一种基于SSA-ELM-PSO的大断面隧道围岩参数反演模型的制作方法

本发明属于隧道与地下工程，涉及一种基于ssa-elm-pso的大断面隧道围岩参数反演模型。

背景技术：

1、从高速公路的建设不断被推动向着高效率、高质量和高水准方向发展的角度来看，单洞大断面隧道依旧是未来隧道行业的整体发展趋势。修建单洞大断面隧道虽然充分利用了地下空间，提高了隧道整体通行能力，但是其面临的围岩力学变化情况比小断面隧道要更为复杂，对施工质量的要求要更高；而目前判断大断面隧道不同工法下围岩稳定性最常用的方法是数值模拟。因此，如何快速、有效的得到大断面隧道围岩力学参数对于大断面隧道来说至关重要。在实际工程中，获取隧道岩体力学参数会遇到两个方面的难题，一方面由于地质条件的限制，导致采取常用的手段难以获得较为准确的围岩力学参数，使得岩体力学参数取值偏差较大；另一方面是在获取准确的隧道岩体力学参数时，需要根据现场实际情况做大量的实验，而实验周期比较长，导致岩体力学参数无法实时跟进开挖掌子面，同时力学实验比较有难度，耗费的资金也比较多。

2、因此，有必要采用新的方法对隧道岩体的力学参数进行研究，以期能获得较为精确的力学参数值。

技术实现思路

1、有鉴于此，本发明的目的之一在于提供；本发明的目的之二在于提供；本发明的目的之三在于提供。

2、为达到上述目的，本发明提供如下技术方案：

3、1.一种基于ssa-elm-pso的大断面隧道围岩参数反演模型，所述基于ssa-elm-pso的大断面隧道围岩参数反演模型包括如下步骤：

4、s1、建立数值计算训练样本集：(1)设计计算工况：依据大断面隧道的设计文件、现场的地勘报告以及施工规范确定参数反演断面的弹性模量(e)、密度(ρ)、粘聚力(c)、泊松比(ν)和内摩擦角的5个力学参数的取值范围，将每个力学参数均分出7个水平，参考正交设计表l49(7～8)设计49中数值计算工况，(2)构造数值计算训练样本集：采用flac3d软件对每组力学参数进行计算，提取得到隧道拱顶沉降(gdcj)计算结果，将每组力学参数与对应的所述隧道拱顶沉降(gdcj)计算结果作为一个学习样本，各组中所述力学参数与其对应的所述隧道拱顶沉降(gdcj)计算结果共同构成49组样本集；

5、s2、对所述训练样本集进行划分：将所述训练样本集随机顺序打乱后选出41组数据作为训练样本集，剩下的8组数据作为测试样本集；

6、s3、将所述训练样本集中的数据代入到ssa-elm模型中建立正向训练模型：(1)数据选择和网络初始化：将所述训练样本集中的41组数据作为模型的训练数据，其中输入值xi为弹性模量(e)、密度(ρ)、粘聚力(c)、泊松比(ν)和内摩擦角输出值yi为对应的拱顶沉降(gdcj)计算结果，根据数据集的输入及输出维度定下网络的结构，确定隐含层神经元l和激活函数g(x)，(2)参数寻优：利用ssa算法随机对elm算法中输入权重w和隐层偏差b进行寻优，(3)计算隐藏层输出：隐藏层输出值hi(x)采用式(1.1)计算，式中x为输入值、g(x)为sigmiod核函数，表达式为(1.2)：

7、hi(x)＝g(wi，bi，x)＝g(wix+bi)       (1.1)，

8、

9、(4)计算输出权重β*：采用式(1.3)计算输出权重β*，式中t为所述训练数据的目标矩阵、为矩阵h的moore-penrose广义逆矩阵，所述矩阵h按照式(1.4)计算：

10、

11、

12、(5)模型训练：步骤(1.1)～(1.4)确定了elm网络结构模型的权重w、隐层偏差b和输出权重β*，从而完成模型的训练，

13、(6)验证与保存模型：为了进一步突出正向训练模型的可靠性和准确性，将8组所述测试样本集的数据带入ssa-elm正向模型中，当正向预测值与真实值的相对误差小于5％时，保存ssa-elm模型参数；

14、s4、现场监测数据处理：大断面隧道洞周围岩变形规律是“预变形”+“未监测值”+“监测值”，现场监测不能监测前两个部分，且“监测真实值”＝“预变形”+“未监测值”+“监测值”；

15、s5、反演大断面隧道力学参数：(1)监测数据输入：将“监测真实值”作为输入值xi且目标输出值yi为弹性模量(e)、密度(ρ)、粘聚力(c)、泊松比(ν)和内摩擦角(2)大断面隧道围岩力学参数反演：将“监测真实值”作为输入值xi输入训练好的ssa-elm中，利用粒子群优化算法(pso)对具有稳定映射关系ssa-elm正向训练模型的弹性模量(e)、密度(ρ)、粘聚力(c)、泊松比(ν)和内摩擦角进行反演，取10次反演结果的平均值，同时在求平均值时剔除差别较大的异常反演值，由此得到各个断面的围岩力学参数反演值。

16、2.上述基于ssa-elm-pso的大断面隧道围岩参数反演模型在取定大断面隧道的围岩参数方面的应用。

17、优选的，所述大断面隧道的围岩参数为取10次所述基于ssa-elm-pso的大断面隧道围岩参数反演模型得到的反演结果的平均值。

18、本发明的有益效果在于：本发明公开了一种基于ssa-elm-pso的大断面隧道围岩参数反演模型，具体是以麻雀搜索算法(ssa)、极限学习机(elm)和粒子群算法(pso)为理论支撑，以数值计算训练样本数据集和现场监测数据为依托，建立了基于ssa-elm-pso算法的大断面隧道围岩参数反演模型，具有如下优点：(1)具有更高的模型评估指数：ssa-elm模型经过数据不断训练，正向预测平均绝对百分比误差(mape)达到1.64％；而未经过ssa优化的elm模型平均绝对百分比误差(mape)仅为16.38％；(2)利用ssa算法优化elm模型的初始输入权值和隐含层阈值，有效克服了elm模型对初始网络参数敏感性的同时，充分发挥了elm模型快速学习和强大泛化能力的优势，显著提高了正向模型的预测精度，同时融合了ssa、elm和pso这三种算法的围岩参数反演模型，能够在大断面隧道围岩参数反演中提供高精度结果，更好的适用于大断面隧道围岩参数反演；(3)通过设计力学实验，对比反演值与实验值得到，反演值与实验值之间相对误差最大的是内摩擦角的5.20％，其次是弹性模量的5.07％，最小的相对误差是密度的3.21％，鉴于工程实际与实验过程中存在的不可避免的误差，两者的之间的误差能够满足工程实际的需求，从而这进一步验证了ssa-elm-pso围岩参数反演模型的实用性与有效性，也为大断面隧道围岩参数反演提供一种新的方法。

19、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

技术特征：

1.一种基于ssa-elm-pso的大断面隧道围岩参数反演模型，其特征在于，所述基于ssa-elm-pso的大断面隧道围岩参数反演模型包括如下步骤：

2.权利要求1所述基于ssa-elm-pso的大断面隧道围岩参数反演模型在取定大断面隧道的围岩参数方面的应用。

3.根据权利要求2所述的应用，其特征在于，所述大断面隧道的围岩参数为取10次所述基于ssa-elm-pso的大断面隧道围岩参数反演模型得到的反演结果的平均值。

技术总结
本发明涉及一种基于SSA‑ELM‑PSO的大断面隧道围岩参数反演模型，属于隧道与地下工程技术领域。本发明具体是以麻雀搜索算法(SSA)、极限学习机(ELM)和粒子群算法(PSO)为理论支撑，以数值计算训练样本数据集和现场监测数据为依托，具有更高的模型评估指数的同时利用SSA算法优化ELM模型的初始输入权值和隐含层阈值，有效克服了ELM模型对初始网络参数敏感性的同时，充分发挥了ELM模型快速学习和强大泛化能力的优势，显著提高了正向模型的预测精度，同时融合了SSA、ELM和PSO这三种算法的围岩参数反演模型，能够在大断面隧道围岩参数反演中提供高精度结果，更好的适用于大断面隧道围岩参数反演。

技术研发人员：江星宏,邱志雄,李科,黄哲学,程亮,何江陵,余国红,刘敏,曾鹏
受保护的技术使用者：招商局重庆交通科研设计院有限公司
技术研发日：
技术公布日：2024/1/15