基于三维网络模拟技术的裂隙网络水力研究及隧道涌水非线性预测

论文摘要

本文结合国家自然科学基金项目,编号:40272117和编号:40472136项目,以及教育部资助优秀年轻教师基金项目“三维网络结构岩体力学模型及工程地质灾害研究”。本文以诸永高速公路白鹤隧道永嘉端（K126+100K128+110）地质超前预报工作为依托,重点对K126+800K127+500间围岩进行研究,作为项目的主要研究人员,在2006年3月到2006年12月间对白鹤隧道工程地质情况进行全面调查分析,并于5初到12月底常驻隧道口进行现场地质工作,采用地质构造分析、现场地质描述、节理裂隙统计、监控量测、综合物探等手段进行现场工作,对白鹤隧道工程地质特征、节理裂隙的三维网络模型以及隧道涌水预测问题进行系统的研究。将神经网络与三维网络模型结合起来,通过对比可以看出隧道涌水量的预测成果具有较好的精度。本文首先对白鹤隧道地质构造、地层岩性、地形地貌、气象水文、地质环境等特征进行了介绍,再对三维网络模拟技术进行介绍,引进图论模型进行不连续面间拓扑关系表示,在大量室内外工作基础上实现了三维网络模型的生成,并在三维网络模型基础上进行裂隙全局搜索,利用三维网络模拟结果直接进行隧道涌水量、涌水位置和渗透性预测。在隧道涌水量计算方面,比较分析了多个常规涌水量计算方法,并选择部分较为合适的方法进行涌水量计算。在三维网络模型基础上,提取了反映岩体裂隙发育和连通特性的重要参数,并将其用于神经网络预测模型中。然后根据现场数据获得实际样本建立神经网络模型,进行隧道涌水量预测,最后采用遗传优化神经网络权值方法,再次进行涌水量预测,取得较好结果。

论文目录

• 内容提要
• 第一章 绪论
• 1.1 引言
• 1.2 国内外研究历史及现状
• 1.2.1 裂隙网络水力的研究现状
• 1.2.2 不连续面三维网络模拟研究
• 1.2.3 隧道涌水预报的研究现状
• 1.2.4 神经网络和遗传算法工程应用的研究现状
• 1.3 论文的主要创新点
• 1.4 论文的主要研究内容及研究思路
• 第二章 白鹤隧道工程地质条件
• 2.1 气象水文概况
• 2.1.1 气象、气候、水位情况
• 2.1.2 水文地质条件
• 2.2 区域地质概况
• 2.2.1 区域总体地质概况
• 2.2.2 区域深大断裂
• 2.2.3 区域地应力场情况
• 2.3 工程场区地质特征
• 2.3.1 白鹤隧道总体地貌分析
• 2.3.2 白鹤隧道地层岩性
• 第三章 裂隙岩体三维网络模拟
• 3.1 三维网络模拟技术原理
• 3.1.1 三维网络模拟基本步骤
• 3.1.2 岩体结构均质区
• 3.1.3 结构面大小的模拟
• 3.1.4 结构面密度的模拟
• 3.1.5 结构面的数学方程
• 3.1.6 蒙特卡罗的模拟
• 3.2 三维网络模型的生成
• 3.3 白鹤隧道三维网络计算机模拟
• 3.3.1 白鹤隧道节理裂隙调查
• 3.3.2 岩体结构均质区的划分
• 3.3.3 三维网络模型的生成
• 第四章 裂隙岩体三维网络模型应用研究
• 4.1 裂隙间相互位置关系判定
• 4.1.1 空间两个圆盘相交的三种模式
• 4.1.2 空间两个圆盘相交模式的判别方法
• 4.2 裂隙间相互位置关系的图论模型
• 4.2.1 图的基本概念
• 4.2.2 图的重要性质
• 4.2.3 图的邻接矩阵及其性质
• 4.2.4 图的数据结构表示及存储
• 4.2.5 图的基本操作
• 4.3 白鹤隧道裂隙网络通道的搜索
• 4.3.1 连通裂隙串搜索
• 4.3.2 连通裂隙串两裂隙间最短路径
• 4.4 三维网络模型的若干应用
• 4.4.1 隧道正演涌水量与反演涌水量
• 4.4.2 渗透性参数
• 4.4.3 三维网络模型渗透性
• 4.4.4 基于三维网络模型的涌水位置预测
• 4.4.5 基于三维网络模型的涌水量预测
• 第五章 裂隙岩体隧道涌水预测
• 5.1 隧道涌水预测与工程地质勘查
• 5.2 施工实时地质勘查
• 5.2.1 地质超前预报与涌水预报
• 5.2.2 白鹤特长隧道地形地貌特征
• 5.2.3 白鹤特长隧道构造地质特征
• 5.3 工程地质环境研究
• 5.3.1 地应力研究
• 5.3.2 地层结构的研究
• 5.3.3 工程区水文地质单元边界的界定
• 5.4 隧道涌水量一般预测方法研究
• 5.4.1 地下水动力学法
• 5.4.2 经验法
• 5.4.3 随机数学法
• 5.4.4 断面流量法
• 5.4.5 水均衡法
• 5.4.6 降水入渗法
• 5.4.7 地下水径流模数法
• 5.4.8 镜像法
• 5.4.9 规范经验公式法
• 5.4.10 钻孔—隧道比拟法
• 5.5 隧道围岩渗透性
• 5.6 白鹤隧道总体涌水量的预测
• 第六章 基于三维网络的涌水量神经网络预测
• 6.1 神经网络基本理论
• 6.1.1 人工神经网络简介
• 6.1.2 人工神经网络的发展简史
• 6.1.3 神经元基本模型
• 6.1.4 网络结构
• 6.2 BP神经网络简介
• 6.2.1 BP网络简介
• 6.2.2 BP神经网络基本算法和原理
• 6.2.3 BP算法的基本思想
• 6.2.4 BP网络的缺陷
• 6.3 BP网络算法的改进
• 6.3.1 BP学习算法的改进
• 6.3.2 初始权值和阈值的优化
• 6.3.3 误差函数的改进
• 6.3.4 数据的处理
• 6.4 BP神经网络模型的构建
• 6.4.1 BP神经网络隐含层数的选择
• 6.4.2 BP网络各层权值W、阈值b初始化
• 6.4.3 BP神经网络预测过程
• 6.5 BP神经网络的程序实现
• 6.5.1 BP网络的程序代码
• 6.5.2 BP网络的神经网络工具箱函数实现
• 6.6 隧道涌水量预测的BP神经网络实现
• 6.6.1 基于三维网络模拟技术的BP神经网络预测流程
• 6.6.2 预测参数选用依据
• 6.6.3 BP神经网络预测模型构建
• 6.6.4 BP神经网络预测实现
• 第七章 基于遗传算法优化神经网络涌水量预测
• 7.1 遗传算法概述
• 7.1.1 遗传算法的基本原理
• 7.1.2 遗传算法的特点
• 7.1.3 基本遗传算法的形式化定义
• 7.1.4 遗传算法的运行过程
• 7.1.5 遗传算法的基本概念和操作
• 7.2 遗传算法理论基础
• 7.2.1 基本定义
• 7.2.2 基本遗传算子对模式的作用
• 7.3 基于基本遗传算法改进的神经网络
• 7.4 遗传优化神经网络涌水量预测流程
• 7.4.1 遗传优化具体流程
• 7.4.2 遗传染色体编码结构
• 7.4.3 遗传算法优化主要代码
• 7.5 遗传优化神经网络涌水量预测
• 7.6 结果对比分析
• 第八章 结论和建议
• 8.1 主要结论
• 8.2 主要建议
• 参考文献
• 主要科研成果和项目
• 致谢
• 中文摘要
• ABSTRACT