一种竖井围岩松动圈确定方法与流程

本发明涉及竖井工程，特别的涉及一种竖井围岩松动圈确定方法。

背景技术：

1、对竖井围岩进行开挖后，竖井围岩原有的应力平衡被打破，产生应力重分布，部分范围内的岩层可能进入弹塑性状态，进而在竖井周围形成一定厚度的破坏松动范围，即围岩松动圈。围岩松动圈的产生必定会对竖井支护结构和围岩稳定性造成较大的影响。

2、当前对于竖井围岩稳定性的判定，绝大多数是将竖井周围围岩划分为松动圈、塑性区和弹性区，对于塑性区和弹性区的判定解法已有诸多的成熟理论，但是对于松动圈的确定方法依旧没有明确的理论支撑，即使存在一些计算围岩破损断裂面积的公式，但由于实际松动圈产生后围岩仍具有动态不确定性，定量分析与实际工况任存在较大差距，产生这种状况的主要原因是现有计算理论的部分假定与竖井围岩实际状况之间存在较大差异，常见的围岩松动圈确定方法是采用确定性反分析法结合现场检测结果进行综合分析，而确定性反分析法由于计算模型参数设置、本构模型误差、围岩开挖产生的动态扰动等不确定性因素，所计算出的结果与实测结果有较大出入。

3、对此，提出一种竖井围岩松动圈确定方法，以解决围岩松动圈判定的不确定性问题，确保竖井施工安全。

技术实现思路

1、本发明的目的就在于为了解决上述问题而提供一种竖井围岩松动圈确定方法，首先使用声波探测对竖井不同深度和不同岩层的松动圈进行测定，之后建立建立有限元-竖井围岩松动圈数据集用于模型训练，确立机械学习模型的最优超参数，利用反向传播人工神经网络(bp-ann)在既有数值计算结果上的预测性能建立相关代理模型，完成对既有数值模型的替代，然后将粒子群算法(pso)与建立的代理模型相结合，进行有限元模型的参数反演，并将反演获取的参数值输入进有限元模型进行检验，然后根据mohr-coulomb准则的松动圈计算公式进行竖井围岩松动圈半径计算，最后将现场实际的测定结果、数值模型计算结果、理论公式计算结果进行综合对比分析，最终判定竖井围岩松动圈。

2、本发明通过以下技术方案来实现上述目的，一种竖井围岩松动圈确定方法，包括以下步骤：

3、(1)使用声波探测法对竖井不同深度和不同岩层的松动圈进行测定；

4、(2)建立有限元-竖井围岩松动圈数据集；

5、(3)确立机械学习模型的最优超参数；

6、上面三个步骤，充分利用声波探测法、有限元数据集和机械学习模型，进行多源数据整合，提供了更全面的松动圈信息，弥补了单一数据源的不足，增加了对竖井围岩状态的准确理解，有助于更精确的安全评估和决策。

7、(4)利用反向传播人工神经网络(bp-ann)在既有数值计算结果上的预测性能建立相关代理模型，完成对既有数值模型的替代，利用反向传播人工神经网络(bp-ann)建立代理模型，基于已有数据预测松动圈，提高了计算效率，使竖井围岩的松动圈计算更加可靠；

8、(5)将粒子群算法(pso)与步骤(3)建立的代理模型相结合，进行有限元模型的参数反演，并将反演获取的参数值输入进有限元模型进行检验，引入粒子群算法实现参数反演，使有限元模型参数能够自动调整以适应实际情况，提高了数值模型的灵活性，使其能够更好地适应多变的地质条件，提高了松动圈计算的准确性和可靠性；

9、(6)根据mohr-coulomb准则的松动圈计算公式进行竖井围岩松动圈半径计算；

10、将现场实际的测定结果、数值模型计算结果、理论公式计算结果进行综合对比分析，最终判定竖井围岩松动圈，将不同来源的数据和计算结果综合对比分析，使决策更有根据，允许在实际情况和理论模型之间建立联系，帮助相关设计人员更好地了解竖井围岩松动圈的现状，从而制定更合理的工程计划。

11、优选的，所述步骤(1)中，在竖井深度方向每隔12m设置一个监测断面，共设置3个断面。

12、优选的，所述步骤(1)中，每个超声波监测断面设置6个监测孔洞，沿着竖井剖面顺时针布置，①～⑤号监测孔洞是主要测孔，而⑥号监测孔洞则作为备用测孔，所用监测孔洞深度为2.5m。

13、优选的，所述步骤(1)中，现场超声波测试是在挖机进行竖井上部土层开挖后，采用人工钻孔的方式在地下连续墙围岩上进行钻孔，避开环梁和冠梁，之后使用高压风进行清孔，确保将开孔中的岩粉和碎石渣清理干净，然后按照顺时针依次放入发射器和接收器，同时将在开孔中灌入水作为耦合剂，最后进行测试。

14、优选的，所述步骤(1)中，根据现场测试结果，将结果中波速出现较大波动的点作为围岩松动圈与塑性区的分界点，即该点位置所对应的竖井围岩厚度为松动圈厚度。

15、优选的，所述步骤(2)中，首先确定需要反演的岩层物理力学参数的上下限，将其作为输入值，再通过拉丁超立方抽样方法(lhs)进行采样，建立500组参训练样本，并输入精细化的初始竖井土层数值模型，以三个监测断面的松动圈范围作为有限元-围岩松动圈数据集用于数值模型进行训练，提升对数据进行预处理以提升模型训练的效率及准确度。

16、优选的，所述步骤(2)中，需要反演的岩层物理力学参数包括弹性模量、容重、泊松比、内摩擦角、粘聚力。

17、优选的，所述步骤(2)中，将获取的有限元-围岩松动圈数据集进行归一化，将其映射至(0，1)区间，以提升模型训练时的效率和准确度，相关公式如下：

18、

19、其中，xmin为变量的最小值，xmax为变量的最大值，在运用该公式，在得到数据集后需要对数据进行预处理以提升模型训练的效率及准确度，般数据集的预处理流程以此为缺失数据处理、对分类的参数进行独立编码、数据集拆分、数据集归一化，在此技术方案中，有限元-地表沉降数据集不存在缺失数据，也无分类参数，故仅需要进行数据集的拆分和归一化，有限元-地表沉降数据集中不同的参数间有着不同的量纲数量级，若直接将这些数据用于模型训练，模型会提升大量级数据的权重，导致模型无法正确的识别数据中的隐含关系，此外，机器学习模型在训练的时候会使用梯度下降法，此时将模型参数进行归一化可以提升梯度下降法的速度，提升模型训练效率。

20、优选的，所述步骤(2)中，为了提升后续模型训练的效率和准确率，对数据集进行预处理，将获取的数据集拆分为训练集和测试集，训练集用于训练模型框架，而测试集是为了测试模型框架的预测效果，验证泛化误差，将获取的500组数据中的400组数据用于训练集，另外100组数据用于测试集，进一步提升对数据进行预处理以提升模型训练的效率及准确度。

21、优选的，所述步骤(3)中，选取人工神经网络中的隐藏层节点个数、学习率和隐藏层数量作为超参数优化对象。

22、优选的，所述步骤(3)中，在进行模型判断时，需要对模型计算结果进行误差评价，选取的误差评价指标为均方差(mse)，相关计算公式如下：

23、

24、其中，n代表样本个数，ti表示真实值，pi表示预测值，在比选代理模型框架时，需要选择合适的误差评价指标来对模型最终的预测准确度进行评价，在现有的研究中，主要用的评价指标为均方差(mse)、均方根差(rmse)、平均绝对误差(mae)、决定系数(r2)，其中均方差(mse)是对各数据与真实值差值平方求和然后取平均得到的误差，其含义为预测值与真实值的差异程度，广泛应用于机器学习中作为损失函数，其取值范围为0～正无穷，均方差越大，模型预测结果与真实值的差距越大。

25、优选的，所述步骤(3)中，对人工神经网络中需要优化的超参数进行范围预设，之后采用随机搜索法迭代500次，然后使用5折交叉验证法进行训练，以在验证集上的均方差(mse)作为判断标准，对不同超参数组合下的模型mse进行比较分析，最终选择mse最小的超参数组合作为机械学习的最优超参数。

26、优选的，所述步骤(4)中，将步骤(3)中选取的最优超参数进行反向传播人工神经网络超参数设置，然后将步骤(2)建立的有限元-竖井围岩松动圈数据集用于模型训练。

27、优选的，所述步骤(5)中，将竖井现场三个监测断面的围岩松动圈值作为反演的输入值，通过粒子群算法(pso)将不同的参数组合输入步骤(4)建立的代理模型中，从而得到不同的竖井围岩松动圈，粒子群优化算法将根据自身优化设计进行最优参数组合搜寻以使代理模型预测值与实际监测值的误差达到最小程度，最终实现参数反演。

28、优选的，所述步骤(6)中，在进行竖井围岩弹塑性分析时，需假定断面形式为圆形，且竖井围岩为连续均质的各向同性体，初始地应力平衡时仅有自重应力，处于各向等压状态，即侧压系数λ＝1。

29、优选的，所述步骤(6)中，根据mohr-coulomb准则的松动圈计算公式进行竖井围岩松动圈半径计算，具体公式如下所示：

30、

31、其中，σθp为塑性区切向应力，p0为初始地应力，为竖井岩层的内摩擦角，pi为竖井围岩支护结构所提供的支护阻力，c为竖井岩层的粘聚力，r0为竖井半径，r0为竖井围岩松动圈半径，根据mohr-coulomb准则的松动圈计算公式进行竖井围岩松动圈半径计算，使得计算结果具有较高的可信度。

32、本发明的有益效果是：

33、本发明通过使用声波探测对竖井不同深度和不同岩层的松动圈进行测定，之后建立建立有限元-竖井围岩松动圈数据集用于模型训练，确立机械学习模型的最优超参数，利用反向传播人工神经网络(bp-ann)在既有数值计算结果上的预测性能建立相关代理模型，完成对既有数值模型的替代，然后将粒子群算法(pso)与建立的代理模型相结合，进行有限元模型的参数反演，并将反演获取的参数值输入进有限元模型进行检验，然后根据mohr-coulomb准则的松动圈计算公式进行竖井围岩松动圈半径计算，最后将现场实际的测定结果、数值模型计算结果、理论公式计算结果进行综合对比分析，最终判定竖井围岩松动圈，精准构建模型，缩小误差，有效的解决常见的围岩松动圈确定方法是采用确定性反分析法结合现场检测结果进行综合分析，而确定性反分析法由于计算模型参数设置、本构模型误差、围岩开挖产生的动态扰动等不确定性因素，所计算出的结果与实测结果有较大出入的问题：

34、1、多源数据整合：充分利用声波探测法、有限元数据集和机械学习模型，进行多源数据整合，提供了更全面的松动圈信息，弥补了单一数据源的不足，增加了对竖井围岩状态的准确理解，有助于更精确的安全评估和决策。

35、2、高精度代理模型：利用反向传播人工神经网络(bp-ann)建立代理模型，基于已有数据预测松动圈，提高了计算效率，使竖井围岩的松动圈计算更加可靠。

36、3、参数反演：引入粒子群算法实现参数反演，使有限元模型参数能够自动调整以适应实际情况，提高了数值模型的灵活性，使其能够更好地适应多变的地质条件，提高了松动圈计算的准确性和可靠性。

37、4、综合分析：将不同来源的数据和计算结果综合对比分析，使决策更有根据，允许在实际情况和理论模型之间建立联系，帮助相关设计人员更好地了解竖井围岩松动圈的现状，从而制定更合理的工程计划。