[發(fā)明專利]一種巖體力學參數(shù)反分析方法

有效

• 申請?zhí)枺?/td>: 202010184333.X
• 申請日: 2020-03-17
• 公開（公告）號: CN111414658B
• 公開（公告）日: 2023-06-30
• 發(fā)明（設計）人: 陸有忠
• 申請（專利權）人: 宜春學院
• 主分類號: G06F30/13
• 分類號: G06F30/13;G06F119/14
• 代理公司: 西安合創(chuàng)非凡知識產(chǎn)權代理事務所(普通合伙) 61248
• 代理人: 居延娟

本發(fā)明公開了一種巖體力學參數(shù)反分析方法，涉及參數(shù)反分析方法，包括以下步驟：S1，確定待反演的巖石力學參數(shù)，以均勻試驗設計方法為基礎構造訓練樣本的計算方案；S2，對構造出的每個方案進行數(shù)值計算，獲得每個方案對應的谷幅變形值，并將計算方案與對應的谷幅變形計算值構成SDCS?LSSVM算法的輸入輸出值；S3，基于步驟S2得到的輸入輸出樣本，并通過對輸入輸出樣本數(shù)據(jù)的學習，建立起巖石力學參數(shù)與谷幅變形值之間的非線性映射關系；S4，求解目標函數(shù)的最優(yōu)解，確定最優(yōu)的力學參數(shù)組合。本發(fā)明構建了巖土體材料參數(shù)反分析回歸模型，采用改進布谷鳥算法從全局空間上搜索與實測位移最吻合的反演參數(shù)，提高模型的預測效果。

技術領域

本發(fā)明涉及參數(shù)反分析方法，具體涉及一種巖體力學參數(shù)反分析方法。

背景技術

目前，巖土工程穩(wěn)定性分析與變形的數(shù)值計算等研究都是基于準確的巖體力學參數(shù)。由于巖體材料的隨機性﹑非均質、非線性、非連續(xù)以及各種工程、施工等因素的影響，企圖用解析方法進行求解幾乎是不可能的。巖體力學參數(shù)反分析將計算機技術、數(shù)值分析方法、最優(yōu)化設計和現(xiàn)場測量相結合，來推斷巖土工程材料的初始應力狀態(tài)，并開展信息化設計和施工。數(shù)值方法即使有較合理的計算模型，輸入?yún)?shù)也很難作合理的估值，無論由室內(nèi)試驗或現(xiàn)場試驗確定的巖土體力學參數(shù)都與實際參數(shù)有較大偏差，更由于節(jié)理、裂隙的影響，使得實驗結果不具有代表性。用這樣的參數(shù)作為計算輸入?yún)?shù)進行數(shù)值分析，所得結果往往與實際情況的誤差較大，難于在工程實踐中采用，且不同程度影響了數(shù)值方法在巖土體工程中的進一步推廣應用。于是，有些學者開始將進化計算(EvolutionaryComputation，簡稱EC)和神經(jīng)網(wǎng)絡(Neural?Network)引入到巖土體領域并得到較為成功的應用。在此過程中，神經(jīng)網(wǎng)絡出現(xiàn)了“維數(shù)災難”、“瓶頸”、“泛化能力差”等，而作為以結構風險最小化原則為基礎建立起來的支持向量機SVM算法，對于處理小樣本、非線性等問題表現(xiàn)出了較好的適應性，同時SVM算法是一個凸二次優(yōu)化問題，能保證找到的解是整體最優(yōu)解。

參數(shù)反分析過程需進行大量的正分析數(shù)值計算，計算量大、效率低、解的穩(wěn)定性較差等問題會對最終結果的準備性有所影響。若引入機器學習語言將待反演力學參數(shù)與計算位移間的關系用一種特定的方式建立起來，以代替復雜且耗時的正分析數(shù)值計算，同時將參數(shù)反分析過程轉化為目標函數(shù)優(yōu)化過程，即通過現(xiàn)場實測參數(shù)建立起一個誤差目標函數(shù)，通過不斷改變原始參數(shù)以及反復迭代運算來優(yōu)化目標函數(shù)繼而得到最優(yōu)參數(shù)，參數(shù)尋優(yōu)過程通常借助布谷鳥算法等智能優(yōu)化算法實現(xiàn)，力學參數(shù)反演問題從而轉化為目標函數(shù)的尋優(yōu)問題，目標函數(shù)的最優(yōu)解即為最終的參數(shù)反演結果，諸如此類的智能參數(shù)反分析方法正在逐步完善并得到快速發(fā)展。

發(fā)明內(nèi)容

本發(fā)明的主要目的在于提供一種巖體力學參數(shù)反分析方法。

本發(fā)明采用的技術方案是：一種巖體力學參數(shù)反分析方法，包括以下步驟：

S1，確定壩區(qū)邊坡巖體待反演的巖石力學參數(shù)，以均勻試驗設計方法為基礎構造訓練樣本的計算方案；

S2，采用有限差分軟件FLAC3D對構造出的每個方案進行數(shù)值計算，獲得每個方案對應的谷幅變形值，并將計算方案與對應的谷幅變形計算值構成SDCS-LSSVM算法的輸入輸出值；

S3，基于步驟S2得到的輸入輸出樣本，利用改進布谷鳥算法ICA獲得最小二乘支持向量機LSSVM的正則化參數(shù)γ以及高斯核參數(shù)σ，并通過對輸入輸出樣本數(shù)據(jù)的學習，建立起巖石力學參數(shù)與谷幅變形值之間的非線性映射關系；

S4，使用布谷鳥算法不斷迭代調用步驟S3建立的輸入輸出樣本數(shù)據(jù)間的關系，求解目標函數(shù)的最優(yōu)解，確定最優(yōu)的力學參數(shù)組合。

進一步地，所述步驟S1具體包括：

確定壩區(qū)邊坡巖體待反演的巖石力學參數(shù)，根據(jù)壩區(qū)不同蓄水狀態(tài)下庫水位等實際條件，確定壩區(qū)兩岸邊坡巖體待反演巖石力學參數(shù)的取值范圍，同時以均勻試驗設計方法為基礎構造訓練樣本的計算方案。