[发明专利]一种岩体力学参数反分析方法

说明书

本发明公开了一种岩体力学参数反分析方法，涉及参数反分析方法，包括以下步骤：S1，确定待反演的岩石力学参数，以均匀试验设计方法为基础构造训练样本的计算方案；S2，对构造出的每个方案进行数值计算，获得每个方案对应的谷幅变形值，并将计算方案与对应的谷幅变形计算值构成SDCS‑LSSVM算法的输入输出值；S3，基于步骤S2得到的输入输出样本，并通过对输入输出样本数据的学习，建立起岩石力学参数与谷幅变形值之间的非线性映射关系；S4，求解目标函数的最优解，确定最优的力学参数组合。本发明构建了岩土体材料参数反分析回归模型，采用改进布谷鸟算法从全局空间上搜索与实测位移最吻合的反演参数，提高模型的预测效果。

技术领域

本发明涉及参数反分析方法，具体涉及一种岩体力学参数反分析方法。

背景技术

目前，岩土工程稳定性分析与变形的数值计算等研究都是基于准确的岩体力学参数。由于岩体材料的随机性﹑非均质、非线性、非连续以及各种工程、施工等因素的影响，企图用解析方法进行求解几乎是不可能的。岩体力学参数反分析将计算机技术、数值分析方法、最优化设计和现场测量相结合，来推断岩土工程材料的初始应力状态，并开展信息化设计和施工。数值方法即使有较合理的计算模型，输入参数也很难作合理的估值，无论由室内试验或现场试验确定的岩土体力学参数都与实际参数有较大偏差，更由于节理、裂隙的影响，使得实验结果不具有代表性。用这样的参数作为计算输入参数进行数值分析，所得结果往往与实际情况的误差较大，难于在工程实践中采用，且不同程度影响了数值方法在岩土体工程中的进一步推广应用。于是，有些学者开始将进化计算(EvolutionaryComputation，简称EC)和神经网络(Neural Network)引入到岩土体领域并得到较为成功的应用。在此过程中，神经网络出现了“维数灾难”、“瓶颈”、“泛化能力差”等，而作为以结构风险最小化原则为基础建立起来的支持向量机SVM算法，对于处理小样本、非线性等问题表现出了较好的适应性，同时SVM算法是一个凸二次优化问题，能保证找到的解是整体最优解。

参数反分析过程需进行大量的正分析数值计算，计算量大、效率低、解的稳定性较差等问题会对最终结果的准备性有所影响。若引入机器学习语言将待反演力学参数与计算位移间的关系用一种特定的方式建立起来，以代替复杂且耗时的正分析数值计算，同时将参数反分析过程转化为目标函数优化过程，即通过现场实测参数建立起一个误差目标函数，通过不断改变原始参数以及反复迭代运算来优化目标函数继而得到最优参数，参数寻优过程通常借助布谷鸟算法等智能优化算法实现，力学参数反演问题从而转化为目标函数的寻优问题，目标函数的最优解即为最终的参数反演结果，诸如此类的智能参数反分析方法正在逐步完善并得到快速发展。

发明内容

本发明的主要目的在于提供一种岩体力学参数反分析方法。

本发明采用的技术方案是：一种岩体力学参数反分析方法，包括以下步骤：

S1，确定坝区边坡岩体待反演的岩石力学参数，以均匀试验设计方法为基础构造训练样本的计算方案；

S2，采用有限差分软件FLAC3D对构造出的每个方案进行数值计算，获得每个方案对应的谷幅变形值，并将计算方案与对应的谷幅变形计算值构成SDCS-LSSVM算法的输入输出值；

S3，基于步骤S2得到的输入输出样本，利用改进布谷鸟算法ICA获得最小二乘支持向量机LSSVM的正则化参数γ以及高斯核参数σ，并通过对输入输出样本数据的学习，建立起岩石力学参数与谷幅变形值之间的非线性映射关系；

S4，使用布谷鸟算法不断迭代调用步骤S3建立的输入输出样本数据间的关系，求解目标函数的最优解，确定最优的力学参数组合。

进一步地，所述步骤S1具体包括：

确定坝区边坡岩体待反演的岩石力学参数，根据坝区不同蓄水状态下库水位等实际条件，确定坝区两岸边坡岩体待反演岩石力学参数的取值范围，同时以均匀试验设计方法为基础构造训练样本的计算方案。