[发明专利]一种地下大空间施工全过程多因素安全阶段性预测方法

说明书

本发明公开了一种地下大空间施工全过程多因素安全预测方法及系统，包括：构建并训练施工前安全预测神经网络模型，以使其形成输入层到输出层的非线性映射关系；构建并训练施工中安全预测神经网络模型，以使其形成输入层到输出层的非线性映射关系；串联所述施工前安全预测神经网络模型与所述施工中安全预测神经网络模型，形成施工预测串联模型，利用所述施工预测串联模型进行施工全过程分阶段的安全预测。本发明基于具有自适应性、非线性和容错性强的神经网络建立施工安全预测模型，能够不依赖于岩土系统的内部工作机理在施工前对地下大空间施工进行安全预测，并在施工中实时预测，且形成串联模型进行施工全过程预测。

技术领域

本发明涉及土木工程施工技术领域，尤其涉及一种地下大空间施工全过程多因素安全预测方法及系统。

背景技术

地下工程实践表明，在施工过程中的地质环境、水文环境、周围建筑环境和施工方法的选取都会对施工中的变形、应力、应变、沉降、位移等产生影响，多数情况下工程技术人员仅仅能够通过在施工中通过采集施工中的监测数据，来把握变形、应力、应变、沉降、位移等的变化，进而改进施工方法，不能在施工之前就可以有个大概的预测，这往往会因为改进不及时而造成各种灾害的发生、各种施工安全事故的发生。

此外，目前主要采用理论计算的方法对施工中变形、应力、应变、沉降、位移等多安全因素进行预测。然而，由于缺乏对岩土系统内在工作机理的认知，建立相应的理论计算表达式时必然存在巨大困难，并且关于岩土工程系统的安全干扰因素的预测计算表现出非常复杂的高阶非线性特性，而非线性计算本身就具有一定的难度。

神经网络由于具有自适应性、非线性和容错性强等特点，特别适合于处理各种非线性问题。它可以通过大量样本的学习来抽取出隐含在样本中的因果关系。因此，神经网络为地下工程领域提供了完全不同于数学建模的研究思路，它避开了复杂的本构模型，成为解决地下工程问题的一种有效途径。同时，神经网络在其他领域也有很多的应用，如一种区段输电线路杆塔基础边坡暴雨灾害风险的评估方法以灾害统计及人工降雨边坡侵蚀试验结果，用改进BP网络建立控制因素与暴雨滑坡事故率的映射关系，并结合改进层次分析计算程序，得到线路各区段边坡暴雨灾害评估结果。本专利与其的差别在于，本专利拟建立一个地下大空间施工全过程多因素安全阶段性预测方法，包括施工前和施工中两个阶段，且通过建立一个两个阶段的串联模型考虑施工全过程，在施工前进行安全预测并且在施工中进行实时预测，通过相关规范或者分级体系进行安全性判别，以保证全过程施工安全。

发明内容

本发明的目的之一至少在于，针对如何克服上述现有技术存在的问题，提供一种地下大空间施工多因素安全预测方法及系统，基于具有自适应性、非线性和容错性强的神经网络建立施工安全预测模型，能够不依赖于岩土系统的内部工作机理在施工前对地下大空间施工进行安全预测，并在施工中实时预测。

为了实现上述目的，本发明采用的技术方案包括以下各方面。

一种地下大空间施工全过程多因素安全预测方法，包括：

步骤1，构建施工前安全预测神经网络模型，利用第一训练样本对所述施工前安全预测神经网络模型进行训练，以使所述施工前安全预测神经网络模型性能趋于稳定并形成其输入层到输出层的非线性映射关系；

其中，所述施工前安全预测神经网络输入层的输入参数为：工程地质条件、水文条件、周围建筑环境、施工方法、管理水平、施工水平；所述施工前预测神经网络的输出参数为对应的应力、应变、位移、沉降的预测值；

步骤2，构建施工中安全预测神经网络模型，利用第二训练样本对所述施工中安全预测神经网络模型进行训练，以使所述施工中安全预测神经网络所述施工前预测神经网络性能趋于稳定并形成其输入层到输出层的非线性映射关系；

其中，所述施工中安全预测神经网络模型输入层的输入参数为：施工中某一时间节点的应力、应变、位移、沉降的输入值；所述施工中安全预测神经网络模型的输出参数为所述施工中下个时间节点的应力、应变、位移、沉降预测值；