Back-analysis and reconstruction method of in-situ stress field based on limited sample data
LI Fei1 ,ZHOU Jiaxing1 ,WANG Jin’an1,2
地应力测量昂贵的成本限制了测点数量,稀少样本实测数据难以对区域地应力场进行全面的描述与表达。如何依据稀少样本地应力实测数据准确地构建地质体内部地应力场分布状态,一直是岩土工程关心的重点问题,尤其随着深部工程的建设,掌握地应力场的分布规律是进行工程安全设计和防灾工作的基础。提出的GMDH(批数据处理)神经网络算法,结合地应力场分布随埋深的非线性特征及局部地质构造处地应力场的非连续性特点,构建出形成复杂地质体地应力场的边界条件模式,并基于现场的稀少样本测点数据进行复杂边界条件的生成,拟合出边界载荷非线性表达式。通过Matlab编程构建GMDH神经网络算法平台,该平台具有结构最优性和全局性等优势,克服了传统神经网络方法假设过多(网络结构假设)和网络结构过于简单等缺点,实现复杂地质体边界载荷表达式与实测点应力值的非线性映射,从而获取了较为合理的地应力场分布。为了验证算法的有效性,构建二维急倾斜地层地质区域模型,分别选取15 个、12 个、9 个及6 个测点数据进行地应力场反演。结果表明:随测点数量的减少,GMDH神经网络算法反演精度均大于83%,特别是6个测点稀少样本数据中,GMDH神经网络算法反演精度为84%,BP神经网络算法反演精度为76%,说明GMDH神经网络算法在稀少样本测点数据下具有较高的反演精度。另外,对稀少样本测点数据下的杏山铁矿地应力场进行反演和重构,结果显示,GMDH神经网络算法反演精度达到84%,绝大多数测点应力分量反演误差小于10%。因此,GMDH神经网络算法在稀少样本测点数据的反演计算中,具有良好的泛化性和非线性数据预测性,可为今后日益复杂的工程设计和施工提供有效的理论依据。
geological body; GMDH neural network algorithms; limited sample data; inverse calculation of in-situ stress field
主办单位:煤炭科学研究总院有限公司 中国煤炭学会学术期刊工作委员会