Зарубежный опыт прогнозирования внезапных выбросов пород при сооружении туннелей
Наведено закордонний досвід застосування штучної нейронної моделі, яка дозволяє передрікати появу та інтенсивність викидів.
Збережено в:
| Дата: | 2010 |
|---|---|
| Автори: | , , |
| Формат: | Стаття |
| Мова: | Russian |
| Опубліковано: |
Інститут геотехнічної механіки імені М.С. Полякова НАН України
2010
|
| Назва видання: | Геотехническая механика |
| Онлайн доступ: | http://dspace.nbuv.gov.ua/handle/123456789/33527 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Цитувати: | Зарубежный опыт прогнозирования внезапных выбросов пород при сооружении туннелей / Л.Л. Кауфман, Б.А. Лысиков, И.Ж. Сирачев // Геотехническая механика: Межвед. сб. науч. тр. — Днепропетровск: ИГТМ НАНУ, 2010. — Вип. 91. — С. 232-238. — Бібліогр.: 2 назв. — рос. |
Репозитарії
Digital Library of Periodicals of National Academy of Sciences of Ukraine| id |
irk-123456789-33527 |
|---|---|
| record_format |
dspace |
| spelling |
irk-123456789-335272012-05-29T13:25:04Z Зарубежный опыт прогнозирования внезапных выбросов пород при сооружении туннелей Кауфман, Л.Л. Лысиков, Б.А. Сирачев, И.Ж. Наведено закордонний досвід застосування штучної нейронної моделі, яка дозволяє передрікати появу та інтенсивність викидів. There is description of worldwide experience of rockbursts prediction by artificial neural network in tunnel construction. 2010 Article Зарубежный опыт прогнозирования внезапных выбросов пород при сооружении туннелей / Л.Л. Кауфман, Б.А. Лысиков, И.Ж. Сирачев // Геотехническая механика: Межвед. сб. науч. тр. — Днепропетровск: ИГТМ НАНУ, 2010. — Вип. 91. — С. 232-238. — Бібліогр.: 2 назв. — рос. http://dspace.nbuv.gov.ua/handle/123456789/33527 622.035.4 ru Геотехническая механика Інститут геотехнічної механіки імені М.С. Полякова НАН України |
| institution |
Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| collection |
DSpace DC |
| language |
Russian |
| description |
Наведено закордонний досвід застосування штучної нейронної моделі, яка дозволяє передрікати появу та інтенсивність викидів. |
| format |
Article |
| author |
Кауфман, Л.Л. Лысиков, Б.А. Сирачев, И.Ж. |
| spellingShingle |
Кауфман, Л.Л. Лысиков, Б.А. Сирачев, И.Ж. Зарубежный опыт прогнозирования внезапных выбросов пород при сооружении туннелей Геотехническая механика |
| author_facet |
Кауфман, Л.Л. Лысиков, Б.А. Сирачев, И.Ж. |
| author_sort |
Кауфман, Л.Л. |
| title |
Зарубежный опыт прогнозирования внезапных выбросов пород при сооружении туннелей |
| title_short |
Зарубежный опыт прогнозирования внезапных выбросов пород при сооружении туннелей |
| title_full |
Зарубежный опыт прогнозирования внезапных выбросов пород при сооружении туннелей |
| title_fullStr |
Зарубежный опыт прогнозирования внезапных выбросов пород при сооружении туннелей |
| title_full_unstemmed |
Зарубежный опыт прогнозирования внезапных выбросов пород при сооружении туннелей |
| title_sort |
зарубежный опыт прогнозирования внезапных выбросов пород при сооружении туннелей |
| publisher |
Інститут геотехнічної механіки імені М.С. Полякова НАН України |
| publishDate |
2010 |
| url |
http://dspace.nbuv.gov.ua/handle/123456789/33527 |
| citation_txt |
Зарубежный опыт прогнозирования внезапных выбросов пород при сооружении туннелей / Л.Л. Кауфман, Б.А. Лысиков, И.Ж. Сирачев // Геотехническая механика: Межвед. сб. науч. тр. — Днепропетровск: ИГТМ НАНУ, 2010. — Вип. 91. — С. 232-238. — Бібліогр.: 2 назв. — рос. |
| series |
Геотехническая механика |
| work_keys_str_mv |
AT kaufmanll zarubežnyjopytprognozirovaniâvnezapnyhvybrosovporodprisooruženiitunnelej AT lysikovba zarubežnyjopytprognozirovaniâvnezapnyhvybrosovporodprisooruženiitunnelej AT siračeviž zarubežnyjopytprognozirovaniâvnezapnyhvybrosovporodprisooruženiitunnelej |
| first_indexed |
2025-07-03T14:12:51Z |
| last_indexed |
2025-07-03T14:12:51Z |
| _version_ |
1836635360277299200 |
| fulltext |
232 "Геотехническая механика"
УДК 622.035.4
Л.Л. Кауфман, канд. техн. наук,
Б.А. Лысиков, канд. техн. наук
(ДонНТУ)
И.Ж.Сирачев, инж.
(ГОАО «Трест Донецкшахтопроходка»)
ЗАРУБЕЖНЫЙ ОПЫТ ПРОГНОЗИРОВАНИЯ ВНЕЗАПНЫХ
ВЫБРОСОВ ПОРОД ПРИ СООРУЖЕНИИ ТУННЕЛЕЙ
Наведено закордонний досвід застосування штучної нейронної моделі, яка дозволяє пе-
редрікати появу та інтенсивність викидів.
WORLDWIDE EXPERIENCE OF ROCKBURSTS PREDICTION
IN TUNNEL CONSTRUCTION
There is description of worldwide experience of rockbursts prediction by artificial neural net-
work in tunnel construction.
Внезапные выбросы пород рассматриваются, как явления динамической не-
стабильности окружающих породных масс в условиях высоких геостатических
напряжений. Выбросы представляют собой внезапное высвобождение потенци-
альной энергии напряжений породного массива. Поскольку он происходит
мгновенно и интенсивно, выброс часто является причиной травм персонала
(включая смертельные случаи), повреждений оборудования и вызывает суще-
ственные задержки производственной деятельности или срыв срока строитель-
ства, приводит к экономическому ущербу.
Из-за сложности строения породных масс и влияния окружающих природ-
ных факторов прогнозирование внезапных выбросов пород в дизайне подзем-
ных проектов всегда проблематично. Общий подход к этой задаче показан на
рис. 1[1].
Одним из новых методов решения этой задачи служит применение искусст-
венной нейронной модели, позволяющей предсказать появление и интенсив-
ность выбросов. Согласно сайту Интернета «Wapedia»,
(http://wapedia.mobi/ru/%DO%98%DI%81%DO%BA%...), «искусственные ней-
ронные сети – математические модели, а также их программные реализации,
построенные по принципу организации и функционирования биологических
нейронных сетей нервных клеток живого организма. Искусственная нейронная
сеть представляет собой систему соединенных и взаимодействующих процес-
соров (искусственных нейронов). Такие процессоры обычно довольно просты,
особенно в сравнении с используемым в персональных компьютерах.
Выпуск № 91 233
1 – полевые исследования: глубина подземных работ, характеристика пород, геологическая
структура, интегрированность породных масс, классификация окружающих пород, подзем-
ные воды; 2 – эксперименты и испытания: объемный вес, модуль упругости, прочность на
осевое сжатие, прочность на осевое растяжение, прочность на срез, индекс тенденции к вы-
бросу пород, испытание геологических напряжений; 3 – расчет вторичных (индуцирован-
ных) напряжений окружающих породных масс: аналитический метод, метод конечных эле-
ментов; 4 – прогнозирование внезапных выбросов пород; 5 – до строительства; 6 – в ходе
строительства; 7 – полное интегрированное прогнозирование: метод геологического анализа,
метод соотношения «напряжение/прочность», метод AHP – Analytical Hierarchy Process –
разработка решений, основанных на структурировании альтернатив в соответствии с иерар-
хией взвешенных критериев множественного выбора (multiple choice), метод искусственной
нейронной сети; 8 – обобщенный анализ; 9 – исследования в массиве: мониторинг акустиче-
ской эмиссии, мониторинг электромагнитной эмиссии, мониторинг микрогравитации; 10 –
результат прогнозирования.
Рис. 1 – Общий подход к прогнозированию внезапных выбросов пород
Каждый процессор подобной сети имеет дело только с сигналами, которые
он периодически получает, и сигналами, которые он периодически посылает
другим процессорам.
234 "Геотехническая механика"
Нейронные сети не программируются в привычном смысле этого слова –
они обучаются. Возможность обучения – одно из главных преимуществ ней-
тронных сетей перед традиционными алгоритмами. Технически обучение за-
ключается в нахождении коэффициентов связей между нейронами. В процессе
обучения нейронная сеть способна выявлять сложные зависимости между
входными и выходными данными, а также выполнять обобщения».
Нейронная сеть состоит из множества функционирующих элементов, со-
единенных друг с другом в соответствии с определенными правилами, способ-
ных воспринять внешнюю информацию и динамично ответить на нее.
Метод прогнозирования вероятности возникновения внезапного выброса
пород с использованием искусственной нейронной сети учитывает различные
значения напряжений и их сложные нелинейные отношения в породном масси-
ве, окружающем подземную полость. Главная идея алгоритма состоит в по-
строении схемы связей известных параметров с возможными результатами и в
получении прогноза ожидаемого результата.
Подробное описание последовательности построения нейронной сети про-
гнозирования внезапных выбросов пород выходит за рамки данной книги. На
рис. 2 приводится методический пример такой сети, в которой входными пара-
метрами С служат критерии выбросоопасности. Результатами прогнозирования
вероятности выбросов служат параметры: m1 – отсутствия выбросов, m2 – сла-
бого выброса, m3 – среднего выброса, m4 – сильного выброса.
1 – входной уровень; 2 – подразумеваемый уровень; 3 – выходной уровень;
4 – вероятность прогнозирования внезапного выброса.
Рис. 2 – Схема сетевой структурной модели искусственной
нейронной сети прогнозирования внезапных выбросов пород
При реализации искусственной нейронной сети оцениваемые факторы (кри-
терии выбросоопасности) относятся к трем аспектам: свойства пород, условия
напряжений и структурные особенности породных масс. Свойства пород вклю-
чают коэффициент хрупкости С1 (brittleness coefficient of strength), индекс тен-
денции к выбросу С3 (tendency index), показатель линейной упругой энергии С4
(linear elastic energy). Фактор условий напряжений включает коэффициент на-
пряжений С2 (stress coefficient), критерий Т трещиноватости пород С6 (T criteria)
Выпуск № 91 235
и индекс напряжений С8 (stress index). К структурным особенностям породных
масс относятся классификация пород С5 (grade of surrounding rock) и значение
RQD (rock quality designation) – показатель качества пород С7 (рис. 3).
1 – интенсивность внезапного выброса – А; 2 – характеристика породных условий – В1;
3 – условия напряжений – В2; 4 – структурные условия породных масс В3;5 – коэффициент
хрупкости С1; 6 – коэффициент напряжений С2; 7 – индекс тенденции к выбросу С3;
8 – показатель линейной упругой энергии С4; 9 – ступень классификации окружающих
пород – С5; 10 – критерий Т трещиноватости пород С6; 11 – показатель
качества пород RQD; 12 – индекс напряжений С8.
Рис. 3 – Модель иерархической структуры для прогнозирования
интенсивности внезапных выбросов пород
Перечисленные факторы взаимозависимы и взаимно ограничены. Они со-
вместно определяют возможность выброса и его интенсивность. Но только по-
сле анализа нейронной сети можно решить, какие факторы играют главные ро-
ли и как оценить уровень их влияния на выбросы пород.
В табл.1 сведены критерии оценки влияния факторов (рассчитанных мето-
дами механики горных пород) на интенсивность выброса, а в табл.2 – значения
этих факторов на конкретных участках длины коммуникационного туннеля
гидростанции Yalong River, Китай, где для прогнозирования вероятности вы-
бросов пород применялась искусственная нейронная сеть.
Таблица 1 – Критерии оценки влияния факторов на интенсивность выброса пород
Интенсивность выброса Фак-
тор
Критерии
выбросоопасности отсутствует слабый средний сильный
С1 Коэффициент хрупкости > 40 40-26,7 26,7-14,5 < 14,5
С2 Коэффициент напряжений < 0,3 0,3-0,5 0,5-0,7 > 0,7
С3 Индекс тенденции к выбросам < 2,0 2,0-3,5 3,5-5,0 > 5,0
С4
Показатель линейной
упругой энергии
< 40 40-100 100-200 > 200
С5 Классификация пород - II-III II-I I
С6 Критерий Т трещиноватости пород < 0,3 0,3-0,5 0,5-0,8 > 0,8
С7 Показатель качества пород < 0,25 0,25-0,5 0,5-0,7 > 0,7
С8 Индекс напряжений < 0,15 0,15-0,2 0,20-0,25 > 0,25
236 "Геотехническая механика"
m
4
0,
00
0
0,
00
0
0,
00
0
0,
00
0
0,
00
0
0,
00
0
0,
00
0
0,
00
0
0,
00
0
0,
08
8
m
3
0,
00
0
0,
03
9
0,
08
4
0,
07
7
0,
00
0
0,
00
0
0,
08
0
0,
09
7
0,
12
92
0,
05
7
m
2
0,
00
0
0,
08
3
0,
12
14
0,
11
78
0,
00
0
0,
00
0
0,
17
2
0,
26
7
0,
10
73
0,
05
1
Р
ез
у
л
ь
та
ты
п
р
о
гн
о
за
m
1
1,
00
0
0,
88
1
0,
79
46
0,
80
52
1,
00
0
1,
00
0
0,
74
8
0,
63
6
0,
76
35
0,
80
4
С
8
0,
14
0,
21
0,
27
0,
19
0,
15
0,
14
0,
19
0,
24
0,
27
0,
27
С
7
0,
76
0,
79
0,
89
0,
79
0,
69
0,
75
0,
81
0,
84
0,
87
0,
94
С
6
0,
25
0,
52
0,
71
0,
49
0,
27
0,
24
0,
49
0,
55
0,
73
0,
78
С
5
3,
0
2,
5
2,
5
2,
5
3,
0
3,
0
2,
5
2,
5
2,
5
2,
5
С
4
14
5
17
7
19
6
18
9
18
1
17
6
17
9
18
0
19
1
19
3
С
3
1,
5
2,
4
3,
2
3,
0
2,
5
2,
5
3,
0
3,
1
3,
2
3,
3
С
2
0,
15
0,
45
0,
6
0,
4
0,
15
0,
15
0,
34
0,
41
0,
6
0,
67
В
х
о
д
н
ы
е
п
ар
ам
ет
р
ы
(к
р
и
те
р
и
й
в
ы
б
р
о
со
о
п
ас
н
о
ст
и
)
С
1
24
,0
25
,2
24
,4
25
,0
23
,8
23
,7
23
,9
24
,1
24
,3
24
,2
М
ар
к
ш
ей
д
ер
ск
ая
м
ар
к
и
р
о
в
к
а
у
ч
ас
тк
о
в
К
0+
00
0~
К
0+
69
2
К
0+
69
2~
К
2+
50
0
К
14
+
69
0~
К
15
+
13
8
К
15
+
13
8~
К
16
+
41
0
К
16
+
41
0~
К
17
+
23
0
К
0+
00
0~
К
0+
48
5
К
0+
48
5~
К
1+
51
1
К
1+
51
1~
К
2+
48
0
К
2+
48
0~
К
4+
16
8
К
14
+
61
5~
К
15
+
81
5
Н
о
м
ер
а
у
ч
ас
тк
о
в
1 2 3 4 5 6 7 8 9 10
Т
аб
л
и
ц
а
2
–
Р
ез
у
л
ь
та
ты
п
р
о
гн
о
зи
р
о
в
ан
и
я
в
ер
о
я
тн
о
ст
и
в
ы
б
р
о
со
о
п
ас
н
о
ст
и
н
а
р
аз
л
и
ч
н
ы
х
у
ч
ас
тк
ах
д
л
и
н
ы
к
о
м
м
у
н
и
к
ац
и
о
н
н
о
го
т
у
н
н
ел
я
Выпуск № 91 237
Применявшиеся в описанном исследовании критерии выбросоопасности,
показанные в табл.1, не являются единственными при изучении проблем при-
роды и прогнозирования внезапных выбросов пород. В табл.3 сведены резуль-
таты других авторов, позволяющие с разной степенью адекватности предвидеть
поведение пород при создании в них полостей добычных или строящихся [2].
Таблица 3 – Критерии выбросоопасности пород
Автор
Критерий
выбросоопасности
Прогноз
выбросоопасности
1 2 3
L. Rusenses
σθ/σс < 0,20
0,20 < σθ/σс < 0,30
0,30 < σθ/σс < 0,55
σθ/σс > 0,55
выброс не ожидается
слабый выброс
средний выброс
сильный выброс
A. Turcha-ninov
(σθ + σL)/σс < 0,3
0,3 < (σθ + σL)/σс < 0,5
0,5 < (σθ + σL)/σс < 0,8
(σθ + σL)/σс > 0,8
выброс не ожидается
вероятный выброс
ожидаемый выброс
сильный выброс
E. Hoek σθ/σс =
70,0
56,0
42,0
34,0
легкое расслоение
сильное расслоение
усиленная крепь
сильный выброс
N. Barton
σс/σ1 = 5 – 2,5
σс/σ1 < 2,5
средний выброс
сильный выброс
Z. Tao
σс/σ1 > 14,5
5,5 < σс/σ1 < 14,5
2,5 < σс/σ1 < 5,5
σс/σ1 < 2,5
выброс не ожидается
слабый выброс
средний выброс
сильный выброс
F. Hou
σ1 < σс < 0,30
0,30 < σ1/σс < 0,37
0,37 < σ1/σс < 0,62
σ1/σс > 0,62
выброс не ожидается
слабый выброс
средний выброс
сильный выброс
238 "Геотехническая механика"
Продолжение таблицы 3
1 2 3
J. Lu
σθ/σс > 0,3 σt/σθ = 0,25
σθ/σс > 0,4 σt/σθ = 0,50
σθ/σс > 0,5 σt/σθ = 0,75
σθ/σс > 0,6 σt/σθ = 1,0
выброс не ожидается
слабый выброс
средний выброс
сильный выброс
C. Haijun
Wqx < 1,5 σ1 < σс/ qxWα
Wqx < 2,5
σ1 < 1,41σс/ qxWα
Wqx < 3,5
σ1 < 1,73 σс/ qxWα
Wqx > 3,5
σ1 > 1,73 σс/ qxWα
выброс не ожидается
слабый выброс
средний выброс
сильный выброс
В табл. 3:
σθ – тангенциальное напряжение;
σс – прочность породы на сжатие;
σt – прочность породы на растяжение;
σL – литологическая составляющая;
Wqx – индекс тенденции пород к выбросу;
σ1 – максимальное главное напряжение;
σ2 – среднее главное напряжение;
µεεα 21 2 −+= ,
где 12 /σσε = , µ – коэффициент Пуассона.
Описанный метод прогнозирования внезапных выбросов пород с построе-
нием искусственной нейронной сети позволяет оценить вероятность выброса,
используя оценки свойств пород, условий напряжений и структурных особен-
ностей массива.
СПИСОК ЛИТЕРАТУРЫ
1. T.Li. Comprehensive integrated methods of rockburst prediction in underground engineering.
http://www.iaeg.info/iaeg2006/PAPER/IAEG_594.PDF
2. C.Haijun. Prediction of rockburst by artificial neural network. http://www.rock-
mech.org/qikan/manage/wenzhang/2003-05-14.pdf
|