一种盾构隧道土体的随机场参数生成方法和装置

技术领域

本发明属于岩土工程盾构隧道设计领域，更具体地，涉及一种一种盾构隧道土体的随机场参数生成方法和装置。

背景技术

岩土体作为大自然的产物，长期的地质风化、沉积过程导致空间中不同位置的岩土体存在一定的差异性；同时在实际盾构隧道工程中，岩土力学参数的获取需要进行地质勘探，其中勘探成本昂贵，往往距离30-50m才进行一次勘探，因此，获取的盾构隧道工程实际数据十分有限。

传统随机变量模型将岩土力学参数看作服从一定概率分布，利用有限数据的统计均值代替整个区域分布，显然忽略了岩土体的这种空间变异性。目前随机场模型逐渐被认为能够有效模拟岩土力学参数的空间变异性特征，其采用均值、方差描述整体岩土参数的随机性，利用相关函数描述局部空间不同位置点之间的相关性，从而基于有限数据的统计量建立描述土体参数空间变异性的地质参数模型。在进行随机场建模时，需要确定的参数有：特征统计量(均值、标准差)、波动范围、整体概率分布类型和相关函数。其中：均值、标准差、整体概率分布类型可基于钻孔取样数据确定；相关函数可基于常见的指数型、高斯型进行确定。然而，波动范围是随机场模型中十分重要的参数且往往不容易确定，是联系点特性与空间平均特性的重要纽带，认为在波动范围以内的两点之间具有较强的相关性，位于波动范围之外的两点相关性很弱。

目前，通常基于现场原位测试的静力触探数据，采用相关函数法等方法确定波动范围；然后这种基于事前确定参数所生成的随机场模型可能在对应实测钻孔位置的模拟结果与实际值存在一定差异。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种盾构隧道土体的随机场参数生成方法、装置和探测设备，不仅能基于已有钻孔数据统计值建立多参数互相关随机场模型来描述岩土力学参数的空间变异性，从而预测非钻孔位置的岩土力学参数；而且可以通过生成对抗网络算法不断训练学习，建立随机场特征参数与对应钻孔位置参数之间的相关映射关系，进而充分利用实际盾构隧道工程中已知钻孔位置参数来反演推断目标随机场特征参数，其目的在于，能够提高目标随机场特征参数的准确性。

为实现上述目的，按照本发明的一个方面，提供了一种盾构隧道土体的随机场参数生成方法，包括如下步骤：

S1：在所述盾构隧道土体上确定研究区域，对所述研究区域进行网格划分，并各个所述网格对应的岩土力学参数进行赋值；

S2：利用协方差矩阵分解法建立各个所述岩土力学参数对应的随机场模型，并将所述随机场特征参数作为反演参数；

S3：利用所述随机场模型正演生成多组数据集，将多组所述数据集划分成训练样本和测试样本，所述数据集包括随机场特征参数和对应的钻孔位置参数；

S4：将所述训练样本中的钻孔位置参数输入原始生成器得到优化随机场特征参数，将优化随机场特征参数和预设随机场参数输入原始判别器，以对包括所述将原始生成器和所述原始判别器的GAN模型进行训练；

S5：重复步骤S4，直至将所述训练样本中钻孔位置参数输入优化生成器后，输出的随机场特征参数与所述预设随机场参数对应的误差值小于预定值，则完成所述原始GAN模型的训练得到目标GAN模型；

S6：将勘察钻孔位置参数输入所述目标GAN模型得到所述目标随机场参数与实际钻孔位置参数吻合。

在其中一个实施例中，所述步骤S2包括：

S21：利用建立的数值计算网格获取所有所述网格的中心点坐标(x

S22：将各个所述网格的中心坐标(x

对所述协方差矩阵C

其中，x

S23：对n组岩土力学参数进行统计学相关性分析，每组岩土力学参数包含t

r

S24：生成一组由m行、n列的相互独立且服从标准正态分布的随机数组成的矩阵Y；

S25：根据矩阵Y得到一次标准正态随机场可表示为Z＝L

在其中一个实施例中，所述步骤S3包括：

S31：将从所述随机场模型中提取的随机场特征参数离散为有限个水平，所述随机场特征参数包括x向波动范围和y方向波动范围；

S32：利用所述随机场模型正演计算各组所述随机场特征参数条件下对应钻孔位置参数，得到多个携带随机场特征参数与对应钻孔位置参数之间映射关系的数据集；

S33：将所述数据集中钻孔位置参数作为输入，随机场特征参数作为输出，构建所述原始GAN模型的多组数据集；将多组所述数据集划分成训练样本和测试样本；

S34：对所述数据集进行归一化处理

在其中一个实施例中，所述步骤S4包括：

将所述训练样本中的钻孔位置参数输入原始生成器得到优化随机场特征参数，将优化随机场特征参数和预设随机场参数输入原始判别器，以对包括所述将原始生成器和所述原始判别器的原始GAN模型进行训练；

所述原始GAN模型通过相互对抗学习原理使原始生成器学习真实数据x的概率分布，使原始判断器判断输入的数据是真实的还是由原始生成器生成的，损失函数如下：

其中，x-P

在其中一个实施例中，所述步骤S5包括：重复步骤S4中将所述钻孔位置参数对应的训练样本输入至优化后的原始生成器中，直至将所述原始生成器生成的随机场特征参数和所述预设随机场参数输入所述原始判别器得到的误差值小于所述预定值，则完成所述原始GAN模型的训练；将完成训练后的原始GAN模型保存为所述目标GAN模型。

在其中一个实施例中，所述步骤S5之后，所述方法还包括：将所述测试集中钻孔位置参数输入所述目标GAN模型，进而将生成反演的随机场特征参数作为反演结果，并将所述反演结果与实际值进行比较，以评估所述目标GAN模型的性能。

按照本发明的另一方面，提供了一种盾构隧道土体的随机场参数生成装置，包括：

赋值模块，用于在所述盾构隧道土体上确定研究区域，对所述研究区域进行网格划分，并各个所述网格对应的岩土力学参数进行赋值；

建立模块，用于利用协方差矩阵分解法建立各个所述岩土力学参数对应的随机场模型；

划分模块，用于利用所述随机场模型正演生成多组数据集，将多组所述数据集划分成训练样本和测试样本，所述数据集包括随机场特征参数和对应的钻孔位置参数；

第一训练模块，用于将所述训练样本中的钻孔位置参数输入原始生成器得到优化随机场特征参数，将优化随机场特征参数和预设随机场参数输入原始判别器，以对包括所述将原始生成器和所述原始判别器的GAN模型进行训练；

第二训练模块，用于重复将所述训练样本中钻孔位置参数输入优化生成器后，直至输出的随机场特征参数与所述预设随机场参数对应的误差值小于预定值，则完成所述原始GAN模型的训练得到目标GAN模型；

生成模块，用于将勘察钻孔位置参数输入所述目标GAN模型得到目标随机场参数，所述目标随机场参数与实际钻孔位置参数吻合。

按照本发明的另一方面，提供了一种盾构隧道土体的探测设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述的方法的步骤。

总体而言，通过本发明所构思的以上技术方案与现有技术相比能够取得下列有益效果：

1.本发明基于随机场理论，采用协方差矩阵分解法，建立反映岩土体空间变异性的多参数互相关随机场模型；相比于传统利用统计均值代替整个区域分布的随机变量模型，在一定程度上考虑了岩土体的这种空间变异性，也更符合工程实际，能够提高生成的目标随机场参数的准确性。

2.本发明不仅能基于已有钻孔数据统计值建立多参数互相关随机场模型来描述岩土力学参数的空间变异性，从而预测非钻孔位置的岩土力学参数；而且可以通过生成对抗网络算法不断训练学习，建立随机场特征参数与对应钻孔位置参数之间的相关映射关系，进而充分利用实际盾构隧道工程中已知钻孔位置参数来智能反演推断随机场特征参数，使生成的多参数互相关随机场模型在已知钻孔位置的岩土力学参数与实际勘察结果相吻合。进一步地，可以基于有限钻孔数据建立更为真实可靠的地质参数模型，为盾构隧道工程设计、施工提供更为详细准确的地质探测。

附图说明

图1是本发明提供的一种盾构隧道土体的随机场参数生成方法的流程图；

图2是本发明提供的又一种盾构隧道土体的随机场参数生成方法的流程图；

图3是本发明中的盾构隧道互相关随机场模型生成的流程图；

图4是本发明中的生成对抗网络模型的原理图；

图5是本发明中的盾构隧道岩土体水平地质切片及钻孔取样位置布置图；

图6a是本发明中取波动范围l

图6b是本发明中取波动范围l

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

如图1和图2所示，本申请提供一种盾构隧道土体的随机场参数生成方法，包括：S1：在盾构隧道土体上确定研究区域，对研究区域进行网格划分，并各个网格对应的岩土力学参数进行赋值；S2：利用协方差矩阵分解法建立各个岩土力学参数对应的随机场模型，并将随机场特征参数作为反演参数；S3：利用随机场模型正演生成多组数据集，将多组数据集划分成训练样本和测试样本，数据集包括随机场特征参数和对应的钻孔位置参数；S4：将训练样本中的钻孔位置参数输入原始生成器得到优化随机场特征参数，将优化随机场特征参数和预设随机场参数输入原始判别器，以对包括将原始生成器和原始判别器的GAN模型进行训练；S5：重复步骤S4，直至将训练样本中钻孔位置参数输入优化生成器后，输出的随机场特征参数与预设随机场参数对应的误差值小于预定值，则完成原始GAN模型的训练得到目标GAN模型；S6：将勘察钻孔位置参数输入目标GAN模型得到目标随机场参数，目标随机场参数与实际钻孔位置参数吻合。

具体的，S1，确定研究区域，对研究区域进行网格划分，并对盾构隧道工程中相应的多个岩土力学参数进行赋值；

S2，通过协方差矩阵分解法建立多个岩土力学参数的随机场模型，并提取岩土力学参数的随机场模型中未知特征参数(x方向波动范围、y方向波动范围)，将其作为待反演参数，即随机场特征参数；

S3，利用随机场模型正演生成25组数据集，作为GAN模型的样本；数据集包括随机场特征参数和对应钻孔位置参数，将数据集划分为20组训练样本和5组测试样本；并将数据集进行归一化处理；

S4，利用20组训练样本训练GAN模型(生成器和判别器)；将对应钻孔位置参数输入到生成器中，生成器就会生成一组新的随机场特征参数，然后与给定实际的随机场特征参数一起作为判别器的输入，对生成器与判别器进行学习，计算各层输出与期望输出之间的误差，通过将误差反向传播来对生成器和判别器中的权值以及阈值进行优化，从而实现优化GAN模型的目的；

S5，重复步骤4，将对应钻孔位置参数训练样本再次输入至优化后的生成器中进行计算，直至误差值小于预定值，完成GAN模型的训练，保存训练好的GAN模型；

S6，利用5组测试样本测试GAN模型，将测试集中对应钻孔位置参数输入到训练完成后的GAN模型，进而生成反演的随机场特征参数，并将反演结果与给定实际值进行比较，以评估GAN模型的性能。最后实现通过给定一组实际盾构隧道施工勘察的对应位置岩土力学参数，即可反演生成一组优化的随机场特征参数，进而使生成的随机场模型在对应钻孔与实际数据相吻合。

如图3所示，为本发明中的一种基于协方差矩阵分解法建立随机场模型的流程图，包括以下步骤：

S1，首先采用FLAC 3D建立数值计算网格，并输出网格中所有单元的中心点坐标(x

S2，将输出的各单元中心点坐标的相对值

通过上述自相关函数计算各i、j网格单元的自相关系数ρ

其中，x

对协方差矩阵C

其中：L

S3，对相应的n组岩土力学参数，每组包含t

其中：r

对协方差矩阵R

其中：L

S4，生成一组由m行、n列的相互独立且服从标准正态分布的随机数组成的矩阵Y；

S5，则一次标准正态随机场可表示为Z＝L

S6，多次生成服从标准正态分布的矩阵Y，就可以形成随机场的多次实现。

如图4所示，为本发明中的一种训练目标GAN模型的流程图，包括以下步骤：

对采集到的数据集样本进行归一化处理，使结果值映射到[0 1]之间，

设定原始GAN的损失函数，在训练GAN模型中加入约束模型，其损失函数如下：

把已知钻孔位置参数输入到生成器中，经过生成器后产生新的随机场特征参数分布G(z)，并与样本数据集中真实的随机场特征参数分布x一起输入到判断器模型D(原始判断器)中，此时判断器模型D尽可能判断输入的数据是真实的还是由生成器生成的，输出一个0和1之间的数，用于表示判别器输入的为真实随机场特征参数的概率，1为真，0为假。

通过不断反传误差，更新生成器和判断器的权值和阈值；采用梯度下降的方式更新生成器的参数，生成器的损失函数为：

通过判别器对生成的随机场特征参数不断进行0与1之间的标识判断，使得生成器尽最大能力进行学习生成与真实数据相接近的样本数据，从而完成GAN模型的不断对抗学习。

在一个实施例中，S1，确定研究区域，对研究区域进行网格划分，并选取盾构隧道岩土工程中分析土体抗剪强度两个常用岩土力学参数(黏聚力c、内摩擦角

以一定区域大小为100×100m为例，取网格单元大小为2×2m，则网格数量为50×50个，选取影响土体抗剪强度的黏聚力、内摩擦角岩土力学参数进行分析，假设黏聚力均值为10kPa，标准差为1，内摩擦角均值为30°，标准差为3，并服从正态分布；同时，水平地质切片为黏土，由经验统计波动范围取值为10-40m；假设在该盾构隧道工程区域中所进行的钻孔数量为5×5个，钻孔位置尽量均匀覆盖所研究区域范围，其岩土力学参数采用参数统计均值、标准差进行随机生成。

如图5所示，列举了该研究区域在划分网格数量为50×50情况下，钻孔数量为5×5个的岩土体水平地质切片及钻孔取样位置布置图。

S2，通过协方差矩阵分解法建立多参数互相关随机场模型，并提取各个岩土力学参数随机场模型中的未知特征参数(x方向波动范围、y方向波动范围)，将其作为待反演参数，即随机场特征参数。

S21，首先采用FLAC 3D建立数值计算模型，并输出模型中所有网格单元的中心点横、纵坐标矩阵；

S22，将输出的各单元中心点坐标的相对值代入到指数型自相关函数，其中l

对协方差矩阵C

S23，对相应黏聚力、内摩擦角岩土力学参数进行统计相关性分析，每个参数包含25个钻孔数据，计算两参数之间互相关系数r

对协方差矩阵R

S24，生成一组2500行、2列的相互独立且服从标准正态分布的随机数组成的矩阵Y；

S25，则一次标准正态随机场可表示为Z＝L

对标准正态随机场进行数学变换可得到不同分布的随机场模型；如均值为μ，方差为σ

S26，多次生成服从标准正态分布的矩阵Y，就可以形成随机场的多次实现。

如图6a和图6b所示，列举了正演过程中取黏聚力波动范围l

S3，通过随机场模型正演生成GAN模型的数据集，数据集包括随机场特征参数和对应钻孔位置参数，并划分为训练样本和测试样本；并将数据集样本进行归一化处理。

通过采用网格数量为50×50、钻孔数量为5×5进行说明，根据波动范围经验值选取10、20、25、30、40等5个值，选取25个不同波动范围l

表1黏聚力生成对抗网络学习与测试样本

表2内摩擦角生成对抗网络学习与测试样本

S4，利用20组训练样本训练GAN模型(生成器和判别器)，将对应钻孔位置参数输入到生成器中，生成器就会生成一组新的随机场特征参数，然后与真实的随机场特征参数一起作为判别器的输入，对生成器与判别器进行学习，计算各层输出与期望输出之间的误差，通过将误差反向传播来对生成器和判别器中的权值以及阈值进行优化，从而实现优化GAN模型的目的；

S5，重复S4，将对应钻孔位置参数训练样本再次输入至优化后的生成器中进行计算，直至误差值小于预定值，完成GAN模型的训练，保存训练好的GAN模型；

S6，利用5组测试样本测试GAN模型，将测试集中对应钻孔位置参数输入到训练完成后的GAN模型，进而生成反演的随机场特征参数，并将反演结果与给定实际值进行比较，以评估GAN模型的性能。

S7，最后实现通过给定一组实际盾构隧道施工勘察的对应位置岩土力学参数，即可反演生成一组优化的随机场特征参数，进而使生成的随机场模型在对应钻孔与实际数据相吻合。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。