本發(fā)明屬于隧道工程，具體涉及一種基于機器學(xué)習(xí)算法的深部隧道圍巖非概率可靠度分析方法。

背景技術(shù)：

1、深部隧道的大埋深及其復(fù)雜的地質(zhì)賦存環(huán)境等實際工程特點，導(dǎo)致深部隧道圍巖不確定性參數(shù)統(tǒng)計特征的樣本獲取非常困難，即主要表現(xiàn)為小樣本的形式，這使得基于大樣本統(tǒng)計數(shù)據(jù)的傳統(tǒng)概率可靠度方法在面對小樣本情形時，其分析結(jié)果往往存在較大偏差，甚至出現(xiàn)誤判，因此有必要從非概率角度，引入非概率可靠度方法開展研究；另一方面，隨著埋深的不斷增大，深部隧道圍巖的力學(xué)作用機理更趨復(fù)雜，導(dǎo)致在非概率可靠度分析中無法直接給出描述隧道圍巖狀態(tài)的顯式功能函數(shù)，即其可靠度計算所需的狀態(tài)函數(shù)通常呈現(xiàn)為高度復(fù)雜的隱式函數(shù)形式，而當前基于非概率可靠度的相關(guān)方法尚難以處理此類復(fù)雜且無顯式解析表達式的隱式狀態(tài)函數(shù)問題。

2、因此，實有必要提供一種基于機器學(xué)習(xí)算法的深部隧道圍巖非概率可靠度分析方法以解決上述問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供一種基于機器學(xué)習(xí)算法的深部隧道圍巖非概率可靠度分析方法，在現(xiàn)有非概率可靠度分析方法基礎(chǔ)上，通過引入機器學(xué)習(xí)算法，將神經(jīng)網(wǎng)絡(luò)代理模型與貝葉斯正則化擬合算法相結(jié)合來分析解決深部隧道實際工程問題，即利用神經(jīng)網(wǎng)絡(luò)代理模型將隱式的穩(wěn)定狀態(tài)函數(shù)顯示化表示，在顯式化過程中運用貝葉斯正則化擬合算法以確保模型具有較高有效性，再采用區(qū)間非概率方法計算得到非概率可靠度指標，依據(jù)該指標判定隧道圍巖的穩(wěn)定可靠性；在此基礎(chǔ)上，圍繞神經(jīng)網(wǎng)絡(luò)代理模型的擬合效果、不確定性參數(shù)的區(qū)間擴張以及隧道圍巖最大位移的變化開展敏感性分析，從而可以解決背景技術(shù)中涉及的至少一個技術(shù)問題。

2、為了解決上述技術(shù)問題，本發(fā)明是這樣實現(xiàn)的：

3、一種基于機器學(xué)習(xí)算法的深部隧道圍巖非概率可靠度分析方法，包括如下步驟：

4、步驟s1，基于有限元數(shù)值模擬方法，建立隧道圍巖的力學(xué)分析模型；

5、步驟s2，根據(jù)隧道圍巖穩(wěn)定性及壓力的影響因素，構(gòu)建隧道圍巖狀態(tài)函數(shù)的隱式表達式與變量空間的集合向量；

6、步驟s3，采用隨機數(shù)函數(shù)，針對變量空間的每一個區(qū)間變量生成若干隨機數(shù)，變量空間內(nèi)的每個區(qū)間變量選擇一個隨機數(shù)組成一組樣本，基于有限元數(shù)值模擬求得該組樣本下隧道圍巖最大位移的真實響應(yīng)值；

7、步驟s4，以多組樣本和樣本下隧道圍巖最大位移的真實響應(yīng)值構(gòu)建數(shù)據(jù)集，將數(shù)據(jù)集輸入神經(jīng)網(wǎng)絡(luò)代理模型進行迭代訓(xùn)練，擬合得到隧道圍巖狀態(tài)函數(shù)的顯示化表示，在擬合過程中，引入貝葉斯正則化擬合算法確保模型具有有效性；

8、步驟s5，根據(jù)擬合出的狀態(tài)函數(shù)，采用區(qū)間非概率方法求解得到隧道圍巖的非概率可靠度指標，基于非概率可靠度指標判定隧道圍巖的穩(wěn)定可靠度。

9、作為一種優(yōu)選的改進，在有限元數(shù)值模型構(gòu)建過程中，設(shè)置模型約束條件為左右邊界法向固定、下邊界完全固定、上邊界空閑，在左右邊界添加一對大小相等、方向相反的水平均布荷載以表示水平地應(yīng)力，在上邊界添加一個垂向均布荷載以表示垂向地應(yīng)力，其中水平地應(yīng)力σh和垂向地應(yīng)力σv的取值表示為：

10、σh＝0.01766h+1.0583；

11、σv＝0.02532h+0.8177；

12、式中，h為隧道埋深。

13、作為一種優(yōu)選的改進，隧道圍巖可靠度分析所采用的模型為hoek-brown模型，隧道圍巖的狀態(tài)函數(shù)ψ表示為：

14、ψ＝g(χ)＝umax-u；

15、式中，χ為變量空間的集合向量，χ＝{γ，e，υ，σci，mi，gsi，d，ψ，σψ}，γ為巖體容重；e為巖體彈性模量；υ為巖體泊松比；σci為單軸抗壓強度；mi為完整巖石材料常數(shù)；gsi為地質(zhì)強度參數(shù)；d為施工中的技術(shù)措施對巖體的擾動因子；ψ、σψ為剪脹參數(shù)；umax為隧道圍巖允許的最大位移，對于同一巖體同種斷面的隧道根據(jù)規(guī)范取定值；u為隧道圍巖最大位移的真實響應(yīng)值，u＝f(χ)。

16、作為一種優(yōu)選的改進，非概率可靠度指標η′表示為：

17、

18、式中，ψ′ub、ψ′lb分別表示擬合狀態(tài)函數(shù)ψ′的上、下界；n′ub、u′lb分別表示隧道圍巖最大位移預(yù)測值u′的上、下界；msemax為擬合狀態(tài)函數(shù)ψ′的均方誤差的最大值。

19、作為一種優(yōu)選的改進，根據(jù)η′與1的大小關(guān)系判定隧道圍巖的穩(wěn)定性，判定過程具體為：

20、若η′＜1，表明隧道圍巖不可靠，需要進行加固或重建；

21、若η′＝1，表明隧道圍巖處于臨界狀態(tài)，需要加強預(yù)警；

22、若η′＞1，表明隧道圍巖結(jié)構(gòu)可靠。

23、作為一種優(yōu)選的改進，定義神經(jīng)網(wǎng)絡(luò)代理模型的可信度ξ以量化神經(jīng)網(wǎng)絡(luò)代理模型的有效性，可信度ξ的定義如下：

24、

25、式中，ξ的取值為介于(-∞，1]之間的實數(shù)；|ψ′c|為擬合狀態(tài)函數(shù)ψ′均值的絕對值。

26、作為一種優(yōu)選的改進，神經(jīng)網(wǎng)絡(luò)代理模型中，隱藏神經(jīng)元的個數(shù)通過如下步驟進行確認：

27、(1)根據(jù)變量空間的大小估計隱藏神經(jīng)元的個數(shù)；

28、(2)分析樣本數(shù)量對神經(jīng)網(wǎng)絡(luò)代理模型擬合有效性的影響規(guī)律，并根據(jù)結(jié)果確定最佳樣本數(shù)量；

29、(3)根據(jù)最佳樣本數(shù)量反向驗證隱藏神經(jīng)元個數(shù)取值的合理性。

30、作為一種優(yōu)選的改進，還包括如下步驟：

31、步驟s6，針對神經(jīng)網(wǎng)絡(luò)代理模型的擬合結(jié)果，通過樣本及神經(jīng)網(wǎng)絡(luò)代理模型的隱藏神經(jīng)元個數(shù)對擬合效果的影響規(guī)律、不確定性參數(shù)的區(qū)間擴張對神經(jīng)網(wǎng)絡(luò)代理模型的影響及隧道圍巖允許的最大位移的變化對非概率可靠度指標的影響，進一步開展敏感性分析，在保證神經(jīng)網(wǎng)絡(luò)代理模型有效性的同時盡可能減少樣本數(shù)量。

32、本發(fā)明的有益效果在于：

33、(1)基于區(qū)間非概率可靠度分析方法，采用區(qū)間變量表征深部隧道圍巖參數(shù)的不確定性，克服了因不確定性參數(shù)的統(tǒng)計特征獲取困難，導(dǎo)致傳統(tǒng)概率可靠度方法不再適用的問題；

34、(2)針對描述深部隧道圍巖穩(wěn)定狀態(tài)的功能函數(shù)呈現(xiàn)高度復(fù)雜的隱式特征，引入機器學(xué)習(xí)算法，通過神經(jīng)網(wǎng)絡(luò)代理模型將隱式的狀態(tài)函數(shù)顯式化表示，有效地解決了區(qū)間非概率可靠度分析方法難以處理此類復(fù)雜且無顯式解析表達式的隱式狀態(tài)函數(shù)問題；

35、(3)在神經(jīng)網(wǎng)絡(luò)擬合過程中采用貝葉斯正則化算法，具備較強的泛化能力，可以有效降低擬合功能函數(shù)的均方誤差，提高神經(jīng)網(wǎng)絡(luò)代理模型的有效性，從而使得計算所得非概率可靠度指標更貼近實際；

36、(4)定義了神經(jīng)網(wǎng)絡(luò)代理模型的可信度，定量描述了神經(jīng)網(wǎng)絡(luò)代理模型的有效性，并根據(jù)數(shù)值模擬與工程實際，給出參照表格，用于判斷神經(jīng)網(wǎng)絡(luò)代理模型有效性并指導(dǎo)后續(xù)工作。

技術(shù)特征：

1.一種基于機器學(xué)習(xí)算法的深部隧道圍巖非概率可靠度分析方法，其特征在于，包括如下步驟：

2.根據(jù)權(quán)利要求1所述的基于機器學(xué)習(xí)算法的深部隧道圍巖非概率可靠度分析方法，其特征在于，在有限元數(shù)值模型構(gòu)建過程中，設(shè)置模型約束條件為左右邊界法向固定、下邊界完全固定、上邊界空閑，在左右邊界添加一對大小相等、方向相反的水平均布荷載以表示水平地應(yīng)力，在上邊界添加一個垂向均布荷載以表示垂向地應(yīng)力，其中水平地應(yīng)力σh和垂向地應(yīng)力σv的取值表示為：

3.根據(jù)權(quán)利要求1所述的基于機器學(xué)習(xí)算法的深部隧道圍巖非概率可靠度分析方法，其特征在于，隧道圍巖可靠度分析所采用的模型為hoek-brown模型，隧道圍巖的狀態(tài)函數(shù)ψ表示為：

4.根據(jù)權(quán)利要求3所述的基于機器學(xué)習(xí)算法的深部隧道圍巖非概率可靠度分析方法，其特征在于，非概率可靠度指標η′表示為：

5.根據(jù)權(quán)利要求4所述的基于機器學(xué)習(xí)算法的深部隧道圍巖非概率可靠度分析方法，其特征在于，根據(jù)η′與1的大小關(guān)系判定隧道圍巖的穩(wěn)定性，判定過程具體為：

6.根據(jù)權(quán)利要求4所述的基于機器學(xué)習(xí)算法的深部隧道圍巖非概率可靠度分析方法，其特征在于，定義神經(jīng)網(wǎng)絡(luò)代理模型的可信度ξ以量化神經(jīng)網(wǎng)絡(luò)代理模型的有效性，可信度ξ的定義如下：

7.根據(jù)權(quán)利要求1所述的基于機器學(xué)習(xí)算法的深部隧道圍巖非概率可靠度分析方法，其特征在于，神經(jīng)網(wǎng)絡(luò)代理模型中，隱藏神經(jīng)元的個數(shù)通過如下步驟進行確認：

8.根據(jù)權(quán)利要求7所述的基于機器學(xué)習(xí)算法的深部隧道圍巖非概率可靠度分析方法，其特征在于，還包括如下步驟：

技術(shù)總結(jié)
本發(fā)明提供一種基于機器學(xué)習(xí)算法的深部隧道圍巖非概率可靠度分析方法，屬于隧道工程技術(shù)領(lǐng)域。本發(fā)明在現(xiàn)有非概率可靠度分析方法的基礎(chǔ)上，引入機器學(xué)習(xí)算法，通過神經(jīng)網(wǎng)絡(luò)代理模型與貝葉斯正則化算法的結(jié)合，將隧道圍巖狀態(tài)函數(shù)的隱式表達式顯式化表示，并定義了神經(jīng)網(wǎng)絡(luò)代理模型的可信度，可以定量描述神經(jīng)網(wǎng)絡(luò)代理模型的有效性，可以有效解決現(xiàn)有技術(shù)中隧道圍巖狀態(tài)函數(shù)為隱式函數(shù)，無法進行非概率可靠度分析的問題。

技術(shù)研發(fā)人員：李翔,符瑞嘉
受保護的技術(shù)使用者：中南大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/17