1.一种剪切作用下全长黏结锚杆破坏模式判识方法，其特征在于，包括步骤如下：Q1、基于UDEC软件建立岩石结构面剪切数值模型，并在数值模型中央植入一根全长黏结锚杆；

Q2、通过UDEC软件自带的FISH编程语言，将锚杆发生纯剪破坏、拉剪破坏和拉弯破坏的判定流程嵌入数值计算主程序；

Q3、选取剪切作用下影响锚杆破坏模式的特征参数，所述特征参数包括：锚杆直径D、锚杆轴向屈服强度fy、极限抗拉强度fu、锚杆倾角α、岩石单轴抗压强度和砂浆单轴抗压强度中的较小值σc和结构面剪胀角θ；

Q4、选取三组典型的加锚结构面剪切试验，将其有关的所述特征参数代入数值模型中，根据剪切力‑剪切位移曲线，对锚杆单元中的法向耦合弹簧和切向耦合弹簧参数进行标定，并确保数值试验中锚杆的破坏模式与实验中锚杆的破坏模式一致；

Q5、根据工程中常见的地质环境及常用的锚杆规格，对第i个所述特征参数选取合适的范围和li个水平；所述特征参数具体为：和

Q6、根据步骤Q5中划分的各所述特征参数的范围及水平，通过正交试验设计出n组数值试验；

Q7、在步骤Q3、Q4的基础上，对步骤Q6中设计的n组数值试验一一进行求解，记录每一组数值试验下的锚杆破坏模式，建立包含n个样例的数据集E，数据集E中的每个样例的形式为Ei＝(xi,FMi)，其中xi＝(Di,fyi,fui,αi,σci,θi)；i＝1,2,3...,n，FM代表了锚杆发生的破坏模式；

Q8、采用随机森林分类算法对数据集E进行学习，将步骤Q7中数据集E中每个样例的xi作为输入变量，FMi作为输出变量，建立随机森林分类模型；

Q9、采用粒子群算法对步骤Q8建立的所述随机森林分类模型中的超参数进行智能寻优，所述超参数包括决策树的数量G、随机森林的最大深度d以及采用随机属性原则时在单个树中尝试的最大特征数k，建立优化后的锚杆破坏模式判识模型；

Q10、对于一根特定地质环境中的全长黏结锚杆，当结构面两侧岩体发生相对滑动或有相对滑动的趋势时，锚杆受到强烈的剪切作用，此时确定特征参数[D,fy,fu,α,σc,θ]，将其带入步骤Q9中建立的所述锚杆破坏模式判识模型，得到的破坏模式即为算法判识的剪切作用下锚杆发生的破坏模式。

2.根据权利要求1所述的一种剪切作用下全长黏结锚杆破坏模式判识方法，其特征在于，步骤Q1中采用Rockbolt单元来模拟全长黏结锚杆。

3.根据权利要求2所述的一种剪切作用下全长黏结锚杆破坏模式判识方法，其特征在于，步骤Q2中所述将纯剪破坏、拉剪破坏和拉弯破坏的判定流程嵌入数值计算主程序的流程如下：a)进行主程序运算，运行至stepi时，通过FISH内置函数找到Rockbolt单元第一个节点的地址，提取节点中储存的轴力、剪力和弯矩；

b)用下式(1)判断锚杆是否进入屈服状态：

式中：σe为锚杆屈服强度，M0和N0为锚杆的弯矩和轴力，W为弯曲截面系数， A为锚杆截面积；

c)若屈服状态判定式(1)不满足，则认为锚杆没有屈服，继续用Tresca破坏准则(2)来判定锚杆是否发生纯剪破坏：式中：Q0为锚杆一点的剪力，Nu为锚杆的轴向极限强度对应的轴向极限力；

如果上式(2)满足，则认为锚杆发生纯剪破坏，输出第一字符串，将锚杆的屈服值和屈服应变设置为一个缺省值，程序会判定锚杆发生破坏，计算程序终止；若上式(2)不满足，则认为锚杆仍处于弹性状态，对下一个节点地址重复迭代，直到整根锚杆的节点遍历完成，令i＝i+1，进行下一步主程序运算；

d)若屈服状态判定式(1)满足，则认为锚杆在该点发生屈服，锚杆进入塑性状态；在主程序中将此时的弯矩M0赋值给锚杆的塑性矩，塑性铰形成，弯矩到达塑性矩后不再增加，而轴力随着结构面剪切位移的增加会进一步增长，此时需要对锚杆进入塑性状态后的破坏模式进行判定；

e)若一点的轴力和剪力满足Mises破坏准则(3)，认为在该点发生拉剪破坏：若上式(3)满足，则输出第二字符串,同样将锚杆的屈服值和屈服应变设置为缺省值，计算程序终止；

f)若上式(3)不满足，则继续进行判定：若一点的轴力和弯矩满足以下关系式(4)，则认为发生拉弯破坏，输出第三字符串，同样将锚杆的屈服值和屈服应变设置为缺省值，计算程序终止：g)若以上拉剪破坏和拉弯破坏的判定式(3)、(4)均不满足，说明锚杆虽然进入了塑性状态，但仍然没有到破坏极限，此时需要继续进行节点遍历，若遍历后仍不满足，则令i＝i+

1，进行下一步主程序运算，直到任意一种破坏模式判定成功，主程序终止运算。

4.根据权利要求1所述的一种剪切作用下全长黏结锚杆破坏模式判识方法，其特征在于，步骤Q8中采用的所述随机森林分类算法以C4.5决策树为基学习器，根据C4.5决策树基本理论，当前样本集合R中第k类样本占比例为pk(k＝1,2,...,|y|)时，采用信息熵来度量样本集合的纯度：假设离散属性a有V个可能的取值，用最大的信息增益率来进行决策树的划分属性选择：其中：

v

式中：Rv为第v个分支节点包含的R中所有在属性a上取值为a的样本。

5.根据权利要求1所述的一种剪切作用下全长黏结锚杆破坏模式判识方法，其特征在于，步骤Q8中所述采用随机森林分类算法对数据集E进行学习，包括根据随机森林分类理论，基于bagging法对包含n个训练样本的数据集E随机采样，得到G个含有m个训练样本的采样集，分别用于每棵决策树的训练。

6.根据权利要求1所述的一种剪切作用下全长黏结锚杆破坏模式判识方法，其特征在于，步骤Q8中所述随机森林分类算法采用投票法对每一个决策树的分类结果投票，预测结果为得票最多的破坏模式，用公式表示为：式中： 表示在第i个基学习器上在类别标记j上的输出。

7.根据权利要求1所述的一种剪切作用下全长黏结锚杆破坏模式判识方法，其特征在于，步骤Q9中所述采用粒子群算法对步骤Q8建立的所述随机森林分类模型中的超参数进行智能寻优包括以下步骤：a)初始化粒子、种群速度，设定最大迭代次数Imax＝300、粒子种群数量为25，定义最小错误率为Wmin；

b)根据粒子数与种群速度，确定相应的参数组合(G,d,k)，并代入所述随机森林分类模型得到预测结果；

c)采用10折交叉验证方法，每一折交叉验证过程中采用错误率W来构建适应度函数，计算个体的适应度值：式中：K为样例集，f代表了学习器，f(xi)为所述随机森林分类模型预测结果，yi为实际结果；

d)更新粒子速度和粒子位置，进行下一次迭代，重复步骤b和步骤c；

e)当达到设置的最大迭代次数时，结束迭代，输出最小错误率Wmin对应的参数组合(Gi,di,ki)，代入所述随机森林分类模型当中，生成优化后的判识模型。