Stability analysis of surrounding rock of mountain tunnels based on deformation prediction and parameter inversion
-
摘要: 隧道围岩变形与岩体力学参数之间存在复杂的非线性关系，是围岩状态改变最直观的表现，也是围岩稳定性综合判别的重要指标。提出一种基于变形时序预测和力学参数反演的山岭隧道围岩稳定性分析方法。首先引入Tent混沌扰动和自适应警戒调整机制，构建基于自适应混沌麻雀搜索算法优化极限学习机（ACSSA-ELM）的变形时序预测模型和力学参数反演模型，进一步采用三次样条插值和变分模态分解（VMD）对已开挖断面围岩实测变形预处理，利用变形时序预测模型采取窗口滚动单步预测的方式对已开挖断面围岩最终变形值进行预测，并用于力学参数反演模型中获取开挖段围岩的“修正”力学参数，基于数值模型正算结果和开挖段已测变形值预测开挖段围岩变形和变形速率，进而分析其稳定性。依托重庆市花阳隧道进行了方法的验证与应用，并对隧道ZK40+820断面围岩的稳定性进行了合理可靠的预测分析。最后对方法的使用条件和反演参数的准确性进行了讨论。Abstract: There is a complex nonlinear relationship between the deformation of the surrounding rock of tunnels and the mechanical parameters of rock mass, which is the most intuitive expression for change of state of the surrounding rock, and is also an important index for the comprehensive discrimination of its stability. A stability analysis method for the surrounding rock of tunnels based on the deformation prediction and the mechanical parameter inversion is proposed. Firstly, by introducing the tent chaotic disturbance and the adaptive vigilance adjustment mechanism, the deformation time series prediction model and the mechanical parameter inversion model based on the adaptive chaos sparrow algorithm optimized extreme learning machine (ACSSA-ELM) are established. Further, the cubic spline interpolation and the variational modal decomposition (VMD) are used to preprocess the measured deformation values of the surrounding rock of the excavated section, and the deformation time series prediction model is used to predict the final deformation values of the surrounding rock of the excavated section using the dynamic window rolling single-step prediction, which is used to obtain the real mechanical parameters of the surrounding rock of the excavation section in the mechanical parameter inversion model. Based on the forward calculation results of the numerical model and the measured deformation values of the excavation section, the deformation and deformation rate of the surrounding rock in the excavation section are predicted, and then its stability is analyzed. Taking the Huayang tunnel of Chongqing as an example, the proposed method is verified and applied, and the stability of the surrounding rock of ZK40+820 section of the tunnel is reliably predicted and analyzed. Finally, the application conditions of the method and the accuracy of the inversion parameters are discussed.
-
0. 引言
黏土矿物与非黏土矿物的重要区别之一是前者具有高度的亲水性。亲水性是指在矿物表面引力影响下所形成的结合水总量。黏土的许多物理-化学和力学特性,诸如膨胀、干缩、塑性、压缩、强度特性等都与其亲水性有关。特别是在非饱和状态下,含水率的轻微变化都会对土样的吸力和强度产生较大的影响。
众多研究者[1-5]发现非饱和土在低含水率,尤其是低于残余含水率下,含水率每减少1%,会导致土体的总吸力增大数十兆帕,甚至数百兆帕。因此,精确测量土样的含水率具有重要的意义。
目前国外众多标准[6-10],在测试土样的含水率和确定黏土的液限塑限时,均将土样放置于烘箱内,在105℃～115℃的恒温下烘至恒重,将此时的土样质量作为绝对干燥下土样的质量,计算土样的含水率。
藤田龍之等[11]研究了3种不同最大粒径土样,测试土样含水率所需的最少土样质量,及不同加热温度对含水率的影响。而没有分析蒙脱石这种特殊微观分子结构的物理化学性质对膨润土持水性的影响。
本文利用土-水相互作用的机理,认为在测定黏土的含水率时,应将烘箱的设置温度由110℃±5℃提高到150℃,并且在测试蒙脱石含量较高的膨润土含水率时,土样自取出烘箱后应在30 s内测定。先用X射线衍射（XRD）测定了7种土样的矿物成分,再利用同步热分析仪对7种土样进行了微商热重法分析（DTG）和热重分析（T-G）分析。当土样中蒙脱石、伊利石矿物含量越高,脱去土样吸附水的温度需越高。为非饱和土测试高吸力条件下的土水特征曲线提供理论依据。
1. 土-水相互作用机理
黏土的主要成分是黏土矿物,有的黏土主要含有一种黏土矿物,其它黏土矿物含量较少,如膨润土就是以蒙脱石为主要成分的黏土,其物理化学性质主要取决于蒙脱石的属性和含量。有相当多的黏土则是多种黏土矿物的混合物。黏土中除黏土矿物以外,还有长石、石英、方解石等非黏土矿物存在。
蒙脱石一般由含铝硅酸盐矿物火山灰在高温环境下经风化作用、热液蚀变等作用生成的。层状硅酸盐Al-OH八面体中的三价Al元素被1价Na元素或2价Ca元素置换,使得蒙脱石带有多余的负电荷。这些多余负电荷可由晶格中别处的其它离子的置换来补偿,或用单位晶层底面吸附阳离子来达到平衡,即该黏土矿物具有阳离子交换性能。在酸性环境长期风化条件下,蒙脱石会逐渐变成高岭土,在富钾的碱性介质环境下,蒙脱石则生成伊利石。
土-水相互作用的机理主要有以下4种[12]：①表面的液态自由水。这种水在稍高于室温的条件下就可全部蒸发掉。②层间吸附水。处于晶层底面的取向排列的偶极性水和交换性阳离子吸附的阳离子水化膜。这种水一般距蒙脱石矿物表面8～20 Å的范围内,其密度、黏滞度比液态水要大,特别是强结合水不能流动,密度大于1 g/cm3,沸点高于100℃。③结晶水。主要为碳酸盐类结晶水,如Na2(CO3)·10H2O；硫酸盐类结晶水,如Ca(SO4)·2H2O。由于在不同的矿物的晶格中,水分子结合的紧密程度不同,因此结晶水脱离晶格所需的温度也就不同,但一般不超过600℃,通常为100℃～200℃。④结构水。主要为层状硅酸盐矿物的基本构造单位Al—(O,OH)八面体中的OH-,其脱水温度因构造不同而已一般在500℃以上脱出较多,在800℃左右基本脱净。
2. 试验方案
2.1 XRD试验
为了测试土样的矿物成分,将土样研磨后过0.25 mm筛,放入105℃烘箱内烘6 h,冷却后,放入室内静置10 d,让土样充分与空气中的水汽平衡,再用XRD测试其物相,扫描角度θ为3°～60°,扫描速度2°/min。
台州滨海软土取自台州市聚集区深度0.5 m处,上海软土取自浦东第4层,高岭土为福建产的商品高岭土。
图1为7种土样在105
℃ 下烘6 h后的XRD图,从图1（a）中可以看出,台州滨海软土主要成分为长石（2θ= 13.92°,对应的d值为6.36 Å）和石英（2θ= 26.62°,对应的d值为3.35 Å）；图1（b）中可知,上海软土主要成分为石英和长石；图1（c）中可看出,广西红黏土主要含有蒙脱石、伊利石和高岭土（2θ= 12.4°,对应的d值为7.15 Å）；图1（f）中可看出,高庙子钠基膨润土（GMZ07-Na）主要成分为蒙脱石（2θ= 5.91°,对应的d值为15.0 Å）；图1（g）中可看出,高庙子钙基膨润土（GMZ-Ca）主要成分为蒙脱石（2θ= 5.7°,对应的d值为15.5 Å）。这7种土样的各种矿物成分的含量如表1所示。由表1可知,福建高岭土和上海软土主要矿物为石英、长石和云母,这些矿物不具有膨胀晶体格架；高庙子钠基膨润土和高庙子钙基膨润土含有大量的蒙脱石矿物,为高膨胀性土。![]()
图 1 7种烘干土样去除背底的XRDFigure 1. X-ray diffraction profiles of background subtracted for 7 samples drying at 105℃表 1 7种土样矿物成分和物理参数Table 1. Physical properties and mineral compositions of seven samples物化属性 台州滨海软土 上海软土 福建高岭土 广西红黏土 南阳膨胀土 GMZ07-Na[16] GMZ-Ca 液限/% 61.0 44.5[13] 48.1 77.8[14] 38.8[15] 276 99[18] 塑限/% 36.3 22.4[13] 30.7 42.1[14] 17.2[15] 37 41[18] 塑性指数 24.7 22.1[13] 17.4 35.7[14] 21.6[15] 239 58[18] 蒙脱石含量/% 1.0 — — 4.1 6.7 62 73~82[17] 伊利石含量/% 8.9 — — 3.2 3.6 — 1.0[17] 高岭石含量/% — — 92.2 56.8 4.4 — — 角闪石含量/% 1.1 0.9 — — 1.6 — — 绿泥石含量/% 13.0 17.6 — — — — — 石英含量/% 46.7 47.8 3.0 23.8 66.9 25 14~20[17] 长石含量/% 23.4 19.8 2.8 4.7 16.8 6 1~6[17] 云母含量/% — 11.2 2.0 — — — — 赤铁矿含量/% — — 7.4 — — — 方解石含量/% 2.6 1.3 — — — — — 白云石含量/% 3.3 — — — — — — 2.2 热重分析和微商热重法分析
将上述7种土样研磨,过0.25 mm的筛,再放入恒温干燥箱内,设置105℃烘干24 h取出,立刻将土样装入密封袋内密封,再利用同步热分析仪进行热重分析（T-G）和微商热重法分析（DTG）试验。试验测试温度为20℃～1200℃,升温速度20℃/min。
图2为7种土样的热重分析（T-G）和微商热重法分析（DTG）。因高纯度高岭土矿物的脱水曲线到400℃左右都几乎是平的,表示失去的水很少。它的脱水作用主要在400℃～600℃间发生,失去OH结构水,在微商热重法分析（DTG）曲线表现为强烈的、尖锐的吸热峰；伊利石在200℃～500℃逸出结构水；蒙脱石在500℃～600℃使结构水迅速逸出。
![]()
图 2 7种土样热重和微商热重法分析Figure 2. Results of thermogravimetry and derivative thermo-gravimetry tests on seven clays从图2（a）可知,台州滨海软土从20℃～73℃失重较快,在45℃时有一个吸热峰,达到最大失重速率0.0258 %/℃,在这个区间逸出的是矿物表面的液态自由水；在300℃～655℃又有一个快速的失重段,在634℃时又有一个吸热峰,达到最大失重速率0.024%/℃,在此区间逸出的是绿泥石和蒙脱石的吸附水；在821℃有一个反向的放热谷,为绿泥石生成橄榄石。
从图2（b）可知,上海软黏土在30℃失重很快,最大失重速率0.039%/℃,主要逸出的是矿物表面的自由水。500℃～635℃,失重较快,在645℃有一个强烈的、尖锐的吸热峰,此时最大失重速率为0.03%/℃,失去结构水,矿物结构破坏,形成新的矿物。
从图2（d）可知,广西红黏土在28℃～100℃失重较快,在43.5℃有一个吸热峰,此时最大失重速率为0.0449%/℃,主要逸出的是矿物表面的自由水和弱结合水。100℃～280℃,形态平缓且宽,土样质量几乎不变。280℃～780℃,失重很快,在323℃有一个小的吸热峰,其失重速率为0.0197%/℃,在484.4℃有一个较大吸热峰,其失重速度为0.0523%/℃,323℃的失重速度与484.4℃的失重速度比值为0.377,约为三分之一,失去强结合水膜。在1012℃和1060℃有2个放热峰,此时失去结构水,形成新的矿物。
从图2（e）可知,南阳膨胀土从26℃～178℃失重较快,在54℃,121℃处有2个吸热峰,其失重速率分别为0.0581%/℃和0.0127%/℃,第二个吸热峰约为第一个吸热峰的五分之一,主要逸出的是矿物表面的自由水和弱结合水。在267℃、431℃有2个吸热峰,其失重速率分别为0.0066%/℃和0.0124%/℃,第一个吸热峰约为第二个吸热峰的二分之一,失去结构水。从图2（f）可知,高庙子钠基膨润土从20℃～134℃失重较快,在52℃,118℃,200℃处有3个吸热峰,第二个吸热峰约为第一个吸热峰的四分之一,主要逸出的是矿物表面的自由水和弱结合水。134℃～500℃,形态平缓且宽。500℃～700℃,失重很快,在637℃有一个强烈的、尖锐的吸热峰,此时最大失重速率为0.017%/℃,失去结构水。
从图2（g）可知,高庙子钙基膨润土从20℃～145℃失重较快,在68℃,130℃时有吸热峰,第二个吸热峰约为第一个吸热峰的三分之一,主要逸出的是矿物表面的自由水和弱结合水。145℃～500℃,形态平缓且宽。350℃～635℃,失重很快,在633℃有一个强烈的、尖锐的吸热峰,此时最大失重速率为0.016%/℃,失去结构水。
按照现行土工试验规范和本文提出测试温度的要求,计算105℃,150℃和200℃测的干燥土样为绝对干燥土样质量,分别计算3种温度下的含水率,其结果汇总如表2所示。由表可知,对于不含蒙脱石矿物的上海软土、福建高岭土,主要水分为矿物表面液态自由水,所以105℃,150℃和200℃对应的含水率差别不大。
表 2 7种土样含水率对比Table 2. Comparison of water content for seven samples(%) 土样 w1 w2 w3 w2 -w1 w3 -w1 上海软土 2.06 2.32 2.52 0.26 0.46 福建高岭土 1.29 1.43 1.57 0.14 0.28 台州滨海软土 2.16 2.35 2.52 0.19 0.36 广西红黏土 2.72 3.42 3.93 0.70 1.21 南阳膨胀土 4.35 4.89 5.14 0.55 0.79 GMZ07-Na 3.81 4.42 4.59 0.61 0.78 GMZ-Ca 3.85 4.96 5.42 1.10 1.39 注： w1 ,w2 ,w3 分别为105℃,150℃,200℃计算得到的含水率。因台州滨海软土蒙脱石含量只有1%,层间结合水化膜极少,因此105℃与150℃,150℃与200℃对应的含水率差分别只有0.19%和0.36%,说明超过105℃再增加温度对含水率的影响较小。而蒙脱石含量较高的GMZ07-Na在105℃与150℃,150℃与200℃对应含水率差值分别达到了0.61%和0.78%,GMZ-Ca则分别为1.10%和1.39%,说明当土样中的蒙脱石含量较高时,升高温度对含水率的影响较大。由试验结果可知,这7种土样在150℃与200℃下得到的含水率差值比较小,而在105℃与150℃下的含水率差值比较大。钠基膨润土105℃与150℃对应含水率差值没有钙基膨润土的大,主要原因是钠基膨润土每个晶胞所带的净电荷没有钙基的大,使得钠基膨润土矿物表面与氢键黏结力没有钙基膨润土的大,只吸附一层水膜,而钙基膨润土吸附了二层水膜。已有资料证明,黏土矿物的吸附水量（强结合水）主要取决于交换性阳离子的成分：Al3+>Mg2+>Ca2+>Ba2+>Li+>Na+>K+,交换阳离子成分不仅影响吸附水的总量,而且也影响其能量的状态,在其它条件相同时二价离子比一价离子对吸附水膜控制得更牢些（Martin[19],Mitchell[20]）。
3. 结论和建议
本文通过对7种土样进行XRD分析,得到这7种土样的矿物成分,并通过热重和微商热重分析,对105℃,150℃和200℃下的试验数据进行含水率计算分析,可得到如下结论：
（1）台州滨海软土、上海软土、高岭土的吸热峰数量较少,且在100℃内；而蒙脱石含量高的高庙子钠基膨润土呈现3个吸热峰（第一个吸热峰约52℃,第二个吸热峰约120℃,第三个吸热峰为200℃）,高庙子钙基膨润土呈现双吸热峰（第一个吸热峰约70℃,第二个吸热峰130℃）。
（2）不含蒙脱石矿物成分的土样,在105℃,150℃和200℃下,测得的含水率差别不大。而蒙脱石矿物成分含量较高的土样,在105℃和150℃下,测得的含水率差别比较大,150℃与200℃下的含水率差别不大。
（3）通过7种土样试验数据分析,对于不膨胀性土测试含水率时烘箱温度设置为110℃±5℃,而膨胀性土烘箱温度设置为150℃为宜。
-
![]()
图 4 插值处理后ZK40+800断面实测变形值
Figure 4. Measured values of ZK40 + 800 section after interpolation
![]()
图 5 ZK40+800断面变形值的变分模态分解
Figure 5. Variational modal decomposition of ZK40 + 800 section
![]()
图 6 时序预测模型最佳网络结构选取
Figure 6. Selection of best network structure of time series prediction model
![]()
图 7 4种模型上台阶收敛变形预测结果对比
Figure 7. Comparison of predicted results of upper step convergence deformation by four models
![]()
图 9 ZK40+810和ZK40+815断面已测变形分解
Figure 9. Decomposition of measured deformation at ZK40 + 810 and ZK40 + 815 sections
![]()
图 10 ZK40+810和ZK40+815断面变形时序预测
Figure 10. Deformation time series prediction of ZK40 + 810 and ZK40 + 815 sections
![]()
图 11 ZK40+820断面变形值曲线拟合
Figure 11. Fitting curves of deformation value of ZK40 + 820 section
![]()
图 12 ZK40+820断面围岩变形和变形速率时程曲线
Figure 12. Time-history curves of deformation and deformation rate of surrounding rock of ZK40 + 820 section
![]()
图 13 少量监测数据的变形拟合和时序预测
Figure 13. Deformation fitting and time series prediction of a small amount of monitoring data
表 1 ZK40+800断面4种模型趋势项变形预测结果对比
Table 1 Comparison of predicted results of trend-term deformation by four models for ZK40 + 800 section
指标 监测点 ACSSA-ELM SSA-ELM GWO-ELM BP 监测点 ACSSA-ELM SSA-ELM GWO-ELM BP RMSE GCJ 0.11 0.46 0.33 1.15 SSL 0.11 0.21 0.46 0.59 ARE 0.09 0.39 0.27 0.91 0.08 0.14 0.39 0.45 SMAPE 0.46 1.97 1.34 4.36 0.49 0.84 2.26 2.60 RMSE ZSL 0.25 0.28 0.35 0.61 XSL 0.15 0.52 0.34 0.33 ARE 0.19 0.24 0.28 0.48 0.13 0.42 0.25 0.22 SMAPE 1.50 1.92 2.17 3.66 1.14 3.52 2.07 1.81 
下载: 导出CSV
表 2 围岩力学参数反演模型训练样本集
Table 2 Training sample sets of mechanical parameter inversion model for surrounding rock
样本编号 E/GPa c/MPa μ GCJ/mm SSL/mm ZSL/mm XSL/mm 1 1.5000 0.3000 0.2500 34.5285 24.1551 19.3244 14.7527 2 1.8750 0.3000 0.2500 28.0792 19.3012 14.3012 11.3671 3 2.2500 0.3000 0.2500 23.8682 15.1129 11.4967 9.8530 ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ 25 3.0000 1.2000 0.3500 15.6302 12.9397 9.6325 8.2561
下载: 导出CSV
表 3 围岩力学参数反演模型测试样本集
Table 3 Test sample sets of mechanical parameter inversion model for surrounding rock
样本编号 E/GPa c/MPa μ GCJ/mm SSL/mm ZSL/mm XSL/mm 1 1.5000 0.4500 0.2625 33.3623 25.1538 19.5234 15.8074 2 1.8750 0.6500 0.2875 26.5388 20.1030 15.2248 13.2724 3 2.2500 0.8500 0.3125 21.8077 16.8328 14.2017 12.3318 4 2.6250 1.0500 0.3375 18.2687 13.9744 11.6823 10.1458 5 3.0000 1.2500 0.3625 15.3268 13.3857 9.6086 8.8342
下载: 导出CSV
表 4 ACSSA-ELM围岩力学参数反演模型计算结果
Table 4 Results of ACSSA-ELM mechanical parameter inversion model for surrounding rock
编号 E/GPa c/MPa μ 目标值 反演值 相对误差% 目标值 反演值 相对误差% 目标值 反演值 相对误差% 1 1.5000 1.4956 0.293 0.4500 0.4508 0.178 0.2625 0.2668 1.638 2 1.8750 1.8792 0.224 0.6500 0.6301 3.060 0.2875 0.2867 0.278 3 2.2500 2.2472 0.124 0.8500 0.8526 0.306 0.3125 0.3114 0.325 4 2.6250 2.6300 0.042 1.0500 1.0864 3.467 0.3375 0.3374 0.089 5 3.0000 3.0022 0.190 1.2500 1.2848 2.784 0.3625 0.3594 0.030 平均相对误差% 0.175 1.959 0.472
下载: 导出CSV
表 5 ZK40+820断面变形最佳拟合曲线
Table 5 Best fitting curves of deformation of ZK40 + 820 section
监测点位 曲线方程 SSE R-square Adjusted R-square RMSE GCJ y=26.88e−4.864/x0.7988 1.068 0.9983 0.9981 0.2668 SSL y=x/(0.2179+0.08117x0.8491)−3.705 1.568 0.9952 0.9942 0.3347 ZSL y=17.99e−3.924/x0.7037 0.9977 0.9945 0.9935 0.3012
下载: 导出CSV
表 6 已开挖断面实测变形值
Table 6 Measured deformation values of excavated section
监测断面 GCJ/mm SSL/mm ZSL/mm XSL/mm ZK40+775 20.270 15.274 13.578 11.022 ZK40+780 21.077 11.679 8.897 7.114 ZK40+790 19.263 12.572 10.733 8.993 ZK40+800 20.672 17.117 13.135 12.104
下载: 导出CSV
表 7 力学参数反演值
Table 7 Inverse values of mechanical parameters
监测断面 E/GPa c/MPa μ ZK40+775 2.5974 0.5571 0.2786 ZK40+780 2.6545 0.5780 0.2476 ZK40+790 2.6554 0.7751 0.3028 ZK40+800 2.3744 1.0083 0.3284 工程地质勘查报告实测值 2.8000 0.6200 0.3600
下载: 导出CSV
-
[1] 孙振宇, 张顶立, 侯艳娟, 等. 基于现场实测数据统计的隧道围岩全过程变形规律及稳定性判据确定[J]. 岩土工程学报, 2021, 43(7): 1261-1270, 1376. http://manu31.magtech.com.cn/Jwk_ytgcxb/CN/abstract/abstract18670.shtml SUN Zhenyu, ZHANG Dingli, HOU Yanjuan, et al. Whole-process deformation laws and determination of stability criterion of surrounding rock of tunnels based on statistics of field measured data[J]. Chinese Journal of Geotechnical Engineering, 2021, 43(7): 1261-1270, 1376. (in Chinese) http://manu31.magtech.com.cn/Jwk_ytgcxb/CN/abstract/abstract18670.shtml
[2] 王述红, 董福瑞, 朱宝强, 等. 山岭隧道围岩参数智能反演及稳定性分析[J]. 应用基础与工程科学学报, 2021, 29(5): 1171-1185. WANG Shuhong, DONG Furu, ZHU Baoqiang, et al. Intelligent inversion and stability analysis of surrounding rock of mountain tunnel[J]. Journal of Basic Science and Engineering, 2021, 29(5): 1171-1185. (in Chinese)
[3] 田明杰, 牟智恒, 仇文革. 基于BP神经网络的隧道稳定性分析研究[J]. 土木工程学报, 2017, 50(增刊2): 260-266. doi: 10.15951/j.tmgcxb.2017.s2.041 TIAN Mingjie, MOU Zhiheng, QIU Wenge. Research of the model comprehensive judgement for tunnel stability based on BP neural network[J]. China Civil Engineering Journal, 2017, 50(S2): 260-266. (in Chinese) doi: 10.15951/j.tmgcxb.2017.s2.041
[4] 吴秋军, 王明年, 刘大刚. 基于现场位移监测数据统计分析的隧道围岩稳定性研究[J]. 岩土力学, 2012, 33(增刊2): 359-364. https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX2012S2057.htm WU Qiujun, WANG Mingnian, LIU Dagang. Research on stability of tunnel surrounding rocks based on statistical analysis of on-site displacement monitoring data[J]. Rock and Soil Mechanics, 2012, 33(S2): 359-364. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX2012S2057.htm
[5] 孙潇昊, 缪林昌, 林海山. 不同埋深盾构隧道开挖面稳定问题数值模拟[J]. 东南大学学报(自然科学版), 2017, 47(1): 164-169. https://www.cnki.com.cn/Article/CJFDTOTAL-DNDX201701028.htm SUN Xiaohao, MIAO Linchang, LIN Haishan. Numerical simulation research on excavation face stability of different depths of shield tunnel[J]. Journal of Southeast University (Natural Science Edition), 2017, 47(1): 164-169. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-DNDX201701028.htm
[6] 阮永芬, 高春钦, 刘克文, 等. 基于粒子群算法优化小波支持向量机的岩土力学参数反演[J]. 岩土力学, 2019, 40(9): 3662-3669. https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX201909042.htm RUAN Yongfen, GAO Chunqin, LIU Kewen, et al. Inversion of rock and soil mechanics parameters based on particle swarm optimization wavelet support vector machine[J]. Rock and Soil Mechanics, 2019, 40(9): 3662-3669. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX201909042.htm
[7] 阮永芬, 余东晓, 吴龙, 等. DE-GWO算法优化SVM反演软土力学参数[J]. 岩土工程学报, 2021, 43(增刊1): 166-170. http://manu31.magtech.com.cn/Jwk_ytgcxb/CN/abstract/abstract18739.shtml RUAN Yongfen, YU Dongxiao, WU Long, et al. DE-GWO algorithm to optimize SVM inversion mechanical parameters of soft soil[J]. Chinese Journal of Geotechnical Engineering, 2021, 43(S1): 166-170. (in Chinese) http://manu31.magtech.com.cn/Jwk_ytgcxb/CN/abstract/abstract18739.shtml
[8] GAO W, CHEN D L, DAI S, et al. Back analysis for mechanical parameters of surrounding rock for underground roadways based on new neural network[J]. Engineering With Computers, 2018, 34(1): 25-36.
[9] 王开禾, 罗先启, 沈辉, 等. 围岩力学参数反演的GSA-BP神经网络模型及应用[J]. 岩土力学, 2016, 37(增刊1): 631-638. https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX2016S1083.htm WANG Kaihe, LUO Xianqi, SHEN Hui, et al. GSA-BP neural network model for back analysis of surrounding rock mechanical parameters and its application[J]. Rock and Soil Mechanics, 2016, 37(S1): 631-638. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX2016S1083.htm
[10] BERTUZZI R. Back-analysing rock mass modulus from monitoring data of two tunnels in Sydney, Australia[J]. Journal of Rock Mechanics and Geotechnical Engineering, 2017, 9(5): 877-891.
[11] JIANG A N, LI P. Back-analysis of mechanics parameters of tunnel based on particle swarm optimization and numerical simulation[J]. Key Engineering Materials, 2011(474/475/476): 1373-1376.
[12] 刘开云, 方昱, 刘保国, 等. 隧道围岩变形预测的进化高斯过程回归模型[J]. 铁道学报, 2011, 33(12): 101-106. LIU Kaiyun, FANG Yu, LIU Baoguo, et al. Intelligent deformation prediction model of tunnel surrounding rock based on genetic-Gaussian process regression coupling algorithm[J]. Journal of the China Railway Society, 2011, 33(12): 101-106. (in Chinese)
[13] 李茂达, 樊磊, 李磊, 等. 隧道与地下工程围岩变形的灰色优化与预测[J]. 土木建筑与环境工程, 2013, 35(增刊2): 143-145. https://www.cnki.com.cn/Article/CJFDTOTAL-JIAN2013S2037.htm LI Maoda, FAN Lei, LI Lei, et al. Tunnels and underground engineering optimization and gray rock deformation prediction[J]. Journal of Civil, Architectural & Environmental Engineering, 2013, 35(S2): 143-145. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-JIAN2013S2037.htm
[14] 靖洪文, 吴俊浩, 马波, 等. 基于模糊灰色系统的深部巷道围岩变形预测模型及应用[J]. 煤炭学报, 2012, 37(7): 1099-1104. JING Hongwen, WU Junhao, MA Bo, et al. Prediction model and its application of deep mine tunnel surrounding rock deformation based on fuzzy-gray system[J]. Journal of China Coal Society, 2012, 37(7): 1099-1104. (in Chinese)
[15] ZHANG L, SHI B, ZHU H H, et al. PSO-SVM-based deep displacement prediction of Majiagou landslide considering the deformation hysteresis effect[J]. Landslides, 2021, 18(1): 179-193.
[16] 朱宝强, 王述红, 张泽, 等. 基于时间序列与DEGWO-SVR模型的隧道变形预测方法[J]. 浙江大学学报(工学版), 2021, 55(12): 2275-2285. https://www.cnki.com.cn/Article/CJFDTOTAL-ZDZC202112007.htm ZHU Baoqiang, WANG Shuhong, ZHANG Ze, et al. Prediction method of tunnel deformation based on time series and DEGWO-SVR model[J]. Journal of Zhejiang University (Engineering Science), 2021, 55(12): 2275-2285. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-ZDZC202112007.htm
[17] YANG B B, YIN K L, LACASSE S, et al. Time series analysis and long short-term memory neural network to predict landslide displacement[J]. Landslides, 2019, 16(4): 677-694.
[18] XU S L, NIU R Q. Displacement prediction of Baijiabao landslide based on empirical mode decomposition and long short-term memory neural network in Three Gorges area, China[J]. Computers and Geosciences, 2018, 111(1): 87-96. doi: 10.1016/j.cageo.2017.10.013
[19] XUE J K, SHEN B. A novel swarm intelligence optimization approach: sparrow search algorithm[J]. Systems Science & Control Engineering, 2020, 8(1): 22-34.
[20] 滕志军, 吕金玲, 郭力文, 等. 一种基于Tent映射的混合灰狼优化的改进算法[J]. 哈尔滨工业大学学报, 2018, 50(11): 40-49. https://www.cnki.com.cn/Article/CJFDTOTAL-HEBX201811007.htm TENG Zhijun, LV Ji-ling, GUO Liwen, et al. An improved hybrid grey wolf optimization algorithm based on Tent mapping[J]. Journal of Harbin Institute of Technology, 2018, 50(11): 40-49. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-HEBX201811007.htm
[21] 王培珍, 刘曼, 王高, 等. 基于改进极限学习机的焦煤惰质组分类方法[J]. 煤炭学报, 2020, 45(9): 3262-3268. WANG Peizhen, LIU Man, WANG Gao, et al. Classification approach for inertinite of coking coal based on an improved extreme learning machine[J]. Journal of China Coal Society, 2020, 45(9): 3262-3268. (in Chinese)
[22] 罗亦泳, 黄城, 张静影. 基于变分模态分解的变形监测数据去噪方法[J]. 武汉大学学报(信息科学版), 2020, 45(5): 784-790. LUO Yiyong, HUANG Cheng, ZHANG Jingying. Denoising method of deformation monitoring data based on variational mode decomposition[J]. Geomatics and Information Science of Wuhan University, 2020, 45(5): 784-790. (in Chinese)
[23] 张霄. 基于改进极限学习机的隧道围岩位移反分析[D]. 成都: 西南交通大学, 2017. ZHANG Xiao. Displacement Back Analysis of Tunnel Surrounding Rock Based on Improved Limit Learning Machine[D]. Chengdu: Southwest Jiaotong University, 2017. (in Chinese)
[24] 公路隧道施工技术规范: JTG/T 3660—2020[S]. 北京: 人民交通出版社, 2020. Technical Specifications for Construction of Highway Tunnel: JTG/T 3660—2020[S]. Beijing: China Communications Press, 2020. (in Chinese)
[25] 王述红, 朱宝强. 山岭隧道洞口段地表沉降时序预测研究[J]. 岩土工程学报, 2021, 43(5): 813-821. http://manu31.magtech.com.cn/Jwk_ytgcxb/CN/abstract/abstract18612.shtml WANG Shuhong, ZHU Baoqiang. Time series prediction for ground settlement in portal section of mountain tunnels[J]. Chinese Journal of Geotechnical Engineering, 2021, 43(5): 813-821. (in Chinese) http://manu31.magtech.com.cn/Jwk_ytgcxb/CN/abstract/abstract18612.shtml
-
期刊类型引用(5)
1. 谢万烨，刘才铭，晏长根，常洲，贾卓龙，石玉玲. 滑带土化学矿物成分与抗剪强度的关联分析. 工程地质学报. 2025(01): 86-95 . 
百度学术
2. 宋晶，方敬锐，巩文腾，唐群艳. 深圳海积软土的矿物成分及结合水特征. 中山大学学报(自然科学版)(中英文). 2023(01): 57-63 . 百度学术
3. 张庆华，孙银磊，汤连生，王玉玺，刘伟. 南沙淤泥质土微观结构及力学特征的试验研究. 工业建筑. 2021(01): 110-117 . 百度学术
4. 何建新，糟凯龙，杨海华. 塔里木河胡杨实现自我恢复的新方法探索. 水电能源科学. 2021(07): 33-37 . 百度学术
5. 方敬锐，宋晶，李学. 黏土矿物对软土结合水特征及力学性质影响的定量分析. 工程地质学报. 2021(05): 1303-1311 . 百度学术
其他类型引用(2)
计量
- 文章访问数: 359
- HTML全文浏览量: 57
- PDF下载量: 104
- 被引次数: 7
