基于网格搜索法优化支持向量机的围岩稳定性分类模型

为科学评价围岩稳定性,本次研究借助支持向量机(SVM)处理小样本、非线性问题能力强的特性,对围岩的稳定性进行了分类。选取16组围岩数据作为学习样本,以岩石质量指标、岩石单轴饱和抗压强度、完整性系数、结构面强度系数和地下水渗水量5个指标作为模型输入,围岩稳定程度为模型输出,建立了基于支持向量机的围岩稳定性分类模型。为增强模型的推广性能,提高其预测准确率,运用改进的网格搜索方法(GSM)寻找最优的支持向量机参数,并对8组围岩数据进行预测,并同BP神经网络模型的预测结果进行对比。结果表明,建立的GSM-SVM模型对预测样本的评判结果与实际结果一致,其预测精度较BP神经网络有很大的提升。     

基于PSO-SVM非线性时序模型的隧洞围岩变形预报

现场量测获得的围岩变形信息,从宏观上反映了地下洞室围岩-支护系统力学性态变化。为克服人工神经元网络方法过学习问题,提出了一种新的预测地下洞室围岩变形的粒子群支持向量机方法,用粒子群算法优化最小二乘支持向量机的参数,避免了人为选择参数的盲目性,提高了预测模型的训练速度和预测推广能力。利用这种非线性智能预测方法,基于监测数据滚动预测围岩变形,可以及时优化和调整施工步序,保证洞室的稳定性。将该方法用于清江水布垭电站地下厂房的围岩收敛变形预测,获得了令人满意的预测效果。     

浅谈镇安隧道围岩工程地质条件评价

通过镇安隧道工程地质特征分析、隧道围岩地质特征方面的论述,提出了隧道围岩分级的方法;进行了隧道围岩分级参数的选取研究,达到了隧道围岩分级合理选取的效果,解决了隧道施工时围岩稳定性预测的问题。     

基于黏弹性本构性能的隧道围岩变形预测研究

针对Ⅲ、Ⅳ级围岩,以江西高速公路隧道为背景,采用弹-黏塑性有限单元法分析预测不同类别隧道围岩变形。选取现场Ⅲ、Ⅳ级围岩进行室内剪切流变试验,分析得到Ⅲ、Ⅳ类岩样流变试验曲线与广义Kelvin 模型的流变曲线吻合较好。基于广义Kelvin模型,推导出黏弹性模型复杂应力状态下的应力-应变关系。采用施工过程的黏弹性动态反分析法计算围岩参数,结合反演参数对预测隧道围岩变形进行预测分析。研究成果已应用于实际隧道工程中,指导、修正设计和施工参数,可为安全施工提供合理依据。     

软岩巷道可缓冲渐变式双强壳体支护原理及实践

深部软岩巷道承受高地应力作用,导致围岩产生流变大变形是影响其安全稳定的重要因素。以阳煤一矿西大巷工程为例,分析软弱围岩变形破坏机制;建立能够反映工程地质状况及初始设计方案的有限元模型,以现场监测变形数据和钻孔窥视围岩变形破坏深度为基础,反演获取围岩力学参数和蠕变参数。提出适合软弱流变岩体的可缓冲渐变式双强壳体支护方法,即根据围岩破坏情况进行分层注浆加固,并在最外部架设可缩性U型钢支架,形成可变形缓冲层。建立新型支护方案的有限元模型,利用围岩反演参数预测围岩变形情况,并通过与现场监测数据对比分析,验证了所提支护方案的有效性。     

考虑空间效应的地下洞室爆破开挖松动区参数场位移反分析

将地下洞室爆破开挖松动区视为一个随开挖过程演变的非均匀、非稳定三维扰动场,松动区内岩体力学参数则是一个具有时空演化特性的参数场。考虑爆破开挖扰动空间效应和岩体真实变形响应,提出了真实工作状态下开挖松动区岩体参数场辨识的位移反分析方法。基于局部监测变形空间插补得到的空间位移场,通过分析洞室爆破开挖围岩变形扰动机制,建立了开挖松动区岩体变形模量参数场数值演化模型,并进行了模型适用性和参数敏感性分析。在此基础上,以变形模量参数为例,结合围岩实测位移信息,提出了开挖松动区参数场位移反分析的动态实现过程。将该方法应用于溪洛渡地下洞室群施工期参数场反演和围岩稳定动态反馈评价及预测,结果表明,该方法合理有效,在大型地下洞群施工开挖与快速监测反馈方面具有显著的工程适用性及实用性。     

遗传神经网络法在巷道围岩松动圈预测中的应用

针对BP人工神经网络具有易陷入局部极小等缺陷,提出了将遗传算法与神经网络结合,同时优化网络结构的权值与阈值的思想,建立了基于遗传算法的围岩松动圈预测的神经网络模型。用该模型对巷道围岩松动圈厚度进行了预测并与BP预测结果相比较。结果表明,该遗传神经网络模型可靠,预测精度高,用来对围岩松动圈厚度进行预测是有效的和可行的。     

基于水—力耦合理论的超深隧道围岩渗透性预测

涌水预测是特长超深隧道勘测设计及许多中面临的重要问题之一。围岩渗透性是涌水预测的基础，对于超深隧道，不能通过大规模抽水试验来获得渗透性参数。以水为耦合理论为基础，该文提出了一种超深隧道围岩渗透性预测方法。其主要思想是，首先确定近地表岩体的渗透张量；根据地应力实测资料进行地应力场的量级反演；选择适当的裂隙开度－应力模型，预测不同深度的裂隙开度；在裂隙网络结构不随深度变化这一假定的基础上，计算隧道标高的围岩渗透性。     

隧道及地下工程围岩稳定性及可靠性分析的极限位移判别

隧道和地下空间工程的稳定性和可靠性评价的问题一直是岩土工程界关注的难点问题。针对隧道围岩-支护系统的稳定性、可靠性、安全性的问题,采用以隧道及地下工程围岩变形位移为判据的隧道及地下工程围岩稳定性分析方法,分析了隧道及地下工程围岩位移的极限状态,提出了隧道及地下工程围岩极限位移的确定方法和大变形隧道及地下工程围岩极限位移的分析方法。结合工程实例,建立了以DGM（2,1）模型和Verhulst模型为理论的隧道及地下工程围岩稳定性分析的位移预测预报方法;在此基础上,提出了隧道及地下工程围岩稳定性及可靠性位移判别准则。其研究和分析结果将有助于构建隧道及地下工程围岩稳定性分析的位移预测预报系统。     

参数优化LSSVM的巷道围岩松动圈预测研究

最小二乘支持向量机方法(LSSVM)在处理小样本、高维数、非线性的问题时,具有求解速度快、易于描述非线性关系的优良特性。但是,该方法得到的模型拟合精度和泛化能力依赖于其相关参数,因此,提出基于粒子群优化算法(PSO)的LSSVM参数优选方法。最后,用该模型对巷道围岩松动圈进行了预测研究。结果表明,PSO优化的LSSVM模型具有收敛速度快、计算精度高的特点,说明该模型是合理、有效的。     

基于人工神经网络模型的岩石特性预测

近年来,软计算技术被用作替代的统计工具。如人工神经网络（ANN）被用于开发预测模型来估计所需的参数。在本研究中,通过利用冲击钻进过程中的一些钻进参数（气压、推力、钻头直径、穿透率）和所产生的声级,建立了预测岩石性质的神经网络模型。在实验室中所产生的数据,用于开发预测岩石特性（如单轴抗压强度、耐磨性、抗拉强度和施密特回弹数）的神经网络模型,并使用各种预测性能指标对所建模型进行检验,结果表明人工神经网络模型适用于岩石性质的预测。     

Identification of the governing parameters related to rock indentation depth by using similarity analysis

This paper focuses on the indentation depth in rocks caused by a hemispherical indenter. The problem is approached by a combination of similarity methods with an artificial neural network. The similarity methods offer a profound understanding of the physical problem and help to identify the most important governing parameters or factors that reflect the essence of the rock indentation events, thus simplifying the target problem. The artificial neural network provides an advanced computing model, which allows more factors to be involved. The predictions obtained using this combined approach are in better agreement with the experimental results than predictions using other methods.     

大型地下洞室考虑开挖卸荷效应的位移反分析

基于现场监测资料的位移反分析是地下工程动态监控、信息化施工的重要组成部分。以乌江彭水水电站大型地下厂房（开挖跨度为30 m,高度为78.5 m）为例,从围岩实测位移出发,建立了基于均匀设计－神经网络－遗传算法的围岩力学参数的系统反分析方法,反演考虑开挖卸荷效应的围岩力学参数。根据数值分析结果形成训练样本,利用BP人工神经网络映射围岩的变形与力学参数的关系,同时针对传统人工神经网络存在初始权值难以确定的问题,应用遗传算法优化神经网络的初始权值;利用现场监测的增量变形反演了围岩的力学参数;最后利用反演出的参数,进行地下厂房开挖预测分析。结果表明,预测位移与现场监测位移较为接近,进行统计检验结果为优,说明该参数反演方法是正确合理的。     

基于人工神经网络对四川省黑水县公路边坡稳定性评价

边坡稳定性和许多影响因素有关,是一种高度非线性的问题,本文采用人工神经网络方法进行边坡稳定性评价,构建了具有6-19-12网络结构的三层BP网络。用该模型对四川省黑水县渔巴渡至客龙沟公路沿线边坡进行稳定性评价,其结果与传统经验公式计算法所得结果基本一致。     

Prediction of Rock Fragmentation Due to Blasting in Sarcheshmeh Copper Mine Using Artificial Neural Networks

The main objective in production blasting is to achieve a proper fragmentation. In this paper, rock fragmentation the Sarcheshmeh copper mine has been predicted by developing a model using artificial neural network. To construct the model, parameters such as burden to spacing ratio, hole-diameter, stemming, total charge-per-delay and point load index have been considered as input parameters. A model with architecture 9-8-5-1 trained by back propagation method was found to be optimum. To compare performance of the neural network, statistical method was also applied. Determination coefficient (R ²) and root mean square error were calculated for both the models, which show absolute superiority of neural network over traditional statistical method.     

Application of soft computing in predicting rock fragmentation to reduce environmental blasting side effects

In the blasting operation, risk of facing with undesirable environmental phenomena such as ground vibration, air blast, and flyrock is very high. Blasting pattern should properly be designed to achieve better fragmentation to guarantee the successfulness of the process. A good fragmentation means that the explosive energy has been applied in a right direction. However, many studies indicate that only 20–30 % of the available energy is actually utilized for rock fragmentation. Involvement of various effective parameters has made the problem complicated, advocating application of new approaches such as artificial intelligence-based techniques. In this paper, artificial neural network (ANN) method is used to predict rock fragmentation in the blasting operation of the Sungun copper mine, Iran. The predictive model is developed using eight and three input and output parameters, respectively. Trying various types of the networks, it was found that a trained model with back-propagation algorithm having architecture 8-15-8-3 is the optimum network. Also, performance comparison of the ANN modeling with that of the statistical method was confirmed robustness of the neural networks to predict rock fragmentation in the blasting operation. Finally, sensitivity analysis showed that the most influential parameters on fragmentation are powder factor, burden, and bench height.     

测井资料在碳酸盐岩洞—裂缝型储层产能评价中的应用

介绍了一种基于测井资料来预测双孔结构碳酸盐岩储层产能的新方法。首先根据碳酸盐岩剖面中双孔结构储层的地质和测井特征,提取与储层产能密切相关的多个测井和地质参数,考虑到这些参数与产能的非线性相关关系以及产能数据的变化特点,采用BP神经网络技术建立其储层产能的预测模型,由此处理了轮南地区的多口井测井资料。所预测的储层段产能与试油产能较为一致,效果良好。     

平面交叉裂隙非线性渗流模型参数人工神经网络预测

岩体裂隙网络渗流广泛存在于地下工程中,对地下工程的建设和运行安全具有重要的影响。因此,研究裂隙网络渗流有着重要的理论和实际意义。本文根据立方定律和Forchheimer方程推导所得的交叉裂隙渗流模型,运用数值模拟和人工神经网络方法,对平面交叉裂隙渗流模型非线性参数与模型几何条件的关系进行探究。通过数值模拟,获得了平面交叉裂隙非线性渗流模型的参数;运用人工神经网络遗传算法,探究了交叉裂隙几何条件与交叉裂隙渗流模型中非线性系数之间的关系,证明了平面交叉裂隙非线性渗流模型适用于描述交叉裂隙渗流规律,验证了神经网络方法预测非线性系数的可行性和准确性。同时,还对比分析了运用拟合数值表达式和人工神经网络两种方法的特点。     

基于神经网络的地质勘测反分析研究

针对地质勘查中,土的力学参数的确定及土的分类这两类复杂问题,根据反问题理论的基本原理,提出了一种基于回归分析与RBF神经网络结合的新型智能方法,建立了从土的力学参数估计到模型分类的完整智能化分析系统。考虑到土的物理参数测定方法比较简单,且实测变异性小,而力学参数实测变异性大的特点,利用RBF神经网络的数值逼近的特性,建立了神经网络模型来逼近两者之间的函数关系,可以有效地反演力学参数。同时,利用RBF神经网络所具有的模式识别功能,为地质勘察中土层划分提供依据。通过对黄石地区岩土勘查资料的分析与预测表明,该方法简捷有效。     

红板岩材料隐式本构模型的建立及其应用研究

针对红板岩材料在岩土工程中所表现的大量模糊的和不确定的因素等特点,基于人工神经网络的学习能力,借助于室内岩石力学试验,进行了对该材料的力学本构特性进行了神经网络模拟研究,提出了隐式本构模型的思想和方法,并通过该方法对该岩石的流变试验结果进行学习,获得了以网络权值结构保存的力学特性知识,由此得到了表征红板岩应力应变本构关系的隐式本构模型。应用结果表明,该方法对岩土类材料本构关系的模拟研究具有很好的应用前景。