一种冻融条件下温度与渗流特性确定方法及相关设备

1.本说明书涉及隧道工程领域，更具体地说，本发明涉及一种冻融条件下温度与渗流特性确定方法及相关设备。


背景技术：

2.在冻融条件下，隧道岩层结构空隙中的微量水会结冰并产生膨胀力，使空隙逐渐变长、变宽。在高寒地区的隧道中，会存在多场耦合的现象，并且在多场耦合作用下岩石的力学性质与常温常压下相比，其力学机理和变形破坏特征有很大的不同。并且随着温度的变化隧道中的耦合场的力学特性会更加复杂，目前并没有一种比较准确的理论模型去评价冻融条件下温度与渗流特性的关系，而掌握不同温度下的渗流特性是隧道施工过程中亟需解决的问题。


技术实现要素：

3.在发明内容部分中引入了一系列简化形式的概念，这将在具体实施方式部分中进一步详细说明。本发明的发明内容部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征，更不意味着试图确定所要求保护的技术方案的保护范围。
4.为了提出一种能够用于工程中的冻融条件下温度与渗流特性确定方法，第一方面，本发明提出一种冻融条件下温度与渗流特性确定方法，上述方法包括：
5.获取目标区域内的岩土样本的温度参数和围压参数；
6.基于上述温度参数和围压参数通过渗流特性识别模型确定上述岩土样本的渗流特性，其中，渗流特性包括渗透率，上述渗流特性识别模型是基于岩土样本的温度与围压变化数据和温度与渗流特性数据进行预设次数的训练获取的。
7.可选的，上述渗流特性识别模型是bp神经网络模型，上述渗流特性识别模型包括输入层、隐含层和输出层，上述隐含层的激活函数为s形转移函数logsig，上述输出层的激活函数为线性函数purelin。
8.可选的，上述渗流特性识别模型的训练函数为traingdx函数。
9.可选的，上述样本的温度与围压变化数据和温度与渗流特性数据包括高温数据集、冻融数据集和低温数据集，上述冻融数据集的数据量大于上述高温数据集和上述低温数据集。
10.可选的，在上述温度参数高于预设温度的情况下，上述方法还包括：
11.获取上述目标区域内的上述岩土样本的水压参数；
12.基于上述温度参数、上述围压参数和上述水压参数通过第二渗流特性识别模型获取上述岩土样本的渗流特性，其中，上述第二渗流特性识别模型是基于上述岩土样本的温度与围压变化数据、上述温度与渗流特性数据和水压与渗流特性参数进行预设次数的训练获取的。
13.可选的，上述温度与围压变化数据和温度与渗流特性数据是基于第一次数的岩土
特性试验和第二次数的岩土特性仿真获取的，上述第一次数小于第二次数，上述岩土特性试验与上述岩土特性仿真的部分自变量参数相同。
14.可选的，上述温度与围压变化数据和温度与渗流特性数据包括岩土特性仿真的有效值及其预设范围内的仿真数据，上述有效值为与上述岩土特性试验自变量参数相同且因变量参数的差小于误差范围内的岩土特性仿真对应的参数值。
15.第二方面，本发明还提出一种冻融条件下温度与渗流特性确定装置，包括：
16.获取单元，用于获取目标区域内的岩土样本的温度参数和围压参数；
17.确定单元，用于基于上述温度参数和围压参数通过渗流特性识别模型确定上述岩土样本的渗流特性，其中，渗流特性包括渗透率，上述渗流特性识别模型是基于岩土样本的温度与围压变化数据和温度与渗流特性数据进行预设次数的训练获取的。
18.第三方面，一种电子设备，包括：存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器用于执行存储器中存储的计算机程序时实现如上述的第一方面任一项的冻融条件下温度与渗流特性确定方法的步骤。
19.第四方面，本发明还提出一种计算机可读存储介质，其上存储有计算机程序，上述计算机程序被处理器执行时实现第一方面上述任一项的冻融条件下温度与渗流特性确定方法。
20.综上，本技术实施例的冻融条件下温度与渗流特性确定方法包括：获取目标区域内的岩土样本的温度参数和围压参数；基于上述温度参数和围压参数通过渗流特性识别模型确定上述岩土样本的渗流特性，其中，渗流特性包括渗透率，上述渗流特性识别模型是基于岩土样本的温度与围压变化数据和温度与渗流特性数据进行预设次数的训练获取的。本技术提出的冻融条件下温度与渗流特性确定方法，通过构建渗流特性识别模型，通过将获取目标区域内的岩土样本的温度参数和围压参数输入至渗流特性识别模型从而获取渗流特性，从而为高寒条件下的隧道挖掘提供数据支撑。
21.本发明的冻融条件下温度与渗流特性确定方法，本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
22.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本说明书的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
23.图1为本技术实施例提供的一种冻融条件下温度与渗流特性确定方法流程示意图；
24.图2为本技术实施例提供的一种冻融条件下温度与渗流特性确定装置结构示意图；
25.图3为本技术实施例提供的一种冻融条件下温度与渗流特性确定电子设备结构示意图。
具体实施方式
26.本技术提出的冻融条件下温度与渗流特性确定方法，通过构建渗流特性识别模型，通过将获取目标区域内的岩土样本的温度参数和围压参数输入至渗流特性识别模型从而获取渗流特性，从而为高寒条件下的隧道挖掘提供数据支撑。
27.本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。
28.请参阅图1，为本技术实施例提供的一种冻融条件下温度与渗流特性确定方法流程示意图，具体可以包括：
29.s110、获取目标区域内的岩土样本的温度参数和围压参数；
30.示例性的，在进行隧道挖掘前期需要对隧道对应的目标区域采取岩土样本分析目标区域内的特性，在此期间获取采取样本的温度参数和围压参数，围压是指指岩石的周围岩体对它施加的压力。在地下深处岩石的围压，主要是由上覆岩石的重量所致，常称为静岩压力。如果岩土样本处于冻结状态下，岩土中的水分不会对岩土样本的渗流特性造成较大的影响，此时可以不考虑岩土中水的影响。
31.s120、基于上述温度参数和围压参数通过渗流特性识别模型确定上述岩土样本的渗流特性，其中，渗流特性包括渗透率，上述渗流特性识别模型是基于岩土样本的温度与围压变化数据和温度与渗流特性数据进行预设次数的训练获取的。
32.示例性的，根据获取的温度参数和围压参数，将两个参数输入至渗流特性识别模型可以获取岩土样本的渗流特性，渗流特性可以包括渗透率、流度和退汞效率等，本技术的选择渗透率拉表征渗流特性。岩土样本的温度与围压变化数据和温度与渗流特性数据进行预设次数的训练获取的。温度与围压变化数据是通过单一控制温度为自变量，得到的温度与围压变化之间的关系。而温度与渗流特性数据是通过单一控制温度，得到的温度与渗流特性之间的关系。将温度与围压变化数据和温度与渗流特性数据进行预设次数的训练，能够获取温度、围压和射流特性之间具有特定关系的渗流特性识别模型，通过智能算法去识别温度、围压和渗流特性的关系，从而通过渗流特性识别模型根据岩土样本的温度参数和围压参数去确定渗流特性，从而为高寒条件下的隧道挖掘提供数据支撑。
33.综上，本技术提出的冻融条件下温度与渗流特性确定方法，通过构建渗流特性识别模型，通过将获取目标区域内的岩土样本的温度参数和围压参数输入至渗流特性识别模型从而获取渗流特性，从而为高寒条件下的隧道挖掘提供数据支撑。
34.在一些示例中，上述渗流特性识别模型是bp神经网络模型，上述渗流特性识别模型包括输入层、隐含层和输出层，上述隐含层的激活函数为s形转移函数logsig，上述输出层的激活函数为线性函数purelin。
35.示例性的，bp神经网络它由输入层、隐藏层和输出层构成，层与层之间的神经元之间相互连接，神经元之间的连接权重可以进行训练和调整，以实现网络的学习和预测功能。bp神经网络模型主要通过反向传播算法来进行训练，即将误差从输出层向输入层传递，并根据误差来调整每个神经元之间的连接权重。在训练过程中，需要定义损失函数来评估模型的性能，并通过优化算法来最小化损失函数。
36.激活函数s形转移函数logsig，它的输出值在0到1之间，具有平滑的s形曲线。它的表达式为：f(x)＝1/(1+exp(-x))其中，x表示输入的加权和。在神经网络的前向传播过程中，每个神经元的输入都被加权求和，并通过激活函数进行非线性变换，得到输出值。logsig函数的输出值在0到1之间，可以被解释为神经元被激活的程度。当输入较大时，输出趋近于1，神经元被高度激活；当输入较小时，输出趋近于0，神经元被低度激活；当输入为0时，输出为0.5，神经元处于中间状态。logsig函数具有平滑的导数，可以在反向传播算法中进行梯度计算和权重更新，从而实现神经网络的训练。
37.激活函数线性函数purelin是一种简单的神经网络激活函数，它的输出值等于输入值，即：f(x)＝x其中，x表示输入的加权和。在神经网络的前向传播过程中，每个神经元的输入都被加权求和，并通过激活函数进行非线性变换，得到输出值。由于purelin函数是线性函数，它的输出值与输入值之间的关系是一一对应的，没有非线性变换的效果。因此，purelin函数常被用作输出层的激活函数，用于处理回归问题或输出实数值的预测问题。当输入为正时，输出为正；当输入为负时，输出为负；当输入为0时，输出为0。由于purelin函数的导数恒为1，它在反向传播算法中的作用相当于恒等映射，不会引入额外的梯度计算和权重更新复杂度。因此，它可以在神经网络的输出层中直接使用，不会影响神经网络的训练效果。
38.综上，通过合理地设置不同层的激活函数可以有效控制bp神经网络模型进行有效训练，提升模型的训练精度与识别精度。
39.在一些示例中，上述渗流特性识别模型的训练函数为traingdx函数。
40.示例性的，traingdx函数实现了基于梯度下降的误差反向传播算法，并采用自适应学习率的策略，对神经网络的权重和偏置进行更新。在训练过程中，traingdx函数会根据训练集和验证集的误差情况自适应地调整学习率，以加速收敛和提高训练效果。同时traingdx还支持早停策略，即在连续多次验证集误差没有改善时，停止训练以避免过拟合。
41.在一些示例中，上述样本的温度与围压变化数据和温度与渗流特性数据包括高温数据集、冻融数据集和低温数据集，上述冻融数据集的数据量大于上述高温数据集和上述低温数据集。
42.示例性的，在进行模型训练时，将训练样本分为高温数据集、冻融数据集和低温数据集，岩土的渗流特性在冻融温度的区间内的变化情况最为复杂，因此设置冻融数据集的数据量大于上述高温数据集和上述低温数据集，避免了训练数据过于冗杂过分提升了训练的时间，同时可以提升在冻融温度区间内渗流参数的识别精度。
43.在一些示例中，在上述温度参数高于预设温度的情况下，上述方法还包括：
44.获取上述目标区域内的上述岩土样本的水压参数；
45.基于上述温度参数、上述围压参数和上述水压参数通过第二渗流特性识别模型获取上述岩土样本的渗流特性，其中，上述第二渗流特性识别模型是基于上述岩土样本的温
度与围压变化数据、上述温度与渗流特性数据和水压与渗流特性参数进行预设次数的训练获取的。
46.示例性的，在温度高于预设温度的情况下，岩土中的冰开始融化，并且在高寒地区中，深层出水量较多，不能忽略水压对于渗透率的影响，因此将水压纳入模型训练的自变量中，并在进行识别时考虑水压的影响。所得的渗流特性更为准确。
47.在一些示例中，上述温度与围压变化数据和温度与渗流特性数据是基于第一次数的岩土特性试验和第二次数的岩土特性仿真获取的，上述第一次数小于第二次数，上述岩土特性试验与上述岩土特性仿真的部分自变量参数相同。
48.示例性的，岩土的渗透率可以通过恒压法、恒流法、双环压汞法等试验方法获取，围压与温度的关系可以测量岩土特性的应力应变片和温度传感器获取。数值仿真可以通过comsol mutiphysics软件进行，建立数学模型。先根据岩土样本的实验数据，建立相应的数学模型，包括材料本构模型、边界条件、计算模型等。离散化和网格划分。在模型中将土体和岩石离散化为若干个小单元，将连续的物理体变成有限个节点，并进行网格划分。边界条件和载荷设定。确定边界条件和载荷设定，包括受力方向、大小等。数值计算。利用数值分析方法对模型进行求解，得到土体和岩石在不同载荷作用下的应力应变关系、变形特性、破坏机理等力学特性。通过岩特性试验数据去修正仿真模型。试验的数据可以小于仿真的数据，在模型准确后通过仿真数据去训练模型。
49.在一些示例中，上述温度与围压变化数据和温度与渗流特性数据包括岩土特性仿真的有效值及其预设范围内的仿真数据，上述有效值为与上述岩土特性试验自变量参数相同且因变量参数的差小于误差范围内的岩土特性仿真对应的参数值。
50.示例性的，有效值是指在相同的自变量参数下得到的仿真数据数与岩土特性试验数据的差小于预设误差范围是对应的仿真参数，这时可以认为当前有效值附近范围内的仿真值的准确度较高，从而可以将预设范围内的仿真数据作为训练数据，提升训练数据的样本量。
51.请参阅图2，本技术实施例中冻融条件下温度与渗流特性确定装置的一个实施例，可以包括：
52.获取单元21，用于获取目标区域内的岩土样本的温度参数和围压参数；
53.确定单元22，用于基于上述温度参数和围压参数通过渗流特性识别模型确定上述岩土样本的渗流特性，其中，渗流特性包括渗透率，上述渗流特性识别模型是基于岩土样本的温度与围压变化数据和温度与渗流特性数据进行预设次数的训练获取的。如图3所示，本技术实施例还提供一种电子设备300，包括存储器310、处理器320及存储在存储器320上并可在处理器上运行的计算机程序311，处理器320执行计算机程序311时实现上述冻融条件下温度与渗流特性确定的任一方法的步骤。
54.由于本实施例所介绍的电子设备为实施本技术实施例中一种冻融条件下温度与渗流特性确定方法所采用的设备，故而基于本技术实施例中所介绍的方法，本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式，所以在此对于该电子设备如何实现本技术实施例中的方法不再详细介绍，只要本领域所属技术人员实施本技术实施例中的方法所采用的设备，都属于本技术所欲保护的范围。
55.在具体实施过程中，该计算机程序311被处理器执行时可以实现图1对应的实施例
中任一实施方式，包括：
56.获取目标区域内的岩土样本的温度参数和围压参数；
57.基于上述温度参数和围压参数通过渗流特性识别模型确定上述岩土样本的渗流特性，其中，渗流特性包括渗透率，上述渗流特性识别模型是基于岩土样本的温度与围压变化数据和温度与渗流特性数据进行预设次数的训练获取的。
58.在一些可能的实施方式中，上述渗流特性识别模型是bp神经网络模型，上述渗流特性识别模型包括输入层、隐含层和输出层，上述隐含层的激活函数为s形转移函数logsig，上述输出层的激活函数为线性函数purelin。
59.在一些可能的实施方式中，上述渗流特性识别模型的训练函数为traingdx函数。
60.在一些可能的实施方式中，上述样本的温度与围压变化数据和温度与渗流特性数据包括高温数据集、冻融数据集和低温数据集，上述冻融数据集的数据量大于上述高温数据集和上述低温数据集。
61.在一些可能的实施方式中，在上述温度参数高于预设温度的情况下，上述方法还包括：
62.获取上述目标区域内的上述岩土样本的水压参数；
63.基于上述温度参数、上述围压参数和上述水压参数通过第二渗流特性识别模型获取上述岩土样本的渗流特性，其中，上述第二渗流特性识别模型是基于上述岩土样本的温度与围压变化数据、上述温度与渗流特性数据和水压与渗流特性参数进行预设次数的训练获取的。
64.在一些可能的实施方式中，上述温度与围压变化数据和温度与渗流特性数据是基于第一次数的岩土特性试验和第二次数的岩土特性仿真获取的，上述第一次数小于第二次数，上述岩土特性试验与上述岩土特性仿真的部分自变量参数相同。
65.在一些可能的实施方式中，上述温度与围压变化数据和温度与渗流特性数据包括岩土特性仿真的有效值及其预设范围内的仿真数据，上述有效值为与上述岩土特性试验自变量参数相同且因变量参数的差小于误差范围内的岩土特性仿真对应的参数值。
66.需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
67.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
68.本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
69.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特
定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
70.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
71.本技术实施例还提供了一种计算机程序产品，该计算机程序产品包括计算机软件指令，当计算机软件指令在处理设备上运行时，使得处理设备执行如图1对应实施例中的冻融条件下温度与渗流特性确定的流程，包括：
72.获取目标区域内的岩土样本的温度参数和围压参数；
73.基于上述温度参数和围压参数通过渗流特性识别模型确定上述岩土样本的渗流特性，其中，渗流特性包括渗透率，上述渗流特性识别模型是基于岩土样本的温度与围压变化数据和温度与渗流特性数据进行预设次数的训练获取的。
74.在一些可能的实施方式中，上述渗流特性识别模型是bp神经网络模型，上述渗流特性识别模型包括输入层、隐含层和输出层，上述隐含层的激活函数为s形转移函数logsig，上述输出层的激活函数为线性函数purelin。
75.在一些可能的实施方式中，上述渗流特性识别模型的训练函数为traingdx函数。
76.在一些可能的实施方式中，上述样本的温度与围压变化数据和温度与渗流特性数据包括高温数据集、冻融数据集和低温数据集，上述冻融数据集的数据量大于上述高温数据集和上述低温数据集。
77.在一些可能的实施方式中，在上述温度参数高于预设温度的情况下，上述方法还包括：
78.获取上述目标区域内的上述岩土样本的水压参数；
79.基于上述温度参数、上述围压参数和上述水压参数通过第二渗流特性识别模型获取上述岩土样本的渗流特性，其中，上述第二渗流特性识别模型是基于上述岩土样本的温度与围压变化数据、上述温度与渗流特性数据和水压与渗流特性参数进行预设次数的训练获取的。
80.在一些可能的实施方式中，上述温度与围压变化数据和温度与渗流特性数据是基于第一次数的岩土特性试验和第二次数的岩土特性仿真获取的，上述第一次数小于第二次数，上述岩土特性试验与上述岩土特性仿真的部分自变量参数相同。
81.在一些可能的实施方式中，上述温度与围压变化数据和温度与渗流特性数据包括岩土特性仿真的有效值及其预设范围内的仿真数据，上述有效值为与上述岩土特性试验自变量参数相同且因变量参数的差小于误差范围内的岩土特性仿真对应的参数值。
82.计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本技术实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线
(digital subscriber line，dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘(solid state disk，ssd))等。
83.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
84.在本技术所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
85.作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
86.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
87.集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
88.以上，以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。

技术特征：
1.一种冻融条件下温度与渗流特性确定方法，其特征在于，包括：获取目标区域内的岩土样本的温度参数和围压参数；基于所述温度参数和围压参数通过渗流特性识别模型确定所述岩土样本的渗流特性，其中，渗流特性包括渗透率，所述渗流特性识别模型是基于岩土样本的温度与围压变化数据和温度与渗流特性数据进行预设次数的训练获取的。2.根据权利要求1所述的方法，其特征在于，所述渗流特性识别模型是bp神经网络模型，所述渗流特性识别模型包括输入层、隐含层和输出层，所述隐含层的激活函数为s形转移函数logsig，所述输出层的激活函数为线性函数purelin。3.根据权利要求2所述的方法，其特征在于，所述渗流特性识别模型的训练函数为traingdx函数。4.根据权利要求1所述的方法，其特征在于，所述样本的温度与围压变化数据和温度与渗流特性数据包括高温数据集、冻融数据集和低温数据集，所述冻融数据集的数据量大于所述高温数据集和所述低温数据集。5.根据权利要求1所述的方法，其特征在于，在所述温度参数高于预设温度的情况下，所述方法还包括：获取所述目标区域内的所述岩土样本的水压参数；基于所述温度参数、所述围压参数和所述水压参数通过第二渗流特性识别模型获取所述岩土样本的渗流特性，其中，所述第二渗流特性识别模型是基于所述岩土样本的温度与围压变化数据、所述温度与渗流特性数据和水压与渗流特性参数进行预设次数的训练获取的。6.根据权利要求1所述的方法，其特征在于，所述温度与围压变化数据和温度与渗流特性数据是基于第一次数的岩土特性试验和第二次数的岩土特性仿真获取的，所述第一次数小于第二次数，所述岩土特性试验与所述岩土特性仿真的部分自变量参数相同。7.根据权利要求6所述的方法，其特征在于，所述温度与围压变化数据和温度与渗流特性数据包括岩土特性仿真的有效值及其预设范围内的仿真数据，所述有效值为与所述岩土特性试验自变量参数相同且因变量参数的差小于误差范围内的岩土特性仿真对应的参数值。8.一种冻融条件下温度与渗流特性确定装置，其特征在于，包括：获取单元，用于获取目标区域内的岩土样本的温度参数和围压参数；确定单元，用于基于所述温度参数和围压参数通过渗流特性识别模型确定所述岩土样本的渗流特性，其中，渗流特性包括渗透率，所述渗流特性识别模型是基于岩土样本的温度与围压变化数据和温度与渗流特性数据进行预设次数的训练获取的。9.一种电子设备，包括：存储器和处理器，其特征在于，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-7中任一项所述的冻融条件下温度与渗流特性确定方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的冻融条件下温度与渗流特性确定方法。

技术总结
本发明公开了一种冻融条件下温度与渗流特性确定方法及相关设备。该方法包括：获取目标区域内的岩土样本的温度参数和围压参数；基于上述温度参数和围压参数通过渗流特性识别模型确定上述岩土样本的渗流特性，其中，渗流特性包括渗透率，上述渗流特性识别模型是基于岩土样本的温度与围压变化数据和温度与渗流特性数据进行预设次数的训练获取的。本申请提出的冻融条件下温度与渗流特性确定方法，通过构建渗流特性识别模型，通过将获取目标区域内的岩土样本的温度参数和围压参数输入至渗流特性识别模型从而获取渗流特性，从而为高寒条件下的隧道挖掘提供数据支撑。件下的隧道挖掘提供数据支撑。件下的隧道挖掘提供数据支撑。


技术研发人员：张洪伟 高军 林晓 王学营 杨立云 罗红明 王君君 李海辉 乌延玲 任杰 彭国良 薛惠玲 云利华 冯菊开 高宇馨
受保护的技术使用者：中国科学院武汉岩土力学研究所
技术研发日：2023.04.03
技术公布日：2023/8/24