基于误差信息辨识的隧道涌水段处理效果分析.pdf

引 用 格 式:HANG u o f e n g,MAY u A n a l y s i so fT r e a t m e n tE f f e c t o fT u n n e lW a t e rG u s h i n gS e c t i o nB a s e do nE r r o r I n f o r m a t i o nI d e n t i f i c a t i o nJJ o u r n a l o fG a n s uS c i e n c e s,():韩国锋,马宇基于误差信息辨识的隧道涌水段处理效果分析J甘肃科学学报,():d o i:/j c n k i i s s n 基于误差信息辨识的隧道涌水段处理效果分析韩国锋,马宇(陕西能源职业技术学院,陕西 咸阳 ;甘肃省交通建设质量安全造价中心,甘肃 兰州 )摘要为合理评价隧道涌水段的处理效果,以涌水段处置后的变形监测成果为基础,利用累计变形预测和变形速率发展趋势评价来实现其处理效果分析,累计变形预测过程是先利用优化经验模态实现变形数据的误差信息辨识,再通过优化U n e t模型和混沌理论实现其组合预测;变形速率发展趋势评价是利用重标极差法进行H u r s t指数求解,并以其评价变形速率的发展趋势.实例分析表明:在累计变形预测方面,互补式集合经验模态相较于传统模型具有更好的信息辨识能力,并通过参数优化处理,能有效提高预测模型的预测精度,所得预测结果的相对误差均值介于 ,具有良好的预测效果和稳定性,且据外推预测结果,得隧道涌水段经处理后的累计变形具有缓慢增加趋势;同时,在隧道变形速率的发展趋势评价方面,得出H u r s t指数均小于,说明隧道变形速率具有减小趋势;对比前述二者的分析结果,得出隧道涌水段在处理过后的变形趋于稳定方向发展,验证了该段灾害处理方式的合理性.通过本次研究,为隧道涌水段的处理效果分析提供了一定的理论指导,具有较高的实用价值.关键词隧道涌水;变形预测;处理效果;经验模态;重标极差分析中图分类号:U 文献标志码:A文章编号:()随着交通建设的迅速发展,隧道工程数量日益增加且为满足选线要求,隧道工程势必穿越地质条件复杂区,易引发施工问题,如涌水灾害,其不仅会延误工期,还会造成巨大的安全隐患,因此,开展隧道涌水灾害研究具有重要意义 .目前,在隧道涌水灾害研究方面,邵江对隧道高压涌水的机理进行了研究,并分析了涌水压力;陈胜博等、何桥等对涌水段的处理措施进行了分析研究.上述研究虽取得了相应成果,但均未涉及涌水灾害的处理效果分析.而处理效果评价至关重要,这是由于经历了隧道涌水灾害,隧道围岩条件、支护条件等均有不同程度劣化,虽对其进行了处理,但是不确定性依旧存在,为避免再次发生灾害,有必要深入开展处理效果分析.鉴于隧道变形是围岩、支护结构稳定性的直观体现,加之监控量测是新奥法的三大支柱之一,再基于隧道涌水段的变形监测成果来开展其处理效果分析具有可操作性.同时,在处理效果分析过程中,只从单方面进行评价是不合适的,可先从累计变形预测入手,评价变形总量的发展趋势;再通过变形速率的发展趋势评价以掌握隧道变形的增加幅度.因此,欲合理评价隧道涌水段的处理效果,可从累计变形预测和变形速率发展趋势评价两方面进行分析.在累计变形预测模型的构建过程中,考虑到监测过程的环境受限,导致隧道变形数据含有一定误差信息,且误差信息会对预测结果造成一定影响,因此有必要在预测前进行误差信息辨识,考虑到互补式集合经验模态具有较强的信息识别能力 ,则利用其实现隧道变形数据的误差信息辨识.U n e t模型具有较强的非线性预测能力,适用于主趋势项的变形预测,且考虑到误差序列的混沌特征,利用混沌理论进行误差弱化也是合理之选.在变形速率的发展趋势评价过程中,V/S分析已被应用于隧道的变形趋势判断中,其适用性已被验证,进而利用第 卷第期 年月 甘 肃 科 学 学 报J o u r n a l o fG a n s uS c i e n c e sV o l N o A u g 收稿日期:;修回日期:作者简介:韩国锋(),男,陕西延安人,硕士,讲师,研究方向为安全生产管理、建筑工程安全管理.E m a i l:h g f c o m其实现变形速率的发展趋势评价亦是可行的.综合上述,基于隧道涌水段处理后的变形监测成果,先利用互补式集合经验模态实现隧道变形数据的误差信息辨识,再利用优化U n e t模型实现主趋势项的变形预测,并采用混沌理论实现误差序列的弱化预测,综合二者预测结果以完成隧道累计变形预测;同时,利用V/S分析实现隧道变形速率的发展趋势评价,并将评价结果与前述预测结果对比,综合判断隧道涌水段的处理效果,以便指导现场灾害防治.基本原理涉及模型的基本原理详述如下.累计变形预测模型的构建累计变形预测模型主要分为个步骤:先对隧道变形监测数据进行误差信息辨识,将变形数据分解为主趋势项和误差项;其次对主趋势进行优化预测;最后对预测误差进行弱化预测.()误差信息辨识模型的构建在隧道变形监测过程中,爆破掘进、人为因素等导致隧道变形数据含有一定的误差信息,即ytrtwt,()其中:yt为隧道变形值;rt为变形主趋势项(即隧道变形的真实信息);wt为变形误差项(即隧道变形的误差信息).由于 优 化 经 验 模 态(EMD,e m p i r i c a l m o d ed e c o m p o s i t i o n)是基于自适应正交基的时频信号处理方法,非常适用于非线性不平稳信号的信息分解处理,且实现过程是将原始信号分解为若干固态分量和一个余量,即xtmictitm,()其中:xt为原始信号;m为固态分量的个数;cti为固态分量;tm为信息余量.由于传统EMD在其信息分解过程中易出现模态混叠现象,在一定程度上影响分解效果.为解决该问题,集合经验模态(E EMD)随之产生,其通过增加白噪声来克服频率混叠问题,不仅提升了信息分解能力,还提高了分解过程的稳定性,但结果不能完全分解白噪声,还待进一步优化.在前者基础上,李鉴博等又进一步提出了互补式集合经验模态(C E EMD),其能有效消除白噪声,具体优化过程如下:a 将一组相反噪声信号嵌入至原始信号,以保证每次增加的白噪声信号频幅值相同,并得到两组白噪声互补的原始信号.b 将两组处理后的原始信息进行EMD分解,得到的信息余量也具有互补性.c 将两组具有互补性的信息分量进行组合,以消除白噪声,达到优化处理的目的.同时,在信息分离效果评价方面,以往多利用单一指标进行评价,如平滑度指标、信噪比等,由于二者求解原理的差异,使其评价的侧重点也存在一定不同.为达到综合评价分离效果的目的,将二者归一化值相加,得到评价分离效果的综合评价指标c为ccc,()其中:c、c分别为平滑度指标、信噪比的归一化值.根据式()综合评价指标c值越大,说明分离效果越好;反之,分离效果越差.()主趋势项预测模型的构建由于U n e t神经网络是一种新型神经网络,相较于传统神经网络,不仅具有更高的预测精度,还具有更快的训练时间,因而利用其实现隧道变形主趋势项预测是可行的.值得指出的是,在U n e t神经网络应用过程中也存在不足,如激励函数由使用者确定,存在一定主观性;训练过程的收敛速度较快,易陷入局部极值.为保证预测精度,需对上述两问题进行优化处理,具体过程如下:a 激励函数的优化.U n e t神经网络的常用激励函 数 有S i g m o i d函 数、T a n h函 数 及R e l u函数,不同激励函数的适用性存在一定差异,因此采用试算法实现激励函数优化,即对种激励函数的预测效果均进行试算,选择效果最优者作为U n e t神经网络的激励函数.b 局 部 极 值 问 题 的 优 化.布 谷 鸟 搜 索(C S,c u c k o os e a r c h)算法是一种新型启发式算法,相较于传统的粒子群算法、遗传算法具有较强的优越性,即具有相对更高的精度求解要求.但是,传统布谷鸟搜索算法的优化速度相对较慢,为节约训练时间,I C S算法应运而生,因此利用I C S算法实现U n e t神经网络的全局优化.()误差弱化预测模型的构建将前述主趋势项的预测误差和分离处理过程中的误差项叠加,组成新的误差序列,由于该序列具有显著的不确定性和混沌特征,利用混沌理论实现其误差弱化预测.首先,L y a p u n o v指数法求解混沌指数m a x,并利用其判断误差序列的混沌特征,即当m a x时,误差序列不具有混沌特征;反之,误差序列具有混沌特性,利用混沌理论进行误差弱化处理.甘 肃 科 学 学 报 年第期其次,将误差序列表示为i,i,n,利用时间参数、嵌入参数m进行误差序列的相空间重构:ii,i,i(m)T,()其中:i为第i个空间相点.以i为预测中心,将l(最近相邻点)与其之间的距离d表示为dm i njijil.()欲实现误差弱化,要求d值最小,则误差弱化预测模型可进一步表示为ii ll em a x.()最后,通过l反推出i,以达到误差弱化处理的目的.将主趋势项预测结果与误差弱化结果叠加,即为隧道变形的最终预测结果.变形速率发展趋势评价模型的构建V/S分析是分形理论的定量实现方法之一,已被广泛应用于岩土领域,因此,利用其实现隧道变形速率的发展趋势评价是可行的.首先,将隧道变形速率序列划分为若干子序列,并求解其统计量(V/S)n:VSnn snk(kt(xtx)nnkkt(xtx)(),()其中:n为子序列长度;s为子序列方差;x 为子序列均值;xt为子序列对应节点处的速率值.根据式()通过改变子序列长度n来得到对应(V/S)n统计量即得到若干散点(n,(V/S)n),且二者具对数线性关系,即l g(V/S)n l gCHl gn,()其中:C为拟合参数;H为H u r s t指数.利用H u r s t指数即可判断隧道变形速率的发展趋势,当H时,隧道变形速率具有反向减小趋势,且其值越小,趋势性越显著;当H时,隧道变形速率具有正向增加趋势,且其值越大,趋势性越显著;当H时,隧道变形序列具有随机性,无法判断其发展趋势.最后,为实现隧道变形速率序列的相关性评价,再引入CM统计量:CMH,()当CM时,说明速率序列呈正相关;反之,速率序列呈负相关,且CM统计量的绝对值越大,其相关程度越强,反之则越弱.实例分析工程概况大兴乡隧道位于临沧市耿马县,其隶属临清高速,起止里程K K ,全长 k m,埋深 m,属深埋特长隧道.据勘察显示,隧址区具切割高中山地貌,地形起伏较大,斜坡坡度 ;上覆第四系土层以残积土为主,岩性属角砾土,而下覆洞身围岩为二云石英片岩,岩质较软,遇水易软化,加之节理裂隙较发育,围岩自稳能力相对较差.隧址区地质构造较为发育,历史上发生了多次构造运动,形成了复杂的构造形迹,导致岩层具有压扭性特征,围岩结构破碎,产状变化显著,差异性风化突出;同时,在水文地质条件方面,区内地表水和地下水也较为发育,其特征如下:()地表水.由于区内地形起伏较大,利于降水汇集,易在沟谷内形成地表径流,其流量受季节影响较大,并据勘察期测量,流量多小于 L/s,最大流量的地表水体为隧道东侧的户赛河,流量达 L/s.()地下水.区内地下水主要为孔隙水和裂隙水,孔隙水主要赋存于第四系地层孔隙中,接受降水补给,对隧道施工影响较小;裂隙水主要赋存于基岩裂隙中,受构造影响富水性差异显著,对施工影响较大,且最大涌水量预测值为 m/d.在隧道右线施工过程中,于 年 月日在K 断面发生突水涌水事故,灾害规模较大,累计突泥约 m,涌水约 m,给施工带来了巨大安全威胁,侧面验证了开展该项研究的必要性.为保证事故得以合理处置,经专家会商决定以“长管棚小导管超前支护C R D法”的开挖形式通过突泥涌水段,并将处置过程细分为两阶段:第一阶段对已作初支段进行加固补强处理,避免塌方进一步扩展;第二阶段先设立止浆墙,以稳固塌方体,再对塌方体进行注浆加固处理,待塌方体稳定后,施工做小导管长管棚超前支护,并利用C R D法进行开挖掘进.经过处置后,对现场进行了变形监测,重点监测段为K K ,每m为间距进行监测断面布设,共布设个断面,监测项目为拱顶沉降和水平收敛,监测频率次/天,共计得到 d监测成果.为对比不同监测断面的变形情况,对个监测断面的变形成果统计,如图所示.由图可见,随着里程变化,隧道变形值呈先增加后减小趋势,近似第 卷韩国锋等:基于误差信息辨识的隧道涌水段处理效果分析在K 呈相对最大的变形;同时,对比两类监测项目的变形值,得出各监测断面的拱顶沉降均不同程度的大于其水平收敛,说明本次突水涌泥灾害对拱顶沉降的影响相对更大.图不同监测断面的变形成果对比F i g C o m p a r i s o no fd e f o r m a t i o nr e s u l t so fd i f f e r e n tm o n i t o r i n gs e c t i o n s综上可知,K 断面和K 断面的变形相对较大,限于篇幅,仅以上述两剖面为例进行突水涌泥事故的处理效果分析.K 断面的变形曲线如图所示.由图可见,K 断面的拱顶沉降值为 mm,水平收敛值为 mm,水平收敛的前期增加速率相对更大,而拱顶沉降的后期增加速率相对更大.图K 断面的变形曲线F i g D e f o r m a t i o nc u r v eo fK s e c t i o nK 断面的变形曲线如图所示.由图可见,K 断面的拱顶沉降值为 mm,水平收敛值为 mm,且在变形过程中均以水平收敛的增加速率相对更大.累计变形预测分析在累计变形预测过程中,以K 断面的拱顶沉降为例,详述误差信息辨识过程和模型参数优化过程,并以 周期为训练样本,周期为验证样本,外推预测个周期.图K 断面的变形曲线F i g D e f o r m a t i o nc u r v eo fK s e c t i o n()误差信息辨识过程分析根据前述,利用互补式集合经验模态实现其误差信息辨识,且为验证该模型的有效性,对传统EMD和E EMD模型的误差信息分离能力也进行计算,三者的计算结果如表所列.表显示通过对传统EMD模型的逐步优化处理,相应模型的评价指标值趋于增大,说明对EMD模型的优化处理是有效的.表不同优化经验模态的信息辨识结果T a b l e I n f o r m a t i o n i d e n t i f i c a t i o nr e s u l t so fd i f f e r e n to p t i m i z e de m p i r i c a lm o d e s模型类型信噪比值c平滑度指标值c评级指标c传统EMD模型 E EMD模型 C E EMD模型 同时,为对比验证本次预测模型的有效性,利用若干卡尔曼滤波和小波去噪进行误差信息辨识分析,结果如表所列.由表可见,卡尔曼滤波和小波去噪的信息辨识效果较为一致,均明显劣于经验模型的信息辨识,充分验证了利用优化E MD进行隧道变形数据的信息辨识是合理的.表中C E E MD模型的评价指标值c相对最大(达 ),说明其信表不同误差信息辨识模型的结果对比T a b l eR e s u l t s c o m p a r i s o no fd i f f e r e n t e r r o r i n f o r m a t i o no f i d e n t i f i c a t i o nm o d e l s滤波类型评级指标c小波类型评级指标c模态类型评级指标c传统卡尔曼滤波 d b EMD模型 自适应卡尔曼滤波 c o f E EMD模型 半参数卡尔曼滤波 s y m C E EMD模型 平均值 甘 肃 科 学 学 报 年第期息辨识效果相对最优,进而利用其实现研究中隧道变形数据的误差信息辨识.()变形预测分析在前述变形数据误差信息辨识基础上,按照优化步骤开展变形预测分析,具体如下:首先,对U n e t模型的激励函数进行优化筛选,结果如表所列.表显示不同激励函数在U n e t模型中的适用性存在差异,这与工程实例有关,也侧面说明通过试算筛选确定最优激励函数的必要性.对比个激励函数的预测效果,得出R e l u函数的相对误差均值为 ,具有相对最优的预测效果,因此确定U n e t模型的激励函数为R e l u函数.表激励函数的优化筛选结果T a b l eO p t i m a l s c r e e n i n gr e s u l t so f i n c e n t i v e f u n c t i o n激励函数类型S i g m o i d函数T a n h函数R e l u函数相对误差均值/其次,利用I C S算法实现U n e t模型的全局优化,为对比C S算法和I C S算法的优劣,对二者的优化效果进行了统计,得到K 断面拱顶沉降的主趋势项预测结果,如表所列.表显示I C S U n e t模型具有更小的相对误差,且相对误差均值为 ,小 于C S U n e t模 型 的 相 对 误 差 均 值,得出I C S U n e t模型较C S U n e t模型具有更高的预测精度.表K 断面拱顶沉降的主趋势项预测结果T a b l eP r e d i c t i o nr e s u l t so fm a i nt r e n dt e r mo f c r o w ns e t t l e m e n t o fK s e c t i o n监测时间/d主趋势项/mmC S U n e t模型预测值/mm相对误差/I C S U n e t模型预测值/mm相对误差/相对误差均值/为进一步说明I C S算法较C S算法的优越性,对两类算法在优化过程中的特征参数进行统计,结果如表所列.由表可见,I C S算法较C S算法具有相对更短的训练时间和更少的迭代次数,因而I C S算法具有相对更快的收敛速率;同时,I C S算法的局部优化次数为次,进一步证明了I C S算法具有相对更强的全局优化能力.简言之,I C S算法较C S算法具有明显的优越性,证明利用其实现U n e t模型的全局优化是可行的.表 I C S算法和C S算法的特征参数统计T a b l eS t a t i s t i c so f c h a r a c t e r i s t i cp a r a m e t e r so f I C Sa l g o r i t h ma n dC Sa l g o r i t h m评价指标训练时间/m s迭代次数/次局部优化次数/次C S算法 I C S算法 上述分析验证了优化U n e t模型在隧道主趋势项中的预测效果,并经K 断面拱顶沉降的误差序列计算,得出混沌指数m a x为 ,说明其具有混沌特征,利用混沌理论弱化其预测误差是可行的.两监测断面的不同监测项目在前述误差信息辨识、主趋势项优化预测和混沌理论的误差弱化处理后,得到最终预测结果如表所列.由表可知,在K 断面的拱顶沉降预测结果中,相对误差范围为 ,相对误差均值为,明显优于主趋势项预测结果,验证了混沌理论对误差弱化处理的有效性.同时,其余个项目的预测结果也具有较高的预测精度,三者的相对误差均值范围为 ,充分验证了预测模型的稳健性.另外,在个监测项目的外推预测结果中,四者的增加趋势均不明显,即增加速率相对较小.综上所述,在K 断面和K 断面的变形预测结果中,在误差信息辨识处理基础上的优化组合预测能有效提高预测精度,且各类监测项目的变形均趋于稳定,仅具有缓慢增加趋势.变形速率的发展趋势评价利用V/S分析对隧道变形速率序列进行发展趋势评价,为充分利用前述预测结果,提出了两阶段分析思路:其一,属现有状态评价,是以既有监测成果的变形速率为基础,进行变形趋势判断;其二,属预测状态评价,是以既有监测成果和外推预测结果的变形速率为基础,进行变形趋势判断.经统计计算,得到现有状态下的分析结果如表所列.第 卷韩国锋等:基于误差信息辨识的隧道涌水段处理效果分析表隧道变形的最终预测结果T a b l eF i n a lp r e d i c t i o nr e s u l t so f t u n n e l d e f o r m a t i o n监测时间/dK 拱顶沉降预测结果拱顶沉降/mm预测值/mm相对误差/K 水平收敛预测结果水平收敛/mm预测值/mm相对误差/K 拱顶沉降预测结果拱顶沉降/mm预测值/mm相对误差/K 水平收敛预测结果水平收敛/mm预测值/mm相对误差/相对误差均值/表现有状态的速率发展趋势评价T a b l eR a t ed e v e l o p m e n t t r e n de v a l u a t i o no f e x i s t i n g s t a t e评价指标K 断面拱顶沉降水平收敛K 断面拱顶沉降水平收敛H u r s t指数 拟合度 CM/表中两监测断面的各类监测项目的拟合度均大于,趋近于,说明拟合效果较优,所得参数的准确性较高;H u r s t指数均小于,隧道变形速率具有反向减小趋势,即增加速率趋于减少,发现拱顶沉降的H u r s t指数相对更小,说明其速率减弱趋势更为显著;在相关性评价方面,个监测项目的CM值均小于,属于负相关序列,且拱顶沉降具有相对更高的相关性.对两阶段条件下的样本进行V/S分析,结果如图所示.由图可见,经外推预测结果拓展,个监测项目的H u r s t指数均出现不同程度的减小,说明四者的减弱趋势性更为显著.图不同状态条件下的发展趋势结果对比F i g C o m p a r i s o no fd e v e l o p m e n t t r e n dr e s u l t su n d e rd i f f e r e n t c o n d i t i o n s总体来说,隧道变形速率具有减弱趋势,且经外推预测拓展,这种趋势性更加显著.涌水段处理效果的综合分析经前述分析,由隧道累计变形预测方面可知,隧道涌水段的变形仍会持续增加,但增加速率相对较小,具有缓慢增加趋势;由变形速率的发展趋势评价结果可知,隧道变形速率呈下降趋势.因此,综合上述两方面结果可知,大兴乡隧道涌水段在处理过后的变形具有缓慢增加趋势,趋于稳定方向发展,说明该段灾害处理方式是合理的.结论通过对大兴乡隧道涌水段的处理效果分析,主要得出如下结论:()受监测环境限制,隧道变形监测数据含有一定的误差信息,辨识误差信息具有重要意义,且C E EMD模型相较于其他传统模型具有相对更优的信息辨识能力.()在隧道变形预测过程中,通过参数优化来提高预测精度,并经统计,预测模型的预测精度介于 ,不仅具有较高的预测精度,还具有较强的稳定性,适用于隧道变形预测.()V/S分析能有效评价隧道变形速率的发展趋势,K 断面和K 断面在两类监测项目中H u r s t指数均小于,说明隧道变形速率呈下降趋势,与前述累计变形预测结果对比可知,大兴乡隧道涌水段在处理过后的变形趋于稳定方向发展.()限于篇幅,本次研究只针对变形角度开展了甘 肃 科 学 学 报 年第期隧道涌水段的处理效果分析,建议在条件允许前提下,可结合现场应力监测成果等综合评价处理效果.参考文献:王林峰,唐宁,莫诎,等考虑透水夹层作用下富水山区隧道涌水量预测J科学技术与工程,():吴大勇某隧道突泥涌水事故的处理措施及其效果评价J勘察科学技术,():贺华刚深埋特长隧道的突涌水危险性评价研究J中国岩溶,():邵江飞仙关红层软岩隧道高压涌水产生机理及涌水压力分析J公路,():陈胜博,杜澎涛,卢勤淳地质断裂带区域隧道涌水原因分析及处置措施探讨J公路,():何桥,朱代强,郑克勋,等深埋特长隧道岩溶高压涌水灌浆封堵技术研究与实践J中国岩溶,():李鉴博,樊小朝,史瑞静,等基于互补式集合经验模态分解和I P S O_L S S VM的短期风功率 预测J水力 发 电,():郭玲娟,魏斌,韩肖清,等基于集合经验模态分解的交直流混合微电网混合储能容量优化配置J高电压技术,():陈思阳,朱彦鹏,黄丽华隧道围岩位移的混沌时间序列预测分析J现代隧道技术,():张碧基于多种优化支持向量机及V/S分析法的隧道变形预测及趋势判断J长江科学院院报,():,朱苏雅,杜建超,李云松,等采用U N e t卷积网络的桥梁裂缝检测方法J西安电子科技大学学报,():A n a l y s i so fT r e a t m e n tE f f e c t o fT u n n e lW a t e rG u s h i n gS e c t i o nB a s e do nE r r o r I n f o r m a t i o nI d e n t i f i c a t i o nHANG u o f e n g,MAY u(S h a a n x iE n e r g yI n s t i t u t e,X i a n y a n g ,C h i n a;G a n s uT r a n s p o r t a t i o nC o n s t r u c t i o nQ u a l i t ya n dS a f e t yC o s tC e n t e r,L a n z o u ,C h i n a)A b s t r a c t I no r d e r t o r e a s o n a b l ye v a l u a t e t h e t r e a t m e n t e f f e c t o f t u n n e lw a t e r g u s h i n gs e c t i o n,b a s e do n t h ed e f o r m a t i o nm o n i t o r i n gr e s u l t sa f t e rt r e a t m e n to fw a t e rg u s h i n gs e c t i o n,t h ec u m u l a t i v ed e f o r m a t i o np r e d i c t i o na n dd e f o r m a t i o nr a t ed e v e l o p m e n t t r e n de v a l u a t i o na r eu s e d t or e a l i z e t h e t r e a t m e n t e f f e c t a n a l y s i s I nt h ep r o c e s s o f c u m u l a t i v ed e f o r m a t i o np r e d i c t i o n,t h e e r r o r i n f o r m a t i o n i d e n t i f i c a t i o no f d e f o r m a t i o nd a t ai so b t a i n e db yu s i n go p t i m i z e de m p i r i c a lm o d e,a n d t h e n t h ep r e d i c t i o n i s r e a l i z e db yo p t i m i z i n gU n e tm o d e l a n dc h a o s t h e o r y T h em e t h o do f r e s c a l e d r a n g e i su s e d t o c a l c u l a t eH u r s t i n d e xa n de v a l u a t e t h ed e v e l o p m e n t t r e n do fd e f o r m a t i o nr a t e E x a m p l ea n a l y s i ss h o w st h a t i nt e r m so fc u m u l a t i v ed e f o r m a t i o np r e d i c t i o n,t h e c o m p l e m e n t a r ye n s e m b l e e m p i r i c a lm o d e l h a sb e t t e r i n f o r m a t i o n i d e n t i f i c a t i o na b i l i t y t h a n t h e t r a d i t i o n a lm o d e l T h r o u g hp a r a m e t e r o p t i m i z a t i o np r o c e s s i n g,i t c o u l de f f e c t i v e l y i m p r o v e t h ep r e d i c t i o na c c u r a c yo f t h ep r e d i c t i o nm o d e l,a n dt h ea v e r a g er e l a t i v ee r r o ro f t h ep r e d i c t i o nr e s u l t s i sb e t w e e n a n d,w h i c hh a sg o o dp r e d i c t i o ne f f e c t a n ds t a b i l i t y,a n da c c o r d i n g t o t h e e x t r a p o l a t i o np r e d i c t i o nr e s u l t s,t h ec u m u l a t i v ed e f o r m a t i o no f t u n n e lw a t e rg u s h i n gs e c t i o n t e n d s t o i n c r e a s e s l o w l ya f t e r t r e a t m e n t A t t h es a m e t i m e,i nt h ed e v e l o p m e n tt r e n de v a l u a t i o no f t u n n e ld e f o r m a t i o nr a t e,H u r s t i n d e xi sl e s st h a n,w h i c hs h o w s t h a t t h e t u n n e l d e f o r m a t i o nr a t eh a s ad e c r e a s i n g t r e n d C o m p a r e dw i t h t h e a b o v e t w oa n a l y s i sr e s u l t s,t h ed e f o r m a t i o no ft u n n e lw a t e r i n f l o ws e c t i o nt e n d st od e v e l o pi nas t a b l ed i r e c t i o na f t e rt r e a t m e n t,w h i c hv e r i f i e s t h er a t i o n a l i t yo f t h ed i s a s t e rt r e a t m e n tm e t h o di nt h i ss e c t i o n T h r o u g ht h es t u d yo ft h i sp a p e r,i tp r o v i d e sac e r t a i nt h e o r e t i c a l g u i d a n c e f o r t h e t r e a t m e n t e f f e c t a n a l y s i so f t u n n e lw a t e rg u s h i n gs e c t i o n,a n dh a sh i g hp r a c t i c a l v a l u e K e yw o r d sT u n n e lw a t e ri n f l o w;D e f o r m a t i o np r e d i c t i o n;T r e a t m e n te f f e c t;Em p i r i c a lm o d e;R e s c a l e dr a n g ea n a l y s i s(本文责编:毛鸿艳)第 卷韩国锋等:基于误差信息辨识的隧道涌水段处理效果分析