基于深度学习的地震多发区隧道风险决策方法及系统

1.本发明属于隧道支护设计领域，特别是涉及基于深度学习的地震多发区隧道风险决策方法及系统。


背景技术：

2.随着我国经济的快速发展和隧道技术的进步，铁路隧道、公路隧道建设不断深入到以前的“地质禁区”，复杂的长大隧道越来越多，地质问题越来越复杂。例如新疆和川藏等地区位于活跃地震带上，地震灾害频发，造成地层扰动甚至断层错动，导致围岩稳定性控制面临极大考验。可靠的围岩支护体系是保障隧道安全施工的重要前提，若支护设计不合理，极易造成隧道大变形甚至塌方事故，导致经济、人员的重大损失。
3.当前隧道支护设计方法包含工程经验法、现场量测法、理论及数值分析法等，由于地下隧道工程复杂多变，有限数量的现场分析案例主要针对具体工程，使得依赖于经验与现场监测信息的支护设计理论无法满足所有在建工程的需求，往往导致设计过于保守。同时在理论与数值研究方面，多将围岩等条件简化处理，考虑的因素有限，不能完整模拟隧道建造情况。


技术实现要素：

4.本发明的目的是提供一种基于深度学习的地震多发区隧道风险决策方法，通过深度学习挖掘地质信息、地震强度信息和围岩破坏情况之间的内在关系，科学地预测评估不同地震强度对不同地质环境下的围岩破坏情况，通过风险分析与智能决策，指导隧道支护设计，以解决现有技术中无法满足所有在建工程的需求和不能完整模拟隧道建造情况等问题。
5.为实现上述目的，本发明提供了一种基于深度学习的地震多发区隧道风险决策方法，包括：建立地震多发区隧道的样本数据集；构建并训练神经网络模型，得到训练好的神经网络模型；将所述样本数据集输入至训练好的神经网络模型，输出预测结果，其中所述预测结果包括：隧道环向峰值应力和围岩形变量；基于所述预测结果，根据隧道风险等级，得到隧道围岩支护形式。
6.优选地，建立地震多发区隧道的样本数据集的过程包括：获取受地震灾害的隧道地质信息，其中所述隧道地质信息包括：地质信息、地震强度信息和围岩破坏情况；基于所述隧道地质信息，通过数值模拟试验建立三维数字隧道模型，基于所述三维数字隧道模型，建立地震多发区隧道的样本数据集。
7.优选地，构建并训练神经网络模型的过程包括：对所述样本数据集进行归一化预处理，得到预处理后的样本数据集；将预处理后
的样本数据集分为训练集和测试集，通过所述训练集对神经网络模型进行训练，直至输出的误差减小至期望值，得到训练好的神经网络模型。
8.优选地，输出预测结果的过程包括：将所述测试集输入至训练好的神经网络模型，得到所述隧道地质信息与所述预测结果之间的映射关系，基于所述映射关系，输出预测结果。
9.优选地，得到隧道围岩支护形式的过程包括：对所述隧道环向峰值应力与围岩形变量进行分析，得到分析结果；根据隧道风险等级，得到与所述分析结果相对应的隧道围岩支护形式。
10.为实现上述技术目的，本发明还提供了一种基于深度学习的地震多发区隧道风险决策系统，包括：数据采集模块、模型训练模块、预测输出模块及风险决策模块；其中所述数据采集模块、所述模型训练模块、所述预测输出模块及所述风险决策模块依次连接；所述数据采集模块，用于建立地震多发区隧道的样本数据集；所述模型训练模块，用于构建并训练神经网络模型，得到训练好的神经网络模型；所述预测输出模块，用于将所述样本数据集输入至训练好的神经网络模型，输出预测结果，其中所述预测结果包括：隧道环向峰值应力和围岩形变量；所述风险决策模块，基于所述预测结果，根据隧道风险等级，得到隧道围岩支护形式。
11.优选地，所述数据采集模块包括：信息获取单元和数据集构建单元；所述信息获取单元，用于获取受地震灾害的隧道地质信息，其中所述隧道地质信息包括：地质信息、地震强度信息和围岩破坏情况；所述数据集构建单元，基于所述隧道地质信息，通过数值模拟试验建立三维数字隧道模型，基于所述三维数字隧道模型，建立地震多发区隧道的样本数据集。
12.优选地，所述模型训练模块包括：数据预处理单元和模型训练单元；所述数据预处理单元，用于对所述样本数据集进行归一化预处理，得到预处理后的样本数据集；所述模型训练单元，用于将预处理后的样本数据集分为训练集和测试集，通过所述训练集对神经网络模型进行训练，直至输出的误差减小至期望值，得到训练好的神经网络模型。
13.优选地，所述预测输出模块包括：映射关系获取单元和预测输出单元；所述映射关系获取单元，用于将所述测试集输入至训练好的神经网络模型，得到所述隧道地质信息与所述预测结果之间的映射关系；所述预测输出单元，基于所述映射关系，输出预测结果。
14.优选地，所述风险决策模块中，对所述隧道环向峰值应力与围岩形变量进行分析，得到分析结果；根据隧道风险等级，得到与所述分析结果相对应的隧道围岩支护形式。
15.本发明的技术效果为：本发明通过建立地震多发区隧道的样本数据集，使支护方法不在局促于有限的现场工程案例中，并且节约了实体模型的大成本；本发明将样本数据集输入至训练好的神经网络模型，输出预测结果，根据隧道风险等级，针对预测结果得到隧道围岩支护形式。本发明引入神经网络模型，对于建立在地震
多发区的隧道，可以对相应的数据进行采集和管理，分析地震发生对于隧洞的影响，较为精准的预测隧洞的围岩应力变化与围岩变化，进而提出决策方案并指导围岩的支护，避免出现“小震过支，大震少支”的情况，同时，也保证了施工人员的安全以及后期运营过程中，穿越隧道人员的安全。
附图说明
16.构成本技术的一部分的附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：图1为本发明实施例中的方法流程图；图2为本发明实施例中的系统示意图。
具体实施方式
17.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
18.需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
19.现有技术中隧道抗震设计意识比较薄弱，导致事故一旦发生，会造成难以挽回的损失。本发明提供一种用于地震多发区隧道建造智能分析决策方法与系统，利用受地震影响最敏感的一些因素：隧道埋深、围岩等级、断层破碎带数量和地震强度等级，对神经网络进行训练，将输出的预测结果进行评估，确立风险等级，针对不同的风险等级提供专属的智能决策，有效指导围岩的支护，保证施工的安全。
20.实施例一本实施例中提供一种基于深度学习的地震多发区隧道风险决策方法，包括：建立地震多发区隧道的样本数据集；构建并训练神经网络模型，得到训练好的神经网络模型；将样本数据集输入至训练好的神经网络模型，输出预测结果，其中预测结果包括：隧道环向峰值应力和围岩形变量；基于预测结果，根据隧道风险等级，得到隧道围岩支护形式。
21.在一些实施例中，建立地震多发区隧道的样本数据集的过程包括：获取受地震灾害的隧道地质信息，其中隧道地质信息包括：地质信息、地震强度信息和围岩破坏情况；基于隧道地质信息，通过数值模拟试验建立三维数字隧道模型，基于三维数字隧道模型，建立地震多发区隧道的样本数据集。
22.在一些实施例中，构建并训练神经网络模型的过程包括：对样本数据集进行归一化预处理，得到预处理后的样本数据集；将预处理后的样本数据集分为训练集和测试集，通过训练集对神经网络模型进行训练，直至输出的误差减小至期望值，得到训练好的神经网络模型。
23.在一些实施例中，输出预测结果的过程包括：将测试集输入至训练好的神经网络模型，得到隧道地质信息与预测结果之间的映射关系，基于映射关系，输出预测结果。
24.在一些实施例中，得到隧道围岩支护形式的过程包括：对隧道环向峰值应力与围岩形变量进行分析，得到分析结果；根据隧道风险等级，得到与分析结果相对应的隧道围岩支护形式。
25.如图1所示，本实施例中具体实施方式：（1）搜集历史震害资料，收集地震强度、烈度信息及隧道的各种地质信息，如隧道埋深、围岩特性、断层破碎带情况等，以及地震发生后的地应力变化情况，围岩形变，隧道破坏情况等；通过数值模拟试验，模拟地震发生时的隧道破坏情况，收集大量数据，基于上述数据建立数据库。具体来说：调阅文献资料，收集已有的受地震灾害的隧道的地质信息，包括：隧道埋深、围岩等级、断层破碎带数量和地震强度等级以及震后的地隧道环向峰值应力和围岩形变量。由于有限的工程案例，建立一个三维数字隧道模型，使其处于频发地震的外部环境中，反复模拟不同强度等级地震发生，通过计算的隧洞内的应力变化以及位移变化，储存大量的隧道环向峰值应力和围岩形变量数据，建立数据库。
26.（2）对数据预处理，利用bp神经网络模型，深度挖掘地震信息、围岩地质信息及地应力和围岩位移变化等隧道破坏信息之间的内在关系。具体来说：ⅰ.将数据集中错误的值、类别不同的值、异常值、不适用于算法模型的值进行归一化处理，让数据满足分析的需要。数据归一化是指将数据减去数据最小值后除以极差的过程，将数据的值收敛至0-1的区间范围。
27.公式如下：其中，x代表隧道环向峰值应力或者围岩形变量中的数据值，min（x）代表数据中的最小值，max（x）代表数据中的最大值，代表归一化处理后的数据值。
[0028]ⅱ.将预处理后80%的数据作为训练数据集，将20%的数据作为测试数据集。将地震信息，隧道埋深、围岩等级、断层破碎带数量设为输入参数，将震后的地隧道环向峰值应力和围岩形变量设为输入参数。
[0029]ⅲ.将输入示例提供给输入层神经元，然后逐层将信号前传，直到产生输出层的结果。
[0030]ⅳ.计算输出层的误差，再将误差逆向传播至隐层神经元，根据隐层神经元的误差更新连接权和阈值。
[0031]
ⅴ
.验证集用来估计误差，若训练集误差降低但验证集误差升高，则停止训练，同时返回具有最小验证集误差的连接权和阈值，否则迭代循环进行。最终获取地震强度等级、围岩地层信息和围岩位移以及应力变化的映射关系。
[0032]
（3）建立智能决策模块，调查资料，分析隧道沿线可能发生或曾经发生的的地震强度以及沿线的地质情况等，使用神经网络模型，通过分析输入参数与输出参数的关系，提出隧道风险分级机制，基于风险等级指导隧道支护方式。具体来说：ⅰ.查阅资料，获取地震多发区的历史最高地震等级以及施工隧道的一些地质信息，包括隧道埋深、围岩等级、断层破碎带数量；
ⅱ
.利用神经网络模型得到的输入参数与输出参数的映射关系，获取预测的隧道地隧道环向峰值应力与围岩形变量。
[0033]ⅲ.通过分析隧道环向峰值应力与围岩形变量，根据指标选取原则或咨询专家，确立风险等级，并根据风险等级确定围岩支护形式。
[0034]
本发明的有益效果：本发明建立了一个包含各种地震信息，地质信息和隧道破坏信息的一个数据库。并且利用数值模拟增大数据量，使支护方法不在局促于有限的现场工程案例中，并且节约了实体模型的大成本。
[0035]
本发明引入神经网络模型，基于数据库，深度挖掘地震信息、地质信息与隧道破坏信息的映射关系。对于建立在地震多发区的隧道，本发明可以对相应的数据进行采集和管理，分析地震发生对于隧洞的影响，较为精准的预测隧洞的围岩应力变化与围岩变化，进而提出决策方案并指导围岩的支护，避免出现“小震过支，大震少支”的情况，同时，也保证了施工人员的安全以及后期运营过程中，穿越隧道人员的安全。
[0036]
实施例二为实现上述技术目的，本发明还提供了一种基于深度学习的地震多发区隧道风险决策系统，包括：数据采集模块、模型训练模块、预测输出模块及风险决策模块；其中数据采集模块、模型训练模块、预测输出模块及风险决策模块依次连接；数据采集模块，用于建立地震多发区隧道的样本数据集；模型训练模块，用于构建并训练神经网络模型，得到训练好的神经网络模型；预测输出模块，用于将样本数据集输入至训练好的神经网络模型，输出预测结果，其中预测结果包括：隧道环向峰值应力和围岩形变量；风险决策模块，基于预测结果，根据隧道风险等级，得到隧道围岩支护形式。
[0037]
在一些实施例中，数据采集模块包括：信息获取单元和数据集构建单元；信息获取单元，用于获取受地震灾害的隧道地质信息，其中隧道地质信息包括：地质信息、地震强度信息和围岩破坏情况；数据集构建单元，基于隧道地质信息，通过数值模拟试验建立三维数字隧道模型，基于三维数字隧道模型，建立地震多发区隧道的样本数据集。
[0038]
在一些实施例中，模型训练模块包括：数据预处理单元和模型训练单元；数据预处理单元，用于对样本数据集进行归一化预处理，得到预处理后的样本数据集；模型训练单元，用于将预处理后的样本数据集分为训练集和测试集，通过训练集对神经网络模型进行训练，直至输出的误差减小至期望值，得到训练好的神经网络模型。
[0039]
在一些实施例中，预测输出模块包括：映射关系获取单元和预测输出单元；映射关系获取单元，用于将测试集输入至训练好的神经网络模型，得到隧道地质信息与预测结果之间的映射关系；预测输出单元，基于映射关系，输出预测结果。
[0040]
在一些实施例中，风险决策模块中，对隧道环向峰值应力与围岩形变量进行分析，得到分析结果；根据隧道风险等级，得到与分析结果相对应的隧道围岩支护形式。
[0041]
如图2所示，本实施例中具体实施方式：（1）数据采集模块，包含数据库单元和现场数据单元。在数据库单元中，建立了大量的数据样本，包含各种地震信息，地质信息和隧道破坏信息。在现场数据单元中，收集施工隧道的地震敏感性影响信息：隧道埋深、围岩等级、断层破碎带数量和地震强度等级。并
将收集的数据输入数据处理模块，基于预处理单元和实战单元，得到预测的输出参数。
[0042]
（2）数据处理模块，包含预处理单元以及训练单元以及实战单元。在预处理单元中，将数据进行归一化处理在训练单元中，将预处理后的数据导入一基于bp的神经网络算法模型里进行训练，分析各项输入参数（隧道埋深、围岩等级、断层破碎带数量和地震强度等级）和输出参数（隧道环向峰值应力与围岩形变量）之间的映射关系。在实战单元中，运用得到的映射关系输出预测的输出参数。
[0043]
（3）智能决策模块，隧道环向峰值应力与围岩形变量，根据指标选取原则或咨询专家，确立风险等级，并根据风险等级确定围岩支护形式。
[0044]
在数据采集模块中，储存大量数据样本，包括：地震信息，围岩地质信息与地应力和围岩位移变化等隧道破坏信息，输入施工隧道的地质信息，如隧道埋深、围岩等级、断层破碎带数量，以及沿线隧道的历史最高地震等级，通过数据处理模块得到围岩地应力变化和围岩形变量。
[0045]
在数据处理模块中，通过受地震影响敏感的一些因素：隧道埋深、围岩等级、断层破碎带数量和地震强度等级，以及地震强度等级，利用神经网络模型进行训练，挖掘地震信息，围岩地质信息与地应力和围岩位移变化等隧道破坏信息之间的内在关系。
[0046]
在智能决策模块中，通过确立风险等级，针对不同的风险等级提供专属的智能决策，有效指导围岩的支护。
[0047]
以上所述，仅为本技术较佳的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应该以权利要求的保护范围为准。