点击名片 关注我们
标题
Title
期刊: Tunnelling and Underground Space Technology
作者：Huanling Wang, Yizhe Wu, Mei Li, Yuxuan Liu, Weiya Xu, Long Yan, Wei-Chau Xie
年份：2024
1
摘要
在地下水工隧洞工程中，特别是深埋工程，围岩的变形和稳定性对施工过程至关重要。由于此类隧洞沉积环境复杂，多种因素影响施工期间围岩的稳定性。本文提出了一种有限离散元法（FDEM）与全局灵敏度分析（GSA）和机器学习相结合的新方法。利用FDEM模型建立输入与输出参数之间的近似关系，并通过与监测数据对比验证其准确性。在FDEM模型模拟数据的基础上，采用粒子群优化-极限梯度提升（PSO-XGBoost）开发了元模型。利用元模型生成10,000个数据集进行Sobol灵敏度分析。将提出的分析框架应用于滇中引水工程深埋引水隧洞的研究。研究结果表明，在深埋隧道环境下，随着隧道埋深的增加，影响围岩变形的主导因素由隧道埋深转变为围岩本身的力学性质，为同类隧道工程施工方案的优化提供了有益借鉴，也为基于数值计算的敏感性分析框架提供了新的视角。
2
图表
图：元模型建立与全局敏感性分析框架
图：FDM 和 DEM 之间的耦合和数据传输。（a）隧道开挖和支护模拟过程；（b）FDM 和 DEM 耦合中的信息传输
图：长江干线隧道位置及隧道施工中的三种典型现象。（a）长江干线隧道楚雄段位置；（b）CX19 + 144.128 ∼ CX19 + 161.128 处发生拱顶裂缝和拱顶位移；（c）CX19 + 105.128 ∼ CX 19 + 161.128 处发生掌子面内塌陷和裂缝扩展；（d）CX41 + 842.469 ∼ CX41 + 942.469 处发生隧道壁挤压、初期支护损坏、隧道基底隆起。
图：CX15+290.00段分析结果与监测数据的对比。（a）对比结果；（b）B-C收敛位移（X方向）；（c）拱顶位移（Z方向）；（d）裂缝分布
图：FDEM 模型在不同场景下生成的 Y1、Y2、Y3 和 Y4 数据。（a）Y1；（b）Y2；（c）Y3；（d）Y4
图：四种不同算法的 R2 和 MAPE表现
图：六种情景下输入变量的 s1 和 st。（a）情景 1；（b）情景 2；（c）情景 3；（d）情景 4；（e）情景 5；（f）情景 6
3
结论
深埋软岩隧道中，围岩在自重应力和施工扰动的作用下极易发生变形损伤，研究影响施工期变形损伤程度的因素至关重要。由于现场监测岩石损伤程度具有挑战性，本文采用数值模拟进行分析。之所以选择FDEM，是因为它能够同时捕捉围岩中的位移和裂纹损伤。采用Sobol灵敏度分析定量评估各种因素的影响。但由于Sobol方法需要大量数据，而大量的数值模拟可能非常耗时，因此采用PSO-XGBoost算法建立了FDEM的替代模型。结果表明，随着隧道埋深由浅到深，对围岩变形损伤影响最大的因素从埋深转变为岩石本身的力学参数，如弹性模量和黏聚力。
以往的敏感性分析研究主要集中于盾构机开挖的浅埋隧道（刘等，2018），对传统新奥法（NATM）开挖的隧道研究较少。此外，基于数值模拟的敏感性分析往往依赖于纯有限元方法，而有限元方法难以有效模拟围岩中裂纹的扩展。隧道塌陷往往始于裂缝的形成，因此本文同时考虑变形和裂缝的发展，可以更全面地评估隧道的稳定性。最后，由于地质条件的复杂性，隧道埋深在不同断面之间可能存在很大的差异。本文分析了浅埋和深埋条件下各因素的影响，并总结了敏感性指标随埋深变化的变化趋势。这一结论是以往研究中没有涉及的，可为专业人员在制定隧道开挖施工计划时提供有价值的参考。
根据本文的结果和分析，可以得出以下结论：
1.FDEM数值模拟可以准确反映施工期间围岩的位移和损伤程度，从而有效地捕捉开挖、初支和二次衬砌过程。这通过与监测数 据的比较得到了证实。
2.PSO-XGBoost算法不仅可以从FDEM生成的数据集中有效地学习，而且与XGBoost、RF和LR算法相比具有更高的精度。这种增强的性能使其非常适合生成可靠的元模型。
3.敏感性分析结果表明，埋深、弹性模量和黏聚力是影响围岩变形的最重要因素。对于裂纹损伤，只有黏聚力和埋深有显著影响。此外，随着隧道埋深的增加，埋深的影响减小，而围岩力学参数的影响变得更加明显。
敏感性分析对于确定隧道工程设计参数的相对影响至关重要。本文主要关注岩体的力学性质和环境参数，假设实际工程项目中的施工方案符合这一前提。然而，在许多新奥法项目中，并非每个部分都按照本文提出的计划进行施工。因此，未来的研究可以探索不同施工方案中因素的影响。此外，基于本研究的结果，还有进一步研究敏感参数的潜力。贝叶斯理论已经成为岩土工程可靠性分析和位移预测的有效方法（Shi et al.，2024）。未来的研究可以应用贝叶斯方法从实际监测数据中吸收敏感参数，从而为隧道项目提供有效的风险管理方法。
4
参考文献
扫码关注，欢迎来稿
邮箱丨engeomodel@gmail.com
免责声明
本公众号推广所有论文，仅供学术交流，由于小编水平有限，摘要、图表均为原文内容，文字翻译部分仅代表小编个人理解，本公众号不具该原文的版权。在文献解读或作者简历介绍过程中如有疏漏，我们深表歉意，如涉及侵权问题或冒犯之处，请作者团队及时联系本公众号（邮箱），我们会在第一时间进行修改或删除，感谢您的谅解！
