基于BP神经网络的煤矿深埋硐室软岩流变参数反演分析
【摘要】:深部采矿工程中,岩体处在高温高压的复杂环境下,矿井巷道的掘进、支护与维护问题愈加突出。深部矿井巷道围岩表现出的明显的大变形、高地压及长期持续流变的特性对工程施工提出了更艰巨的任务。因此,探究高应力环境下围岩的蠕变的破坏规律,是解决深部矿山工程的重要技术难题和发展煤矿建设与开采的迫切需要。
由于巷道围岩随时间的流变变形对施工期的围岩稳定性和运行期衬砌结构安全性影响重大,因此岩体的流变参数与初始地应力参数成为设计与施工中重要的力学参数。因其岩体的非连续性、非均质性及尺寸效应等,常规的室内外试验得到的流变参数具有一定局限性,位移反分析法可望解决这些不足。本文以实际煤矿巷道工程为背景,结合现场实测资料,基于差分法和进化BP神经网络进行了巷道蠕变变形的位移反分析研究。文中所采用方法充分利用了BP人工神经网络对非线性函数强大的映射能力、自学习能力和推广能力,并采用贝叶斯规则化法对系统进行改善,泛化能力得到了提高。本文利用三维快速拉格朗日有限差分程序对开挖初衬巷道随时间的变形进行了模拟,模拟结果基本与实际情况相符,然后基于正交设计法,得到了相应神经网络的系统分析样本。基于MATLAB神经网络工具箱对围岩力学参数进行了学习、训练,并对网络结构和参数进行了优化,泛化能力得到提高。对网络的训练和检验表明,系统反演精度较高。最后通过一个工程实例验证了位移反分析方法的正确性和可靠性。
图[36]表[16]参[71]