岩质隧道信息化施工及围岩力学参数反分析研究

论文摘要

传统的岩石力学分析方法,不论是理论分析还是数值分方法,都是一种正向思维或确定性思维。然而对岩土工程问题应用正面的纯理论和数值预测及计算,往往是很难奏效的。必须详细地了解实际的条件和过程,积累经验,对理论和参数进行合理修正；在工程中不断监测并积累数据,在其基础上合理优化参数,再计算和预测以后的变化,从而达到更高的精度。因此实际工程中需要“理论导向,经验判断,精心观测,合理反算”。本文以绿春坝铁路隧道为工程应用背景,利用现场监测数据为基本信息,结合三维数值分析及遗传神经网络智能反分析系统,对围岩力学参数进行了反分析。根据现场典型监测断面数据的回归分析与曲线拟合,分析围岩变形（拱顶下沉及水平收敛）随时间以及空间变化的特点,预测围岩变形趋势并为二次衬砌提供最佳时机。采用正交设计法及均匀设计法对待反演的围岩力学参数（弹性模量E、泊松比μ、内聚力c及内摩擦角Φ）在初始域范围内进行设计,将多组参数样本代入到已建立好的三维数值隧道开挖模型中,结合三台阶七步开挖法施工工艺进行围岩弹塑性分析,求出关键点位移组成BP神经网络的训练样本及测试样本。针对BP神经网络易陷入局部极小值和训练时间过长等缺点,利用遗传算法全局寻优能力优化BP神经网络的权值和阈值。将数值计算结果作为训练样本及测试样本构建GA-BP智能反分析系统。本文在综合研究上述内容的基础上,将GA-BP智能反分析系统应用于隧道开挖工程中,结合现场量测信息反演围岩力学参数,将优化参数代入到有限元程序中进行计算分析,评估围岩稳定性及支护结构。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 引言
• 1.2 现场监测的重要性
• 1.3 国内外研究现状
• 1.3.1 反分析方法的研究现状
• 1.3.2 反分析方法存在的问题
• 1.3.3 反分析方法的发展方向
• 1.4 本文的研究目的与主要内容
• 1.4.1 研究目的
• 1.4.2 研究内容
• 1.5 本文的技术路线
• 第2章 位移反分析基本理论及方法
• 2.1 引言
• 2.2 反分析的必要性
• 2.3 位移反分析法关键因素
• 2.3.1 数值模型
• 2.3.2 位移量测系统
• 2.3.3 待反演参数的选择
• 2.3.4 目标函数的选择
• 2.3.5 优化方法的选择
• 2.3.6 反分析结果的检验
• 2.4 本章小结
• 第3章 隧道开挖动态监测及围岩稳定性数值分析
• 3.1 概述
• 3.2 隧道开挖监控量测
• 3.2.1 隧道监控量测的意义
• 3.2.2 监测方案设计
• 3.2.3 监控数据分析
• 3.3 隧道开挖三维数值模拟试验
• 3.3.1 有限元分析软件ANSYS简介
• 3.3.2 隧道设计和施工工艺概述
• 3.3.3 模型建立
• 3.3.4 初始地应力场
• 3.3.5 材料本构模型
• 3.3.6 计算步骤
• 3.3.7 计算参数的选取
• 3.3.8 计算结果
• 3.4 正交数值模拟试验
• 3.5 均匀数值模拟试验
• 3.6 本章小结
• 第4章 基于MATLAB的遗传神经网络智能反分析系统的建立
• 4.1 概述
• 4.2 神经网络原理
• 4.2.1 人工神经网络的构成
• 4.2.2 人工神经网络的分类
• 4.3 BP神经网络
• 4.3.1 BP神经网络传递函数及学习方法
• 4.3.2 BP网络学习函数
• 4.3.3 BP网络训练函数
• 4.3.4 BP神经网络误差函数
• 4.3.5 BP神经网络结构的确定
• 4.4 遗传算法
• 4.4.1 遗传算法基本思想
• 4.4.2 遗传算法特点
• 4.4.3 遗传算法基本操作
• 4.4.4 遗传算法性能测试
• 4.5 遗传算法优化神经网络及编程实现
• 4.5.1 遗传算法优化神经网络
• 4.5.2 GA-BP智能反分析系统的建立
• 4.6 本章小结
• 第5章 智能位移反分析法在绿春坝隧道7-程中的应用
• 5.1 工程概况
• 5.1.1 工程地质及水文地质
• 5.1.2 隧道设计和施工工艺概述
• 5.2 监测数据分析
• 5.2.1 拱顶下沉
• 5.2.2 水平收敛及监测数据分析
• 5.3 训练样本及测试样本的产生
• 5.3.1 样本数据归一化和反归一化
• 5.3.2 神经网络训练
• 5.3.3 神经网络测试
• 5.3.4 围岩参数反分析与预测
• 5.4 本章小结
• 第6章 结论及展望
• 6.1 结论
• 6.2 展望
• 参考文献
• 致谢
• 个人简介
• 附录