论文部分内容阅读
浅部地表资源逐渐耗尽,深部资源开采势在必行。对于深部地下工程而言,其高压与高温环境的共同作用将对深部岩体力学行为产生显著影响。为探究深部地下岩体在高温高压条件下力学行为演化规律,本研究以室内岩石三轴试验数据为依托,讨论温度和围压两个主要外部条件因素对岩体峰值强度、峰值应变以及弹性模量三个典型力学参数的影响规律。采集大量不同温度、不同围压条件下的岩石三轴压缩试验数据构建参数样本数据库,并进行温度和围压对岩体力学行为的规律分析,认为温度以及围压对岩体力学行为的影响呈现出高度的非线性特征,难以采用单一数学函数进行定量化表征。故采用BP(Back Propagation)神经网络算法构建考虑温压耦合作用的岩体力学性质智能预测模型,利用所构建力学参数样本库进行模型训练以获得精确预测模型,进而对处于高温高围压环境下的深部岩体力学特性进行数值模拟预测,获得不同温度以及围压条件下岩体力学行为演化规律特征,可为深部地下工程提供理论依据。本文主要研究工作如下:(1)阐明岩体温度及围压随深度的变化规律,结合深部地下工程“三高一扰动”环境,探究深部岩体赋存温度和围压范围。定义参数“岩体结构”排除温度、围压以外的变量对试验结果的影响。计算得出:地表以下5000 m岩体所处环境温度可达1000℃,围压可达135MPa。(2)对试验数据进行了归类整理并对试验结果峰值强度、峰值应变和弹性模量分温度和围压单一因素进行了定性定量分析。结果表明:温度和围压对岩石力学行为的影响呈现出显著的非线性特征,难以通过单一数学函数进行表征,可利用交互作用原理,计算得到温压耦合交互系数,认为温度和围压之间存在不可忽视的耦合效应。(3)根据神经网络算法的运行机制选取合适的人工神经网络,构建特定BP神经网络模型利用样本数据库进行训练并评价模型的可靠性,进而进行下一步研究。研究发现:利用样本数据库进行训练后的神经网络均方误差可达0.01,R值达0.8,可认为采用人工神经网络算法可较好地表征岩体力学性质的非线性行为特征,且可较好地反应温压耦合效应。(4)选取数值计算方案利用训练好的神经网络预测高温高围压条件下岩石的力学行为进行并分析。研究发现:峰值应变随温度变化的围压阈值为90 MPa,随温度升高,峰值强度呈下降趋势,峰值应变大体呈上升趋势,弹性模量则呈先增后减再增的趋势;而随围压增长,峰值强度、峰值应变均呈增长趋势,弹性模量随围压变化的温度阈值为700℃,弹性模量在温度小于阈值时呈下降趋势,当温度大于阈值时,弹性模量呈上升趋势。