论文部分内容阅读
岩石(体)具有很强随机性和不确定性，人工智能及相关信息技术在岩石力学与工程中的应用具有重要的研究意义。数据挖掘是从大量数据中提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程，它是近年来随着人工智能、数据库技术和统计学的发展而出现的一门新兴的信息技术。 本文在较全面的探讨现有数据挖掘技术以及分析了岩体工程有关数据和信息特点基础上，结合具体工程问题，基于数据挖掘技术进行了边坡岩体流变试验成果的相关性分析、坝基岩体的岩体质量评价分级研究和地下洞室监测位移序列时序预测分析。具体研究成果如下： 1．应用MS Analysis Services决策树数据挖掘模型的信息增益技术，基于龙滩水电站边坡岩体室内岩石流变试验数据进行相关性分析，研究了室内试验过程中各因素对岩石变形的关联程度。结果表明该岩石的变形最主要的影响因素是总荷载，其次是持续时间，这表明该岩石具有明显的流变效应。另外，环境湿度对岩石的变形有较大的影响，仅次于总荷载和持续时间，表明水在很大程度上对岩石的物理力学性质产生影响。 2．应用SAS／Enterprise Miner系统的决策树分类算法和Logistic回归算法进行岩体的质量分级评价。对长江三峡大坝坝基岩体质量分级的参数指标数据进行试算，并将得到的计算结果与原结论进行比较，结果符合工程实际。在此基础上应用该方法对清江水布垭水电工程坝基趾板岩体进行工程岩体质量分级。算法的学习样本主要由RMR法构造，数据挖掘则通过机器自学习得到学习样本中蕴涵的分类规律，并将这种规律运用于岩体质量评价分级。 3．应用SAS的ETS时序分析与挖掘系统对龙滩水电站地下厂房模型洞的位移观测资料进行了岩体的位移变化趋势预测。根据预测趋势曲线看，洞室围岩的流变特性明显，变形主体上能保持在稳定流变阶段；不同监测部位的流变特性是不同的，它们达到稳定流变的时间也不同。直墙下部的岩体有加速流变的迹象，流变特性更为显著。 上述三个方面的应用与研究都基于具体的工程问题，分别涉及了边坡岩体、坝基岩体和洞室岩体，数据来源于室内试验和现场勘测，有明确的工程实践背景。研究表明，数据挖掘技术在岩石力学与工程领域的应用具有广阔的前景。