rj∈[0,1]为与向量第j个分量对应的随机数；cr∈[0,1]为杂交概率常数；rni为在1，2，…，d中随机挑选一个整数，以确保变异γ和σ2向量vi(g+1)中，至少有一个分量被试样向量ui(g+1)采用。
s36：选择操作：对所有试样向量ui(g+1)调用步骤s33中的适应值计算，将试样向量ui(g+1)与原来的目标向量xi(g)进行适应值比较，如果ui(g+1)对应较小的适应值，则选择向量ui(g+1)；反之，如果xi(g)对应较小的目标函数值，则保留向量xi(g)，这样就得到新一代的np的γ和σ2；
s37若预测值与实测值之差在最小适应值范围内或者迭代次数达到设定次数，则结束迭代，并输出识别的γ和σ2结果，否则，转到s34步骤继续差异进化的迭代和数值计算。
进一步地，h取值5。
本发明提供的防护隧道稳定以及预测隧道岩体变形的系统设计新型智能化锚杆，实时监测锚固位置的位移与应力两种参数，并经采集箱汇集后通过发射箱远程发送至应力位移预测单元。通过测量测量装置的分离设计实现两种数据的分别测量，所得结果更加准确。应力位移预测单元对监测数据超前预测，实现稳定性情况的提前预知，为结构稳定性的维护提供保障。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明应用于隧道后各部件的位置示意图；
图2为本发明应用于隧道后的截面示意图；
图3为本发明的内部电气部件关系框图；
图4为本发明的智能锚杆的结构示意图；
图5为本发明的保护盖板示意图；
图6为本发明的预测方法流程图。
附图中各部件的标记为：1-隧道仰拱支护、2-喷射混凝土、3-智能锚杆、4-数据采集箱、5-数据发射箱、6-应力位移预测单元、31-锚杆、32-位移传感器、33-应力传感器、34-数据线、35-保护套管、36-支撑圆盘、37-保护盖板，321-螺旋线圈、322-铁芯、371-线缆圆孔、372-螺栓圆孔。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1、图2、图3所示，一种隧道稳定性防护预测系统，包括隧道仰拱支护1、喷射混凝土2、智能锚杆3、数据采集箱4、数据发射箱5、应力位移预测单元6。
如图4所示，智能锚杆3包括锚杆31、用于监测岩体变形的位移传感器32、应力传感器33及数据线34。
如图1所示，隧道仰拱支护支撑1在隧道底端，智能锚杆3以钻孔方式安装在隧道壁岩体中，通过外侧与尾端注浆固定，并以喷射混凝土2固定于隧道初次衬砌中，如图3所示，智能锚杆3经数据线与数据采集箱4连接，数据采集箱4与数据发射箱5电连接，数据发射箱5与应力位移预测单元6无线连接，应力位移预测单元6远程获取监测数据后，采用de-lssvm预测算法计算隧道壁岩体的变形趋势。
本发明提供的一种隧道稳定性防护预测系统，通过新型智能化锚杆实时监测锚固位置的位移与应力两种参数，并经采集箱汇集后通过发射箱远程发送至应力位移预测单元。通过测量测量装置的分离设计实现两种数据的分别测量，所得结果更加准确。应力位移预测单元对监测数据超前预测，实现稳定性情况的提前预知，为结构稳定性的维护提供保障。
进一步地，应力位移预测单元设置警报模块，应力位移预测单元根据智能锚杆应力或位移测量值预测之后一天的应力或位移值，若应力或位移值超出警戒阀值，警报模块发出预警信号，防止灾害的发生。
进一步地，如图4所示，所述智能锚杆还包括保护套管35、支撑圆盘36、保护盖板37，位移传感器32包括螺旋线圈321与铁芯322，应力传感器33采用光栅光纤应力传感器，支撑圆盘36中心设置通孔，套在锚杆外周，支撑圆盘36的外沿与保护套管35内壁接触，锚杆31的第一端与铁芯322的第一端固定连接，锚杆31的第二端位于保护套管35的外部，铁芯322的第二端伸入螺旋线圈321内部，如图5保护盖板37设置线缆圆孔371与螺栓圆孔372，数据线34与螺旋线圈321、应力传感器33电连接。
智能锚杆安装在隧道壁岩体中提前钻好的孔内，通过喷射混凝土固定于隧道壁岩体，不仅有效提高拱形隧道的稳定性，还通过光栅光纤应力传感器实时检测岩体的应力，通过螺旋线圈与铁芯的配合实时检测岩体在锚杆轴向的位移。保护盖板通过螺栓固定于隧道壁外侧的混凝土里，保护盖既保护螺旋线圈又限定螺旋线圈的位置，底座保护套管能有效地保护螺旋线圈，同时为锚杆提供中空结构，能使锚杆在保护套管内移动，最终确保锚杆第二端所处位置岩体位移测量的准确性。
如图6所示，一种采用de-lssvm预测算法的隧道岩体变形预测方法，包括以下步骤：
s1：以位移传感器或应力传感器的n+h个测量数据构成n组学习样本，以第n个至第n+h-1个测量数据为一组，去预测下一个数据，再用实际测量的第n+h个测量数据检验修正预测模型。
s2：基于n组学习样本对lssvm进行学习训练，对于给定的n组学习训练样本{xi,yi}i＝1...n(其中xi∈rn为h维的训练输入样本，yi∈rn为训练输出样本)，目标优化函数为
式中：
式中αk为拉格朗日乘子。
对式(2)求偏导：
最后问题化简为求解如式(4)所示的线性方程组：
式中：y＝[y1...yn]；
求解式(5)方程组得到lssvm回归函数：
式中：k(x,xk)＝exp{-||x-xi||2/σ2}(核函数采用径向基核函数)。
s3：在已形成的学习结果基础上，以第一组样本为目标参数，以学习所得的lssvm回归函数为目标函数，通过差异进化算法优化确定γ和σ2这两个参数：
s4：学习后，采用连续h天的智能锚杆应力或位移测量值代入式(5)，预测之后一天的应力或位移值。
进一步地，s3包括以下具体步骤：
s31：对于n个不同学习样本(xi,yi)∈rn×rm(i＝1,2,…,n)，具有l个隐层节点，隐层激活函数为g(x)的slfn，第i个样本输出值可采用式(6)表示：
式中，oi为第i个样本的输出值；aj＝[aj1,aj2,...,ajn]t，表示输入层到隐含层的连接权值；bj＝[bj1,bj2,...,bjm]t表示隐含层节点的偏置值。βj＝[βj1,βj2,...,βjm]t表示隐含层第i个节点到输出层的连接权值，激活函数为g(x)。
s32：设置de参数包括种群数量、进化代数、交叉因子cr和放大因子f，并随机产生第一代种群。每个个体对应γ和σ2，进行训练，获得lssvm的输出权值，从而获得其拓扑结构；
s33：通过检验样本对训练的lssvm进行预测检验，以预测最大相对误差作为de的适应值；
s34：变异操作：为了求解优化的输入层权值和隐含层偏差，在初始生成γ和σ2基础上，进行以下操作：任意选取γ和σ2集合中两个个体之间的差值乘以系数f并叠加到集合中的第3个个体上，形成新的γ和σ2向量，计算公式如式(7)：
vi(g+1)＝xr1(g)+f(xr2(g)-xr3(g))(7)
其中：g为第g个迭代步，vi(g+1)为第g+1迭代步产生的输入层权值和隐含层偏差向量，xr1(g)、f(xr2(g)、xr3(g))是第g个迭代步在γ和σ2差集合中分别随机选取的3个，公式中下标r1、r2、r3为[1，np]中的随机整数且互不相同。f称为缩放因子，一般f∈[0,2]。
s35：交叉操作：将目标向量xi(g)与变异向量vi(g+1)按照如下规则杂交，生成新的试样向量ui(g+1)，计算公式如式(8)：
式中ui(g+1)是交叉后生成的新的试样γ和σ2向量，j＝1，2，…，d；rj∈[0,1]为与向量第j个分量对应的随机数；cr∈[0,1]为杂交概率常数；rni为在1，2，…，d中随机挑选一个整数，以确保变异γ和σ2向量vi(g+1)中，至少有一个分量被试样向量ui(g+1)采用。
s36：选择操作：对所有试样向量ui(g+1)调用步骤s33中的适应值计算，将试样向量ui(g+1)与原来的目标向量xi(g)进行适应值比较，如果ui(g+1)对应较小的适应值，则选择向量ui(g+1)；反之，如果xi(g)对应较小的目标函数值，则保留向量xi(g)，这样就得到新一代的np的γ和σ2；
s37：若预测值与实测值之差在最小适应值范围内或者迭代次数达到设定次数，则结束迭代，并输出识别的γ和σ2结果，否则，转到s34步骤继续差异进化的迭代和数值计算。
进一步地，h取值5。通过总结计算经验，以5天的测量数据去求解预测模型的相关参数，能获得较好的预测效果，计算量适宜，而且能满足隧道开凿完成后初期对预测的紧迫需求。
采用如表1所示的30组学习样本，依据s3的计算过程得到γ＝37、σ2＝176。
表130组位移学习样本
使用获得的γ＝37、σ2＝176，对后续位移值进行预测，计算情况如表2所示。
表2预测计算结果
从表2可以看出，连续4次预测结果与实测结果进行比较，最大绝对误差为1.12mm，最大相对误差为3.35％，满足预测需求。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。