阅读说明：本技术 一种基于桩锤激震和决策树模型的地下溶洞探测方法 (A kind of underground karst cavity detection method to be impulsed based on pile monkey with decision-tree model ) 是由 陈敬松 李浩祖 *** 周立成 刘方刚 刘泽佳 汤立群 周玉锋 刘逸平 蒋震宇 于 2019-07-19 设计创作，主要内容包括：本发明公开了一种基于桩锤激震和决策树模型的地下溶洞探测方法,首先建立包含不同溶洞位置与直径的模型库；其次,对模型库进行有限元计算,得到在桩锤激震下,不同溶洞位置与直径情况下地表特定位置的加速度响应；随后,通过对加速度响应数据进行分析,提取加速度响应的特征量；接着将所提取的特征值与标签组合成数据库,将其随机分成训练集与测试集,然后将测试集数据输入决策树模型进行机器学习,初步得到溶洞探测模型；最后根据测试准确率对模型进行参数调整,从而得到最佳的基于决策树模型与有限元模拟计算的溶洞探测模型。本发明方法可有效实现对地下溶洞位置和几何尺寸的准确识别,且较现有的溶洞探测技术,成本更低,效率更高。(The invention discloses a kind of underground karst cavity detection methods to be impulsed based on pile monkey with decision-tree model, initially set up the model library comprising different solution cavity positions and diameter；Secondly, carrying out FEM calculation to model library, obtain in the case where pile monkey impulses, the acceleration responsive of earth's surface specific position in the case of different solution cavity positions and diameter；Then, by analyzing acceleration responsive data, the characteristic quantity of acceleration responsive is extracted；Then extracted characteristic value and tag combination are randomly divided into training set and test set at database, test set data input decision-tree model is then subjected to machine learning, tentatively obtains CAVE DETECTION model；Parameter adjustment is finally carried out to model according to test accuracy rate, to obtain the optimal CAVE DETECTION model based on decision-tree model and finite element simulation calculation.The method of the present invention can be realized effectively and be accurately identified to underground karst cavity position and geometric dimension, and more existing CAVE DETECTION technology, and cost is lower, more efficient.)

一种基于桩锤激震和决策树模型的地下溶洞探测方法

技术领域

本发明涉及溶洞探测的技术领域，尤其是指一种基于桩锤激震和决策树模型的地下溶洞探测方法。

背景技术

溶洞作为岩溶发育的一种形态，其生成发育主要依赖岩石的可溶性与岩石裂隙以及地下水的运动。它的存在对于桩基础施工是非常致命的。它会使得桩基础在施工过程中出现漏浆、塌孔、卡钻、斜钻甚至是塌方。这将危及到桩基础施工人员的生命与财产安全。因此，合理的溶洞探测方法就变得非常重要。它能够预先预测出溶洞的具体信息，从而可以合理规避溶洞或者对溶洞进行处理，从而减少不必要的损失。而传统的洞探测方法包括高密度电法、弹性波CT法、管波测试法和浅层地震法等，其原理是利用外电场或者弹性波等在不同地层下的分布或者传播规律以预测地下溶洞的位置。尽管这些方法在工程上已被广泛应用，但仍存在一定的局限性和缺点。例如，高密度电法在接地条件较差的地方会放大数据，从而使结果的误差增大；弹性波CT法则需要在测试地点对土层进行钻孔以便放入传感器，从而增加了成本和工作量；管波测试法虽然不需要钻孔，但该方法无法准确获得溶洞的位置与尺寸，仅能用于预测溶洞的埋深；经典的浅层地震法则需要利用***等人工震源作为激励源产生地震波，既增加了成本也造成了一定的危险性。因此，亟需发展一种安全、可靠、低成本、高效的地下溶洞探测方法。此外，施工现场中通过传感器获得的不同位置、不同时刻的响应数据不仅数量庞大，且由于外界环境干扰数据呈现出复杂多变的特点。因此，开发一种高效算法对这些庞大的数据集进行分析和数据挖掘，是实现低成本、高效率的地下溶洞探测技术的必要手段。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种基于桩锤激震和决策树模型的地下溶洞探测方法，该方法利用桩基施工中的桩锤激震作为激震源，并采用此激震源作用下的地表加速度响应作为决策树模型的输入对地下溶洞的位置和几何尺寸进行识别。

为实现上述目的，本发明所提供的技术方案为：一种基于桩锤激震和决策树模型的地下溶洞探测方法，首先，利用数值仿真的手段，建立包含不同溶洞位置与直径的模型库；其次，对模型库进行有限元计算，得到在桩锤激震下，不同溶洞位置与直径情况下地表特定位置的加速度响应；随后，通过对加速度响应数据进行分析，提取加速度响应的特征量；接着将所提取的特征值与标签组合成数据库，将其随机分成训练集与测试集，然后将测试集数据输入决策树模型进行机器学习，初步得到溶洞探测模型；最后根据测试准确率对模型进行参数调整，从而得到最佳的基于决策树模型与有限元模拟计算的溶洞探测模型；其包括以下步骤：

1)通过有无溶洞及不同位置与尺寸的溶洞多种工况下的响应信息，确定可预测的溶洞位置与尺寸；随后基于预测的范围建立包含不同溶洞尺寸与位置的模型库，模型库的激震源设置为桩锤在规定高度下自由落体砸向地表，即采用打桩激震作为激震源；

2)在建立的模型库施加激震后进行有限元计算，从而得到桩锤激震附近地表特定位置的加速度响应；

3)通过对加速度响应数据进行分析，提取相应的特征值，并将特征值与标签组合成数据库，再将数据库随机分成训练集与测试集后，将训练集数据放入决策树模型进行机器学习中，初步得到基于测试集数据的溶洞探测模型；

4)对初步得到的溶洞探测模型相关参数进行调整，得到最佳的基于决策树模型与有限元模拟计算的溶洞探测模型。

在步骤1)中，建立包含不同尺寸与位置的溶洞的模型库，具体情况如下：

在建立模型库的时候，由于土体属于半无限体，而为了模拟地震波在无限土体的传播，需要将模型建得足够大才能够防止波的反弹，而在本模型库中，将使用无限元单元作为边界单元来模拟半无限体，这样在减少模型尺寸的同时，保证了既降低计算时间又不会在边界产生反射；其中，对模型外层的单元设置为Cin3D8，为无限元单元，而其余的单元设置为C3D8r，为有限元单元。

在步骤2)中，由于地震波在传播过程中会出现衰减，因此选取合适的地表位置来进行加速度数据采集就变得非常重要，基于步骤1)的桩锤激震源，在对数据进行分析后发现，地震波在半径范围5m以后数据会变得清晰，而在半径范围10m以后数据就变弱，不好进行分析，因此在提取地表加速度响应的时候，选择在距离打桩激震点半径范围在为5m-10m的圆周上均匀布置不少于四个传感器来进行数据采集。

在步骤3)中，在对采集到的加速度响应数据进行曲线分析后发现，地震波在表面的传播主要分为三种：纵波、横波与瑞利波；而进行地下溶洞探测主要关注溶洞分布对于地表纵波的影响，纵波计算公式如下：

其中：v_p为纵波，λ为拉梅常数，G为抗剪弹性模量，ρ为密度，ν为泊松比，E为弹性模量；

使用上述公式来推断经溶洞反射后纵波传到地表的时间为第二峰值所对应的时间；因此便选取第二峰值及其对应的时间作为特征量，随后在对数据进行分析后发现，当溶洞埋深不够深时，经溶洞反射的纵波时间会与经地表传播的纵波时间接近，进而影响第一波谷峰值的时间；因此基于上述的分析，决定提取第一波谷所对应的时间t_min和加速度值a_min以及第二波峰所对应的时间t_max和加速度值a_max作为特征值；

在得到上述特征值后，由于每组工况对应一组标签，包括溶洞顶端距离地面的距离H，溶洞球心距离打桩激震点所在垂线距离D，溶洞半径R，溶洞方位θ；而每组工况同时对应一组特征值，包括第一波谷所对应的时间t_min和加速度值a_min以及第二波峰所对应的时间t_max和加速度值a_max；因此，将特征值与标签一一对应组合在一起，便能够得到所需的数据集；随后将数据集根据8:2随机分成训练集与测试集，其中，训练集的作用是为决策树模型提供数据进行学习，从而得到所需要的机器学习预测模型，而测试集则是用于判断生成的预测模型的准确性。

在步骤4)中，对初步得到的溶洞探测模型相关参数进行调整，具体是对决策树模型中的参数，包括决策树最大深度、拆分内部节点所需最小样本数、叶节点所需最小样本数与最大特征值进行调节，以提高模型准确率，从而得到最佳的基于决策树模型与有限元模拟计算的溶洞探测模型。

本发明与现有技术相比，具有如下优点与有益效果：

1、较现有的溶洞探测技术，本发明方法不需要额外钻孔，只需要采集地表加速度信息便可以进行溶洞探测。

2、较现有的溶洞探测技术，本发明方法不需要布置过多传感器，只需要对附近土层进行采样即可，相比传统的溶洞探测方法操作更加方便。

3、在施工安全方面，本发明方法不需要采用***作为激震源，这样可以降低发生事故的风险，而且所采用的桩锤激震也是现场便可以直接使用的，降低测量成本。

4、本发明方法结合了机器学习与有限元计算，通过数值模拟的方法来对桩锤激震进行模拟，极大地减少了模型库建立的时间，提高了效率。

5、本发明方法的成本会比传统的溶洞探测方法要低，由于主要结合有限元软件计算，而在现场数据测量方面只需要布置少量传感器，所以成本会低很多。

附图说明

图1为本发明方法流程示意图。

图2为地表垂向加速度响应曲线图。

图3为模型库溶洞分布图。

图4为地表加速度传感器分布图。

具体实施方式

下面结合具体实施例对本发明作进一步说明。

如图1所示，本实施例所提供的基于桩锤激震和决策树模型的地下溶洞探测方法，包括以下步骤：

1)建立含溶洞的土层模型库。模型库的尺寸为30m*30m*30m的立方体，其中土层本构模型为经典的Mohr—Coulomb(摩尔-库伦)本构模型，随后设置边界网格为无限元(Cin3D8)，以模拟土层半无限体的特征，而其余的单元设置为C3D8r，为有限元单元。在本案例中，假定溶洞形状为球体，溶洞顶端距离地面的距离为H，溶洞球心距离打桩激震点所在垂线距离为D，溶洞半径为R，溶洞方位为θ，如图3所示：其中，溶洞顶端距离地面距离H的范围为3m—10m，取样间隔为1m；溶洞球心距离打桩激震点所在垂线距离D的范围为0m—10m，采样间隔为1m；溶洞半径R分别取2m、3m、4m；溶洞方位θ的范围为0°—360°，取样范围为5°。根据以上不同的溶洞尺寸与位置建立模型库，为有限元计算做准备。

2)通过对模型库进行计算，得到地表特定位置的加速度响应，但由于地震波在传播过程中会出现衰减，因此选取合适的地表位置来进行加速度数据采集就变得非常重要。基于桩锤激震源，在对数据进行分析后发现，地震波在半径范围5m以后数据会变得清晰，而在半径范围10m以后数据就变弱，不好进行分析。因此在提取地表加速度响应的时候，选择在距离打桩激震点半径范围在为5m--10m的圆周上均匀布置不少于四个传感器来进行数据采集。在本实施例，对以上的模型库进行有限元计算，提取地表距离打桩激震点半径范围10m圆环处的加速度响应，取其中四个点的响应作为原始曲线，四个点之间间隔90°，如图4所示。

在对采集到的加速度数据进行曲线分析后发现，地震波在表面的传播主要分为三种：纵波、横波与瑞利波。而本方法则主要关注溶洞分布对于地表纵波的影响。纵波计算公式如下：

其中：v_p为纵波，λ为拉梅常数，G为抗剪弹性模量，ρ为密度，ν为泊松比，E为弹性模量。

使用上述公式来推断经溶洞反射后纵波传到地表的时间为第二峰值所对应的时间。因此便选取第二峰值及其对应的时间作为特征量。随后在对数据进行分析后发现，当溶洞埋深过浅时，经溶洞反射的纵波时间会与经地表传播的纵波时间较接近，进而影响第一波谷峰值的时间。因此基于上述的分析，本方法决定提取第一波谷所对应的时间(t_min)和加速度值(a_min)以及第二波峰所对应的时间(t_max)和加速度值(a_max)作为特征值，如图2所示。一个工况下提取地表上半径为10m圆环处的四个测点来进行溶洞预测，每次个测点包含上述的四个特征值，因此一个工况包含16个特征值。随后将每个工况对应的溶洞顶端距离地面的距离H、溶洞球心距离打桩激震点所在垂线距离D、溶洞半径R、溶洞方位θ作为标签，标签与特征值一一对应，并将数据整合成数据集，随后将数据集根据8:2随机分为训练集与测试集，为机器学习做准备。

4)将上述的训练集利用决策树模型进行机器学***均划分为四个区间，每一份90°时，判断溶洞球心是否在该区间内，其准确率为78.52％；同理分为八个区间时，准确率为60.98％；分为12个区间时，准确率为51.01％。

5)对初步得到的溶洞探测模型相关参数进行调整，具体是对决策树模型中的参数，包括决策树最大深度、拆分内部节点所需最小样本数、叶节点所需最小样本数与最大特征值等进行调节，以提高模型准确率，从而得到最佳的基于决策树模型与有限元模拟计算的溶洞探测模型。

以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。