论文部分内容阅读
隧道围岩分级是针对爆破、开挖、支护、编制定额等工程要求，而对隧道围岩按照其工程地质条件进行的稳定性分级，以满足隧道设计、施工以及编制定额的需要。随着隧道勘察方法从以地质调查为主的单一勘察手段发展到现在基于遥感、地质调查、钻探、物探、原位测试等多手段的综合勘察方法，隧道工程围岩分级理论的发展也经历了从单一指标围岩分级到多指标复合围岩分级，从定性分级到半定量、定量化分级，从计算机自动化快速分级到计算机智能快速分级的发展历程。
隧道围岩具有以下特点：①由于隧道岩体经历不同期次的构造作用以及浅、表生作用，岩体中存在大量软弱结构面，从而使岩体具有各向异性、非均质性：②隧道岩体通常赋存于地应力、地下水等复杂地质环境中，不同地应力环境中岩体的力学响应不同，而地下水渗流场和岩体应力场二者耦合共同决定了岩体的复杂空间应力状态。⑨隧道围岩在施工中要经历开挖、爆破、卸荷、回填等工程处理，这些扰动使得围岩的力学性质表现出更加复杂的时间和空间形态。综上所述，隧道围岩本质上是一个非线性非平衡开放系统，表现为结构的无序、不稳定、不平衡以及时空的不可逆和非对称，从而使隧道围岩的工程地质性质及其力学行为具有不确定性，面临“参数给不准”和“模型给不准”两大瓶颈问题，而这是传统的基于经验的围岩分级方法暂时无法解决的。
面对隧道围岩的高度复杂性和非线性特点，使得隧道围岩稳定性评价的确定性理论在准确性和可靠性方面受到一定限制。而作为智能科学领域的人工神经网络理论具有对高度非线性和复杂性系统无限逼近能力的优点，使得人工神经网络可以成为隧道围岩分级的强有力工具。
本论文主要通过隧道分级方法的深入研究，结合人工智能方面的成果，基于matlab平台编制相关程序，探讨了将人工神经网络方法应用于隧道围岩分级中的运用。
1．介绍了国内外隧道围岩分级以及人工神经网络在隧道围岩中应用的现状，尝试运用人工神经网络方法建立隧道围岩分级的定量化模型。
2．在充分考虑影响围岩稳定性的主控因素和修正因素的基础上，建立适用的基于人工神经网络方法的围岩分级指标体系，并对围岩分级指标进行敏感性分析。
3．基于BP神经网络的算法原理，建立BP神经网络的隧道围岩分级模型，最后利用Matlab语言编程实现；在此基础上，基于遗传算法原理，对BP神经网络围岩分级模型进行优化。
4．基于RBF神经网络的算法原理，建立RBF神经网络的隧道围岩分级模型，最后利用Matlab语言编程实现；在此基础上，基于遗传算法原理，对RBF神经网络围岩分级模型进行优化。
5．基于SVM神经网络的算法原理，建立SVM神经网络的隧道围岩分级模型，最后利用Matlab语言编程实现；在此基础上，基于遗传算法原理，对SVM神经网络围岩分级模型进行优化。
6．将BP围岩分级模型、GA-BP围岩分级模型、RBF围岩分级模型、GA-RBF围岩分级模型，SVM围岩分级模型，GA-SAM围岩分级模型应用于刘家沟隧道围岩分级中，并与隧道设计规范和国标岩体分级方法的分级结果相对比，最后对刘家沟隧道围岩进行了稳定性评价，指导隧道的支护选型和支护结构设计。