[发明专利]一种基于非线性函数的围岩分级可靠性评价方法

说明书

本发明提供的一种基于非线性函数的围岩分级可靠性评价方法，结合极限学习机模型ELM与差异进化算法DE非线性映射函数对隧道围岩分级进行可靠概率计算。通过差异进化算法DE迭代优化极限学习机模型ELM的参数，取得全局极值的能力对其进行初始参数的全局寻优；将优化后的映射函数作为分级可靠度计算过程的功能函数，基于概率分布理论实现围岩分级可靠度评价。充分考虑了分级指标组中各指标采集过程中可能存在的测量误差、系统误差与参数在区域上的随机性问题，为分级预测结果赋予了概率化意义，更为全面且完善的描述了目标位置围岩预期状态，从数理统计的角度给出了围岩级别可靠概率评价结果。

技术领域

本发明涉及围岩安全评价技术领域，尤其涉及一种基于非线性函数的围岩分级可靠性评价方法。

背景技术

围岩级别同时蕴含了岩体稳定性、力学性能、渗透性等多种信息，公路隧道施工过程中，围岩级别判定是进一步施工与支护方案确定选取的重要依据。目前施工设计过程中的岩体分级依据多为项目初期的地质勘查报告中分级结果，同时在开挖过程中，依靠经验与国标BQ法等评价模型对已揭露掌子面进行评价分析进而确定下一步施工方案与支护手段。由于岩土工程的复杂性与非线性等特点，围岩级别的揭露结果与初期地质勘查设计结果往往存在于一定差异；通过常规BQ法得到的判定结果常常出现误差，鲁棒性差；依靠经验的分析判断对勘察人员经验素质要求较高且存在一定的主观不确定性。

发明内容

本发明公开的一种基于非线性函数的围岩分级可靠性评价方法，其特征在于，包括以下步骤：

S1：预设开挖步长，预设误差允许阀值；

采集待开挖区域的分级指标X，进行开挖，采集新开挖区域的围岩级别揭露值Y，循环开挖N步，获得由N组分级指标X—围岩级别揭露值Y组成的学习样本；

S2：构建以X为输入、Y为输出的极限学习机模型ELM，设置极限学习机模型的参数的初始值，构建差异进化优化模型DE；

S3：使用学习样本对极限学习机模型计算围岩级别预测值，对比围岩级别预测值与围岩级别揭露值获得预测误差；

S4：判别预测误差是否小于误差允许阀值，若是，则转S6，若否，则转S5；

S5：使用差异进化优化模型修正极限学习机模型的参数，转S3；

S6：使用极限学习机模型计算待开挖区域的围岩级别预测值；

S7：构建围岩级别概率分布模型及围岩级别非线性功能函数，计算围岩级别预测值对应的可靠概率；

S8：输出最大的可靠概率对应的围岩级别预测值及与围岩级别对应的可靠概率。

本发明提供的一种基于非线性函数的围岩分级可靠性评价方法，结合极限学习机模型ELM与差异进化算法DE非线性映射函数对隧道围岩分级进行可靠概率计算。借助差异进化算法DE较快的计算速度进行围岩参数与对应级别的非线性映射关系构建；通过差异进化算法DE迭代优化极限学习机模型ELM的参数，取得全局极值的能力对其进行初始参数的全局寻优；将优化后的映射函数作为分级可靠度计算过程的功能函数，基于概率分布理论实现围岩分级可靠度评价。差异进化算法DE原理和机制结构较为简单，且鲁棒性强、全局优化能力较好，不易陷入局部最优解，同时对初始化单一参数的设置依赖较小。因此，采用差异进化算法DE优化求解极限学习机模型ELM的参数，获取最优参数组合，使得运算稳定。充分考虑了分级指标组中各指标采集过程中可能存在的测量误差、系统误差与参数在区域上的随机性问题，为分级预测结果赋予了概率化意义，更为全面且完善的描述了目标位置围岩预期状态，从数理统计的角度给出了围岩级别可靠概率评价结果，由于构建非线性映射关系，能较准确的评价或预测围岩等级及其可靠性概率，为下一步支护施工提供合理的依据。

附图说明