隧道主動支護體系全過程信息化動態設計與智能決策方法研究

田四明，李術才，劉大剛，王明年

(1.山東大學 齊魯交通學院，山東 濟南 250061；2.中國鐵路經濟規劃研究院有限公司，北京 100038；3.山東大學，山東 濟南 250061；4.西南交通大學 土木工程學院，四川 成都 610031；5.西南交通大學 隧道工程教育部重點實驗室，四川 成都 610031)

隧道支護是保證隧道施工和運營安全的最重要措施,支護設計也是隧道設計最主要的內容,因此采用合適的隧道支護體系、研究合理的支護設計方法對隧道工程建造至關重要。

從力學角度分析,隧道修建過程是隧道施工力學狀態變化的過程,隧道支護設計本質是控制隧道施工力學狀態變化過程的設計[1]。影響隧道施工力學狀態變化的因素眾多,不僅包括初始地應力場、圍巖力學特性和構造特性等地質客觀因素以及隧道埋深、開挖斷面尺寸、支護形式、施工工法等施工人為因素,同時應考慮隧道施工全過程中時空因素的影響,包括支護施做時間、噴混凝土齡期強度等時間因素以及斷面距掌子面開挖距離、斷面距仰拱封閉距離等空間因素。因此,一個理想化的隧道支護設計方法應能充分考慮和體現隧道施工力學狀態變化全過程全要素的影響,并依據地質客觀因素的變化,及時確定合理的隧道支護體系及參數、適宜的施工管控對策,即實現隧道支護設計與施工管控決策隨地質的精準動態響應,確保隧道施工力學狀態變化全過程安全可控。

在隧道支護體系方面,圍巖作為承載主體,如利用支護構件調動和發揮圍巖自支護能力,減小支護承載負擔則成為研究的重點。為此相關學者針對各類支護構件的作用機制問題開展了較為系統深入的研究[2-4],認為超前支護、圍巖預加固等措施以及早高強噴射混凝土、預應力錨桿等洞身支護構件,具有主動加固圍巖、改善圍巖應力狀態及時抑制圍巖變形松弛及其力學參數劣化等作用,將其歸為主動支護范疇,據此提出了主動支護體系的概念及內涵,并利用主動支護體系在隧道工程實踐中發揮積極的作用。由于主動支護體系能更好地體現隧道新奧法建造理念,已成為當代隧道支護發展的一個重要趨勢。

在隧道支護設計方面,現階段主要包括施工前的預設計與施工期的變更設計兩種,前者主要依據勘察階段獲取的地質信息進行開展,后者則通過對施工揭露的地質狀況信息進行檢驗、確認,當地質信息與預設計不符時,則開展相應的設計變更。兩種支護設計均以地質信息作為主要設計依據,較少考慮施工人為因素的影響,且設計以規范法、類比法或經驗法為主,高度依賴于設計者經驗,存在針對性不強、統一性不高、安全冗余度偏大等問題,難以適應當代隧道安全高效、綠色低碳的建造需求,亟須建立一套利用施工全過程全要素信息的隧道支護體系動態設計與決策方法。

近年來,隨著隧道施工智能裝備技術、信息化技術、大數據分析技術和人工智能技術等領域的不斷進步,隧道施工全過程全要素信息自動獲取成為現實,而利用隧道施工全過程全要素信息,通過人工智能算法實現支護全過程信息化動態設計與智能決策也成為可能,已有研究人員對信息采集及支護智能設計方面開展了積極的探索,如在圍巖地質信息采集及智能評價方面,形成了圍巖圖形識別處理和鑿巖臺車隨鉆參數等代表性技術[5-8],即通過對圍巖圖像、隨鉆參數等數據特征解析,可自動獲知巖石堅硬程度、巖體完整程度、地下水等圍巖地質參數信息,實現對圍巖質量及級別的智能評價;在施工狀態信息自動獲取方面,形成了以智能施工裝備為代表的信息化自動采集技術[9-10],即利用智能施工裝備所搭載的各類傳感器,實時感知施工狀態參數信息,實現相關信息的自動記錄、存儲和傳輸;在支護變形信息自動獲取方面,形成了隧道圍巖支護變形自動監測技術,可按設定的監測頻率對目標斷面變形信息進行自動測取,并開展信息的分析評價與反饋;在支護智能設計決策方面,開展了支護參數智能優選研究[11-12],即基于圍巖質量評價及分級結果,依據隧道支護參數設計方案,實現支護參數與圍巖級別間的自動匹配和優選。

綜上可知,目前國內外針對隧道施工全過程全要素信息自動采集方面的研究已較為成熟,而關于隧道支護全過程信息化動態設計與智能決策方面的研究尚處于起步階段,已有研究成果多側重于支護參數與圍巖地質信息間的映射與匹配關系研究,對施工過程要素信息的考慮有所不足,對支護參數的動態優化調整研究仍不充分,距離實現支護全過程信息化動態設計與智能決策還有較大差距。鑒于上述問題,結合隧道支護體系全過程信息化動態設計特點,圍繞隧道支護智能決策需求,架構隧道支護全過程信息化動態設計與智能決策方法技術路線,并對技術實施過程中的信息樣本數據庫構建、智能模型算法、支護結構安全度評價方法及支護參數迭代優化反饋規則等關鍵環節內容進行細致的闡述,為支護全過程信息化動態設計與智能決策的實現提供了技術支撐和系統的解決方案。

1 隧道主動支護體系全過程信息化動態設計與智能決策方法技術路線

隧道在開挖、支護等施工過程中,受地質因素、支護因素、施工因素等綜合作用影響,隧道支護結構安全性具有動態變化的特點,其通常以支護結構變形進行綜合直觀的反映。因此,利用施工全過程全要素信息構建信息樣本數據庫,基于人工智能算法尋找出施工全過程各要素與支護結構變形間的非線性映射關系,通過支護結構安全度量化評價與分析,依據設定的優化反饋規則,對支護體系設計與施工管控提供智能優化決策,是隧道主動支護體系全過程信息化動態設計與智能決策方法研究的根本思路。

基于上述分析,實現隧道主動支護體系全過程信息化動態設計與智能決策,關鍵在于以下4個步驟:

Step1施工全過程全要素信息表達與樣本數據庫的構建。施工全過程全要素信息表達是指將施工過程中影響支護結構安全性的各要素表征指標以定性或定量的方式進行指標信息表達,如地質因素表征指標可采用巖石堅硬程度、巖體完整程度、初始地應力狀態、地下水狀態等;支護因素表征指標可采用支護類型、支護參數等;施工因素表征指標可采用開挖斷面尺寸、施工工法、支護施做時機、支護封閉時機等。通過上述指標信息的收集,即可構建信息樣本數據庫,為智能算法模型的學習訓練提供基礎,為滿足智能模型精度的持續提升,構建的樣本數據庫應結合施工進程的推進,具備樣本動態擴充功能。

Step2智能算法模型的訓練與遴選。利用智能算法模型的目的是給出施工全過程各要素與支護結構變形間的非線性映射關系,本質是基于各要素指標信息對支護結構變形信息進行預測,因此采用監督式學習回歸類機器學習算法比較適宜。現階段機器學習算法類型眾多,為滿足高精度智能決策需求,應通過多種智能算法進行綜合測試與比選,尋找出精度最佳的智能算法模型類型以供選擇。

Step3支護結構安全度量化評價與分析。支護結構變形是反映支護結構安全性的最直觀指標,但現階段相關規范對于支護結構變形的控制標準尚不統一,給支護結構安全度量化評價造成困擾。鑒于此,研究基于支護結構變形反演支護結構應力的方法,轉為利用支護結構安全系數對安全度的統一評價和分析。

Step4支護優化智能決策反饋機制。當支護結構安全度評價冗余度較高時,需制定相應的支護優化智能決策反饋規則,指導機器對支護開展自動迭代優化及反饋工作,以尋找出最優支護參數及施工管控方案,供設計者決策。支護優化主要以安全、高效、綠色低碳作為反饋目標,優先優化效能低、耗時長的支護構件及參數,直至支護結構安全冗余度滿足預期為止。

綜上,構建隧道主動支護體系全過程信息化動態設計與智能決策方法技術路線見圖1。

圖1 支護體系全過程信息化動態設計與智能決策方法技術路線

1)利用施工全過程獲取的地質、支護及施工等全要素指標信息構建動態樣本數據庫。

2)以支護結構變形信息作為預測變量,以其他信息作為目標變量,開展智能算法模型的訓練測試,獲知最優算法模型類型。

3)通過支護結構變形-應力反演法,對支護結構安全度進行量化評價和分析。

4)依據制定的支護優化智能決策反饋規則,對安全冗余度較高的支護開展支護參數及施工管控智能優化決策。

5)輸出最優支護參數及施工管控方案供設計決策。

2 樣本數據庫構建

2.1 數據基礎

研究主要依托西部某在建大型鐵路工程進行開展。該鐵路工程隧道分布眾多,地質環境復雜多變,隧道支護采用以早高強噴射混凝土、預應力錨桿等構件為主的主動支護體系,施工以大型機械化為主,提倡少人化施工理念,現場圍巖智能判識系統、圍巖及支護變形自動化監測系統、智能型施工裝備等軟硬件配置完善,為施工期全過程全要素信息的自動化采集提供了便利條件。

通過廣泛采集,共收集隧道施工期支護斷面客觀數據3 505份,斷面類型涉及單洞單線、單洞雙線、單線輔助坑道、雙線輔助坑道4種。

2.2 樣本信息指標構建

隧道變形往往受多種因素共同影響,但主要包含隧道地質信息、隧道支護信息、隧道施工信息。基于此,將現場采集的施工全過程全要素信息進行要素指標分類,其中地質要素指標信息7項,支護要素指標信息17項,施工要素指標信息7項,共計33項指標信息,具體如下:

1)地質要素指標信息

對隧道變形有影響的地質要素信息包括:表征初始地應力狀態的指標信息為初始地應力值(或埋深);表征巖石堅硬程度狀態的指標信息為圍巖巖性、圍巖風化程度、巖石堅硬程度等級;表征巖體完整性狀態的指標信息為結構面產狀、巖體完整性程度等級;表征地下水狀態的指標信息為地下水發育程度等級。

2)支護要素指標信息

對隧道變形有影響的支護要素信息包括:表征支護類型的指標信息為超前支護類型、系統錨桿類型、系統錨桿組合形式、噴射混凝土類型、鋼支撐類型;表征支護參數的指標信息為超前支護管徑、超前支護間距、超前支護長度、超前支護布設范圍、系統錨桿間距、系統錨桿長度、系統錨桿預緊力、噴射混凝土厚度、噴射混凝土齡期強度、鋼支撐間距;表征支護變形的指標信息為支護拱頂沉降、支護洞周收斂。

3)施工要素指標信息

對隧道變形有影響的施工要素信息包括:表征隧道開挖方式的指標信息為斷面開挖高度、斷面開挖寬度、施工開挖工法類型;表征施工時空效應的指標信息為施工開挖進尺、支護施做起止時間、斷面距掌子面距離、斷面距仰拱封閉距離。

4)隧道基本要素指標信息

表征隧道及斷面的指標信息為隧道名稱、斷面里程。

2.3 樣本信息量化處理

現場采集的樣本信息既有定量值也有定性值,為便于樣本信息學習,需將定性指標信息按一定的編碼規則處理為定量指標信息,定性樣本信息量化處理規則及處理結果如表1所示。

表1 定性樣本信息量化處理結果

2.4 指標相關性分析

采用距離相關系數法研究兩個變量X和Y之間的相關性,記為dCor(X,Y),其中X為影響隧道變形的指標,Y為隧道變形值,其計算式為

( 1 )

( 2 )

( 3 )

( 4 )

其中,n為變量X、Y的觀測值個數;dX、dY分別為變量X、Y的微小變化量;Xi為變量X中第i個觀測值;Yj為變量Y中第j個觀測值。

當dCor(X,Y)越接近1時,表示X與Y之間相關性越強;當dCor(X,Y)=0時,表示X與Y之間相互獨立,互不影響。經計算,距離相關系數大小排前15的指標信息如表2所示。

表2 指標相關系數排序

由表2可知,對隧道變形有較大影響的重要指標為斷面距掌子面距離、斷面距仰拱封閉距離、支護時間和隧道埋深,因此,對于施工階段圍巖變形控制,應著重考慮指標信息中的時空因素,即適當縮小每循環開挖進尺、及時施做仰拱和初期支護。

3 智能算法模型訓練及測試

3.1 算法基礎

人工智能算法中的深度學習和機器學習均可以較好地解決非線性映射問題,其中深度學習算法通常依賴于大數據基礎,對數據量具有一定要求。相比之下,機器學習算法對數據量的依賴性較低,故研究選用機器學習算法進行訓練。

機器學習算法依據任務或應用情況不同,可分為監督學習、非監督學習和強化學習3類算法,鑒于隧道支護體系全過程信息化動態設計樣本數據具有較強的標簽及客觀屬性,其目的是對支護結構變形進行預測,因此重點針對監督式學習中的回歸類算法開展研究。

3.1.1 梯度提升算法

梯度提升算法(Gradient Boosting)的基本原理是根據當前模型損失函數的負梯度信息來訓練新加入的單模型,然后將訓練好的單模型以累加的形式結合到現有模型中。該算法一般流程為:

Step1初始化提升樹模型表達式為

( 5 )

式中:L為損失函數;yi為訓練集中的目標變量;c為模型的參數。

Step2對于每個迭代輪次m=1,2,…,M時,有

①對每個樣本i=1,2,…,N,計算第i個樣本在第m輪迭代中的負梯度擬合的殘差rmi,即

( 6 )

式中:f(xi)為模型對輸入樣本xi的預測值。

災情就是命令，地震發生后，武定供電局局長立即組織相關應急辦人員召開地震緊急會，根據縣政府工作要求和楚雄供電局蔡局長工作指示要求，隨即啟動武定供電局地震災害Ⅳ級應急響應，把抗震救災保供電作為首要工作來抓，統一思想，統一認識，統一行動，集中所有人力、物力、財力全力以赴開展抗震救災保供電工作，提出10條應急工作要求。

②將上一步得到的殘差作為樣本新的真實值,并將數據(xi,rmi),i=1,2,…,N作為下一棵樹的訓練數據,得到一棵新的回歸樹fm(x),其對應的葉子結點區域為Rmj,j=1,2,…,J。其中J為回歸樹T的葉子結點的個數。

③對各節點區域計算最優擬合值cmj,即

( 7 )

Step3更新提升樹模型為

( 8 )

式中:I為學習率,用于控制每個模型的權重。

Step4得到最終的梯度提升樹為

( 9 )

該算法特點在于:①數據處理的靈活性較強;②模型易調參;③模型魯棒性較強。不足之處在于學習器間依賴性較高,對數據難以開展并行訓練。

3.1.2 袋裝法算法

袋裝法算法(Bagging)的基本原理是從樣本總體中抽取很多個訓練集,對每個訓練集分別擬合模型,將每個模型的結果求平均值以降低分類器的方差。該算法的處理流程為:

Step2用這B個訓練樣本分別擬合出B個基礎預測模型。

Step3將Step2的基礎預測模型結果取平均值,得到最終預測結果,其表達式為

(10)

該算法可提高模型的準確率,降低模型的方差。不足之處在于模型最后采用平均值,降低了結果的可解釋性。

3.1.3 隨機森林算法

隨機森林算法(Random Forest)是Bagging的改進版本,隨機森林除了對樣本進行隨機過采樣,增加訓練集的隨機性之外,還在決策樹的生成時,選擇隨機采樣的特征中最好的特征作為分裂節點,這樣使得每棵樹有更大的差異性,有差異性的基模型組合在一起成為一個更強大模型。隨機森林算法的一般流程為:

Step1假設隨機選取M個樣本。

Step2假設樣本有N個特征,在決策時的每個結點需要分裂時,隨機從這N個特征中選取n個特征,滿足n?N,從這n個特征中選擇特征進行結點分裂。

Step3基于抽樣的M個樣本n個特征按照結點分裂的方式構建決策樹。

Step4按照Step1～Step3構建大量決策樹組成隨機森林,然后將每棵樹的結果取均值即為預測結果。

該算法特點是:①支持并行處理;②不需要對特征進行標準化處理,也不需要對特征缺失值進行處理;③模型較穩定,泛化能力強;④模型可以輸出特征重要性。不足之處在于:①由于有多個基模型組合而成,模型不易解釋;②樹較多時,訓練時間比較久。

3.1.4 極限樹算法

極限樹算法(Extra Trees)由多個決策樹構成,與隨機森林算法近似,區別在于:

1)極限樹使用全部樣本,特征是隨機選取的,分裂是隨機的,所以在某種程度上比隨機森林得到的結果更加好。

2)極限樹的分叉值隨機獲取,進而對決策樹進行分叉處理。

3.1.5 極度梯度提升樹算法

極度梯度提升樹算法(eXtreme Gradient Boosting,XGBoost)是Boosting算法的一種實現方式,主要通過多個學習器學習,降低模型誤差。該算法核心原理為:

1)持續通過特征分裂生成樹,并擬合上次預測殘差。

2)訓練結束得到k棵樹,包含若干個樣本特征葉子節點分數,對某一樣本分數進行預測。

3)每棵樹分數之和即為該樣本預測值。

該算法特點為: ①精度較高; ②靈活性更強,可同時用于分類和回歸問題,且支持自定義損失函數; ③可有效控制模型復雜度; ④降低模型過擬合; ⑤支持特征值有缺失的樣本處理。不足之處在于算法參數過多,調參復雜,且訓練過程中內存消耗嚴重。

3.1.6 貝葉斯神經網絡

貝葉斯神經網絡(Bayesian Neural Networks,BNN)不同于一般的神經網絡,其權重參數為隨機變量,而非定值。該算法融合概率建模與神經網絡,可預測結果的置信度。

貝葉斯神經網絡由DAG和結點概率表構成。當一個結點的父結點概率分布確定時,即可將該結點視為所有非直接父結點的獨立結點條件。因此,對于多變量非獨立的隨機變量而言,其聯合概率分布計算公式為

(11)

式中:n為變量個數;xi為隨機變量的取值;Parents為父節點選擇函數,用于確定每個節點的父節點集合。

當網絡中結點關系和結點概率表確定后,即可獲知相應的先驗概率及條件概率分布,進而利用貝葉斯網絡進行推斷。

該算法特點為: ①可根據已有數據進行改變。(一定程度上反映了自適應性) ②可在優化模型的過程中,把正則項給估計出來。不足之處是它的推斷過程相對其他機器學習算法非常耗時。

3.2 模型訓練及測試評估

將現場收集構建的3 505份樣本數據,依據Sklearn機器學習庫中關于數據集的劃分原則,按照4∶1的比例劃分為訓練集和測試集兩部分,分別包括2 804和701組數據,輸入上述6種算法模型中開展訓練,采用決定系數R2評價6種回歸模型對數據擬合的精度,其計算式為

(12)

R2介于0～1之間,通常R2越大表示模型擬合效果越好。6種算法對支護結構變形的預測精度結果見圖2和表3。

表3 6種算法對支護變形測試結果對比

由表3可知,從算法精度看,袋裝法、隨機森林法和極限樹法均表現優越,其中極限樹算法表現最佳,準確率高達93%;從算法效率看,袋裝法、梯度提升法和極限樹法較優,其中袋裝法效率最佳。鑒于上述各算法計算耗時均較短,因此可將極限樹法作為支護體系全過程信息化動態設計與智能決策的優選算法模型。

4 支護安全性評價方法

4.1 方法的建立

由基于支護結構變形信息反演支護結構應力,轉為利用支護結構安全系數對安全度進行量化評價,可有效解決現階段相關規范支護結構變形控制基準不一致[17-18]的問題,支護結構變形-應力反演法研發思路[19-21]及技術流程見圖3。

主要實施步驟如下:

Step1構建圍巖與支護梁-彈簧剛度矩陣。

①將支護結構離散成n個單位長度的彈性梁單元,將單元的聯結點視為節點,此時支護結構梁單元整體、局部坐標系下的單元剛度矩陣滿足

(13)

②采用徑向和切向彈簧單元,模擬圍巖對支護的約束作用。彈簧單元整體和局部坐標系剛度矩陣關系式為

(14)

③利用直接剛度法,基于各單元節點變形受力平衡條件,建立支護結構總體剛度矩陣關系式為

[k]3n×3n=[k1]3n×3n+[k2]3n×3n

(15)

式中:[k]3n×3n為結構總體剛度矩陣;[k1]3n×3n為結構梁單元總體剛度矩陣;[k2]3n×3n為約束彈簧單元總體剛度矩陣。

Step2支護結構應力反演分析。

①求解支護結構節點荷載

基于有限元理論,支護結構應力應變基本關系式為

[F]3n×1= [k]3n×3n[δ]3n×1

(16)

式中:[δ]3n×1為支護結構節點位移矩陣,可由支護結構節點三維位移坐標進行構建;[F]3n×1為支護結構等效節點荷載矩陣;[k]3n×3n為支護結構總體剛度矩陣。

當已知支護結構材料彈性模量、支護結構厚度(可求慣性矩I、橫截面面積A)、支護結構節點三維位移坐標等信息時,即可求解出支護結構節點的荷載矩陣值。

②求解支護結構節點應力

整體坐標系支護結構梁單元節點位移為[δ]6×1,則梁單元節點荷載[F1]6×1為

[F1]6×1=[k1]6×6[δ]6×1

(17)

換算為局部坐標系梁單元節點荷載,其即為支護結構節點應力[F1′]6×1,轉換公式為

(18)

求解支護結構節點應力后,即可依據現行TB 10003—2016《鐵路隧道設計規范》[17]中破損階段法計算支護結構安全系數,并按支護結構安全系數統一控制標準進行支護結構安全性控制,見表4。

表4 支護結構安全系數控制基準

4.2 方法應用示例

選取某雙線隧道典型測試斷面對上述方法進行應用檢驗。該測試斷面圍巖巖性以砂巖、泥巖為主,圍巖級別屬Ⅳ級,支護采用C30早高強噴射混凝土,噴層厚25 cm,鋼支撐采用I18型鋼鋼架,鋼架縱向間距1 m,建筑材料及圍巖相關力學參數按文獻[17]選取,其中圍巖切向彈性反力系數取值按徑向值1/2進行確定[22]。支護各關鍵部位變形實測值見表5,支護單元號劃分見圖4,反演計算支護安全系數曲線見圖5。

表5 測試斷面關鍵部位變形實測值 mm

圖4 測試斷面支護單元號劃分示意

圖5 測試斷面支護安全系數分布曲線

由圖5可知,該測試斷面最小安全系數為2.2,受壓控制,滿足文獻[17]安全系數2.0的控制基準要求,說明支護結構具有一定的安全度,現場支護結構也未發生破壞現象,檢驗了支護結構安全性評價方法的可靠性。

5 支護優化智能決策反饋規則

當支護結構安全度評價冗余度較高時,需制定相應的支護優化智能決策反饋規則,指導機器對支護及施工管控參數的自動迭代優化及反饋,以供設計者決策。

支護優化智能決策反饋以隧道支護安全、施工高效、綠色低碳為目標,具體反饋規則如下:

1)隧道支護安全規則。

當支護結構安全冗余度大于表3安全系數控制標準時,持續開展相關參數優化工作,直至安全冗余度趨于結構安全系數控制標準時優化工作截止。

2)隧道施工高效規則。

隧道支護構件由各類管棚、導管、錨桿、噴射混凝土及鋼支撐等構成,不同支護構件的支護效能及施工耗時也存在差異,為提升隧道施工工效,支護構件優化應優先優化支護效能低、施工耗時的構件類型,如管棚、鋼支撐等,通過不斷調整其支護參數,直至取消。

此外,在支護施做時機方面,結合隧道施工水平,可優先考慮錨桿分序平行作業的可能性,即通過不斷優化錨桿支護施做時機參數,進而確定錨桿合理的施做方式。

3)隧道綠色低碳規則。

隧道綠色低碳主要是基于減量化設計優化進行實現,可通過優選高性能支護材料,減少支護參數,降低支護施工量;優先控制隧道斷面開挖尺寸,減少隧道變形預留量,進而減少隧道開挖工程量。

6 結論

隧道支護體系全過程信息化動態設計,是真正體現隧道設計施工一體化的理想設計方式,本文結合隧道支護體系全過程信息化動態設計特點,圍繞隧道智能決策需求,從隧道支護體系全過程信息化動態與智能決策方法技術路線、樣本數據庫構建、智能算法模型、支護結構安全度評價方法及支護優化智能決策反饋規則等方面進行了系統研究,得出主要結論如下:

1)架構了支護體系全過程信息化動態設計與智能決策方法技術路線,明確了技術研發的關鍵技術環節與實施步驟,為支護體系全過程信息化動態設計與智能決策的實現提供了技術支撐和系統的解決方案。

2)利用西部某在建高原大型鐵路隧道施工期自動收集的3 505份樣本數據,初步構建了滿足智能算法模型訓練要求的信息樣本數據庫,并應用6種機器學習算法開展了模型訓練與測試,結果表明極限樹法、袋裝法算法模型表現較優,可作為優選的智能算法模型類型。

3)研究了隧道支護結構變形-應力反演分析法,實現了利用支護結構安全系數對支護結構安全性的統一評價,并通過現場檢驗,驗證了評價方法的可靠性。

4)提出了支護優化智能決策反饋規則,為支護及施工管控參數自動迭代優化反饋提供了依據。

5)本文為隧道支護體系全過程信息化動態設計實現提供了新的技術方法。受限于現有樣本數據量偏少影響,智能算法模型的訓練及優選仍有待于進一步提高。