隧道围岩变形预报的高斯过程机器学习模型
第6章隧道结构计算
α— 轴向力偏心影响系数。 1 1.5 e0 h
抗拉控制检算
大偏心判断准则：
e0 0.2h
此时承载能力由抗拉强度控制：
KN 1.75Rlbh
6e0 1 h
式中： Rl — 混凝土的抗拉极限强度，
其它符号意义同前。
6.5 衬砌截面强度验算
6.4 隧道洞门计算
1.洞门墙墙身抗压承载能力计算(承载能力极限状态)
2.洞门墙墙身抗裂承载能力计算(正常使用极限状态)
6.4 隧道洞门计算
3.洞门墙地基承载能力计算
4.抗倾覆计算 5.抗滑动计算
6.5 衬砌截面强度验算
6.5.1 检算内容
（1）安全系数检算 （2）偏心检算
6.5.2 适用范围
铁路隧道拼装式衬砌、复合式衬砌 双线隧道整体式衬砌 公路隧道衬砌结构
6.5.3 安全系数检算
（1） 允许安全系数 混凝土和石砌结构的强度安全系数
圬工种类及 荷载组合
破坏原因
混凝土
主 附主 要 加要 荷 荷、 载载
石砌体 主 附主 要 加要 荷 荷、 载载钢筋ຫໍສະໝຸດ 凝土主附主要
加要
荷
荷、
载
载
（钢筋）混凝土或石砌
设围岩垂直压力大于 侧向压力， 则存在拱顶 脱离区，两侧 抗力区。
6.2 结构力学方法
6.2.3 隧道衬砌荷载分类
(1) 主动荷载 主要荷载：围岩压力、支护结构自重、回填土荷载、地下 静水压力及车辆活载等。 附加荷载：冻胀压力、地震力等。 (2) 被动荷载 被动荷载是指围岩的弹性抗力，计算有共同变形理论和局 部变形理论。
直刚法计算流程
基于机器学习的矿山岩层预测模型开发与应用
基于机器学习的矿山岩层预测模型开发与应用矿山岩层的预测对于矿山开采和安全管理具有重要意义。
基于机器学习的矿山岩层预测模型，通过对矿山岩石的相关数据进行分析和学习，可以帮助矿山企业准确预测岩层构造和岩层稳定性，提前发现潜在的危险因素，从而采取相应的措施保障矿山的高效开采和工作人员的安全。
1. 机器学习在矿山岩层预测中的应用机器学习是一种通过计算机技术从数据中自动学习并提取信息的方法，已经在各个领域得到广泛应用。
在矿山岩层预测中，利用机器学习算法可以将矿山的地质、地球物理、地球化学等多种数据进行分析和学习，从而预测出岩层的类型、分布和稳定性。
常用的机器学习算法包括决策树、支持向量机、逻辑回归、神经网络等。
这些算法可以根据给定的训练数据，通过学习建立预测模型，然后利用该模型对新的数据进行分类或回归分析。
2. 数据收集与处理在开发矿山岩层预测模型之前，首先需要进行相关数据的收集和处理。
这些数据可以包括矿山地质勘探数据、地球物理勘探数据、地球化学勘探数据以及历史矿山事故数据等。
收集到的数据需要进行质量检查和预处理，包括数据清洗、缺失值处理、异常值处理等。
此外，为了提高模型的准确性和可靠性，还需要对数据进行特征工程。
特征工程是指根据领域知识和实际需求，对原始数据进行变换、合成、选择等操作，以提取出对于预测目标有重要意义的特征。
3. 模型选择与训练根据实际需求和数据特点，选择合适的机器学习算法。
常用的算法包括决策树算法、支持向量机算法、逻辑回归算法等。
在模型训练过程中，需要将已经处理好的数据集划分为训练集和测试集，以便对模型的性能进行评估。
在训练模型时，还需要进行参数调优和模型选择。
参数调优是指根据模型的评估结果，对模型的参数进行调整，以提高模型的性能。
模型选择是指根据模型的评估结果，选择最优的模型。
4. 模型评估与验证在选择和训练模型后，需要对模型进行评估和验证。
这可以通过各种指标和方法来实现，如准确率、召回率、F1得分、ROC曲线等。
刘开云doc
申请人：刘开云北京交通大学，土木建筑工程学院岩土工程系，副教授受教育经历：2001/09—2005/04, 北京交通大学，土木建筑工程学院岩土系，博士，导师：乔春生教授1998/09—2001/07, 山东科技大学，资源与环境工程学院采矿系，硕士1991/09—1995/07, 山东矿业学院，采矿工程系，学士研究工作经历：2011/11—，北京交通大学，土木建筑工程学院岩土系，副教授、硕士生导师2005/08—2011/10, 北京交通大学，土木建筑工程学院岩土系，讲师主要论著：[1] 方昱,刘开云, 刘保国公路隧道施工期围岩快速分级的一种新方法, 工程地质学报，第21卷，第2期，190-198,2013[2] 方昱, 刘保国,刘开云隧道围岩分级的遗传-支持向量分类耦合模型, 铁道学报，第35卷，第1期，108-114,2013[3] 刘开云，魏博，刘保国边坡变形时序分析的进化-自适应神经模糊推理模型, 北京交通大学学报，第36卷，第1期，56-62页，2012[4] 刘开云,方昱,刘保国基于进化高斯过程回归算法的隧道工程弹塑性模型参数反演，岩土工程学报，第33卷，第6期，883-889页，2011(EI检索)[5] 刘开云,方昱,刘保国隧道围岩变形预测的进化高斯过程回归模型，铁道学报, 第33卷，第12期，101-106页，2011(EI检索)[6] 刘开云,刘保国,徐冲基于遗传-组合核函数高斯过程回归算法的边坡非线性变形时序分析智能模型，岩石力学与工程学报，第28卷，第10期，2128-2134页，2009(EI 检索)[7] 刘开云,乔春生,刘保国基于遗传-广义回归神经元算法的坞石隧道三维弹塑性位移反分析研究，岩土力学，第30卷，第6期，1805-1809页，2009(EI检索)[8] 刘开云,乔春生,刘保国基于改进GA-SVR算法的隧道工程智能信息化设计研究，铁道学报，第30卷，第4期，71-78页，2008(EI 检索)主持国家自然科学基金面上项目“软岩非定常分数阶微积分蠕变本构模型及深部软岩隧道施工围岩大变形控制理论研究”（批准号：51378052），执行年限：2014.1-2017.12。
隧道围岩变形预测的进化高斯过程回归模型
２ ０ １１年 １ ２月
铁
道
学
报
Ｖｏ ． ３ １３
Ｎｏ １ ． ２
Ｊ ０ＵＲＮＡＬ ０Ｆ ＴＨ Ｅ ＣＨＩ ＮＡ ＲＡＩ ＬＷ ＡＹ ０ＣＩ Ｓ ＥＴＹ
Ｄｅｅ ｂ ｒ ２ ｅ ｍ ｅ Ｏ１ｌ
文 章 编 号 ：０ １８ ６ （ ０ １ １ — １ １０ １ ０ —３０ ２ １ ）２０ ０—６
用遗传算法 与支持 向量回归（ ＶＲ） ｓ 算法相耦合 ， 形成 Ｇ Ｓ Ａ－ＶＲ算法 ， 将这 两种算法程 序应用于 黄榜 岭隧道施工
围岩 变 形 预测 。计 算 结 果对 比 表 明 ： 文 提 出 的 进 化 高 斯 过 程 回 归 算 法 明 显 提 高提 本 并 供借鉴 。 关 键 词 ： 隧道 工 程 ；变 形 预 测 ；高 斯 过 程 回归 ；遗 传 算 法 ；智 能 模 型
Ｌ Ｕ ｉ ｕ Ｆ Ｉ Ｋａ— ｎ ， ＡＮＧ ， ＬＩ Ｂ ｏ ｇ ｏ ｙ Ｙｕ Ｕ ａ — ｕ ， ＸＵ ｏ ｇ Ｃｈ ｎ
（ ． ｃ ｏ ｌ ｆ ｖ ｇｎ ｅｉｇ １ Ｓ ｈ ｏ ｉＥｎ ｉｅ ｒ ，Ｂ ｉｎ ｉｏ ｏ ｇ Ｕｎ ｖ ｒ ｉ ，Ｂ ｉｎ ０ ０ ４ ｏ Ｃｉ ｌ ｎ ｅ ｉｇＪａ ｔｎ ｉ ｓｔ ｊ ｅ ｙ ｅ ｉｇ １ ０ ４ ，Ｃｈｎ ｊ ｉａ
２ Ａｎ ｉＥｘ ｒ ｓ ｗａ ｏ ｄ ｎ ｏ ｐ Ｃｏ ． ｈｕ ｐ ｅ ｓ ｙ Ｈ ｌ ｉ ｇ Ｇｒ ｕ ．， Ｌ ｄ ｔ ．Ｈｅ ｅ ３ ０ ， Ｃｈ ｎ ） ｆ ｉ ０ ５１ ２ ｉａ
Ａｂ ｔ ａ ｔ Ｄｅ ｏ ｍ ａ ｉ ｎ ｐ ｅ ｉｔ ｎ ｏ ｕ ｒ ｕ ｄ ｎ ｏ ｋ ｉ ｔ ｅｋ ｙ ｔ ｕ ｒ ｎ ｅ ｏ ｓ ｒ ｃ ｉ ｎ ｓ ｆ ｔ ｎ ｕ ｌ ｙ Ｂ ｓｒ ｃ ： ｆ ｒ ｔ ｒ ｄ ｃ ｉ ｆｓ ｒ ｏ ｎ ｉ ｇ ｒ ｃ ｓ ｈ ｅ ｏ ｇ ａ ａ ｔ ｅ ｃ ｎ ｔ ｕ ｔｏ ａ ｅ ｙ ａ ｄ ｑ ａｉ ． ｙ ｏ ｏ ｔ ｎ Ｗ ， ｈ ｒ ａ ｅ ｅ ｅ ｇ ｄ ｍ ａ ｙ ｋ ｎ ｓ ｏ ｒ ｄ ｃ ｉ ｎ ｍｏ ｅ ｓ ｈ ｗｅ ｅ ， ａ ｉ ｕ ｒ ｂ ｅ ａ ｅ ｂ ｅ ｏ ｎ ｔ Ｏ ｔ ｅ ｅ ｈ ｖ ｍ ｒ ｅ ｎ ｉｄ ｆｐ ｅ ｉｔ ｏ ｄ ｌ． ｏ ｖ ｒ ｖ ｒｏ ｓ ｐ ｏ ｌ ｍｓ ｈ ｖ ｅ ｎ ｆ ｕ ｄ ｗｉｈ ｔ ｅ Ｔｈ ｕ ｓ ａ ｏ ｅ ｓ ＧＰ） ｏ ｄ ａ ｙ ａ ｖ ｎ ａ ｅ ｕ ｈ ａ ａ ｙ ｐ ｏ ｒ ｍ ｍ ｉ ｇ， ｅ ｆａ ａ ｔｖ ｃ ｕ ｓｔｏ ｆ ｈ ｍ． ｅ Ｇａ ｓ ｉｎ Ｐｒ ｃ ｓ （ ｈ ｌ ｓ ｍ ｎ ｄ ａ ｔ ｇ ｓｓ ｃ ｓｅ ｓ ｒ ｇ ａ ｎ ｓ ｌ ｄ ｐ ｉ ｅ ａ ｑ ｉｉｉ ｎ ｏ －
第五章-隧道结构设计
5.6 隧道洞门计算
5.6.2 计算部位（检算条带）的选取及计算要点
1．柱式、端墙式洞门
取Ⅰ、Ⅱ作为“检 算条带”。检算墙身截 面偏心、强度，以及基 底偏心、应力及沿基底 的滑动和绕墙趾倾覆稳 定性
2．有挡、翼墙的洞门
◆ 检算翼墙时取洞门端墙墙趾前之翼墙宽1m的条带“Ⅰ”， 按挡土墙检算偏心、强度及稳定性； ◆ 检算端墙时取最不利部分“Ⅱ”作为“检算条带”，检算 其截面偏心和强度； ◆ 检算端墙与翼墙共同作用部分“Ⅲ”的滑动稳定性。
共同变形理论：把围岩视为弹性半无限体，考虑相邻质点之 间的相互影响。其所需围岩物理力学参数较多，而且计算颇 为繁杂，因而我国很少采用。
假设：地基为一均质、连 续、弹性的半无限体。 优点： ①反映了地基的连续整体 性； ②从几何上、物理上对地 基进行了简化，因而可以 把弹性力学中有关半无限 弹性体的经典问答已知结 论作为计算的基础。
§ 地层结构法
将地层与结构视为一整体来进行分析，考虑地 层-结构的共同作用。 求解方法：
解析法 数值法
31
3.计算模型详细比较
结构力学模型
岩体力学模型
认识
力学 原载－结构”力学体 建立的是“围岩－支护”力学体系，
系，以最不利荷载组合 以实际的应力－应变状态作为支护
基底偏心距 e 滑动稳定系数 K0 倾覆稳定系数 K0
≤容许应力
≤0.3倍截面厚度
图3.2 弹性地基梁的受力和变形
✓缺点：
没有反映地基的变形连续性，当 地基表面在某一点承受压力时，实 际上不仅在该点局部产生沉陷，而 且也在邻近区域产生沉陷。由于没 有考虑地基的连续性，故温克尔假 设不能全面地反映地基梁的实际情 况，特别对于密实厚土层地基和整 体岩石地基，将会引起较大的误差。 但是，如果地基的上部为较薄的 土层，下部为坚硬岩石，则地基情 况与图中的弹簧模型比较相近，这 时将得出比较满意的结果。
基于ABC-BP神经网络的地铁盾构隧道地层识别及复合比预测
基于ABC-BP神经网络的地铁盾构隧道地层识别及复合比预测郭勇;郭小霖;简永洲;张箭;丰土根;陈子昂【期刊名称】《隧道建设（中英文）》【年(卷),期】2024(44)3【摘要】为研究盾构掘进过程中掘进参数与地层情况的关联性,建立盾构掘进过程中的机-岩关系,依托南京地铁6号线某盾构施工区间数据进行复合地层下掘进参数的统计分析。
首先,利用掘进参数与地层的相关性,采用人工蜂群算法优化的BP神经网络,建立可根据掘进参数识别开挖面地层并描述复合地层组合情况的ABC-BP 神经网络模型;然后,针对盾构区间进行地层识别和区间内2种复合地层的复合比预测。
结果表明:1)盾构掘进参数的波动范围与均值随开挖面所处地层变化,且依地层不同呈现一定规律性;2)地层类别预测结果表明,模型对上软下硬地层、中风化泥质砂岩、粉质黏土的识别召回率分别为94.1%、96.6%、96%,总体识别准确率为95%;3)针对复合比的预测结果表明,相较于其他机器学习模型,ABC-BP模型的平均绝对误差、均方根误差均减小且样本回归值提升,在预测精度和预测稳定性方面具有一定的优越性。
【总页数】12页(P484-495)【作者】郭勇;郭小霖;简永洲;张箭;丰土根;陈子昂【作者单位】上海华铁工程咨询有限公司;河海大学岩土力学与堤坝工程教育部重点实验室;中交二公局第四工程有限公司【正文语种】中文【中图分类】U45【相关文献】1.武汉市地铁6号线一期工程钟家村站～琴台站盾构隧道工程盾构法复合地层条件下穿京广铁路桥工段施工参数研究与应用2.基于人工神经网络的大直径盾构隧道施工地层变形预测分析3.基于神经网络的盾构隧道平行下穿既有地铁隧道沉降预测4.复杂环境软土地层盾构隧道推进实时动态仿真及变形预测研究——以苏州地铁S1号线盾构区间为例5.基于ABC-BP神经网络的地铁盾构地表沉降预测因版权原因，仅展示原文概要，查看原文内容请购买。
基于高斯过程优化与FLAC3D数值计算的岩体力学参数反分析方法
基于高斯过程优化与FLAC3D数值计算的岩体力学参数反分析方法龚杨凯; 卢翠芳; 黄杰; 苏国韶【期刊名称】《《广西大学学报（自然科学版）》》【年(卷),期】2019(044)004【总页数】6页(P1038-1043)【关键词】岩体力学参数; 地下工程; 反分析; 高斯过程优化【作者】龚杨凯; 卢翠芳; 黄杰; 苏国韶【作者单位】广西大学土木建筑工程学院广西南宁530004; 工程防灾与结构安全教育部重点实验室广西南宁 530004【正文语种】中文【中图分类】TU450 引言在地下工程稳定性分析中，由于岩体介质的高度复杂性和显著的尺度效应，室内及现场的岩石力学试验往往不能够合理地获得岩体力学参数，如何合理地确定岩体力学参数一直是一个比较棘手的现实问题[1]。
利用岩体开挖过程监测到的位移或破坏区等实测信息进行反分析，进而推求定岩体参数的岩体参数分析方法是解决上述问题的有效途径。
但是，对于复杂岩体工程，反分析的目标优化函数常具有表达式未知、高度非线性、多极值等特征[2]，传统优化方法难以获取全局最优解。
近年来，学者们采用的遗传算法(GA)、粒子群算法(PSO)、人工蜂群算法(ABC)等随机全局优化算法进行反分析，取得了良好成效[3-5]。
但对于洞室群等大型岩体工程的参数反分析，为保证数值计算的精度，计算单元致密且数量庞大，导致单次数值计算的耗时较大，若采用随机全局优化算法进行反分析，常需要成千上万次地进行数值计算，因计算耗时巨大导致所谓的高计算代价问题。
将机器学习模型与随机全局优化算法相结合是解决高计算代价问题的有效途径，利用机器学习模型替代数值计算模型，并建立岩体参数与数值计算结果的非线性映射关系，可显著提高计算效率，其中，基于神经网络—遗传算法(ANN-GA)以及支持向量机—遗传算法(SVM-GA)的反分析方法应用较为广泛[1、6-11]，但这些方法尚存在着神经网络不适用于小样本、合理的网络结构与超参数难以确定、易限于局部最优解等局限性问题。
基于RBF神经网络算法的连拱隧道围岩变形预测方法研究
般 适合 于 采用 全 断面 隧道 开挖 方式 时 围岩变 形 时
程 曲线 的简 单 情 况 ， 是 当采 用 正 台阶 （ 先 拱 后 但 即
墙） 开挖方式时 ， 特别是连拱隧道的分步施工 ， 由于 其变形时程 曲线形式较复杂 ， 从上台阶到下 台阶的 过渡 存在 反弯 点 ， 用前 述 回归分 析方 法 难 以精 确 采
一
系 的围岩 时程 变形模 型 。 已有 学 者 提 出采 用 Ｂ Ｐ神 经 网络方 法 来 对 围 岩 变形 时 程 曲线 进 行 拟合 和 预 测 －］ Ｐ网络 在 处 理 复 杂 的非 线 性 函 数 逼 近 问 ４。Ｂ
题时 ， 尽管理论上是可行 的， 但其学 习效率低 、 收敛
速度 慢 、 陷于局 部极小 状 态 ， 且 网络 的泛化及 适 易 并 应 能 力 都 较 差 。径 向基 函 数 （ａｉ ａｉ ｆｎｔ ｎ ｒｄａ ｂｓ ｕｃｏ ， ｌ ｓ ｉ Ｒ Ｆ 神经 网络是 Ｍ ｏｙ和 Ｄ ｒｅ 据人 脑 的局 部 Ｂ ） ｏｄ ａｋｎ根 调节 和交 叠感 受 这一特 点提 出的一种 前馈 式神 经 网 络 』 。该 网络 既有生 物 背 景 又符 合 逼 近 理 论 ， 中 当 心点 集选 择适 当 时 ， 少 的神 经 元 就 可 获得 较 好 的 很
一
的途径 。利用神经网络模型强大 的 自学习、 自适
应 及 非 线性 映射 能力 ， 自动 构建 具 有 强 非 线 性 关 可
［ 收稿 日期］ ２ ０ ０ ５—１ ２ 修 回 日期 ０— ０； ２０ ０ ５—１ ２—３ １
个典 型 的 Ｒ Ｆ神经 网络包 括两层 ， Ｂ 即隐层
（ 或径 向基 层 ） 输 出 层 。 图 １是 径 向基 函 数 网络 和
TSP技术在隧道超前地质预报中的应用
TSP技术在隧道超前地质预报中的应用樊一平【期刊名称】《《水科学与工程技术》》【年(卷),期】2019(000)005【总页数】3页(P75-77)【关键词】TSP; 超前地质预报; 隧洞; 地质分析【作者】樊一平【作者单位】新疆水利水电勘测设计研究院乌鲁木齐 830000【正文语种】中文【中图分类】TV141+.1物探法有操作简便、准确性高、探测距离较远等优点，在隧道超前地质预报检测方法中占有非常高的使用比例，是超前地质预报的一个最重要手段，因此得到了广泛的推广应用［1-2］。
目前隧道超前地质预报中最先进的物探法，为隧道地震反射波法即Tunnel Seismic Prediction（TSP）。
在隧道施工期间，利用TPS技术对隧道掌子面前方的地质条件进行及时有效的预测，是提前准备预防措施、避免灾害发生或在一定程度上减小因地质灾害造成的损失并保证隧道安全施工的需要，同时也是当今生态环境保护对隧道工程建设提出的重要研究课题［3］。
1 隧道地震波反射法（TSP）检测原理炮孔布置在掌子面后方一定范围内，因此在检测前要在掌子面后方开挖一段隧道。
地震波由少量炸药卷发生爆炸时发出，且以球形形式在隧道岩体中传播，当地震波遇到阻抗较差的含水层、断裂带、软基层等介质层，一部分地震波会被反射回来，而另一部分地震波会沿着岩体介质继续传播，随着传播距离越来越远，能量越来越小，直到接收器接收不到信号为止。
地震波的反射波信号用三分量地震波检测仪接收，这种检测仪灵敏度较高，可以探测到距离较远的岩体介质，通过检测地震反射波的波速、时间及波形和能量的强弱，可判断检测段隧道岩体的地质组成条件。
如图1。
图1 地震波反射法的预报原理地震波由特定爆破点通过人工爆破发射，在隧道一侧每隔1.5～2.0m的距离布置激发孔（一般小于24），并在离最后一个发射孔20m远的墙体两侧墙位置分别布置一个地震反射波接收器，发射孔和接收器基本上保持在同一水平高度。
岩土工程中的机器学习技术研究
岩土工程中的机器学习技术研究岩土工程是土木工程中非常重要的分支学科，主要涉及地表和地下的岩土结构工程问题，这些问题包括地基工程、隧道工程、岩土爆炸、岩土力学、地震工程等等。
随着计算机技术的发展，机器学习技术在岩土工程中得到了广泛应用。
本文将探讨机器学习技术在岩土工程中的应用。
一、岩土工程中的机器学习技术1、机器学习的概念机器学习是一种人工智能技术，它通过处理数据并从中学习，利用学习到的知识进行模式识别和预测。
机器学习可以基于监督学习、非监督学习和半监督学习等方法进行训练。
2、岩土工程中的应用机器学习技术在岩土工程中的应用非常广泛，如以下几个领域：(1) 岩石分类和岩土力学参数的预测。
岩土力学参数是设计和分析岩土工程的关键参数。
研究者利用机器学习技术可以在进行岩土工程前实现快速、准确的岩石分类以及岩土力学参数的预测。
(2) 地震预测和地震响应分析。
地震是影响岩土工程最为重要的自然灾害之一，其灾害后果往往不容小觑。
机器学习技术可以用于地震预测和地震响应分析，对于工程建设和应对地震等灾害有着重要的作用。
(3) 岩土施工中的质量控制。
施工质量是岩土工程中非常关键的一个方面，而机器学习技术可以对施工过程进行实时监控和质量控制，从而提高施工质量。
(4) 隧道和地铁建设中的风险评估。
隧道和地铁建设是岩土工程中比较复杂的工程之一，机器学习可以对施工过程进行风险评估，帮助施工方减少人员和财物损失。
二、机器学习在岩土工程中的优势机器学习技术在岩土工程中有着明显的优势，如下：1、复杂数据的处理。
机器学习技术可以处理大量非线性、多维数据，并从中提取出对岩土工程有用的信息。
2、提高预测的准确性。
传统的方法往往需要基于经验和试错来进行预测，而机器学习技术可以使用更多的数据和算法，从而提高预测的准确性和可靠性。
3、清晰的决策过程。
机器学习技术在预测和决策过程中，清晰地呈现出数据处理和分析的过程，更加直观和易于理解。
4、自动化的过程。
基于RBF神经网络隧道围岩变形预测研究
四川建筑 第卷6期 基于RBF 神经网络隧道围岩变形预测研究李培楠,刘 俊,张宏海(西南交通大学土木工程学院,四川成都610031) 【摘 要】 采用RB F 人工神经网络,建立非线性人工神经网络模型,根据隧道监控量测位移监测资料,对隧道开挖过程中周边位移进行预测,研究结果表明:采用RB F 神经网络进行隧道位移预测,其预测精度高、可靠性好,研究成果为隧道掘进过程中的施工控制和预测预报提供一种有效方法。
【关键词】 位移预测; RBF 神经网络; 拱顶下沉;【中图分类号】 U45512 【文献标识码】 A [收稿日期]2008-12-16[作者简介]李培楠,男,在读研究生。
在公路隧道新奥法施工过程中,位移监测对于设计和施工起着极其重要的作用,对正确把握围岩变形规律和确定二次衬砌施作的合理时机具有重要的现实意义[1]。
根据实测数据建立合理的围岩变形时程曲线的数学表达形式是正确预测围岩变形的关键。
为此,本文采用RB F 神经网络理论对隧洞位移进行了模拟预测,并依据神经网络的预测结果确定围岩最终位移量。
1 RBF 神经网络原理与步骤111 基本原理[2]～[4]RBF 径向基函数网络是由输入层、隐含层和输出层构成的三层前向网络(以单个输出神经元为例),隐含层采用径向基函数作为激励函数,该径向基函数一般为高斯函数,如图1所示。
隐含层每个神经元与输入层相连的权值向量W1i 和输入矢量X q(表示第q 个输入向量),之间距离乘上阀值b1i作为本身的输入,如图2所示。
由此可得隐含层的第i 个神经元的输入为:k q i =∑j(w1ji-x j q )2×b1i(1)输出为: r qi =exp (∑j(w 1ji-x j q)2×b1i )=exp 〔-(‖w1i -X q ‖×b1i )2〕(2)R B F 网络的训练过程分为两步:图 RB F 神经网络结构图2 RB F 网络隐含层神经元的输入与输出第二步确定训练隐含层与输出层间的权值w2。
大同至西安铁路客运专线6月开始铺轨
图 ５ 不 同 断 面 实 测 位 移 与 计 算 位 移 随 Nhomakorabea间变化曲线
（ 责任 审编 李付军）
大 同至 西 安 铁 路 客 运 专 线 ６月 开始 铺 轨
大同至西安铁路客运专线北 起山西大 同， 经朔州 、 忻州、 太原 、 晋 中、 临汾 、 运城 、 渭南等 两省九市 ， 至陕西 西安 ， 全长 ８ ５ ９ ｋ ｍ， 工 程投 资预估算总额 ９ ６ ３ ． ３ 亿元人 民 币， 设 计行车速度 ２ ５ ０ ｋ ｍ ／ ｈ 。 该工 程于 ２ ０ １ ０年 ３月 １ ０ 日正 式 开 工 建 设 ， 计划 于 ２ ０ １ ４年 年 底 全 线 通 车 。铁 路 通 车 后 ， 山 西 大 同市 的云 冈石 窟 、 忻 州 市 的五 台
２ ０ １ ３年 第 ８期
段隆臣等 ： 考 虑 节 理 的 六 盘 山 隧 道 围岩 稳 定 性 研 究
６ １
５ 结 论
吕 ｇ
搀
本 文用 ３ Ｄ Ｅ Ｃ软件 模 拟计算 六 盘 山隧道 开 挖 后 围 岩 的变形 特 征 ， 计算结果表明， 在 洞 室 开挖 后 ， 应 力 场 发 生调整 ， 围岩 向洞 室 内收敛 ， 发 生一 定 的变 形 ， 其 中
时间／ ｄ （ ａ ） Ｄ Ｉ Ｋ ９ ４ ＋ ５ ４ ０ 断 面
洞顶 位移 较 大 ， 洞 壁两 侧位 移相 对较 小 ， 在无 支护 条件 下， 围岩 基本 处于 稳定 状态 ， 节 理接触 面某 些部 位存 在 岩石 塌落 的危 险 ， 在 开 挖 过程 中应 注 意 及 时 支 护 。在 拱顶 和 底 板 以 张 拉 性 破 坏 为 主 ， 拱 腰 和 拱 脚 以 剪 切
［ ５ ］ 刘开云 ， 方昱 ， 刘保 国 ， 等． 隧道 围 岩 变 形 预 测 的 进 化 高 斯 过 程 回归 模 型 ［ Ｊ ］ ． 铁道学报 ， ２ ０ １ １ ， ３ ３ （ １ ２ ） ： １ ０ １ １ ０ ６ ．
流变模型在隧道监控数据处理中的应用
山 西 建 ቤተ መጻሕፍቲ ባይዱ筑
Ｓ ＨＡＮＸＩ ＡＲＣＨⅡＥ ＣＴＵＲＥ
Ｖｏ ． ８ Ｎｏ ２１ １３ ．
Ｊ１ ２ １ ｕ． ０ ２
・ｌ ９ ・ ８
文章编号 ：０ ９ ６ ２ （ ０ ２ ２ — １９ ０ １０ —８ ５ ２ １ ） １０ ８ － ２
式 （） ５ 即为 以开尔文模 型表示的隧道 围岩 变形量 预测 函数 或
若 以式 （ ） 隧道 围岩 变形量进行预测 ， ５对 由于只有两个 参数 ， 程对 隧道 围岩 变 形 数 据 进 行 拟 合 ， Ｗｅ ｕ 函 数Ｉ Ｍ Ｆ函 如 ｉｌ ｂｌ 、 Ｍ 可在 开尔文模 型 的基础上 再串联 数 等 ， 并且取得 了非 常好 的效果 。但是 通过分 析可 以发 现 ， 用 则 拟合 精度可能会稍差 。此时 ， 个 开尔文模型 ， 形成广义开尔文模 型 ， 图 ２所示 。 如 这些 函数对隧道 围岩变形情况进 行 回归分 析 ， 往只是 纯数学 上 往
图 ２ 广 义 开 尔 文 模 型 示 意 图
根据叠加原理 ， 可得广义开 尔文模 型的变形量表达式 为 ：
＝
善 ｅ 一ｔ 专卜 （ 】 ｃ 【 ） ［ 唧 一 ６ 一（ 】 ＋ ）
（） ７
令 口 ＝Ｏ Ｅ ，Ｉ １７ ，２＝ Ｅ ，ｌ ２ｒ ， 行 变量 代 ｌ ｒ ｌｂ ＝Ｅ ／１ 口 ２ ｂ ＝Ｅ ／ｌ 进 ／ ｌ ２
一
的曲线 拟合 ， 各模 型参 数不 具有 物理 意义 。基 于此 ， 文 采用 流 本
变模 型 来 对 隧 道 围岩 变 形 情 况进 行 预 测 和 分 析 。
昌
１ 预测 模 型的提 出
公路隧道围岩稳定性三维动态模拟分析
拟 。结 合工 程 实例 进行 计 算分析 ， 可 能发 生 围岩 大 变形 的部位 进行 了预 测 ， 到 了与 实际情 况基 本一 对 得
致 的结 论 。
关 键词 ： 式有 限差 分 大变形 预 测 数值模 拟 显
中图分类 号 ：４１ ． 文 献标 识码 ： Ｕ ５ ２ Ａ
公路 隧道 工程 是一 个复 杂与 多方 面 因素相关 的系
＝
２ ｅ ∞ ， ＋ ｕ
（） ４
斯定 理可 求得 单元 的应 变 率 ， 而 根 据 材 料 的本 构 方 进
程可 求得 单元 新 的应 力 。 根据 高斯 定理 ， 对于 函数 Ｆ有 ：
广 广 Ｆ
式 （ ） ， 为应 力分 量 ； 为应变 分量 ； 为拉 梅 常 ４中 ｅ 、 数； ０为体 积应变 ， ： 即 ０＝ｅ ＝ｅ． ２ ＋ｅ 的取值 ．＋ｅ２ ”；
为
Ｉ
ＪＢ
ｄ ｓ＝ Ｉ
ＪＶ
ｄ Ｖ
（） １
’
｛
因此 ， 元 的平均 应力 增量 可表 达为 单 （ ａ ）＝ Ａ （Ｏ Ａ ）＋ ｖＥ ｆ ／ｌ ｌ 同时 ， 以应 力表 示应 变 ， 其本 构关 系为 若 则 （ Ａｅ）＝ （ ）Ｅ（ ａ ）＋ ｕＥ ｆ １＋ Ｉ Ａ ／ｌ ｌ （） ５
（ ＝ ｆ Ｆ ） ｉ ３ ｄ ｖ
式 （ ） ） 示求平 均 值 。对 于一 个具 有 Ⅳ 条边 的多 ２ 中（ 表 边形 ， （） 式 ２ 可写成 对 Ⅳ条 边求 和 的形式 ：
＼ ： ∑ ‘ （ ／ Ｖ ｆ ＼ 一 △ ａ 一 Ⅵ ５
均值。
（ 、 ３ ）
式 （ ） ， 是 函数 求 解 域 （ 单 元 ） １中 或 的体 积 ； Ｂ是 的 边界 ； ｎ 是 的单位 外法 线矢 量 。
【国家自然科学基金】_位移反分析_基金支持热词逐年推荐_【万方软件创新助手】_20140731
科研热词 推荐指数 位移反分析 6 反分析 4 遗传算法 2 水工结构 2 地下工程 2 非线性有限元 1 隧道工程 1 遗传-神经网络 1 退火演化算法 1 软岩流变 1 自适应神经模糊推理系统 1 自适应 1 粒子群算法 1 神经网络 1 直接搜索法 1 监测位移修正 1 混沌优化 1 混合算法 1 混合模型 1 混凝土面板堆石坝 1 水利工程 1 正交设计 1 材料参数 1 有限差分法 1 有限元 1 智能 1 支持向量回归 1 拱坝 1 开挖模拟 1 岩石边坡 1 小湾拱坝 1 导流隧洞 1 大型地下洞室 1 增量位移 1 坝基综合变形模量 1 围岩监测 1 围岩扰动 1 变尺度法 1 参数辨识 1 加权增量模式 1 信息化设计 1 位移预报 1 人工神经网络 1 云岭隧道 1 三维粘弹塑性模型 1 msc.marc 1
2011年 科研热词 位移反分析 反分析 有限元 参数反演 bp神经网络 鱼群算法 高斯过程机器学习 高富水砂层 高地应力 面积等效 非线性本构模型 隧道施工 隧道工程 隧道围岩 隧道 降水动态优化 附加应力 连续刚构桥 软弱围岩 软岩巷道 识别 蠕变试验 蠕变 自平衡试桩法 糯扎渡水电站 粒子群优化 等效转换 目标函数 监控量测 混合罚函数法 混合粒子群算法 深基坑 流固耦合 泥水盾构 河流下切 横观各向同性 桩基 有限元模拟 有效预应力 最小二乘支持向量机 最大似然法 无锡地铁基坑 拉西瓦水电站 惟一性 开挖损伤效应 差异进化算法 岩石力学 岩土工程 岩体力学 岩体 大跨度 基坑支护结构 推荐指数 6 4 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
科技进步奖公示材料
利用GPS、GSM/GPRS、GIS等无线通讯技术和物联网技术，建立富水区隧道多元信息自动化采集系统和“监测云”，云数据处理结果通过无线发射器发送到现场和其他特定地方，实现快速预报。建立了全位移自动监测方法和防爆破振动破坏监测保护装置，实现多通道信息融合、超前预报和洞内无线传输功能。监测技术达到国际先进。
通过复杂环境隧道施工智能反馈分析及优化技术的应用，显著减少和防止了隧道施工灾害，提高了信息化施工水平，同时培养了一批优秀的隧道施工专业技术人才，推进了行业的技术进步，在隧道动态信息化施工领域实现了人才储备，取得良好的社会效益。
曾获科技奖励情况
2015年度中国铁建大桥工程局集团科技进步一等奖
2015年全国第二十一届全国发明展览会“发明创业奖项目奖”银奖
2）方法创新
运用高斯模型、极限学习机、差异进化等计算智能算法和多场耦合分析理论，建立了不良地质富水区隧道的围岩动态分类极限学习机方法，基于差异进化和多场耦合的隧道反分析方法和基于多元信息和三维可视化的隧道反馈分析技术，解决了隧道地质体不确定性、非线性等问题。计算模型和结果采用三维可视化表达。建立多元信息联合反分析技术，提高例如力学参数和渗流参数反演精度。
2013
王军祥
王军祥
姜谙男
是
6
基于DE-SVM三维隧道智能反馈分析研究/地下空间与工程学报/姜谙男,姜帅
2013,(4):765-770
2013
姜谙男
姜谙男
姜帅
是
7
完全隐式返回映射算法对岩土地基问题的求解/工程力学/王军祥,姜谙男
2013，V8 : 83-89
2013
王军祥
王军祥
姜谙男
是
8
桥基隧道明挖施工多元信息集成智能方法与应用/岩土力学/姜谙男，沙权贤
Flac3D简介
FLAC3DFLAC3D（Fast Lagrangian Analysis of Continua快速拉格朗日分析）由美国Itasca 公司开发的。
目前，FLAC有二维和三维计算程序两个版本，二维计算程序V3.0以前的为DOS 版本，V2.5版本仅仅能够使用计算机的基本内存（64K），所以，程序求解的最大结点数仅限于2000个以内。
1995年，FLAC2D已升级为V3.3的版本，其程序能够使用护展内存。
因此，大大发护展了计算规模。
FLAC3D是一个三维有限差分程序，目前已发展到V2。
1版本。
FLAC3D是美国Itasca Consulting Group Inc开发的三维显式有限差分法程序，它可以模拟岩土或其它材料的三维力学行为。
FLAC软件的基本原理是拉格朗日差分法（源于流体力学，主要研究流体质点在任一时段内的运动轨迹、速度、压力等特征，将其移植到固体力学中，把所研究的区域划分成网格，其结点相当于流体质点，然后按时步来用拉格朗日法来研究网格结点的运动），它是一种利用拖带坐标系分析大变形问题的数值方法，并利用差分格式按时步积分求解。
随着构形的不断变化，不断更新坐标，允许介质有较大的变形。
模型经过网格剖分，物理网格映射成数学网格，数学网格上的某个结点就与物理网格上相应的结点坐标相对应。
对于某一个结点而言，在每一时刻它受到来自其周围区域的合力的影响。
如果合力不等于零，结点具有了失稳力(Unbalanced Force) ，就要产生运动。
假定结点上集中有连接该结点的质量，于是在失稳力作用下，根据牛顿定律，结点就要产生加速度，进而可以在一个时步中求得速度和位移的增量。
对于每一个区域而言，可以根据其周围结点的运动速度求得它的应变率，然后根据材料的本构关系求得应力的增量。
由应力增量求出t和t+Δt时刻各个结点的不平衡力和各个节点在t+Δt时的加速度。
对加速度进行积分，即可得出结点的新的位移值，由此可求得各结点新的坐标值。
隧道围岩大变形高斯过程回归预测模型及其工程应用
隧道围岩大变形高斯过程回归预测模型及其工程应用张云鹏;李利平;贺鹏;秦承帅【期刊名称】《科学技术与工程》【年(卷),期】2018(018)001【摘要】To solve the problem in the large deformation of surrounding rock of highly nonlinear time sequence problem,the Gaussian process regression(GPR)theory is introduced,which can handle small samples and highly nonlinear problems.Two tunnels are selected as typical samples: Japan Nagasaki Ureshino Tunnel and Sichuan Wangdeng Tunnel,for the long-term monitoring data from the training sample,using GPR method to build the tun-nel surrounding rock large deformation forecast model.Main conclusions:①compared with the traditional forecas-ting models such as ANN,SVM,GM(1,1),GPR prediction model can be more accurate to predict tunnel vault subsidence value and the net convergence value;②on a large rock mass deformation inflection point of nonlinear phase,its forecast trend more accord with the engineering practice,can be more reasonable for large deformation of surrounding rock of the early stage of implementation, and then as soon as possible to realize the construction of early warning and support scheme comparison optimization;③GPR algorithm is verified by engineering examples, can be efficient and accurate to predict the deformation of surrounding rock of the tunnel,can provide reference for similar projects.%为解决围岩大变形中出现的高度非线性时序问题,引入可处理小样本、高度非线性问题的高斯过程回归(GPR)理论.以日本长崎嬉野隧道及四川地区的王登隧道两个典型大变形隧道工程为例,以长期监控量测所得数据为训练样本,运用GPR方法进行构建隧道围岩大变形预测模型.得出主要结论:①相较于ANN、SVM、GM(1,1)等常规预测模型,GPR预测模型可更为精确地对隧道拱顶沉降值与净空收敛值进行预测;②对岩体出现大变形拐点的非线性阶段,其预测趋势更符合工程实际,可更为合理的对围岩大变形初期阶段实现预测,进而及早地实现对施工预警以及支护方案的比选优化;③GPR算法经工程案例验证,能高效精准地对隧道围岩变形进行预测,可为类似工程提供借鉴.【总页数】6页(P122-127)【作者】张云鹏;李利平;贺鹏;秦承帅【作者单位】山东大学岩土与结构工程研究中心,济南250061;山东大学岩土与结构工程研究中心,济南250061;山东大学岩土与结构工程研究中心,济南250061;山东大学岩土与结构工程研究中心,济南250061【正文语种】中文【中图分类】U456.3【相关文献】1.隧道围岩变形预报的高斯过程机器学习模型 [J], 苏国韶;张研;燕柳斌2.隧道围岩变形预测的进化高斯过程回归模型 [J], 刘开云;方昱;刘保国;徐冲3.基于高斯过程机器学习方法的隧道围岩分类模型 [J], 张研;苏国韶;燕柳斌4.隧道围岩挤入型流变大变形预测及其工程应用研究 [J], 孙钧;潘晓明;王勇5.云南大保路四角田隧道围岩变形监控量测及控制措施 [J], 晏群;辜利江;赵其华;王海兰因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ｔ ）～ Ｇ （ ｔ ， （ ， ） 。 Ｐ ｍ（ ） ｋ ｔｔ ） （） １
收稿 日期 ：２ ０ ０ ９—１ —１ １ ３
基金项 目：国家 自然科 学基金 项 目 （００ ０７ ；中 国博 士后 科学 基金 特别 资助项 目 （２０ ０４８２ ０９２５ ） ５ ８９１ ） ０８４０ １ ；２００３４ 作者简 介 ：苏国韶 （９ ３ ） １７ 一 ，男 ，博 士 ，副教 授 ，研 究方 向 ：智 能方 法及 其土木 水利 工程 应用 ，ｓｇｏｈｏ １３ ｅｍ。 ｕｕｓａ＠ ６ ．ｏ 引文格 式 ：苏 国韶 ，张研 ，燕柳 斌 ．隧道 围岩 变形预 报 的高斯 过 程 机器 学 习模 型 ［ ］ 桂林 理 工 大学 学 报 ，２ １ ，３ （ ） Ｊ． ００ ０ ４
中 图分 类号 ：Ｕ ５ ． ；Ｕ ５ ４ １２ ４ ６ 文 献标 志码 ：Ａ
隧 道 围岩 变 形 随 时 间变 化 的 过 程是 一 种 高 度 Ｇ Ｐ具 有容 易实 现 、概率 意义 的预测 输 出 、参 数 自
复 杂的非 线 性 变 化 过 程 ，围岩 变 形 的 准确 预 报 对 适 应 化等 突 出优点 。 隧道 工程 安全 具 有 重 要 意 义 。 多 年 来 ，学 者 们 采 本 文在 Ｇ Ｐ回归模 型 的基 础上 ，将 Ｇ Ｐ应 用 于 用力 学 分 析 、数 值 模 型 、 回归分 析 、灰 色 理 论 等 隧道 围岩 变 形 预 报 ，提 出 了 围岩 变 形 时 间序 列 预
过程模 型 。工程 实例 应用研 究表 明 ，围岩变 形预 报的 高斯过 程机 器 学 习模 型是 可行 的 ，无需 建 立复 杂
的岩体 力学模 型 ，根据 历史实 测资料 就能 够对 隧道 围岩变形 做 出合 理预 报 ，与基 于 静态 知识 库 的高 斯
过程模 型相 比较 ，基于 动态知识 库 的高斯 过程模 型 的预报精 度更 高 。 关键词 ：围岩 变形 ；高斯 过程 ；机器 学习 ；预报
文章 编号 ：１７ ６ ４—９ ５ （ ０ ０ ４— ５ １— ５ ０ ７ ２ １ ）０ ０ ５ ０
隧道 围岩 变 形 预 报 的高 斯 过 程机 器 学 习模 型
苏 国韶 ，张 研 ，燕柳 斌
５００ ） ３０４ （ 广西 大学 ａ 土 木建 筑工 程学 院 ；ｂ ． ．工程 防灾与 结构 安全 教育部 重点 实验 室 ，南 宁
摘
要 ：针对 隧道 围岩 变形过 程是一 个高 度复 杂 的非 线性 时 间序列 的 问题 ，以隧道 围岩 变形 历 史资 料
作为知 识源 ，通过 构建 围岩变 形时 间序列 ，采用 高斯 过程模 型建 立 隧道 围岩 当前 变 形与 历史 变 形 的非
线性映 射关 系 ，在此 基础 上分别 提 出了基 于静态 知识 库与基 于动 态 知识 库 的隧洞 围岩变 形 预报 的高 斯
高斯 过 程 （ ａ ｓｉ ｒｃｓ ，Ｇ Ｇ ｕｓ ｎ ｐｏｅｓ Ｐ） 是 近 年 来 表 示 如下 ： ａ 发展 起来 的 一种 新 的 机 器 学 习 方 法 ，它 有 着 严 格 的统 计 学 习 理 论 基 础 ，对 处 理 高 维 数 、小 样 本 、 假设 有 ／ 观察 数据 的训 练集 Ｄ ＝ ｛ ， ７ ， 个 （ Ｙ ）Ｉ 非 线性 等复 杂 的 问 题 具 有 很 好 的适 应 性 ］ 。与 ｉ＝ １ … ， ｝ 是 ｄ维输 入矢 量 ， ， ｎ， 观察 目标 值 Ｙ ∈ 神经 网 络 （ Ｎ Ａ Ｎ） 和 支 持 向量 机 （ Ｖ Ｓ Ｍ） 相 比 ， Ｒ。 如果 表 示 ｄ×ｎ 输入 矩 阵 ， 维 Ｙ表示输 出矢 量 ，
１ Ｇ Ｐ回归模 型 的基本 原 理
在 机器 学 习领域 中 ，Ｇ Ｐ是指 在 高 斯 随机 过 程
用 于 围岩 的变 形 时 间序 列 预测 ，取 得 了不 少 有 价 与 贝 叶斯 学 习 理 论 基 础 上 发 展 起 来 的一 种 机 器 学
值 的研究 成 果
，然 而 这 些 方 法 还 存 在 着 一 些 习方 法 。在统 计学 理 论 中 ，Ｇ Ｐ是 这 样 的一 个 随机
瓶 颈 问题 ，如 神 经 网络 对 于小 样 本 问题 推 广 能 力 过程 ：其 任意 有 限变量 集 合 的分 布 都 是高 斯 分 布 ，
有 一定 的局 限性 ，最 优 网络 结 构 不 易 确 定 ；支 持 即对 任意 整数 ≥ １ 任 意 的一组 随机 变 量 ， 及 与
向量 机对 核 函数 、核 函数 的参 数 和损 失 函数 难 以 其对应 的 ｔ 时刻 的过程状态－ ）的联合概率分布 厂 （
众多 方法 对 此 问题 进 行 了大 量 研 究 ，取 得 了一 定 报 的 Ｇ Ｐ模 型 ，为实 现隧道 围岩变形 的合理 预 报提
成效 ｕ 。但 由于 问 题 的 高 度 复 杂 性 ，现 有 的理 论 供 一 条新 的途径 。 和方 法还 难 以完 全 满 足 复 杂 条 件 下 工 程 实 践 的要 求 。近 年 来 ，一 些 学 者 另 辟 蹊 径 ，将 神 经 网 络 （ Ｎ 、支 持 向量 机 （ Ｖ Ａ Ｎ） Ｓ Ｍ） 等 机 器学 习方 法 应
第３ ０卷 第 ４期
２１ ０ ０年 １ １月
桂 林 理 工
大 学 学 报
Ｖ０． ０ ． １３ Ｎｏ ４ ＮＯ ． ２ Ｏ Ｖ ０１
Ｊ ｕ ｎ ｌｏ ｕ ｌ ｉｅ ｓ ｙ ｏ ｅ ｈ ｏｏ ｙ ｏ ｒ ａ ｆＧ ｉ ｎ Ｕｎ ｖ ｒｉ ｆ ｃ ｎ ｌ ｇ ｉ ｔ Ｔ