岩土工程不确定性系统研究及其工程应用

【摘要】：随着国民经济持续、快速的发展，我国不断加大对基础建设的投资。相应地出现了大量的岩土工程问题。地下工程多修建于性状复杂的岩土体中，岩土材料具有高度的随机性、模糊性和不确定性。由于其赋存的特殊性，天然岩体被各种地质构造（如节理、断层等）切割成半连续的状态，通常是一个从松散体到弱面体再到连续体的序列，其所涉及的问题更是一个多场（温度场、渗流场、应力场等）、多相（固相、液相、气相）的复杂耦合问题，再加上施工和复杂的外部环境影响，更难以得到准确的力学参数和本构模型。 岩土体与支护体系是一个复杂的非线性动力系统，在对其缺乏了解的情况下很难去建立一个能够反映其演化规律的数学或物理模型。一种有效的方法是对该系统产生的时间序列进行分析，因其反映了这个系统的状态。对时间序列进行分析方法就是数据挖掘，也就是从大量不完全的、有噪声的、随机的数据中，提取出潜在的包含系统特征的有用信息和知识的过程。这些信息和知识可以反馈到应用领域，指导相应的工作。 本文应用经验模态分解技术和希尔伯特——黄变换理论对监测数据进行处理和分析，应用EMD对监测数据进行降噪和分离，并对其进行了有限元分析和回归分析，使含有特征信息的时间序列被分离出来，比较符合岩土体卸荷变形的内在规律和施工扰动的实际情况，可以较好地满足工程需要。 本文将数据挖掘技术引入监测数据的分析中。为了全面、系统地分析问题，通常要考虑众多的相关变量，若采用多变量时间序列分析方法就可以只用数量较少、互不相关的新变量来反映原变量所包含的大部分信息，达到解决问题的目的。本文在分析多变量时间序列数据特点和实际应用需求的基础上，提出一种基于主成分分析的多变量时间序列模式表示方法，针对多变量时间序列聚类、相似性查找、距离度量、序列分类和异常检验等关键技术进行了深入的分析研究，说明了多变量时间序列的预处理和聚类方法。在对大量监测数据进行统计分析和数值分析的基础上，结合有限元理论的动态位移分析方法，建立围岩位移的智能反分析模型。 为了提高对监测数据、专家经验和其他相关技术的利用率，以及针对围岩应力和位移的发展情况及时地做出决策，本文在传统专家系统的基础上引入神经网络技术，利用神经网络知识库表示知识的分布式连接机制，构建了神经网络专家系统。该系统可以利用已有或已观测到的数据进行推理，为工程实践中的分析、预测和决策等问题提供科学依据。