Prediction of tunnel rockbursts based on data preprocessing technology considering influences of stress gradient of surrounding rock
-
摘要: 针对目前岩爆预测研究通常忽视岩爆数据集存在离群样本、缺失值与样本不平衡性问题以及围岩应力梯度的影响,提出一套完备的岩爆数据预处理流程,引入可间接表征围岩应力梯度的洞径指标,建立了隧洞岩爆多因素综合预测模型。在数据采集阶段,考虑隧道与采场及隧洞群受力条件差异,从岩爆数据库中分离出隧洞岩爆样本共306例。在岩爆预测指标选取阶段,选取隧洞洞径D0、围岩最大切向应力σθmax、岩石单轴抗压强度σc、岩石抗拉强度σt、弹性能变形指数Wet共5个指标。在数据预处理阶段:针对缺失值,引入随机森林多重插补法(MI-RF)对岩爆样本进行补全;针对离群样本,引入最近邻(KNN)、孤立森林(Isolation Forest)、局部异常因子(LOF)3种无监督算法综合评估岩爆数据集并剔除离群样本;针对样本不平衡,引入自适应综合过采样(ADASYN)算法扩容少数类样本。在模型验证阶段:采用支持向量机(SVM)、随机森林(RF)、梯度提升树(GBDT)、自适应提升树(AdaBoost)、极限梯度提升树(XGBoost)5类算法构建岩爆预测模型。模型预测结果表明:基于数据预处理并考虑洞径指标的5类模型皆为同类算法模型中的最优;在不进行数据预处理的条件下,考虑洞径指标模型要优于不考虑洞径指标的同类算法模型。Abstract: As the current rockburst prediction investigation frequently ignores outliers, missing values, sample imbalance in the rockburst dataset and the influences of surrounding rock stress gradient, a complete preprocessing process of rockburst data is proposed, and the hole diameter index that indirectly represents the stress gradient of surrounding rock of tunnel is employed to establish the multi-factor comprehensive prediction model for tunnel rockbursts. At the stage of the data collection, considering the variation in stress conditions between the tunnel, stope and tunnel group, 306 samples of rockbursts in tunnels are isolated from the rockburst database. At the stage of determining prediction index, five indices are selected including the hole diameter (D0), the maximum tangential stress (σθmax), the uniaxial compressive strength (σc), the uniaxial tensile strength of the rock (σt) and the elastic energy deformation index (Wet). At the stage of the data preprocessing, the multiple imputation method of random forest (MI-RF) is introduced to fill in the missing values. Three unsupervised algorithms including the K-nearest neighbor (KNN), the isolation forest (IForest) and the local outlier factor (LOF) are introduced to comprehensively evaluate the rockburst dataset and removed outliers. The adaptive comprehensive oversampling (ADASYN) algorithm is introduced to expand the number of minority samples. At the stage of the model validation, five types of models including the support vector machine (SVM), the random forest (RF), the gradient boosted decision trees (GBDT), the adaptive boosting algorithm (AdaBoost) and the extreme gradient boosting algorithm (XGBoost) are adopted for comparison. The results demonstrate that the aforementioned models based on the data preprocessing and the hole diameter index are all the best among similar algorithm models. Without the data preprocessing, the model considering the hole diameter index is better than those without considering the hole diameter.
-
0. 引言
在当前“双碳目标”背景下,干热岩地热作为前景可期的清洁能源,在国家能源结构调整中作用愈加凸显[1]。目前干热岩开发的基本原理是通过水力压裂等激发技术形成裂隙网络,注入的低温流体经过储层热交换后提升到地面[2],在此过程中高温岩体快速降温[3]。此外,地热能开发过程中井壁围岩与常温钻井液接触,高温岩体同样会发生温度降低过程。因此,研究高温作用后岩石物理力学特性演化规律以及高温作用机制,对深部地热能开发具有重要意义。
针对高温冷却后岩石力学参数演化规律,国内外学者通过室内试验研究取得了一系列成果。贾蓬等[4]开展了高温花岗岩水冷却后单轴压缩试验,发现高温后花岗岩峰值强度和弹性模量随温度增大而减小。朱振南等[5]对水冷却后花岗岩进行了单轴压缩试验,结果表明花岗岩抗压强度和弹性模量均随着温度的升高呈减小趋势。郤保平等[6]分析了20~600℃温度范围内自然降温和遇水急剧冷却条件下花岗岩单轴抗压强度。邓龙传等[7]测试了自然降温和遇水冷却花岗岩巴西劈裂强度,表明随着温度的升高,遇水冷却花岗岩拉伸强度降幅更大且均低于自然降温试样。朱要亮等[8]通过试验观察到水冷却后花岗岩的强度低于自然降温,弹性模量高于自然降温。此外,学者对不同冷却方式下岩石波速、导热能力和孔隙度演化规律进行了探索[9-11]。断裂韧度作为岩石材料的重要参数之一,反映了岩石抵抗断裂失效的能力[12],然而目前对于不同冷却方式下高温岩石断裂韧度的研究尚不多见。
通过微观结构图像分析岩石微裂纹演化特征,是探究高温作用机制的常用方法之一。李春等[13]基于高温后花岗岩偏光显微图像,分析了温度升高过程中沿晶微裂纹和穿晶微裂纹变化趋势。平琦等[14]观察了不同温度条件下岩石扫描电镜(SEM)图像,探讨了岩石颗粒尺寸变化与温度之间的关系。Huang等[15]通过光学显微观察,探究了自然降温和遇水冷却花岗岩表面热裂纹分布规律,结果表明水冷却条件下微裂纹数量和尺寸均大于自然降温。Yang等[16]采用CT扫描获得高温后花岗岩微裂纹图像,分析了不同温度后花岗岩试样裂纹分布特征。上述研究主要基于岩石微观图像分析了温度对岩石微观裂纹影响的定性规律,然而高温后岩石微观结构劣化的定量表征还有待进一步探究。随着图像处理技术的发展与应用[17],可通过图像处理获得高温后岩石热裂纹数量、面积等定量信息,以揭示高温及冷却方式对岩石微观结构的作用机制。
综上所述,不同冷却方式下高温岩石断裂韧度及其与岩石微观结构劣化之间的关系还有待深入研究。因此,本文以花岗岩为试验对象,对不同高温岩样分别进行炉内自然降温和遇水冷却处理,分析不同冷却方式对花岗岩断裂韧度的影响规律。基于高温后花岗岩微观图像,采用图像处理技术分析花岗岩热裂纹演化特征,结合矿物成分X射线洐射(XRD)及含量分析,揭示高温后花岗岩劣化机理。
1. 试验准备
1.1 岩性特征与岩样制作
试验岩石取自山东省济宁市。考虑到晶粒对岩石热-力耦合特性有明显影响[18],本文选取了两种不同晶粒花岗岩。两组岩石均为细-中晶块状结构花岗岩,相对而言A组岩石晶粒较细,B组岩石晶粒较粗,如图 1所示。结合XRD结果可知,A组花岗岩矿物成分及含量为石英(20.5%)、斜长石(27.8%)、正长石(42.6%)和黑云母(9.1%),B组花岗岩为石英(20.8%)、斜长石(58.5%)、正长石(16.3%)和黑云母(4.4%)。压汞试验结果表明,A组花岗岩孔隙率为0.62%,平均孔径为33 nm;B组花岗岩孔隙率为1.3%,平均孔径为242 nm。
根据岩石断裂韧度测试推荐方法[19],将现场取得的花岗岩加工成半圆盘试样,如图 2所示。半圆盘试样的几何参数为:切槽高度a=11.5 mm,半圆盘直径2R=50 mm,厚度B=25 mm。
1.2 高温处理程序
加温设备为SGM系列高温炉,最高温度可达1200℃。首先将花岗岩半圆盘试样放入高温炉内,以5℃/min的速率增大至目标温度(分别为200℃,400℃,600℃和800℃)后,试样在炉内恒温2 h。然后,迅速取出一部分岩样置于准备好的蒸馏水中快速冷却,另一部分岩样则留在炉内自然降温至室温。为保证两种冷却方式下的可比性,对遇水冷却岩样干燥以后再进行力学试验。
1.3 试验系统
花岗岩半圆盘试样三点弯曲试验在中国矿业大学CSS-88020电子万能试验机上进行,如图 3所示。该试验系统轴向最大加载力为20 kN。首先安装好三点弯曲夹具,调节下部两个加载点之间的水平距离为36 mm。将半圆盘试样放置在三点弯曲夹具上,施加初始压力使上部加载点与试样接触。对岩样施加轴向力直至岩样发生破坏,采用位移控制模式,加载速率为0.05 mm/min。试验过程由计算机自动采集时间、位移和力等数据。
2. 试验结果
2.1 荷载-位移曲线
图 4给出了高温后花岗岩半圆盘试样荷载-位移曲线。由图 4可见,未经高温处理花岗岩试样三点弯曲下峰后荷载-位移曲线均快速跌落,说明常温下两种花岗岩均呈脆性。然而,当花岗岩经过高温处理后,其荷载-位移曲线与常温条件下有所不同,且变化趋势与温度密切相关。
当花岗岩经过200℃和400℃温度处理后,不管是自然降温还是遇水冷却A组花岗岩试样的峰后均呈现出延性特征,如图 4(a),(b)所示;然而,自然降温和遇水冷却B组花岗岩试样的峰后依然呈现明显的脆性特征,如图 4(c),(d)所示,体现了不同晶粒结构在抵抗温度诱发岩石力学特性变化所起到的作用程度不同。当花岗岩经过600℃和800℃温度处理后,A组花岗岩和B组花岗岩在不同冷却方式下均出现了较明显的峰前屈服阶段和峰后延性特征,说明当温度达到一定程度后矿物颗粒之间结合力较弱,使得花岗岩由脆性向延性转化,而且相同条件下B组花岗岩的变形更为显著。
2.2 断裂韧度
图 5给出了花岗岩试样断裂韧度与温度之间的关系。由图 5(a)可见,未经高温处理A组花岗岩半圆盘试样断裂韧度为1.25 MPa·m1/2。随着温度的升高,A组花岗岩断裂韧度呈减小趋势。与常温条件相比,200℃,400℃,600℃和800℃自然降温A组花岗岩断裂韧度降幅分别为27.7%,38.7%,74.6%和85.7%,遇水冷却试样降幅分别为43.5%,51.4%,82.2%和90.5%。比较可见,相同温度作用下A组花岗岩遇水冷却处理引起的断裂韧度降幅大于自然降温条件,即遇水冷却花岗岩断裂韧度弱于炉内自然降温花岗岩。同时,200℃,400℃,600℃和800℃遇水冷却和自然降温条件下花岗岩断裂韧度降幅差异分别为15.8%,12.7%,7.6%和4.8%,即两种降温方式之间的差异逐渐减小,说明随着温度的升高,由遇水冷却导致的断裂韧度弱化程度呈降低趋势。
由图 5(b)可见,未经高温处理B组花岗岩断裂韧度为0.81 MPa·m1/2,仅为A组花岗岩的64.8%。与常温条件相比,200℃,400℃,600℃和800℃自然降温B组花岗岩断裂韧度降幅分别为10.6%,29.6%,72.5%和80.9%,遇水冷却试样降幅分别为18.1%,34.2%,76.3%和81.6%,两种冷却方式下降幅差异分别为7.5%,4.6%,3.9%和0.7%。可见,B组花岗岩断裂韧度受温度影响的变化趋势与A组花岗岩相似,但是对温度的敏感程度要略低于A组花岗岩。
2.3 宏微观破裂特征
岩石破断面中蕴含丰富的力学信息,通过分析高温后花岗岩半圆盘试样破裂模式以进一步认识高温及冷却方式对花岗岩变形破裂特征的影响。图 6给出了三点弯曲作用下花岗岩半圆盘试样典型破裂模式。在试验过程中观察到,裂纹首先萌生于直切槽尖端,并逐渐向上端加载点方向扩展,最终将岩样劈裂为两大块。花岗岩半圆盘试样的破裂面的总体特征为切槽尖端萌生的向上扩展的裂纹,但是在局部特征上受晶粒随机分布和初始微观裂纹影响呈曲折扩展。为分析温度和冷却方式对花岗岩试样破裂特征的影响,把岩样正面和背面的破裂痕迹描绘出来[20],如图 6(b)所示。
表 1给出了高温后花岗岩半圆盘试样断裂痕迹。比较可见,在温度相对较低(如200℃)时,三点弯曲作用下花岗岩半圆盘试样的断裂痕迹相对较直,与中心线的距离相对较小;随着温度的升高,花岗岩半圆盘试样的断裂痕迹曲折程度增大,与中心线的距离也有所增大,该现象与液氮冷却花岗岩试样[21]变化趋势相同。根据最小能耗原理,岩石在断裂时,裂纹会沿着最薄弱面向前扩展。在较高温度作用下岩样内部产生热开裂,提高了岩样的非均质性和非连续性[22],宏观裂纹易沿着这些热开裂扩展,因而破裂面更为曲折。然而,在本次试验范围内,冷却方式对断裂痕迹的影响并不明显,可能是因为自然降温和遇水冷却方式下产生的热裂纹数量和尺度虽然有一定差异,但是差异程度有限(将在第3节详细分析),因而冷却方式对宏观裂纹曲折程度的影响难以体现出来。
表 1 高温后花岗岩试样断裂痕迹Table 1. Traces of fracture of granite after high temperature冷却 20 ℃ 200 ℃ 400 ℃ 600 ℃ 800 ℃ — 自然/遇水 自然/遇水 自然/遇水 自然/遇水 A组 B组 岩石宏观裂纹是由于内部微裂纹不断萌生、扩展和贯通形成的,归根结底是岩石矿物颗粒晶体的破坏,而矿物晶体的破裂主要有3类:沿晶断裂、穿晶断裂以及沿晶穿晶耦合断裂[23]。为分析不同高温及冷却方式下花岗岩试样的断裂机理,对高温后花岗岩破裂面进行了SEM观察。以A组花岗岩试样为例,如图 7所示。
由图 7可见,在常温条件下花岗岩一部分颗粒表面光滑,无明显棱角,即断面颗粒保持较为完整,呈现为沿晶断裂,但是另一部分颗粒表面有明显被切割或撕裂痕迹,呈现为穿晶断裂(图 7(a));而随着温度的升高,400℃作用后花岗岩以沿晶断裂为主,同时能观察到少量裂纹(图 7(b),(c));当温度增大至800℃时,花岗岩的破裂程度明显加剧,而且遇水冷却试样裂纹数量较多(图 7(d),(e))。这主要是因为常温下花岗岩矿物颗粒之间结合密实,以穿晶断裂破坏为主;而高温后花岗岩在加载前已经产生了微破裂,呈现为沿晶断裂为主[24],沿晶断裂所需的能量较小,因此高温后花岗岩断裂韧度降低。
3. 高温作用机制分析
3.1 基于图像处理的热裂纹
为比较分析两组花岗岩在不同温度及冷却方式下热裂纹差异,对高温后花岗岩进行扫描电镜观察。图 8给出了高温后花岗岩试样SEM图像,其观察对象为高温后未加载试样。由图 8可见,未经高温处理花岗岩结构致密,在该放大倍率下,两组花岗岩中均难以观察到明显的微观裂纹。当A组花岗岩经过200℃作用并自然降温后,可观察到一条细长裂纹;当温度为400℃时,能够观察到3条不规则裂纹;当温度增大至600℃时,裂纹数量明显增多,裂纹之间交汇贯通,形成裂隙网络;当温度继续增大至800℃时,岩样中不仅裂纹数量增加了,而且裂纹宽度也明显变大,如图 8(a)所示。与自然降温相比,遇水冷却花岗岩试样在相同温度条件下裂纹数量较多,裂纹宽度较大,如图 8(b)所示。B组花岗岩中裂纹分布规律与A组花岗岩类似,整体表现为随着温度的升高,岩样中裂纹数量增加,裂纹宽度增大,逐渐形成裂隙网络,而且遇水冷却条件下花岗岩微观结构劣化程度比自然降温条件更高。
通过对SEM图像的观察,定性分析了高温后花岗岩试样热裂纹分布特征,然而不同冷却方式下花岗岩热裂纹之间的细微差别难以直接从SEM原始图像中观察得到。因此,利用图像处理技术,统计高温后花岗岩SEM图像中微裂纹面积,计算高温后花岗岩微裂纹密度(定义为微裂纹面积与图像总面积的比值),定量分析不同温度和冷却方式对花岗岩热裂纹的影响规律。本文图像处理流程为:采用Matlab对SEM原始图像进行二值化处理,通过设置阈值区分图像中微裂纹和岩石基质,从而识别图像中的微裂纹;进一步,通过编写程序统计微裂纹像素点,获得微裂纹面积和图像总面积,计算得到微裂纹密度。
对不同高温及冷却方式下花岗岩试样SEM图像进行处理,结果如图 9所示。图中白色区域为裂纹,黑色区域为岩石基质。与图 8比较可见,二值化处理结果与花岗岩表面真实裂纹相吻合,通过处理后的图像能够更清晰地分辨微裂纹的数量、长度、尺寸和分布形态。
计算得到不同温度和冷却条件下花岗岩试样微裂纹密度,如图 10所示。由图 10可见,在本次试验观察倍率下(500倍),未经高温处理的致密花岗岩中几乎没有微观裂纹,此时微裂纹密度接近于零。当温度为800℃时,A组花岗岩自然降温、A组花岗岩遇水冷却、B组花岗岩自然降温、B组花岗岩遇水冷却微裂纹密度分别为200℃时的16.1,11.0,11.1和13.3倍。可以看出,随着温度的升高,花岗岩试样中微裂纹密度逐渐上升,遇水冷却方式下微裂纹密度大于自然降温方式,相同条件下B组花岗岩的微裂纹密度略高于A组岩样,说明对于本次试验花岗岩微观结构随温度升高而劣化,遇水冷却条件下劣化程度更高,而且B组花岗岩劣化程度比A组略高。结合图 5可知,基于图像处理技术统计的微裂纹密度在一定程度上解释了花岗岩断裂韧度演化规律,即高温作用导致的微观结构劣化,降低了花岗岩试样的断裂韧度。
3.2 矿物成分及含量
图 11给出了高温后A组花岗岩X射线衍射图谱。常温条件下,该花岗岩主要矿物成分为石英、斜长石、正长石和黑云母。经历不同高温作用后花岗岩的主要矿物成分与未经高温处理花岗岩的成分相同,而且各矿物的衍射角未发生明显变化,说明本试验范围内高温作用并未明显影响该花岗岩的矿物组分。但是,矿物在不同温度条件下对应的最大衍射强度有所变化,这可能与岩石矿物相变相关。高温下岩石矿物相变通常会造成矿物体积发生变化,引起岩样内部结构局部损伤,在一定程度上造成了花岗岩宏观力学参数的劣化[25]。
不同温度及冷却方式下花岗岩矿物含量,如图 12所示。当温度低于600℃时,花岗岩各矿物含量变化较小,当温度超过600℃后,矿物含量变化相对较大。在本次试验温度范围内,A组花岗岩试样石英含量整体呈增大趋势,长石(斜长石和正长石)含量整体呈减小趋势,与文献[26,27]试验结果相类似,而黑云母含量相对稳定。然而,在试验温度范围内,自然降温和遇水冷却两种冷却方式对本文花岗岩矿物含量的影响不明显。
除岩石热开裂、矿物含量变化外,高温对岩石结构的影响还体现在水分丧失等方面。结合Wong等[28]和邓龙传等[7]研究结论,温度升高过程岩石内部结构主要变化如图 13所示。高温作用下岩石矿物颗粒发生膨胀,因各类矿物的热膨胀系数不同,岩石发生不均匀膨胀。当矿物颗粒受到的热应力超过极限时,岩石内部产生微观裂纹[15-17]。同时,岩石内不同形式水分逐渐丧失,加剧岩石矿物晶格骨架损伤。当温度达到一定程度后,矿物发生相变和分解等作用,进一步导致了岩石内部结构的劣化。因而,高温后花岗岩试样断裂韧度降低。此外,试样在遇水冷却条件下高温花岗岩表面降温速率较快,而内部降温速率较慢,试样内部和表面产生的剧烈温差产生较大热应力,导致试样内部结构进一步恶化[29],因此遇水冷却条件下花岗岩断裂韧度低于自然降温条件。
4. 结论
(1)随着温度的升高,花岗岩试样的断裂韧度呈减小趋势,遇水冷却方式下花岗岩断裂韧度低于自然降温条件,而且随着温度的升高,由遇水冷却导致的断裂韧度弱化程度呈降低趋势,B组花岗岩对温度的敏感程度略低于A组花岗岩。
(2)三点弯曲作用下花岗岩半圆盘试样裂纹首先萌生于切槽尖端,逐渐向加载点方向扩展并将岩样劈裂。当温度较低时,花岗岩断裂痕迹相对较直,与中心线的距离相对较小;随着温度的升高,花岗岩半圆盘试样的断裂痕迹曲折程度增大,与中心线的距离也有所增大。
(3)随着温度的升高,花岗岩矿物成分未明显变化,但基于图像处理获得的花岗岩微裂纹密度逐渐上升,而且遇水冷却方式下微裂纹密度大于自然降温方式。高温导致的岩石内部微观结构劣化,降低了花岗岩的断裂韧度。
-
表 1 隧洞岩爆案例集
Table 1 Dataset of tunnel rockburst
样本
编号D0/
mσθmax/
MPaσc/
MPaσt/
MPaWet 岩爆
烈度1 9.58 30 88.7 3.7 6.6 3 2 10.83 30 88.7 3.7 6.6 3 3 5.00 90 170.0 11.3 9.0 4 … … … … … … … 304 4.72* 60 86.0 7.14 2.85 2 305 4.72* 60 145.2 9.3 3.5 2 306 4.72* 60 136.8 10.4 2.12 2 注:“*”表示D0为换算值;第七列中“1”为无岩爆,“2”为弱岩爆,“3”为中等岩爆,“4”为强岩爆。 表 2 换算系数
Table 2 Conversion factors
断面
形状椭圆 拱形 正方形 正梯形 长方形 单边
斜梯换算系数 1.05 1.1 1.15 1.2 1.2 1.25 表 3 插补数据集的总体R2检验
Table 3 R2-tests for imputation dataset
项目 估计值 估计值95%
置信上限估计值95%
置信下限评价
标准R2 0.52 0.60 0.42 相关性较强 表 4 岩爆样本的离群样本分数
Table 4 Outlier scores for rockburst samples
样本
编号1 2 3 ... 304 305 306 分数 -0.51 -0.55 0.97 ... 0.12 0.08 -0.08 识别 0 0 1 ... 0 0 0 注:“0”表示正常样本,“1”表示离群样本。 表 5 考虑数据预处理及洞径指标的岩爆预测
Table 5 Rockburst prediction considering data preprocessing and hole diameter index
训练
轮次预测准确率/% SVM RF GBDT Adaboost XGBoost 1 57.1 57.1 57.1 57.1 53.6 2 67.9 67.9 74.9 67.9 67.9 3 42.9 50.0 50.0 50.0 50.0 4 67.9 71.4 71.4 71.4 71.4 5 71.4 71.4 67.9 71.4 67.9 6 67.9 78.6 75.0 71.4 71.4 7 60.7 67.9 50.0 53.6 53.6 8 75.0 78.6 75.0 78.6 78.6 9 82.1 85.7 82.1 89.3 85.7 10 64.3 67.9 71.4 67.9 67.9 平均值 65.7 69.7 67.5 67.9 66.8 表 6 考虑洞径指标但不考虑数据预处理的岩爆预测
Table 6 Rockburst prediction considering hole diameter index without data preprocessing
训练
轮次预测准确率/% SVM RF GBDT Adaboost XGBoost 1 72 80 72 72 68 2 52 48 52 60 56 3 56 72 76 72 72 4 48 48 56 48 44 5 52 64 56 56 52 6 60 64 64 64 64 7 68 52 60 68 68 8 64 64 60 52 64 9 72 68 72 68 64 10 60 72 76 60 72 平均值 60.4 63.2 64.4 62.0 62.4 表 7 不考虑数据预处理及洞径指标的岩爆预测
Table 7 Rockburst prediction without data preprocessing and hole diameter index
训练
轮次预测准确率/% SVM RF GBDT Adaboost XGBoost 1 72 72 72 72 68 2 60 56 60 56 56 3 64 64 56 68 60 4 40 40 48 32 44 5 48 52 52 48 48 6 52 52 52 56 56 7 56 56 64 68 56 8 56 68 64 52 60 9 52 64 68 64 64 10 60 72 64 72 64 平均值 56.0 59.6 60.0 58.8 57.6 表 8 是否考虑数据预处理的多模型预测准确率对比
Table 8 Comparison of model prediction accuracy with and without data preprocessing
条件 平均预测准确率/% SVM RF GBDT Adaboost XGBoost 数据预处理
考虑洞径65.7 69.7 67.5 67.9 66.8 原始数据集
考虑洞径60.4 63.2 64.4 62.0 62.4 差值 +5.3 +6.5 +3.1 +5.9 +4.4 表 9 是否考虑洞径指标的多模型预测准确率对比
Table 9 Comparison of model prediction accuracy with and without hole diameter index
条件 平均预测准确率/% SVM RF GBDT Adaboost XGBoost 原始数据集
考虑洞径60.4 63.2 64.4 62.0 62.4 原始数据集
不考虑洞径56.0 59.6 60.0 58.8 57.6 差值 +4.4 +3.6 +4.4 +3.2 +4.8 表 10 地下洞室的岩爆特征参数
Table 10 Rockburst characteristics of underground caverns
开挖段 主厂房岩爆特征参数 D0/
mσθmax/
MPaσc/
MPaσt/
MPaWet 实际烈度 中导洞Ⅰ区 11.2* 90 97.3 6.03 6.6# 3~4 扩挖Ⅱ区 14.8* 90 97.3 6.03 5.5# 3~4 扩挖Ⅲ区 17.7* 90 97.3 6.03 6.6# 3~4 注:“*”表示D0为换算值;“#”表示Wet为插补值。 表 11 地下洞室的岩爆预测
Table 11 Prediction of rockburst for underground caverns
开挖段 主厂房岩爆倾向性预测 SVM RF GBDT Adaboost XGBoost 中导洞Ⅰ区 3 4 4 4 4 扩挖Ⅱ区 3 3 3 4 3 扩挖Ⅲ区 3 3 4 4 4 表 12 苍岭隧道的岩爆特征参数
Table 12 Rockburst characteristics of Cangling Tunnel
区段 D0/
mσθmax/
MPaσc/
MPaσt/
MPaWet 实际烈度 1 11.6* 32.8 160 6.6 4.6 2 2 11.6* 44.8 160 6.8 4.9 2 3 11.6* 50.9 160 7.5 5.3 3 4 11.6* 44.8 160 6.7 4.8 2 注:“*”表示D0为换算值。 表 13 苍岭隧道的岩爆预测
Table 13 Prediction of rockburst for Cangling Tunnel
区段 SVM RF GBDT Adaboost XGBoost 1 2 2 2 2 2 2 2 2 2 2 2 3 4 3 3 3 3 4 2 2 2 2 2 -
[1] FENG X T, LIU J, CHEN B, et al. Monitoring, warning, and control of rockburst in deep metal mines[J]. Engineering, 2017, 3(4): 538-545. doi: 10.1016/J.ENG.2017.04.013
[2] 宫凤强, 潘俊锋, 江权. 岩爆和冲击地压的差异解析及深部工程地质灾害关键机理问题[J]. 工程地质学报, 2021, 29(4): 933-961. https://www.cnki.com.cn/Article/CJFDTOTAL-GCDZ202104003.htm GONG Fengqiang, PAN Junfeng, JIANG Quan. The difference analysis of rock burst and coal burst and key mechanisms of deep engineering geological hazards[J]. Journal of Engineering Geology, 2021, 29(4): 933-961. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-GCDZ202104003.htm
[3] 张传庆, 俞缙, 陈珺, 等. 地下工程围岩潜在岩爆问题评估方法[J]. 岩土力学, 2016, 37(增刊1): 341-349. https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX2016S1046.htm ZHANG Chuanqing, YU Jin, CHEN Jun, et al. Evaluation method for potential rockburst in underground engineering[J]. Rock and Soil Mechanics, 2016, 37(S1): 341-349. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX2016S1046.htm
[4] 徐琛, 刘晓丽, 王恩志, 等. 基于组合权重-理想点法的应变型岩爆五因素预测分级[J]. 岩土工程学报, 2017, 39(12): 2245-2252. doi: 10.11779/CJGE201712013 XU Chen, LIU Xiaoli, WANG Enzhi, et al. Prediction and classification of strain mode rockburst based on five-factor criterion and combined weight-ideal point method[J]. Chinese Journal of Geotechnical Engineering, 2017, 39(12): 2245-2252. (in Chinese) doi: 10.11779/CJGE201712013
[5] WANG C, WU A, LU H, et al. Predicting rockburst tendency based on fuzzy matter-element model[J]. International Journal of Rock Mechanics and Mining Sciences, 2015, 75: 224-232. doi: 10.1016/j.ijrmms.2015.02.004
[6] 贾义鹏, 吕庆, 尚岳全, 等. 基于证据理论的岩爆预测[J]. 岩土工程学报, 2014, 36(6): 1079-1086. doi: 10.11779/CJGE201406013 JIA Yipeng, LÜ Qing, SHANG Yuequan, et al. Rockburst prediction based on evidence theory[J]. Chinese Journal of Geotechnical Engineering, 2014, 36(6): 1079-1086. (in Chinese) doi: 10.11779/CJGE201406013
[7] 高玮. 基于蚁群聚类算法的岩爆预测研究[J]. 岩土工程学报, 2010, 32(6): 874-880. http://www.cgejournal.com/cn/article/id/13417 GAO WEI. Prediction of rock burst based on ant colony clustering algorithm[J]. Chinese Journal of Geotechnical Engineering, 2010, 32(6): 874-880. (in Chinese) http://www.cgejournal.com/cn/article/id/13417
[8] PU Y, APEL D B, WANG C, et al. Evaluation of burst liability in kimberlite using support vector machine[J]. Acta Geophysica, 2018, 66: 973-982.
[9] WANG C, CHUAI X, SHI F, et al. Experimental investigation of predicting rockburst using Bayesian model[J]. Geomechanics & engineering, 2018, 15(6): 1153-1160.
[10] 谭文侃, 叶义成, 胡南燕, 等. LOF与改进SMOTE算法组合的强烈岩爆预测[J]. 岩石力学与工程学报, 2021, 40(6): 1186-1194. https://www.cnki.com.cn/Article/CJFDTOTAL-YSLX202106010.htm TAN Wenkan, YE Yicheng, HU Nanyan, et al. Severe rock burst prediction based on the combination of LOF and improved SMOTE algorithm[J]. Chinese Journal of Rock Mechanics and Engineering, 2021, 40(6): 1186-1194. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YSLX202106010.htm
[11] YIN X, LIU Q, PAN Y, et al. Strength of stacking technique of ensemble learning in rockburst prediction with imbalanced data: Comparison of eight single and ensemble models[J]. Natural Resources Research, 2021, 30(2): 1795–1815.
[12] 夏元友, 刘昌昊, 刘夕奇, 等. 均布与梯度应力加载路径下岩爆破坏特征试验[J]. 中国安全科学学报, 2020, 30(5): 149-155. https://www.cnki.com.cn/Article/CJFDTOTAL-ZAQK202005025.htm XIA Yuanyou, LIU Changhao, LIU Xiqi, et al. Experimental study on rockburst characteristics under uniform and gradient stress loading paths[J]. China Safety Science Journal, 2020, 30(5): 149-155. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-ZAQK202005025.htm
[13] 何佳其, 吝曼卿, 刘夕奇, 等. 引入梯度应力的岩爆预测方法[J]. 岩土工程学报, 2020, 42(11): 2098–2105. doi: 10.11779/CJGE202011015 HE Guiqi, LIN Manqing, LIU Xiqi, et al. New method for introducing gradient stress into rock-burst prediction[J]. Chinese Journal of Geotechnical Engineering, 2020, 42(11): 2098-2105. (in Chinese) doi: 10.11779/CJGE202011015
[14] 刘长武, 曹磊, 刘树新. 深埋非圆形地下洞室围岩应力解析分析的"当量半径"法[J]. 铜业工程, 2010(1): 1-5. https://www.cnki.com.cn/Article/CJFDTOTAL-TYGC201001003.htm LIU Changwu, CAO Lei, LIU Shuxin. Method of "equivalent radius" for the analyzing rock stress of high-buried non-circular underground chambers[J]. Copper Engineering, 2010(1): 1-5. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-TYGC201001003.htm
[15] ZHOU J, LI X, MITRI H S. Classification of rockburst in underground projects: comparison of ten supervised learning methods[J]. Journal of Computing in Civil Engineering, 2016, 30(5): 04016003.
[16] 李准, 苗勇刚, 夏志远. 深部矿山巷道岩爆倾向性预测及防治技术研究[J]. 有色金属(矿山部分), 2021, 73(3): 41-47, 60. https://www.cnki.com.cn/Article/CJFDTOTAL-YSKU202103008.htm LI Zhun, MIAO Yonggang, XIA Zhiyuan. Study on rockburst tendency prediction and prevention technology of deep mine roadway[J]. Nonferrous Metals (Mining Section), 2021, 73(3): 41-47, 60. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YSKU202103008.htm
[17] QIU D H, LI T B, XUE Y G, et al. Rockburst prediction based on distance discrimination method and optimization technology-based weight calculation method[J]. Electronic Journal of Geotechnical Engineering, 2014, 19: 1843-1854.
[18] 王庆武. 拉林铁路桑珠岭隧道地应力场分析及岩爆预测研究[D]. 成都: 成都理工大学, 2017. WANG Qinwu. Analysis of Geostress Field and Rockburst Prediction in the Sang Zhuling Tunnel of Lasa-Linzhi Railway Engineering[D]. Chengdu: Chengdu University of Technology, 2017. (in Chinese)
[19] 易迪青. 沪昆高铁雪峰山隧道岩爆灾害评估与防治[D]. 北京: 北京交通大学, 2014. YI Diqing. Rock Burst Disaster Assessment and Prevention in Xuefeng Mountain Tunnel of Shanghai-Kunming High-Speed Railway[D]. Beijing: Beijing Jiaotong University, 2014. (in Chinese)
[20] XUE Y G, BAI C H, KONG F M, et al. A two-step comprehensive evaluation model for rockburst prediction based on multiple empirical criteria[J]. Engineering Geology, 2020, 268: 105515.
[21] WU S C, WU Z G, ZHANG C X. Rock burst prediction probability model based on case analysis[J]. Tunnelling and Underground Space Technology, 2019, 93(03069): 1-15.
[22] JIA Q J, WU L, LI B, et al. The comprehensive prediction model of rockburst tendency in tunnel based on optimized unascertained measure theory[J]. Geotechnical and Geological Engineering, 2019, 37: 3399-3411.
[23] XUE Y G, LI Z Q, LI S C, et al. Prediction of rock burst in underground caverns based on rough set and extensible comprehensive evaluation[J]. Bulletin of engineering geology and the environment, 2019, 78(1): 417-429.
[24] LIU F T, TING K M, ZHOU Z H. Isolation-based anomaly detection[J]. Acm Transactions on Knowledge Discovery from Data, 2012, 6(1): 1–39.
[25] HE H, BAI Y, GARCIA E A, et al. ADASYN: Adaptive synthetic sampling approach for imbalanced learning[C]// 2008 IEEE International Joint Conference on Neural Networks, HongKong, 2008.
[26] 贾义鹏, 吕庆, 尚岳全. 基于粒子群算法和广义回归神经网络的岩爆预测[J]. 岩石力学与工程学报, 2013, 32(2): 343-348. https://www.cnki.com.cn/Article/CJFDTOTAL-YSLX201302015.htm JIA Yipeng, LÜ Qing, SHANG Yuequan. Rockburst prediction using particle swarm optimization algorithm and general regression neural network[J]. Chinese Journal of Rock Mechanics and Engineering, 2013, 32(2): 343-348. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YSLX201302015.htm
-
期刊类型引用(6)
1. 唐宇,阳军生,郑响凑,童甲修,汤冲. 高温富水隧道弱风化片麻岩力学特性试验研究. 岩石力学与工程学报. 2025(01): 128-139 . 百度学术
2. 马双泽,陈伟,吕聪聪,张塑彪,张帆. 高温与循环冷却对花岗岩抗剪强度影响试验研究. 矿业研究与开发. 2025(03): 137-147 . 百度学术
3. 王健翔,孙珍平,王士奎,许蕾. 高温作用后砂岩力学性能及裂纹演化特征研究. 金属矿山. 2025(04): 61-68 . 百度学术
4. 朱振南,王殿永,杨圣奇,解经宇,袁益龙,吴廷尧,田文岭,孙博文,田红,陈劲. 不同冷却速率下干热花岗岩渗透率演化特征对比研究. 岩石力学与工程学报. 2024(02): 385-398 . 百度学术
5. 周韬,范永林,陈家嵘,周昌台. 热损伤花岗岩力学劣化特性及损伤演化规律研究. 矿业科学学报. 2024(03): 351-360 . 百度学术
6. 何将福,任成程,何坤,余启航,李欣儒,邓旭. 循环热冲击花岗岩微观裂隙表征与渗透特性演化规律. 煤田地质与勘探. 2024(12): 131-142 . 百度学术
其他类型引用(9)
-
其他相关附件