1.一种基于深度学习及融合不确定性的地下硐室稳定性评估方法,其特征在于,具体步骤包括:
S1.采集地下硐室的尺寸参数,以及多处影响地下硐室稳定性的相关参数,地下硐室的尺寸参数包括硐室的长度、宽度和高度,影响地下硐室稳定性的相关参数包括地应力参数和岩石力学参数,所述地应力参数包括水平应力、垂直应力和地应力梯度,所述岩石力学参数包括抗压强度、抗拉强度、剪切强度、弹性模量和岩石密度;
S2.将地下硐室的长度、宽度和高度进行数据处理,获取地下硐室的体积,利用有限元分析,输入硐室的体积及其几何形状,分析不同加载条件下的应力场分布,根据分析结果,估算地下硐室的稳定性系数;
S3.利用深度学习网络,构建地下硐室的失稳评估模型,将历史采集的水平应力、垂直应力和地应力梯度作为训练集,将历史地下硐室的第一影响系数作为标签,输入至失稳评估模型中进行训练,将多组当前采集的水平应力、垂直应力和地应力梯度分别输入至训练完毕的失稳评估模型,预测多组当前第一影响系数;
S4.构建岩石历史的抗压强度、抗拉强度、剪切强度、弹性模量、密度和地下硐室的第二影响系数之间的函数,将多组当前岩石的抗压强度、抗拉强度、剪切强度、弹性模量、密度输入该函数,获取多组当前第二影响系数;
S5.对多组当前第一影响系数和多组当前第二影响系数进行数据处理,分别获取当前第一影响系数的均值和当前第二影响系数的均值,将地下硐室的稳定性系数和当前第一影响系数的均值、当前第二影响系数的均值进行数据处理,生成校正后的地下硐室的稳定性系数;
S6.将校正后的地下硐室的稳定性系数和系数阈值比较,根据比较结果,判断地下硐室的稳定性等级;
采集包括岩石历史的抗压强度、抗拉强度、剪切强度、弹性模量、密度和历史的地下硐室的第二影响系数的样本数据;
假设满足线性关系,设定线性模型:
EXS=a×KQ+b×LQ+c×JQ+d×TM+e×MD+f
其中,EXS为历史的地下硐室的第二影响系数,KQ为岩石历史的抗压强度,LQ为岩石的历史抗拉强度,JQ为岩石历史的剪切强度,TM为岩石历史的弹性模量,MD为岩石历史的密度,a为岩石的抗压强度的系数,b为岩石的抗拉强度的系数,c为岩石的剪切强度的系数,d岩石的弹性模量的系数,e为岩石的密度的系数,f为线性模型的截距。
2.根据权利要求1所述的基于深度学习及融合不确定性的地下硐室稳定性评估方法,其特征在于:所述失稳评估模型为卷积神经网络模型,所述卷积神经网络模型采用基于多层感知器的深度神经网络构成,所述多层感知器的深度神经网络包括输入层、第一隐藏层、第二隐藏层、第三隐藏层和输出层,所述第一隐藏层、第二隐藏层和第三隐藏层均具有至少两个神经元,且均采用ReLU作为激活函数。
3.根据权利要求1所述的基于深度学习及融合不确定性的地下硐室稳定性评估方法,其特征在于:根据给定的岩石当前的抗压强度、抗拉强度、剪切强度、弹性模量、密度,预测当前的第二影响系数,依据的公式如下:使用最小二乘法,将采集到的数据应用于线性模型中,拟合数据,确定最优的线性模型的系数a、b、c、d和e,以及截距f;
根据得到的线性模型和系数a、b、c、d和e,以及截距f,构建岩石历史的抗压强度、抗拉强度、剪切强度、弹性模量、密度和地下硐室历史的第二影响系数之间的函数关系之间的映射函数,上述线性模型视为映射函数;
利用该映射函数进行预测和分析,根据给定的岩石当前的抗压强度、抗拉强度、剪切强度、弹性模量、密度,预测当前的第二影响系数,依据的公式如下:EXSdq=a×KQdq+b×LQdq+c×JQdq+d×TMdq+e×MDdq+f
其中,EXSdq为当前的第二影响系数,KQdq为岩石当前的抗压强度,LQdq为岩石当前的抗拉强度,JQdq为岩石当前的剪切强度,TMdq为岩石当前的弹性模量,MDdq为岩石当前的密度。
4.根据权利要求3所述的基于深度学习及融合不确定性的地下硐室稳定性评估方法,其特征在于:获取多组当前第二影响系数的过程如下:在获取当前的第二影响系数后,将多组岩石当前的抗压强度、抗拉强度、剪切强度、弹性模量、密度输入到上述的映射函数,获取多组当前的第二影响系数的集合A,即为当前第i组的第二影响系数,i为第二影响系数的索引,i的取值范围为1,2,…,m,m为第二影响系数的数量。
5.根据权利要求4所述的基于深度学习及融合不确定性的地下硐室稳定性评估方法,其特征在于:对多组当前第一影响系数和多组当前第二影响系数进行数据处理,分别获取当前第一影响系数的均值和当前第二影响系数的均值,将地下硐室的稳定性系数和当前第一影响系数的均值、当前第二影响系数的均值进行数据处理,生成校正后的地下硐室的稳定性系数,依据的公式如下:其中,为当前第一影响系数的均值,为当前第j组的第一影响系数,j为当前第一影响系数的索引,j的取值范围为1,2,…,n,n为当前第一影响系数的数量,为当前第二影响系数的均值,F为地下硐室的稳定性系数,XSjz校正后的地下硐室的稳定性系数,α为当前第一影响系数的均值的权重因子,β为当前第二影响系数的均值的权重因子,α>β,α+β=1。
6.根据权利要求5所述的基于深度学习及融合不确定性的地下硐室稳定性评估方法,其特征在于:将校正后的地下硐室的稳定性系数和系数阈值比较,根据比较结果,判断地下硐室的稳定性等级,具体的过程如下:当校正后的地下硐室的稳定性系数XSjz>系数阈值YZXS,则判断地下硐室的稳定性等级为良好;
当校正后的地下硐室的稳定性系数XSjz≤系数阈值YZXS,则判断地下硐室的稳定性等级为不良。