一种基于深度学习的地下厂房岩体力学参数反演及后续开挖响应预测方法与流程

本发明涉及地下工程，尤其是地下厂房，提供一种基于深度学习的地下厂房岩体力学参数反演及后续开挖响应预测方法。

背景技术：

1、对于地下工程，尤其是地下厂房，由于地质条件存在不确定性，施工组织复杂，工程问题突出，施工周期长，监测数据量大，传统的岩体力学参数反演依赖人工对比监测数据，监测数据全局对比难度大，岩体力学参数反复调试工作量大，耗时长。

2、深度学习是机器学习领域中一个新的研究方向，将深度学习应用到地下工程建设中，利用数值模拟技术事先建立地下工程分析样本数据库，在工程建设过程中，根据建立的学习样本数据库，快速获取能够反应地下工程围岩响应特征的岩体力学参数，进行地下工程稳定快速评估，并可以实现根据响应情况及反演参数快速更新开挖增量预测信息，可以节省大量人力资源，提高反演分析效率、准确性，更好地指导后续开挖支护设计。

技术实现思路

1、本发明的目的是提供一种基于深度学习的地下厂房岩体力学参数反演及后续开挖响应预测方法，解决常规的反演分析及时性差、准确反演难、工作量大的问题，进一步地，预测后续开挖响应情况，以指导开挖支护方案设计，更好地发挥反演分析的作用。

2、为解决上述技术问题，本发明采用以下技术方案：

3、一种基于深度学习的地下厂房岩体力学参数反演及后续开挖响应预测方法，所述的响应包括地下厂房围岩变形、应力、塑性区、支护结构受力等随分层开挖的影响范围及变化情况，其特征包括以下步骤：

4、s1：地下厂房第i层开挖，2≤i≤n,n为地下厂房开挖分层总数，根据第(i-1)层地下厂房地质信息，建立地下厂房洞室群数值分析模型；

5、s2：根据地质信息，各地层及结构面建议的力学参数取值范围，进行参数组合，对每一种参数组合按地下厂房洞室群实际开挖支护过程开展施工过程数值模拟，计算地下厂房第i层及第i+1层的开挖响应情况；

6、s3：根据地下厂房监测设计以及仪器布置，对s2中每一种地层、断层及结构面力学参数组合情况整理厂房第i层开挖监测仪器位置相应监测变量的数值模拟结果；

7、s4：对于地下厂房第i层开挖的数值模拟结果，利用深度学习算法进行训练，获得训练好的深度学习网络；

8、s5：输入地下厂房第i层开挖完成的工程现场实际的监测数据，应用步骤s4训练好的深度学习网络，快速预测出岩体力学参数及下一层的开挖响应，判断后续开挖支护方案的合理性；

9、s6：根据地下厂房第i层开挖新揭露的信息更新地质模型、参数范围，对第(i+1)层重新进行步骤s1-s5，直至地下厂房开挖完成。

10、所述的一种基于深度学习的地下厂房岩体力学参数反演及后续开挖响应预测方法，对于分n层开挖的地下厂房，适用于第2至n层。

11、所述的一种基于深度学习的地下厂房岩体力学参数反演及后续开挖响应预测方法，在地下厂房第i层开挖完成时进行，接入监测数据后快速实现岩体力学参数反演及下一层的围岩变形、支护结构受力等响应的快速预测。

12、进一步地，s2中，各地层、断层的岩体力学参数按hoek-brown准则考虑，变化的参数为地质强度因子gsi；对洞室开挖响应起到控制性作用的主要结构面考虑综合变形模量、抗剪断参数(粘结力和内摩察角)这三个主要参数，按建议的参数取值范围分成m等份(5≤m≤10)，取值包含取值范围上下限2种情况，以及中间的(m-1)种情况，即每个地层、结构面考虑(m+1)种情况；

13、在s2中，各地层和结构面参数值组合，采样pairwise算法，实现有效降低参数组合数量，在保障样本覆盖性的同时提高分析效率；

14、在s2中，数值模拟中地下厂房洞室群开挖精确到分层，为提高模拟效率，不再考虑每一层内分块分区开挖过程，各洞室开挖分层情况，锚杆、锚索、喷层等支护的安装时机按应力释放考虑与实际施工方案一致。

15、进一步地，在s3中，监测仪器主要包括多点位移计、锚杆测力计、锚索测力计、收敛监测等，大部分情况下这些仪器都是即埋的，因此本发明的方法中，监测仪器均考虑为即埋的；在s3中，监测仪器位置的数值模拟结果获取，通过在数值模拟模型中设置与实际监测仪器位置、测量的内容相同的测点；

16、测点的结果需考虑监测仪器的安装时机，由于数值模拟模型只精确到分层，对于当前开挖层即埋的监测仪器，只能在开挖位置揭露后安装，其对于当前层的监测数据是不完整的，但其可以获得后续层开挖的响应；如厂房第1层开挖过程中安装的监测仪器，厂房第2层施工开始t1至第2层施工结束t2时段内的监测数据，可以与数值模拟第2层开挖的增量结果进行对比；所以，测点的监测结果主要应用其在后续层的开挖的增量结果。

17、进一步地，在s3中，数值模拟结果整理的内容为2种：

18、q1，对于第i层(2≤i≤(n-1))，当第i层开挖完成，第1至第(i-1)层安装的仪器的增量都可以获得，因此需要整理数值模拟第1至第(i-1)层安装的仪器位置测点增量结果；同时为了预测下一层的响应，还需要整理数值模拟第(i+1)层开挖完成，第1至第i层安装的仪器位置测点增量结果；

19、q2，对于地下厂房最后一层，第n层，其无后续开挖，只需要整理数值模拟第n层开挖完成，第1至第(n-1)层安装的仪器位置测点增量结果。

20、进一步地，在s4中，深度学习样本的整理也分为2种情况：

21、q1：对于第i层(2≤i≤(n-1))，以第1至第(i-1)层安装的仪器位置数值模拟增量结果作为输入，相应的岩体力学参数和下一层开挖第1至第i层安装仪器的数值模拟增量结果作为输出，进行深度学习网络训练；

22、q2：对于地下厂房最后一层，第n层，以第1至第(n-1)层安装的仪器位置数值模拟增量结果作为输入，相应的岩体力学参数作为输出，进行深度学习网络训练。

23、进一步地，在s4中，80％参数组合的结果作为训练样本，其他的20％的作为测试样本，当深度学习网络测试样本均方误差小于0.001，认为深度学习网络训练完成且精度满足要求；

24、s4中，对第2至n层训练完成且满足精度要求的深度学习网络模型分别进行保存。

25、进一步地，在s5中，以地下厂房第i层开挖完成安装在第(i-1)层的仪器的实际增量监测数据作为输入，应用步骤s4中对应开挖层训练完成且满足精度要求的深度学习网络模型，即可以获得相应的岩体力学参数和下一层开挖引起的监测仪器增量，如第(i+1)层开挖多点位移计变形增量，锚杆应力增量，进一步可以判断开挖支护方案的合理性。

26、进一步地，在s6中，考虑第i层开挖揭露的地质信息、模型和参数范围的变化，对于新揭露的地层、断层、结构面等需要考虑到数值分析模型中，重新评估各地层、断层、结构面参数取值范围，重新进行步骤s1至s5，保证(i+1)层分析预测的准确性。

27、本发明的基于深度学习的地下厂房岩体力学参数反演及后续开挖响应预测方法，根据地下厂房当前层地质信息建立数值分析模型，根据地下厂房地层、断层、结构面参数分布情况，根据地下厂房开挖支护设计对各组合进行数值模拟；根据地下厂房监测设计整理数值模拟结果；进行深度学习模型训练，并接入监测数据快速完成岩体力学参数反演和后续开挖响应预测，提高了地下厂房岩体力学参数反演的及时性和准确性，并给出更准确的后续开挖响应预测数据，指导地下厂房后续开挖支护设计，保障地下厂房安全施工。