Study on risk prediction of mine karst collapse under the influence of groundwater based on LOF-SMOTE algorithm
-
摘要: 矿山岩溶地表塌陷成因复杂，形式多样，为准确预测矿山岩溶塌陷，结合岩溶发育机理，本研究提出基于LOF和SMOTE算法的BP神经网络预测模型。首先通过LOF算法剔除因非自然原因而产生的异常数据，再通过SMOTE算法对剔除后的数据进行过采样，合成新数据，以增加样本数目，最后采用BP神经网络模型对矿山岩溶塌陷进行预测。结果表明，实际工程数据经过预处理后的预测模型，与部分小样本预测模型相比，具有更高的预测精度，可为在其他工程中应用提供参考。Abstract: The causes of mine karst surface collapse are complex and diverse. To accurately predict karst collapse in mines, combined with the karst development mechanism, a BP neural network prediction model based on the LOF and SMOTE algorithms is proposed. In this model, the abnormal data due to unnatural reasons were first removed by LOF algotithm. The removed data were then oversampled by SMOTE algorithm, thereby synthesizing new data to increase the number of samples. Finally, the BP neural network model was used to predict the mine karst collapse. The results show that the preprocessed prediction model of the actual engineering data has higher prediction accuracy than some small sample prediction models, which provides a reference for its application in other projects.
-
Keywords:
- karst collapse /
- LOF algorithm /
- SMOTE algorithm /
- neural network /
- support vector machine
-
土钉墙支护是近几十年发展起来用于加固和增强边坡或开挖土体稳定的一种支挡技术，它是在原位土中自上而下设置细长、较为密集的金属杆件（土钉）、与土坡表面构筑的钢丝网喷射混凝土面层及被加固土体共同作用，形成一个自稳的和能支挡墙后土体的支挡结构。土钉墙支护技术具有施工容易、设备简单、需要场地小、开挖与支护施工可以并行、支护成本低，并具有无污染、噪声小、稳定可靠、社会效益与经济效益明显等特点，因而在国内外的边坡加固与基坑支护工程中得到了广泛迅速的应用[1]。
土钉墙支护技术是一种应用广泛的成熟技术，但在整个工程界对土钉技术还缺乏深入、系统的研究，尤其是土钉的设计参数对深基坑支护效果的影响缺乏较深入的认识。由于深基坑开挖的现场难以对土钉支护参数进行系统的研究分析，因此采用数值模拟方法进行系统的研究分析，确定合理的土钉设计参数，对基坑支护设计具有较大的指导意义。
利用FLAC3D软件对某基坑的土钉支护进行了4种不同方案的模拟对比，初步说明了土钉长度和倾角对深基坑支护效果的影响。选定合理的设计方案与传统计算设计结果相吻合，并加以分析说明。
1 FLAC3D简介
1.1 软件
FLAC3D是由美国Itasca咨询公司于20世纪90年代中期在原有的二维分析软件FLAC基础上开发的一种工程计算处理软件。它采用拉格朗日差分公式来处理有限变形问题, 计算过程中允许材料发生屈服及流变, 适合于解决岩土工程中经常遇到的大变形, 是一种理想的岩土工程计算软件。
1.2 基本原理
FLAC3D软件的基本原理为拉格朗日差分法。拉格朗日元法源于流体力学。是研究每个流体质点随时间而变化的状态，即研究某一流体质点在任一时段内的运动轨迹、速度、压力等特征。它在求解时基于显示差分法，不需形成刚度矩阵，不用求解大型方程组，因此，占用内存少，求解速度快，便于用微机求解较大规模的岩土工程问题。拉格朗日元法在求解时通过把所研究区域划分网格，结点相当于流体质点，单元通过结点连接。在微小时间内，结点荷载只与相邻结点有关。根据运动定律可求得该结点的速度，通过高斯公式由速度求得单元的应变率。再根据单元的本构关系，求得单元应力。最后计算整个体系单元之间的不平衡力，并把不平衡力分配到结点上进行下一步计算。如此循环，直到整个体系的不平衡力足够小为止[2]。
2 工程概况
工程实例为某大楼基坑工程，该楼结构类型为钢筋混凝土框架剪力墙，其建筑面积为15 865m2，设计高度为37m，基坑的平面形状大致为长方形，设计面积为2 900m2。基坑的开挖深度为10m，坡面竖直，开挖方式为分层开挖，每层开挖深度为1m。该基坑地层情况及所取参数如表 1所示。
表 1 各土层的主要物理力学参数
3 FLAC数值模拟
3.1 建立数值模型和边界条件
（1）在分析过程中不考虑基坑开挖的空间效应，同时基坑的平面形状足够大，因此假定简化土钉支护体系的分析为平面应变问题。
（2）在基坑开挖前作了充分的人工降水处理，开挖基坑在地下水位以上，在数值模拟的过程中不考虑地下水的影响。
（3）土体的应力应变模式采用摩尔库伦屈服准则，土的莫尔-库仑强度准则是目前岩土工程中应用最为广泛的破坏准则，其表达式为[3]：
式中：I1——应力张量第一不变量；
J2——应变张量第二不变量；
θσ —应力罗德角；
c——粘聚力；
φ——内摩擦角。
（4）在数值模拟过程中，边界范围的大小对计算精度有一定的影响，工程实践表明，基坑开挖的影响深度为开挖深度的3~4倍时计算精度较为理想[4]，因此本模型土体计算范围取基坑周围120m，基坑底部30m，并沿基坑长度方向取1m进行建模。
（5）模型边界条件，两侧边界约束水平位移为零，下侧边界约束竖向位移为零。土体选用brick单元，土钉支护选用cable单元。
3.2 土钉支护方案
以改变土钉长度和倾角的方式模拟了4种不同的支护方案，土钉的水平和竖直间距均为1m，土钉的设计参数和支护方案如表 2、表 3所示。
表 2 土钉的设计参数
表 3 土钉支护方案
3.3 数值模拟计算结果及分析
经过FLAC3D数值模拟可以得出每步开挖支护的计算结果，现只给出基坑开挖支护完成的计算结果并加以分析说明。
（1）工程界在对土钉墙变形特性的研究中通过实测土钉墙水平位移图发现，最大水平位移一般发生在墙的上部，并向坡脚处逐渐减小，土钉墙内的水平位移随离开墙面距离增大而减小[1]，由图 1、图 2的水平位移等值线图显示不同方案的模拟结果与研究所得实测水平位移分布规律吻合。
（2）由图 1可以看出，方案1在土钉长度均为7m、倾角为10°时，数值计算结果显示开挖支护后基坑水平位移最大达到74mm，超出了允许变形的范围，查看每步模拟的开挖支护过程，发现基坑在开挖到9m处时水平位移突然增大，说明土体在开挖过程中已经发生破坏，土钉已失效不能控制基坑变形，应增加土钉长度，支护方案一不可取[5]。
（3）由图 2可以看出, 方案2在土钉长度均为10m、倾角为10°时，开挖支护后基坑水平位移最大值为48mm，明显减少，但土钉强度没有得到充分发挥，受力偏小，尤其是下部土钉，造成浪费（见图 5）。
（4）由图 3可以看出方案3的6~10层土钉为7m，最大水平位移值为49mm，支护效果与方案2相当，较方案2合理。这种位移值一般不会影响工程的安全性及长期稳定性[6-7]。
（5）由图 4可以看出方案4在方案3基础上，增加倾角到15°时，最大水平位移值为56mm，有明显增加，土钉倾角增大对土体横向变形约束减弱而导致。因此，选取方案3为该基坑支护方案。
（6）由图 6支护方案3土钉受力图可看出土钉沿钉长的受力分布不均匀，呈现中间大、两端小的规律，反映出土钉对滑动土体的约束作用，与工程实测到的土钉受力分布特征图相吻合。
（7）由图 7可看出基坑开挖后，底部土体由于开挖的卸载作用产生回弹。开挖竖直面土体向外滑移，符合实际变形规律，说明了土钉支护的必要性。从图 8可看出土体回弹量和数值位移均较小，只有十几个毫米，符合工程要求。
4 结论
（1）采用FLAC3D软件对深基坑土钉支护数值模拟进行支护方案的对比选择是可行的，由数值计算得到的基坑位移场及土钉受力的分布规律，基本与工程实测得到的规律相吻合。因此，应进一步掌握土钉支护体系的复杂受力机制及优缺点，从而指导设计和合理施工。
（2）基坑的最大水平位移随土钉长度的增加而减小，但只能适当增加土钉长度，因土钉长度过长，其控制变形的效果并不明显，土钉抗拉强度得不到充分发挥，且土钉受力增加较小，造成钢筋浪费。
（3）由于基坑开挖后土体主拉应变方向接近水平方向，土钉倾角增大对土体横向变形约束减弱，基坑的最大水平位移随土钉倾角的增加而明显增加，因此，土钉倾角应较小（水平或接近水平设置）。
-
![]()
图 1 当k=5时，点o至点p1的可达距离示意
Fig 1. Schematic diagram of accessible distance from point o to point p1 when k=5
![]()
图 2 当k=5时，点o至点p2的可达距离示意
Fig 2. Schematic diagram of accessible distance from point o to point p2 when k=5
![]()
图 3 样本示意（其中星形为少数类样本）
Fig 3. Schematic diagram of sample (the stellate ones are a minority of class samples)
![]()
图 4 新样本示意（其中方形为新合成样本）
Fig 4. Schematic diagram of new sample (the square ones are new synthetic samples)
![]()
图 6 预测结果：（a）、（b）、（c）为节选的3组预测结果；（d）为10组平均预测结果
Fig 6. Prediction results: (a), (b) and (c) are three prediction groups of results excerpted; (d) is the average prediction result of ten groups
![]()
图 7 样本回归情况（回归值R表示实际与预测之间的相关性，越接近1表示关系越密切）
Fig 7. Sample regression (the regression value R represents the correlation between actual and forecast, and the closer it is to 1, the closer the relationship is)
表 1 地下水影响量化分级表
Table 1 Quantified grading table of groundwater impact
表 2 覆盖层影响量化分级表
Table 2 Quantitative grading table of overburden impact
表 3 降雨量影响量化分级表
Table 3 Quantitative grading table of rainfall impact
表 4 河流湖泊影响量化分级表
Table 4 Quantitative grading table of river and lake impact
表 5 矿坑涌水量影响量化分级表
Table 5 Quantitative classification table of mine water inflow effect
表 6 井下涌水点含沙率影响量化分级表
Table 6 Quantitative grading table of influence of sand content at underground water gushing point
表 7 期望输出参数分级
Table 7 Expected output parameter grading
表 8 原训练样本
Table 8 Original training samples
表 9 原预测样本
Table 9 Original prediction samples
表 10 预处理后实际输出与预测结果对比
Table 10 Comparison between the actual output results after pretreatment and predicted results
表 11 3种预测模型误差对比
Table 11 Error comparison of three prediction models
表 12 C级样本评价指标
Table 12 Evaluation indexes of grade C samples
表 13 C级3号样本未预处理与预处理后预测结果对比
Table 13 Comparison between the prediction results of grade C No.3 sample without pretreatment and after pretreatment
-
[1] 管佳林, 罗周全, 杨彪, 等. 矿区岩溶地表塌陷神经网络预测模型研究[J]. 中国安全科学学报, 2011, 21(9): 28-33. doi: 10.3969/j.issn.1003-3033.2011.09.005 [2] STRINGFIELD V T, RAPP J R, ANDERS R B. Effects of Karst and geologic structure on the circulation of water and permeability in carbonate aquifers[J]. Journal of Hydrology, 1979, 43(1/2/3/4): 313-332.
[3] 罗小燕, 黄祥海, 汤文聪. 基于改进VMD和GA-BP神经网络的砂岩破裂过程预测方法[J]. 有色金属科学与工程, 2021, 12(1): 99-107. doi: 10.13264/j.cnki.ysjskx.2021.01.013 [4] 卢耀如. 中国南方喀斯特发育基本规律的初步研究[J]. 地质学报, 1965, 39(1): 108-129. https://www.cnki.com.cn/Article/CJFDTOTAL-DZXE196501008.htm [5] 任美锷, 刘振中, 王飞燕, 等. 中国岩溶发育规律的若干问题[J]. 南京大学学报(自然科学版), 1979, 15(4): 95-108. https://www.cnki.com.cn/Article/CJFDTOTAL-NJDZ197904011.htm [6] 罗小杰. 武汉地区浅层岩溶发育特征与岩溶塌陷灾害防治[J]. 中国岩溶, 2013, 32(4): 419-432. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGYR201304009.htm [7] 官善友, 蒙核量, 周淼. 武汉市岩溶分布与发育规律[J]. 城市勘测, 2008(4): 145-149. doi: 10.3969/j.issn.1672-8262.2008.04.044 [8] 罗书文, 杨桃, 邓亚东, 等. 桂林岩溶地貌发育演化过程地文期的解析研究[J/OL]. 地质通报, 1-16[2022-05-08]. http://kns.cnki.net/kcms/detail/11.4648.p.20220304.1708.002.html. [9] 肖华, 张传英, 王彦明, 等. 嘉祥县红运水源地岩溶发育特征及富水规律研究[J]. 山东国土资源, 2021, 37(7): 44-48. https://www.cnki.com.cn/Article/CJFDTOTAL-SDDI202107008.htm [10] 董崇能. 大板桥-长水机场一线岩溶发育规律研究[D]. 昆明: 昆明理工大学, 2021. [11] 周宇成, 陈清华, 孙珂, 等. 湖南地区岩溶分布特征及其发育模式[J]. 中国石油大学学报(自然科学版), 2020, 44(4): 163-173. https://www.cnki.com.cn/Article/CJFDTOTAL-SYDX202004020.htm [12] CURRENS J. Hypothesized mechanism for the initiation of soil caviries and subsequent cover collapse in Karst terrain[J]. Journal of Cave and Karst Studies, 2018, 80(4): 172-180. doi: 10.4311/2016ES0148
[13] 王飞, 柴波, 徐贵来, 等. 武汉市岩溶塌陷的演化机理研究[J]. 工程地质学报, 2017, 25(3): 824-832. https://www.cnki.com.cn/Article/CJFDTOTAL-GCDZ201703030.htm [14] 张晓斌. 福建省大田县桃源镇前厝村岩溶塌陷发育特征及成因分析[J]. 地质灾害与环境保护, 2018, 29(4): 15-20. https://www.cnki.com.cn/Article/CJFDTOTAL-DZHB201804003.htm [15] 陈亮晶, 孙锡良, 皮景, 等. 湖南宁乡大成桥地区岩溶地面塌陷分布特征及影响因素分析[J]. 中国岩溶, 2014, 33(4): 490-497. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGYR201404015.htm [16] 魏永耀, 孙树林, 黄敬军, 等. 徐州岩溶塌陷时空分布规律及成因分析[J]. 中国岩溶, 2015, 34(1): 52-57. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGYR201501007.htm [17] 石树静, 张勤军, 康志强. 南宁市坛洛镇岩溶塌陷群成因机制分析[J]. 中国岩溶, 2015, 34(5): 507-514. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGYR201505011.htm [18] 吴永华, 谢春波, 朱洵. 陆家街地区岩溶塌陷形成机制及预测评价[J]. 中国地质灾害与防治学报, 1994, 5(增刊1): 118-123. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGDH4S1.018.htm [19] 周关学, 冯涛, 张广泽. 柳南铁路凤凰至来宾段地面塌陷机理及防治措施研究[J]. 公路工程, 2019, 44(4): 232-238. https://www.cnki.com.cn/Article/CJFDTOTAL-ZNGL201904042.htm [20] 郑智, 简文彬. 龙岩市岩溶塌陷地质结构及其致塌机理[J]. 地质灾害与环境保护, 2017, 28(4): 38-43. https://www.cnki.com.cn/Article/CJFDTOTAL-DZHB201704009.htm [21] 李颜贵, 刘子龙, 于孝民, 等. 唐山黄庄岩溶塌陷形成条件和机理分析[J]. 中国岩溶, 2014, 33(3): 299-307. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGYR201403007.htm [22] 邢宇健. 岩溶区地下水位动态变化诱发地表塌陷的机理研究[D]. 北京: 北京交通大学, 2018. [23] 罗小杰. 也论覆盖型岩溶地面塌陷机理[J]. 工程地质学报, 2015, 23(5): 886-895. https://www.cnki.com.cn/Article/CJFDTOTAL-GCDZ201505011.htm [24] 罗小杰, 沈建. 我国岩溶地面塌陷研究进展与展望[J]. 中国岩溶, 2018, 37(1): 101-111. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGYR201801013.htm [25] 张杰, 毕攀, 魏爱华, 等. 基于模糊综合法的烟台市栖霞中桥岩溶塌陷易发性评价[J]. 中国岩溶, 2021, 40(2): 215-220. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGYR202102005.htm [26] HE K Q, JIA Y Y, CHEN W G, et al. Evaluation of Karst collapse risks induced by over-pumping and Karst groundwater resource protection in Zaozhuang region, China[J]. Environmental Earth Sciences, 2014, 71(8): 3443-3454.
[27] PERRIN J, CARTANNAZ C, NOURY G, et al. A multicriteria approach to Karst subsidence hazard mapping supported by weights-of-evidence analysis[J]. Engineering Geology, 2015, 197: 296-305.
[28] YAU K, PARASKEVOPOULOU C, KONSTANTIS S. Spatial variability of Karst and effect on tunnel lining and water inflow. A probabilistic approach[J]. Tunnelling and Underground Space Technology, 2020, 97: 103248.
[29] 朱庆杰, 刘挺权, 张秀彦. 唐山市岩溶塌陷的神经网络预测模型[J]. 辽宁工程技术大学学报, 2003, 22(6): 753-755. https://www.cnki.com.cn/Article/CJFDTOTAL-FXKY200306010.htm [30] 贺玉龙, 杨立中, 黄涛. 人工神经网络在岩溶塌陷预测中的应用研究[J]. 中国地质灾害与防治学报, 1999, 10(4): 86-90, 79. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGDH199904013.htm [31] 包惠明, 胡长顺. 岩溶地面塌陷神经网络预测[J]. 工程地质学报, 2002, 10(3): 299-304. https://www.cnki.com.cn/Article/CJFDTOTAL-GCDZ200203015.htm [32] 陈静, 马亚杰, 朱庆杰. 人工神经网络模型在岩溶塌陷安全评价中的应用[J]. 地质灾害与环境保护, 2005, 16(2): 139-142, 146. https://www.cnki.com.cn/Article/CJFDTOTAL-DZHB200502006.htm [33] 谭文侃, 叶义成, 胡南燕, 等. LOF与改进SMOTE算法组合的强烈岩爆预测[J]. 岩石力学与工程学报, 2021, 40(6): 1186-1194. https://www.cnki.com.cn/Article/CJFDTOTAL-YSLX202106010.htm [34] 陈瑜. 离群点检测算法研究[D]. 兰州: 兰州大学, 2018. [35] CHAWLA N V, BOWYER K W, HALL L O, et al. SMOTE: synthetic minority over-sampling technique[J]. Journal of Artificial Intelligence Research, 2002, 16: 321-357.
[36] 崔鑫. 面向不均衡数据集的分类算法研究[D]. 无锡: 江南大学, 2021. [37] 杨彪. 矿山地下水害防治工程可视化及地表塌陷预测研究[D]. 长沙: 中南大学, 2011. [38] 周爱红, 牛鹏飞, 袁颖, 等. 基于PCA-PSO-SVM的凡口铅锌矿地区岩溶地表塌陷危险性预测[J]. 中国岩溶, 2020, 39(4): 622-628. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGYR202004018.htm [39] 赖永标, 乔春生. 基于支持向量机岩溶塌陷的智能预测模型[J]. 北京交通大学学报, 2008, 32(1): 36-39, 43. https://www.cnki.com.cn/Article/CJFDTOTAL-BFJT200801010.htm
下载:
计量
- 文章访问数: 94
- HTML全文浏览量: 13
- PDF下载量: 9
