[发明专利]基于神经网络模型的异性结构面峰值抗剪强度预测方法

说明书

本发明提供一种基于神经网络模型的异性结构面峰值抗剪强度预测方法，包括以下步骤：S1：采集实际试验的历史数据，筛选出训练数据和验证数据后进行标准化处理；S2：建立BP神经网络模型，选择输入参数和输出参数；S3：确定隐含层最优神经单元数量；S4：使用所述训练数据训练所述BP神经网络模型；S5：使用所述验证数据验证所述BP神经网络模型；S6：对验证后的所述BP神经网络模型输入参数，得到异性结构面峰值抗剪强度比率预测值，从而得到预测的异性结构面峰值抗剪强度。本发明的有益效果：提供了更为精确预测异性结构面峰值抗剪强度的方法，对于含异性结构面岩石边坡的稳定性评价具有重要意义。

技术领域

本发明涉及本发明属于岩土工程技术方法领域，尤其涉及一种基于神经网络模型的异性结构面峰值抗剪强度预测方法。

背景技术

岩体是在地质历史时期形成的具有一定组分和结构的地质体。由于经受过复杂的地质作用，岩体中分布着各种结构面，如断层、节理、裂隙等。岩体的强度、变形性质、破坏特征等与岩体结构面的力学性质与破坏机理密切相关。历史上许多工程岩体的失稳，大多是岩体沿着软弱结构面发生滑动破坏而造成的，如意大利瓦伊昂滑坡等。所以开展结构面的研究、确定结构面的峰值抗剪强度具有重要意义。然而，目前的研究主要针对两侧壁岩性质相同的普通结构面，对异性结构面关注较少，而实际工程岩体岩性交替变化的情况普遍存在，异性结构面分布非常广泛，其力学性质对工程岩体稳定性具有重要影响。由于神经网络方法有着非线性模型识别、自我建立和自我学习的杰出能力，在考虑结构面壁岩强度、结构面粗糙度及法向应力的基础上用神经网络模型的方法来预测异性结构面的峰值抗剪强度，结果显示，基于神经网络模型预测异性结构面峰值抗剪强度的方法精度较高、误差较小，能够用于含异性结构面岩石边坡的稳定性评价。

发明内容

有鉴于此，本发明的实施例提供了一种基于神经网络模型的异性结构面峰值抗剪强度预测方法。

本发明的实施例提供一种基于神经网络模型的异性结构面峰值抗剪强度预测方法，包括以下步骤：

S1：采集实际试验的历史数据，筛选出训练数据和验证数据后进行标准化处理；

S2：建立包含输入层、隐含层和输出层的BP神经网络模型，选择异性结构面壁岩强度比率、结构面粗糙度系数和法向应力作为输入参数，选择峰值抗剪强度比率作为输出参数；

S3：根据输入参数数量和输出参数数量确定隐含层最优神经单元数量；

S4：使用所述训练数据训练所述BP神经网络模型；

S5：使用所述验证数据验证所述BP神经网络模型；

S6：对验证后的所述BP神经网络模型输入参数，得到输出参数峰值抗剪强度比率预测值，从而得到预测的异性结构面的峰值抗剪强度。

进一步地，确定最优神经单元数量的公式如下：

其中，n表示隐含层神经单元数量，n₀表示输出参数的数量，n_i表示输入参数的数量，α是一个从1到10的常数，通过改变α的大小确定n值，然后得出所述训练数据中同一组数据对应的不同异性结构面抗剪强度，分别比较得到的异性结构面抗剪强度与实际的历史异性结构面抗剪强度，确定均方误差最小且相关系数最大的异性结构面抗剪强度对应的n值为隐含层最优神经单元数量。

进一步地，所述历史数据通过室内直剪试验获得或通过现场原位测试获得。

进一步地，对所述训练数据和所述验证数据的标准化处理为按比例缩小到0到1之间，缩小公式如下：

其中，x_i是变量，x_max、x_min为最大值和最小值，x_i,norm为标准化值。