[发明专利]预测隧道挤压变形的建模及分析方法、设备和存储介质

说明书

技术领域

本公开一般涉及隧道变形预测技术领域，尤其涉及一种预测隧道挤压变形的建模及分析方法、设备和存储介质。

背景技术

在软岩体隧道施工过程中，由于高地应力的影响，软岩隧道挤压大变形是在经常发生的重大地质灾害之一。期间发生坍塌，盾构隧道掘进机施工(TBM)堵塞，导致工程被迫中断，预算超支和施工延误，有时甚至可能导致隧道的不稳定和人员伤亡，如荷兰西斯凯尔特河隧道施工过程中因围岩挤压强烈而被困两周；引黄工程隧道施工过程中掘进机遇到软岩挤压变形而长时间被困，给工程带来严重后果。

目前对于软岩挤压大变形隧道的研究，主要侧重于常规定性定量分析，无法对隧道挤压大变形进行预测，更无法评估潜在的挤压问题的严重性，这对隧道的设计和施工产生极为不利的影响。

发明内容

鉴于现有技术中的上述缺陷或不足，期望提供一种能够有效预测隧道挤压变形的方案。

第一方面，本申请实施例提供了一种预测隧道挤压变形的建模方法，包括以下步骤：

建立隧道挤压变形历史数据集，所述历史数据集选自历史案例，并包括描述所述数据的多个特征；

对所述历史数据集进行参数优化得到优化数据库；

以隧道挤压变形程度作为分类标准，利用所述优化数据库进行多分类SVM训练，得到多分类SVM模型。

本发明的目的及解决其技术问题还可采用以下技术措施进一步实现。

所述多个特征包括隧道的直径，隧道埋深(H)，岩石质量指数(Q)和支护刚度。采用上述特征作为训练库参数，使得训练更加科学高效。

对所述历史数据集进行参数优化包括采用粒子群优化算法或网格搜索法。采用粒子群优化算法是一种基于群体智能方法的优化技术，用于解决全局优化问题，本专利中主要用来进行SVM模型参数的优化，以提高分类精度，减少误分类数量。

所述进行多分类SVM训练包括采用DAGSVM法进行训练。DAGSVM是有向无环图支持向量机的简称，是针对“一对一(one-against-one)”多分类SVM存在误分、拒分现象提出的，DAGSVM在训练阶段与“一对一”SVM方法相同，也要对任意两类创建SVM分类器，所创建SVM分类器的总数为n(n-1)/2。DAGSVM简单易行，只需使用n-1个SVM分类器即可做出预测，与“一对一”SVM方法相比提高了计算速度，而且不存在误分、拒分区域；另外，DAGSVM有一定的容错性，分类精度较高。

在所述利用所述优化数据库进行多分类SVM训练过程中，采用交叉验证法对所述SVM训练进行精度检验，可以有效的避免过学习以及欠学习状态的发生，最后得到的结果也比较具有说服性。

在所述利用所述优化数据库进行多分类SVM训练过程中，采用混淆矩阵来显示所创建的多分类SVM的性能和分类效果，能够直观的显示所创建的多分类SVM的性能和分类效果。

第二方面，本申请实施例提供了一种预测隧道挤压变形的分析方法，包括：

下载待预测的隧道数据集，所述隧道数据集包括描述所述数据的多个特征；利用上述建模方法形成的模型采用DAGSVM方法对所述数据按照隧道挤压变形程度进行分类。

一种预测隧道挤压变形的分析方法，包括：

下载待预测的隧道挤压变形数据集，所述隧道数据集包括描述所述数据的多个特征；利用经过多分类SVM训练形成的隧道挤压模型采用DAGSVM方法对所述数据按照隧道挤压变形程度进行分类。

DAGSVM简单易行，只需使用n-1个SVM分类器即可做出预测，与“一对一”SVM方法相比提高了计算速度，而且不存在误分、拒分区域；另外，DAGSVM有一定的容错性，分类精度较高。

第三方面，本申请实施例提供了一种设备，所述设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行时实现上述预测隧道挤压变形的建模方法。

本申请实施例还提供了一种设备，所述设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行时完成上述预测隧道挤压变形的分析方法。

第四方面，本申请实施例提供了一种存储有计算机程序的计算机可读存储介质，其特征在于，该程序被处理器执行时实现上述预测隧道挤压变形的建模方法或分析方法。