概率分级的动态支护方法及自动设计支护方案的装置

摘要

本发明提供一种概率分级的动态支护方法，包括以下步骤：采集隧道施工现场指标及获得其概率分布函数，选定预设支护等级；使用指标与支护等级样本对差异进化‑极限学习机机器学习模型进行训练，实现样本的非线性拟合获取支护等级的隐式功能函数；利用训练的DE‑ELM机器学习模型进行隧道施工现场指标的概率统计组合蒙特卡罗抽样计算，获得可靠度意义的支护等级判定；若支护等级判定结果与预设等级一致，则按照预设支护等级施工，否则依据围岩位移决定支护等级。本方法解决了隧道支护方案自动设计的随机性和非线性无法表达功能函数的问题，可快速可靠地确定支护方案。还提供一种自动设计支护方案的装置，能够依据所述方法在线设计动态支护方案。

说明书

技术领域

本发明涉及围岩支护技术领域，尤其涉及概率分级的动态支护方法及自动设计支护方案的装置。

背景技术

目前围岩支护工法设计一般按照围岩分级经验来选取，容易造成安全裕度不够或浪费支护成本等情况；也可以按照BQ等标准对围岩进行安全等级划分后选取支护功法，但BQ指标不容易获得，而且也没有考虑可靠度的问题。而且从时间上目前的支护设计在施工前进行，无法很好地解决施工动态设计问题。

发明内容

本发明提供一种概率分级的动态支护方法，包括以下步骤：

S1：确定与支护类别相关的隧道施工现场指标，统计获得隧道施工现场指标的概率分布函数，选定预设支护等级；

S2：收集隧道施工现场指标与支护等级的样本，使用样本对差异进化-极限学习机(DE-ELM)机器学习模型进行训练，实现样本的非线性拟合获取支护等级的隐式功能函数；

S3：利用训练的DE-ELM机器学习模型作为响应面，进行隧道施工现场指标的概率统计组合蒙特卡罗抽样计算，获得可靠度意义的支护等级判定；

S4：若支护等级判定结果与预设支护等级一致，则按照预设支护等级施工；

若支护等级判定结果与预设支护等级不一致，则提取现场监测的围岩位移，若围岩位移大于规范极限值，则将支护等级判定结果赋值给预设支护等级，按照预设支护等级施工。

进一步地，隧道施工现场指标包括回弹强度值、岩体完整性指数、地下水、结构面产状与初始地应力。

进一步地，所述S2中所述训练包括如下具体步骤：

针对当前种群的不同个体，通过极限学习机对各训练样本集分别进行训练和学习，获得不同指标各自的围岩支护等级极限学习机模型；

分别利用各围岩岩石质量BQ的测试样本集对不同样本各自的围岩质量预测极限学习机模型进行测试，针对每一测试样本均获得测试误差(x_j-x_j′)，通过适应值函数获得适应值E(x)，其中j为测试样本集中样本的顺序、取值为1,2…,n，x_j为通过预测极限学习机模型获得的第j个样本的BQ预测值，x_j′为测试样本集中第j个样本实际的BQ值。

进一步地，所述S3中的概率统计组合蒙特卡罗抽样计算，具体采用围岩级别的评价指标BQ值的区间范围作为围岩级别的功能函数；

本发明提供一种概率分级的动态支护方法，获取隧道施工现场各项指标值及对应支护等级的样本，利用各个指标的概率分布函数和可靠度的方法确定围岩的支护等级，利用DE-ELM机器学习模型来作为响应面进行蒙特卡洛抽样，获得支护等级及其可靠概率，预测下一步的支护等级，再参考围岩位移变形信息，进行支护方案的动态设计。利用预测的下一步支护等级与预设支护等级的对比结果、围岩变形是否超限来作为施工调整的依据，进行支护方案调整。本方法解决了隧道支护方案自动设计的随机性问题和非线性无法表达功能函数的问题，可以使支护方案确定更加快速可靠。

本发明还提供一种自动设计支护方案的装置，其特征在于，包括：采集单元、岩石指标处理单元、样本集构建单元、样本集划分单元、差异进化算法单元、计算单元、第一判断单元、输出单元、进化极限学习机学习单元、掌子面前方可靠性支护分级单元、第二判断单元及支护动态调整单元。

所述采集单元每隔一定的进尺采集各区域围岩岩石指标，所述岩石指标包括单轴抗压强度、岩石完整性指数、地下水因素、地应力因素及结构面产状，并将所述指标传输至所述岩石指标处理单元。

所述岩石指标处理单元一方面是将所述指标中的间接指标归一化，另一方面统计得到各所述指标的概率分布函数，并将计算结果传送至样本集构建单元。

所述样本集构建单元按照BQ法计算BQ值，将采集的岩石指标和实际围岩的BQ值形成样本集，通过BQ值判定支护等级。

所述样本集划分单元将每一样本集划分为训练样本集和测试样本集两个部分。

所述差异进化算法单元将极限学习机的输入层权值和隐含层偏移量作为差异进化算法的个体，随机生成初始种群，若当前种群的个体不满足进化结束条件时，对父代种群中的个体依次进行变异操作和交叉操作，得到新的子代种群，针对所得到的新的子代种群和其父代种群，执行选择操作，选择两代种群中适应值优秀的个体作为下一代种群。

所述计算单元计算出当前种群的各个体的适应值。

所述第一判断单元判断当前种群的个体是否满足进化结束条件。

所述输出单元在当前种群的个体满足进化结束条件时输出当前种群中适应值最优的个体，并获得相应的最优的输入层权值和隐含层偏移量；

所述进化极限学习机学习单元利用所述最优的输入层权值和隐含层偏移量，分别对各训练样本集进行训练和学习，获得不同围岩的BQ值的进化极限学习机模型。

所述掌子面前方可靠性支护分级单元基于围岩的BQ值的进化极限学习机模型分别以当前掌子面的围岩指标作为输入，通过蒙特卡罗抽样输出前方近区的围岩BQ值，获得前方近区的围岩的支护可靠性分级及当前支护方案。

所述第二判断单元判断当前支护方案是否满足动态调整条件；

所述支护动态调整单元根据所述第二判断单元的判定结果、围岩位移和等级是否超限确定是否进行围岩支护动态调整。

本发明提供的自动设计支护方案的装置，能够自动在线处理不同围岩指标，并且通过BQ预测进化极限学习机模型进行支护方案类别的可靠性动态调整，解决了隧道支护方案自动设计的随机性和非线性无法表达功能函数的问题，可以快速可靠地确定支护方案。采用通过差异进化算法进化后的极限学习机算法，实现过程简单高效，提高了计算的准确性。

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做简单地介绍，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为本发明所提供方法的计算流程图；

图2为本发明所提供装置的结构及信息流向示意图；

图3为本发明所提供装置的进化极限学习机学习单元的计算过程；

图4为极限学习机计算BQ的拓扑结构；

图5a为实例计算中主控参数单轴抗压强度Rc的概率分布；

图5b为实例计算中主控参数岩石完整性指数Kv的概率分布；

图6为隧道不同里程极限学习机预测BQ与试验获得BQ的对比。

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做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所示，一种概率分级的动态支护方法，包括以下步骤：

S1：确定与支护类别相关的隧道施工现场指标，统计获得隧道施工现场指标的概率分布函数，选定预设支护等级；

S2：收集隧道施工现场指标与支护等级的样本，使用样本对差异进化-极限学习机(DE-ELM)机器学习模型进行训练，实现样本的非线性拟合获取支护等级的隐式功能函数；

S3：利用训练的DE-ELM机器学习模型作为响应面，进行隧道施工现场指标的概率统计组合蒙特卡罗抽样计算，获得可靠度意义的支护等级判定；

S4：若支护等级判定结果与预设支护等级一致，则按照预设支护等级施工；

若支护等级判定结果与预设支护等级不一致，则提取现场监测的围岩位移，若围岩位移大于规范极限值，则将支护等级判定结果赋值给预设支护等级，按照预设支护等级施工。

本发明提供一种概率分级的动态支护方法，获取隧道施工现场各项指标值及对应支护等级的样本，利用各个指标的概率分布函数和可靠度的方法确定围岩的支护等级，利用DE-ELM机器学习模型来作为响应面进行蒙特卡洛抽样，获得支护等级及其可靠概率，预测下一步的支护等级，再参考围岩位移变形信息，进行支护方案的动态设计。利用预测的下一步支护等级与预设支护等级的对比结果、围岩变形是否超限来作为施工调整的依据，进行支护方案调整。本方法解决了隧道支护方案自动设计的随机性问题和非线性无法表达功能函数的问题，可以使支护方案确定更加快速可靠。

进一步地，隧道施工现场指标包括回弹强度值、岩体完整性指数、地下水、结构面产状与初始地应力。

进一步地，所述S2中所述训练包括如下具体步骤：

针对当前种群的不同个体，通过极限学习机对各训练样本集分别进行训练和学习，获得不同指标各自的围岩支护等级极限学习机模型；

分别利用各围岩岩石质量BQ的测试样本集对不同样本各自的围岩质量预测极限学习机模型进行测试，针对每一测试样本均获得测试误差(x_j-x_j′)，通过适应值函数获得适应值E(x)，其中j为测试样本集中样本的顺序、取值为1,2…,n，x_j为通过预测极限学习机模型获得的第j个样本的BQ预测值，x_j′为测试样本集中第j个样本实际的BQ值。

预测得到的岩石质量BQ值可以按照表2和表3进行支护等级划分。

进一步地，所述S3中的概率统计组合蒙特卡罗抽样计算，具体采用围岩级别的评价指标BQ值的区间范围作为围岩级别的功能函数；

以V级围岩为例，参考JTG D70-2004公路隧道设计规范，归一化处理的其功能函数为

可靠状态的功能函数即为：

则隶属于V级围岩支护类别的概率为式中x代表分级指标向量，即(Rc,Kv,k1,k2,k3)。

I级围岩与上述V级类似，用一个功能函数即可。但Ⅳ级、Ⅲ级以及Ⅱ级岩体的评定是有一个BQ值的范围，这样需要2个功能函数。以Ⅳ级围岩为例其功能函数为：

即Ⅳ级围岩功能函数满足：

则该围岩的隶属Ⅳ级围岩可靠概率为：

本发明通过上述的DE-ELM算法对样本训练，实现样本的指标和BQ值非线性拟合，进而获得ELM(Rc,Kv,k1,k2,k3)，得到功能函数计算值,通过围岩级别对应了支护类别。需要指出，本发明的ELM计算模型可以不限于(Rc,Kv,k1,k2,k3)的指标的种类和数量，在实施方式中ELM的样本输入指标可以选用隧道临近掌子面的监测数据、孔隙水压计数据、测定的回弹值、地质超前预报的信号等。对应的表达函数变量可以相应改变。

本发明还提供一种自动设计支护方案的装置，技术方案如下：

如图2所示，一种自动设计支护方案的装置包括：采集单元、岩石指标处理单元、样本集构建单元、样本集划分单元、差异进化算法单元、计算单元、第一判断单元、输出单元、进化极限学习机学习单元、掌子面前方可靠性支护分级单元、第二判断单元及支护动态调整单元。

所述采集单元每隔一定的进尺采集各区域围岩岩石指标，所述岩石指标包括单轴抗压强度、岩石完整性指数、地下水因素、地应力因素及结构面产状，并将所述指标传输至所述岩石指标处理单元。

所述岩石指标处理单元一方面是将所述指标中的间接指标归一化，另一方面统计得到各所述指标的概率分布函数，并将计算结果传送至样本集构建单元。

所述样本集构建单元按照BQ法计算BQ值，将采集的岩石指标和实际围岩的BQ值形成样本集，通过BQ值判定支护等级。

所述样本集划分单元将每一样本集划分为训练样本集和测试样本集两个部分。

所述差异进化算法单元将极限学习机的输入层权值和隐含层偏移量作为差异进化算法的个体，随机生成初始种群，若当前种群的个体不满足进化结束条件时，对父代种群中的个体依次进行变异操作和交叉操作，得到新的子代种群，针对所得到的新的子代种群和其父代种群，执行选择操作，选择两代种群中适应值优秀的个体作为下一代种群。

所述计算单元计算出当前种群的各个体的适应值。

所述第一判断单元判断当前种群的个体是否满足进化结束条件。

所述输出单元在当前种群的个体满足进化结束条件时输出当前种群中适应值最优的个体，并获得相应的最优的输入层权值和隐含层偏移量；

所述进化极限学习机学习单元利用所述最优的输入层权值和隐含层偏移量，分别对各训练样本集进行训练和学习，获得不同围岩的BQ值的进化极限学习机模型(具体计算过程见图3)。

所述掌子面前方可靠性支护分级单元基于围岩的BQ值的进化极限学习机模型分别以当前掌子面的围岩指标作为输入，通过蒙特卡罗抽样输出前方近区的围岩BQ值，获得前方近区的围岩的支护可靠性分级及当前支护方案。

所述第二判断单元判断当前支护方案是否满足动态调整条件；

所述支护动态调整单元根据所述第二判断单元的判定结果、围岩位移和等级是否超限确定是否进行围岩支护动态调整，按照表3实现调整。

本发明提供的自动设计支护方案的装置，能够自动在线处理不同围岩指标，并且通过BQ预测进化极限学习机模型进行支护方案类别的可靠性动态调整，解决了隧道支护方案自动设计的随机性和非线性无法表达功能函数的问题，可以快速可靠地确定支护方案。采用通过差异进化算法进化后的极限学习机算法，实现过程简单高效，提高了计算的准确性。

实例介绍：

某隧道入口位于和龙市北部西城镇境内，出口位于安图县松江镇境内，属长白山系北侧，隧道分左右两幅，隧道间距32m～40m，右幅长5561m，起讫里程K89+992；左幅长5497m，起讫里程ZK90+071；属于特长隧道。主体走向以北东向为主，附近最高峰老岭海拔高度1457.50m，隧道附近最高山海拔1326m。山体坡度15-20°，局部地段可达30-40°，隧道位于北东、北西向沟谷交汇处向东南突出的部位，隧道区地面高程918.50～1345.50m，最大相对高差427m左右。隧道区位于中朝准台地的东部与和龙地块东北侧边缘地带上，同时存在古洞河上游断裂、光明沟断裂、古洞河深大断裂等多条断裂带，受其影响，断裂带附近围岩可能比较破碎。在施工过程中对预施工位置进行合理的围岩等级评价并在此基础上及时进行支护参数动态修正与工法及时转换极为重要。现应用本技术的基于概率的隧道围支护设计分类的方法进行分析。

第一步，确定与支护类别相关的隧道施工现场指标为：回弹强度值、岩体完整性指数、地下水、结构面产状与初始地应力，确定概率分布函数及ELM非线性映射模型(见图4)，概率分布函数一般为正态分布，由统计数据获得函数参数，部分函数见下步。

第二步，获取样本数据见表1，对表1中的各数据进行分布概率统计：(1)岩石强度分布统计过程中，进行围岩回弹强度测量，将测量环形截面扩展为10个，每个界面不同测量位置各取两个测点，区段内总共设置100个测点；对测得数据进行换算，最终获得围岩强度的概率分布。(2)岩体完整性系数统计过程以体积节理统计为基础，在离散型较大区域辅以必要的声波参数测定，对所得结果进行适当修正，获取最终的概率分布模型。两主控参数即单轴抗压强度Rc和岩石完整性指数Kv的概率分布模型如图5a、图5b所示。(3)地下水发育情况通过对不同位置渗流情况评分实现。取值范围0～1，发育状态越明显取值越低，最终得到其在该区段概率密度分布参数值，即k1服从μ＝0.48,σ＝0.38的正态分布。(4)结构面产装统计评价遵循表1评价标准，最终获得k2服从μ＝0.36,σ＝0.042的正态分布。(5)地应力状态统计通过勘察资料获取其区间值，并基于3σ准则进行分布概率密度获取，最终获得k3服从μ＝0.42,σ＝0.25的正态分布。

以表1中前25组数据作为样本对差异进化-极限学习机(DE-ELM)机器学习模型进行训练，实现样本的非线性拟合获取支护等级的隐式功能函数；

采用围岩级别的评价指标(BQ值)的区间范围作为围岩级别的功能函数。以V级围岩为例，参考JTG D70-2004公路隧道设计规范，归一化处理的其功能函数为

可靠状态的功能函数即为：

公式中的BQ值在本发明中由ELM映射计算获得。其他级别的围岩，与此类似。本发明中围岩级别也就对应了支护类别。则隶属于V级围岩支护类别的概率为

式中x代表分级指标向量，即(Rc,Kv,k1,k2,k3)。

I级围岩与上述V级类似，用一个功能函数即可。但Ⅳ级、Ⅲ级以及Ⅱ级岩体的评定是有一个BQ值的范围，这样需要2个功能函数。以Ⅳ级围岩为例其功能函数为：

即Ⅳ级围岩功能函数满足：

则该围岩的隶属Ⅳ级围岩可靠概率为：

本发明通过上述的DE-ELM算法对样本训练，实现样本的指标和BQ值非线性拟合，进而获得ELM(Rc,Kv,k1,k2,k3)，得到功能函数计算值,通过围岩级别对应了支护类别。具体地可按照表2的围岩亚级分类范围进行。

通过表1前25组样本进行极限学习机(ELM)的非线性映射学习，将所得结果作为分级可靠度计算过程的功能函数进行可靠度评价；同时，以映射公式作为功能函数进行相同区段的可靠度评价，二者对比曲线如图6所示。

采用两种功能函数：一种为BQ值的规范计算公式，另一种为ELM根据样本学习的映射关系。两种功能函数下，对应围岩级别结果一致，且可靠概率均大于60％。结果表明，基于ELM围岩分级可靠度计算是切实可行的。

第三步，支护等级划分，表1的围岩支护等级，是由基于围岩的岩石质量BQ值所在区间概率的方式进行表示。根据该隧道设计院预先的设计方案，支护等级分类的依据见表3：

以建设中的该隧道K94+880～K95+130段为应用验证段，单位间隔50m，形成5个验证区间。各参数概率分布密度统计评价办法依据上文所述，按照参数概率分布进行蒙特卡罗抽样，采用DE-ELM映射关系计算BQ值，获得对应的隧道支护等级。

第四步，比较预设支护等级与计算得到的支护等级，再结合围岩位移，最终确定各桩号的支护等级分级结果见表4。

表1隧道施工现场指标及对应支护等级数据统计表

表2应用隧道围工法调整分类表

表3公路隧道围岩亚级分类标准

围岩级别ⅠⅡⅢ₁Ⅲ₂Ⅳ₁BQ区间≥551550～451450～401400～351350～316围岩级别Ⅳ₂Ⅳ₃Ⅴ₁Ⅴ₂BQ区间315～285284～251250～211210～150

表4支护等级结果

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。