基于非線性方法的碎裂結構巖體力學參數分析

2019-10-21 09:16:57曹東勇張耀中皇甫澤華聶勝立王新民

人民黃河 2019年3期

曹東勇　張耀中　皇甫澤華　聶勝立　王新民

摘要：采用常規的試驗方法對碎裂結構巖體的力學參數進行研究存在一定的局限性，容易受現場條件和尺寸效應的影響，而基于非線性方法的參數分析在一定程度上能夠很好地對碎裂巖體的力學參數進行預測。以前坪水庫溢洪道碎裂結構巖體為例，在資料收集的基礎上建立了巖體力學參數數據庫，通過因子分析法將數據庫中影響巖體力學參數確定的多個指標進行簡化降維后，再結合非線性BP神經網絡分析法對工程區巖體的部分力學參數進行預測;在室內外試驗數據和現場工程地質條件分析的基礎上，運用H-B強度準則對工程區域內不同巖層的巖體力學參數值進行了計算;將預測結果和計算結果進行對比分析后，對工程區的巖體力學參數取值提出了建議。

關鍵詞：巖體參數分析;因子分析法;BP神經網絡模型;H-B強度準則

中圖分類號：TV221.2;TU45

文獻標志碼：A

doi：10.3969/j.issn. 1000 - 1379.2019.03.024

在工程實踐中，開展工程巖體變形與穩定性計算工作時，首先需要了解工程區巖體的力學參數。但是實際條件下影響巖體力學參數的因素較多，其中巖塊的物理力學性質、結構面的性狀及巖體所處環境等都會影響巖體力學參數[1]，因此對研究對象力學參數的合理確定在巖體力學的研究和發展過程中始終是最具爭議的難題之一。

前坪水庫位于河南省汝陽縣境內北汝河干流之上，控制流域面積達到1 325 km².設計總庫容約為5.93億m³.是一座以防洪為主，結合灌溉、供水，兼顧發電效益的大型水庫，是我國國家重大水利工程之一[2]。水庫的溢洪道主要由安山玢巖、凝灰巖和輝綠巖三種呈碎裂結構的巖體構成，對其相關巖體力學參數的分析主要包括巖體變形模量、黏聚力、內摩擦角、巖體單軸抗壓強度、單軸抗拉強度等，要準確分析各影響因素和巖體力學參數之間的映射關系，需要大量數據分析和計算。筆者通過收集研究區三層巖體的力學參數數據，建立因子分析數據庫，通過因子分析法對巖體力學參數進行降維，分析力學特性綜合因子，再利用BP神經網絡分析法對巖體力學參數進行預測[3-4]：結合已有巖石力學參數數據，利用H-B強度準則對工程區不同工程巖組力學參數進行估算，最終將兩種非線性方法計算得到的巖體力學參數進行對比分析，研究兩種計算方式所得工程區巖體力學參數的規律性，為工程優化設計和穩定性評價提供科學依據。

1 基于因子分析的巖體力學參數預測法

1.1 基于因子分析法的巖體力學參數降維過程

巖體不同于巖石，巖石是一種材料，其力學參數等同于巖塊，只受自身物理成分和含水量等因素的影響，而巖體作為地質體的一部分，其力學參數除了受構成其整體結構的巖石的影響之外，還受結構面和所處環境的影響，這些影響因素增大了巖體力學參數指標確定的難度[5]。由于影響巖體力學參數的因素過于復雜多樣，因此引入因子分析法對巖體力學參數進行降維分析，降低參數確定過程中的計算量和難度。

因子分析法是以研究對象的原始變量之間存在的內部聯系為基礎，將數量眾多關系復雜的原始相關變量簡化為幾個綜合因子的一種統計學方法。其主要工作原理是將原始變量按照相關性的強弱分為相關性較強和相關性較弱的類組[6].從而將原始變量簡化為幾個能代表大多數原始變量主要信息的綜合指標，達到參數降維的效果。結合現場和室內資料收集到的原始數據，對前坪水庫溢洪道的巖體力學相關參數進行降維，通過SPSS軟件對原始數據的相關性進行分析[3]。將已有的巖石力學參數值輸入到SPSS軟件中，通過因子分析求得能代表工程區巖組基本性質的綜合性指標，再用這些指標表示巖體力學性質。此方法不僅達到了參數降維的效果，還減少了變量之間的信息重疊。

1.2 基于因子分析的BP人工神經網絡預測法

BP人工神經網絡模型是仿照生物神經元結構間的思維、存儲及推理行為、結合計算機系統建立起的一種計算模型。其主要工作原理是通過信息的正向傳播計算誤差，再將誤差按梯度下降后進行反向傳播進行信息修正，如此循環往復直至計算結果的誤差達到期望值[7]。近年來，隨著BP神經網絡應用范圍的擴大，暴露出了其很多缺點和不足，其中最主要的問題是收斂速度過慢和易陷入極小點[8]。

BP人工神經網絡模型在巖體工程應用過程中存在輸入數據過多導致的收斂速度過慢、訓練時間過長的缺點。不僅如此，重疊的參數信息會影響到神經網絡計算結果的精確性，因此采用因子分析法對巖體力學參數的原始變量進行降維，再將降維結果與BP人工神經網絡模型相結合，對巖體力學參數進行優選計算[3]。筆者以前坪壩址區經因子分析后的各巖組影響巖體力學參數估算的綜合性指標為基礎，通過BP人工神經網絡模型進行學習訓練，最終得到各巖組巖體的力學參數預測值。

2 基于H-B強度準則的巖體力學參數計算法

H-B強度準則是基于大量試驗數據總結推導出的經驗性準則，適用于各向異性的巖石和巖體，能真實地反映出巖石和巖體在破壞時極限主應力之間固有的非線性破壞特點，可以對任何應力狀態下巖石和巖體進行強度預測，是迄今為止應用最廣范的巖體強度準則之一[9]。

廣義H-B巖體強度準則的表達式為

3 實例分析

3.1 工程地質概況

研究區前坪水庫處于豫西山地，地貌為侵蝕、剝蝕低山區與丘陵區過渡帶，溢洪道處山體較為渾厚，左側邊坡最高處地面高程為483.0 m左右。山體兩側山坡較陡，進水渠口處地面高程為400.0 m左右，背水側底部為楊溝，溝底高程為343.5 -348.0 m。

3.2 地層巖性分組

研究對象地層為元古界熊耳群，根據研究區工程地質條件，該區工程巖體可分為3個巖組，每個巖組的工程地質性質如下。

安山玢巖（I）：巖漿巖的一種，顏色呈暗紫色一紫紅色，具斑狀結構，塊狀構造;斑晶主要成分為斜長石，大多數斑晶呈風化后的乳白色，肉紅色正長石所占比例較小，基質為隱晶質并伴有暗色的輝石和角閃石等;裂隙發育，裂隙面常見黃色鐵錳質浸染，少量呈鐵錳質薄膜;質地堅硬且較脆，巖芯碎塊狀，弱風化。

凝灰巖（Ⅱ）：火山碎屑巖的一種，顏色受成分影響較大，多呈灰白色：主要由直徑小于2 mm的火山碎屑物構成，裂隙結構發育，外表疏松多孔，裂隙微張，內側較光滑且多有泥質充填。

弱風化輝綠巖（Ⅲ）：輝綠巖是基性淺成侵入巖，一般呈灰綠一灰黑色，具柱狀、輝綠結構;主要成分為輝石、斜長石和黑云母，一般強度高、完整性好，但是淺成輝綠巖易風化，受構造影響較大，巖體多呈碎裂結構，完整性較差。

3.3 工程區巖體力學參數分析

通過現場試驗、室內試驗結合實際工況和經驗性公式對工程區巖體力學參數進行了初步統計，得到工程區巖體力學參數值，見表1。

將工程區各巖組巖體力學參數（表1）經過因子分析之后所得的公共因子代人BP人工神經網絡模型進行分析，得到各巖組巖體的預測力學參數值，見表2。

結合表1中巖體力學參數，利用H-B強度準則可計算出巖體的其余相關參數。各巖組力學參數計算值見表3。

3.4 預測結果與計算結果對比分析

根據表2、表3中數據，將I、Ⅱ、Ⅲ三組巖體的5項力學參數預測值和計算值分別進行無量綱數值分析。分析安山玢巖（I）參數得知，5項力學參數指標中除黏聚力之外其余4項預測值與計算值基本一致，黏聚力的計算值是預測值的4.34倍;分析凝灰巖（Ⅱ）參數得知，巖體變形模量的預測值約為計算值的2.08倍，黏聚力的計算值約為預測值的3.53倍，其余3項指標基本相同;分析弱風化輝綠巖（Ⅲ）參數得知，巖體變形模量的預測值約為計算值的2.06倍，黏聚力的計算值約為預測值的1.55倍，其余3項指標的預測值和計算值基本相同。綜合對比3組不同碎裂結構的巖體力學參數計算值和預測值可以發現，巖體變形模量的預測值與計算值存在一定的差異，除I組巖石外，其余兩組巖體變形模量的預測值約為計算值的2倍，而黏聚力的預測值普遍低于計算值，且誤差無明顯規律性，內摩擦角、巖體抗拉強度和巖體抗壓強度的預測值和計算值基本一致。其原因可能是估算過程中考慮的因素不夠全面，或計算過程中參數的選擇存在一定的不合理性或誤差，導致預測結果和計算結果存在一定的差異，可以采用其他方法計算或對照實際試驗結果來對巖體力學參數進行確定，并分析誤差產生的原因。

實際應用時，應當結合不同區域的工程地質條件特點，采用多種不同計算方法進行綜合對比分析來確定各項巖體力學參數或指標的建議值，使所得的各項參數和指標更接近或等于實際值，為工程設計和施工提供安全可靠的建議值，從而減少工程建設過程中的風險和誤差。

4 結語

將基于因子分析的BP人工神經網絡模型預測的巖體力學參數值與采用H-B強度準則得到的計算結果進行對比分析，得出以下結論和建議。

（1）基于BP人工神經網絡分析法的巖體變形模量預測結果普遍比基于H-B強度準則的計算結果大，預測值和計算值之間關系的規律性不明顯，建議采取其他方法進行驗證。

（2）基于H-B強度準則計算所得的巖體黏聚力是BP人工神經網絡分析法估算結果的2-3倍，預測值與估算值存在一定的差異，可進行適當修正或通過其他方法進行驗證。

（3）基于BP人工神經網絡分析法和H-B強度準則方法所得的巖體抗拉強度、抗壓強度及內摩擦角基本一致，適宜在工程中驗證后推廣。

（4）由于估算方法所考慮的因素不同，導致估算參數的結果存在差別，因此在實際應用時建議結合工程地質特點，采用多種方法綜合對比確定工程巖體參數建議值。

參考文獻：

[1] 馮吉蓬，多裂隙相互作用下巖體宏觀力學參數的數值計算[D].濟南：山東科技大學，2013：87-88.

[2] 董一鳴，楊沙平，投資44.6億元的河南前坪水庫工程開工建設[J].中國水利，2015（ 20）：75.

[3] 張楠，王亮清，葛云峰，等，基于因子分析的BP神經網絡在巖體變形模量預測中的應用[J].工程地質學報，2016，24（1）：87-95.

[4] 湯羅圣，殷坤龍，劉藝梁，基于因子分析和BP神經網絡的滑坡抗剪強度參數取值[J].災害學，2012.27（4）：17-20.