岩土控制变形分析法

岩土控制变形分析法（精选三篇）

岩土控制变形分析法 篇1

20世纪70年代中期,意大利的Pietro Lunardi教授开始对数百座隧道进行理论研究和现场试验,创立了岩土控制变形分析法(ADECO-RS)。其后该方法被广泛采用并纳入规范,此法也称为“新意大利隧道施工法”[New Italian Tunneling Method(NITM)],简称“新意法”[1,2]。从2006年7月开始,铁道部对采用“新意法”施工的Rati2cosa隧道的施工现场进行考察,并邀请意大利特莱维集团(Trevi Group)组团来中国进行学术交流,目前,“新意法”在我国还没有得到真正的应用。

1 新意法核心思想

Pietro Lunardi等人通过研究得出以下结论,同时也是新意法的核心思想:超前核心土的变形(挤出变形和预收敛变形)对于隧道洞室成拱效应的产生具有决定性作用,同时超前核心土变形是隧道收敛的起因,因此可以通过预测、监控超前核心土变形判定隧道稳定性,同时通过控制超前核心土变形保证隧道洞室稳定。

新意法将隧道变形分为三种类型:挤出变形、预收敛变形、收敛变形,三种变形类型示意图见图1。

2 新意法的各阶段

新意法是基于对超前核心土变形的分析和控制,按此方法进行的隧道设计和施工分为:勘察阶段、诊断阶段、处治阶段、实施阶段、监测阶段五个程序,新意法基本流程见图2。

2.1 设计阶段

设计阶段包括勘察、诊断、处治三个阶段。

1)勘察阶段。

确定围岩的岩土力学性质,分析地层原有的平衡状态。

2)诊断阶段。

依据在勘察阶段获取的信息和参数预测隧道在无支护的情况下的三种变形响应,以此来判断隧道的稳定情况,并将隧道分为掌子面稳定、短期稳定、不稳定三种基本变形形态,通过分析挤出压力Pi和挤出量Ex之间的关系来判断隧道类别。

3)处治阶段。

根据诊断阶段所划分的隧道变形反映类别,确定加固措施,继而确定出隧道断面形式、支护参数等设计参数,并用数学工具验证其有效性。

2.2 施工阶段

施工阶段包括实施、监测两个阶段:

1)实施阶段。

对于掌子面稳定的隧道洞室,按常规方法实施。对易失稳隧道洞室,则需采取超前预加固措施,然后以实际掌子面—超前核心土的挤出变形判断围岩变形反应,分析预加固措施的有效性,最后确定隧道掘进的循环长度、速度、确定支护的措施及强度、实施时间和位置。

2)监测阶段。

监测和判断隧道掘进过程中的围岩变形,验证诊断和处治阶段所做预测的准确性,视实际情况调整设计方案。

3 新意法施工要点

3.1 超前核心土预加固

针对软破碎地层,采用玻璃纤维锚杆预加固、水平旋喷注浆管棚、机械预切槽、超前预注浆、冻结等措施,达到抑制最小主应力σ3的减小,并改善超前核心土围岩条件(主要作用是提高抗剪强度)的效果,从而形成或促进形成掌子面附近围岩人工成拱效应,抑制围岩塑性区的形成和发展,增强掌子面附近围岩的承载能力,配合及时的支护系统,最终达到确保隧道稳定,减小隧道变形的目的,加固后的摩尔包络线见图3。

3.2 新意法开挖原则

隧道洞室的开挖参数,体现为分块大小、循环进尺长度、掘进速度等,都对隧道的稳定及施工的效率产生重大影响,新意法在开挖中强调全断面、快速、连续、均匀、机械化作业。表1和表2中给出了一些相关标准,可用于指导施工[3,4,5]。

结合大量采用新意法的研究成果及工程经验,得到以下新意法开挖基本原则:

1)对于掌子面稳定、不稳定隧道尽量采用机械化开挖,对于掌子面短期稳定隧道,视实际情况进行选择;

2)尽可能缩短单循环开挖作业时间,并保持掘进速度均匀;

3)尽可能采用全断面掘进,以减小围岩扰动,加快施工效率;

4)使掌子面形成凹陷状,以利于形成纵向拱效应,并避免超挖;

5)在单循环开挖前后快速实施既定的预加固及加固措施;

6)在隧道稳定性或施工作业受地下水影响时,视具体情况采用封堵或引排等方式避免掌子面有水或地下水沿隧道底部流动。

3.3 超前核心土施工监测

新意法施工监测最大特点在于其将超前核心土挤出变形作为最重要的必测项目,一般采用滑动测微计或多点位移计进行测量,通过变形大小和变化速率作为主要判据,判定隧道稳定性,以此调整设计参数及施工措施。超前预收敛在浅埋地段可以通过从地表埋设多点位移计量测,超前核心土挤出量测见图4;在深埋或无条件安设仪器时往往通过体积守恒原理由挤出变形直接计算推算得出,挤出变形推算预收敛见图5。

4 新意法与新奥法的对比及其优点

新意法与新奥法的最大区别在于以下两点:

1)两者对隧道静力学分析重点不同,新意法更加关注隧道施工力学的三维空间力学状态,注重前方超前核心土及后方衬砌对于开挖段稳定的控制作用,促进软弱围岩人工成拱效应的形成,抑制软弱岩层中塑性区的形成和发展,更大限度的发挥围岩自承能力,在相同支护条件下,较新奥法更安全,隧道变形更小。而新奥法将隧道施工力学近似看为平面问题,通过径向的支护控制隧道横断面稳定和变形,忽略纵向效应。因此在软弱地层中很难形成围岩拱效应,往往由于掌子面—超前核心土过度变形引发开挖段围岩残余承载能力不足,导致支护受力过大,甚至由于掌子面失稳引发后方洞段坍塌。2)两者对隧道洞室变形的分析方式和控制方式不同,新意法以预测、监测、分析、超前核心土变形为主要判据,确定合理的预加固措施、支护参数、支护时机及支护方法;依靠控制超前核心土变形,确保隧道稳定,减小收敛变形。而新奥法则是以监控、分析隧道开挖后的收敛变形为依据,但实际上隧道开挖后的收敛变形在施工中很难准确测量,其监测滞后的缺陷尚不能有效解决。从以上分析可以看出,新意法既囊括了新奥法的核心理念(充分发挥围岩自承能力、量测和判识围岩变形反应指导施工),又发现了超前核心土对隧道洞室稳定及变形的影响关系,并以此为基础建立了一套以掌子面—超前核心土变形反应为主要判识准则的隧道洞室设计、施工方法,其包容性更强,应对软弱破碎地层更为有利(安全、高效),同时以现场监测的掌子面—超前核心土变形作为围岩分类、设计参数、施工措施划分的主要标准,较以前的地质力学分类更为客观,能较好的估算出工程工期和造价,减小业主与承包商的纠纷。

5 锦屏软岩大变形洞段施工经验

四川锦屏二级电站1号,2号引水隧洞西段绿泥石片岩地层,洞段埋深为1 550 m~1 850 m,最大地应力约为42 MPa~50 MPa,围岩强度应力比小于1,属于典型的极高地应力区工程软岩类。

隧洞洞径约13.8 m,采用上下台阶法开挖,上台阶高约9.4 m。初始按常规施工,发生了坍塌,先是掌子面左侧上部出现小块掉渣,并不断扩散造成掌子面溜坍,使洞室周边上部形成5 m以上临空面,进而造成上部坍塌;并发生大变形(10 cm~50 cm),最大变形部位在两侧边墙及靠隧道拱腰部位,其次是拱顶。后通过研究分析并对支护参数进行优化,采取增加长锚杆、预应力锚索等辅助措施,同时采用喷混凝土(5 cm~10 cm厚CF30钢纤维混凝土)及玻璃纤维锚杆(25,L=6,间距0.6 m~0.8 m)对掌子面及超前核心土进行加固,并严格控制循环进尺长度和爆破震动,最终安全顺利的度过了该段,1号洞洞室测线最大收敛变形量为82.07 mm,2号洞洞室测线最大收敛变形量为17.67 mm。

这一案例再一次印证了软弱围岩破坏的起始位置通常都是源于掌子面破坏这一事实,同时本段隧洞成功的施工经验表明掌子面及超前核心土加固的效用。

6 结语

“新意法”已是一种趋于成熟的隧道洞室设计施工方法,其融合了新奥法的核心思想,适用范围更广,特别是对于地质条件差的软弱破碎大断面隧道,能够明显提高施工效率,保证工程施工安全、有效控制质量和进度,从而降低工程风险和造价。但由于国内对其研究尚处于起步阶段,同时受机械化程度等外部条件限制,因此“新意法”的实际应用不能、也不可能照搬国外做法,只能在充分认识其基本原理及核心思想基础上,结合我国的实际情况,通过消化、吸收、改进、创新,充分运用其理念及要素为复杂地质下的隧道工程建设服务。

参考文献

[1]Lunardi Pietro.隧道设计与施工——岩土控制变形分析法(ADEC0-RS)[M].北京:中国铁道出版社,2011.

[2]李斌,漆泰岳,高波,等.新意法(岩土控制变形工法)概述[J].公路隧道,2009(2):31-32.

[3]王正松,孙铁成,高波.全断面预加固隧道施工工法(新意法)[J].铁道标准设计,2007(S1):86-87.

[4]翟进营,杨会军,王利利.新意法隧道设计施工概述[J].隧道建设,2008(2):109-110.

岩土控制变形分析法 篇2

变形蔡氏电路的动力学分析及混沌控制

针对一个变形蔡氏电路,讨论了该系统的动力学行为,并利用反馈控制方法对该系统中的混沌进行控制.根据Routh-Hurwitz判据,得出将系统控制到平衡点及围绕平衡点的极限环时增益系数的`取值范围.数值模拟验证了分析的正确性.

作 者：魏艳辉 余永清 李太勇 WEI Yan-hui YU Yong-qing LI Tai-yong 作者单位：浙江林学院,天目学院,浙江,临安,311300刊 名：重庆工学院学报(自然科学版) ISTIC英文刊名：JOURNAL OF CHONGQING INSTITUTE OF TECHNOLOGY年，卷(期)：23(2)分类号：O322关键词：变形蔡氏电路 稳定性 分岔 混沌控制

岩土控制变形分析法 篇3

关键词：岩土参数,敏感性,遗传算法,神经网络

0 引言

目前我国的地下工程建设正方兴未艾。地下工程修建于复杂的岩土体中,岩土体则是迄今为止最为复杂的一种介质,其力学参数具有不确定性和变异性。地下工程设计和修建以这些参数为基础,研究岩土体的参数实质上是地下工程分析的前提。特别对于复杂的地下工程问题,过去只能进行经验定性分析,现在利用有限元等方法,可以进行定量分析,但同时也存在着精确的计算方法和参数不确定性的矛盾。因此,对岩土体参数分析就显得特别重要。岩体力学参数的分析一般通过试验进行,包括室内实验和在野外的现场试验。室内试验研究尺度太小,难以反映现场地质情况。但现场试验在操作、设备、费用等方面都比室内试验要复杂和昂贵。敏感性分析是寻找敏感性强的不确定因素的系统分析方法,可为分析系统工程问题产生的原因、采取的对策等提供依据本文提出一种综合数值模拟遗传算法和神经网络的岩土体变形参数敏感性分析方法,并将其用于某明挖车站的变形参数分析。

1 基于GA-ANN的敏感性分析方法

1.1 岩土体参数敏感度

地下工程的参数繁多,比如弹性模量、泊松比、粘聚力、内摩擦角、抗拉强度等,都可能对围岩变形与强度产生影响。敏感性分析是分析系统稳定性的一种方法,具体包括以下步骤:

1)确定敏感性分析的指标,设定不确定因素及其变化幅度。应在调查研究的基础上,根据可能发生的情况和实际需要而定。如深基坑工程中影响基坑安全稳定的岩土力学参数主要有土的弹性模量E,泊松比μ,粘聚力C以及内摩擦角φ等。

2)分析、计算不确定因素的变化对指标影响程度。在计算、分析一个不确定因素变化对指标的影响时,首先固定其他因素的值,且每个不确定因素变化概率相等,然后计算各个不确定因素的变化对指标影响的具体数值。

3)找出敏感性因素。敏感性因素是指各个不确定因素在相同变化幅度的条件下,对所要分析的目标函数影响较大的因素。通过掌握目标的敏感性因素,能够提高工程项目评价的可靠性和适用性。

1.2 输入—输出系统的GA-ANN模型

敏感度分析的基础是找到待分析的参数与评价指标的影射关系,即F=f(x1,x2,…,xn)(xi为参数;F为评价指标),由于该映射关系具有非线性和耗时性,本文采用GA-ANN来进行映射,即:F=f(x1,x2,…,xn)=ANN(x1,x2,…,xn)。神经网络近来越来越受到人们的关注,可以很容易的解决具有上百个参数的问题。在结构上,可以把一个神经网络划分为输入层、输出层和隐含层。输入层的每个节点对应参数,输出层的节点对应评价指标(见图1)。在输入层和输出层之间是隐含层(对神经网络使用者来说不可见),隐含层的层数和每层节点的个数决定了神经网络的拓扑结构和预测度。遗传算法(GeneticAlgorithm,简称GA)是近几年发展起来的一种崭新的全局优化算法,它借用了生物遗传学的观点,通过自然选择、遗传、变异等作用机制,实现各个个体的适应性的提高。这一点体现了自然界中“物竞天择、适者生存”进化过程。1962年Holland教授首次提出了GA算法的思想,从而吸引了大批的研究者,迅速推广到优化、搜索、机器学习等方面,并奠定了坚实的理论基础。本文采用遗传算法与神经网络相结合,采用自动地选取神经网络的隐含层数、节点数及学习步数。

基于遗传神经网络的岩土体参数敏感度分析过程如下(见图2):

1)根据选取的参数种类和范围,进行正交方案设计,构造参数组合的正交样本方案。2)对正交方案进行数值计算获得以各参数为输入,以测点位移输出的样本,并进行归一化。3)用生成的样本对神经网络进行训练和预测检验,如果符合终止条件,转步骤5),如果不符合终止条件转步骤4)。4)进行遗传操作,包括变异、交叉和选择,产生新一代种群,转到步骤3)。5)训练结束,利用训练好的ANN模型进行敏感度计算,并输出敏感度分析结果。

2 工程应用

某明挖车站尺寸为50m×50m,其涉及地质分4层:(1)杂填土:厚2.90m～6.00m,其取值范围为:弹性模量E1=5MPa～10MPa,泊松比μ1=0.3～0.4。(2)粉质粘土:层厚1.50m～4.00m,可塑～硬塑状态。(3)粉土:层厚0.80m～7.00m,黄色、灰黄色,饱和、稍密状态。第(2),(3)层土力学参数接近,取值范围为:弹性模量E2～3=25MPa～35MPa,泊松比μ2～3=0.25～0.35。试验因素为4个,每个因素取3个水平,采用正交试验设计构造学习样本,均匀实验设计构造检验样本,通过对各方案三维数值计算,归一化处理后的学习样本见表各敏感度分析样本的预测结果见表

从表2中的检验误差可以看出,ANN模型的预测值和均匀试验样本计算值间的相对误差都小于10%,这说明神经网络学习获得了不错的效果。对敏感度分析样本代入上面所训练的ANN模型,得出各敏感度分析样本的预测值。绘制ΔF/F*与Δxi/xi*(i=1,2,…,n)的曲线,求出各参数分别对应的曲线斜率绝对值分别为:E1=0.64,μ1=0.223,E2～3=0.468,μ2～3=0.295。可以看出,E1的敏感性最大,然后依次是E2～3,μ2～3,μ1。这与正交试验设计极差分析所得到的岩土参数敏感性大小次序完全一致。

3 结语

通过本文的叙述,获得以下的结论:

1)提出一种综合数值模拟、遗传算法和神经网络的岩土体变形参数敏感性分析方法。该方法通过正交设计数值试验获得岩土各参数与监测位移之间的数据样本,训练神经网络。从而可以利用神经网络模型代替数值模拟快速地进行岩土参数与位移的计算,进行参数敏感性计算。

2)本文采用遗传算法对神经网络进行优化,获得最佳的能够映射岩土体参数与位移非线性模型的神经网络。这样可自动实现神经网络结构确定,避免了神经网络结构选择的盲目性。

3)基于遗传神经网络对某明挖车站岩土力学参数敏感性进行了分析,获得令人满意的效果。说明基于GA-ANN的参数敏感性分析方法具有比较好的应用前景。

参考文献

[1]Pierpaolo Oreste.Back-analysis techniques for the improvement of the understanding of rock in underground constructions[J].Tunnelling and Underground Space Technology,2005(20):7-21.

[2]赵选民.试验设计方法[M].北京:科学出版社,2006:8.

[3]李云鹏,郭书太,王芝银,等.地下储油岩库围岩力学参数的正交设计[J].中国石油大学学报(自然科学版),2007,31(1):100-103.

[4]徐超,叶观宝.应用正交试验设计进行数值模型参数的敏感性分析[J].水文地质工程地质,2004(1):95-97.