基于BP神經網絡下的隧道涌水量預測

張麗娜

（山西路杰公路工程技術咨詢有限公司，山西 太原 030006）

0 引言

隨著我國交通基礎設施建設的推進，大量的隧道頻繁地出現在公路、鐵路等工程建設中，而隧道在施工中經常會出現涌水的問題，隧道涌水不僅會延誤工程的施工進度造成巨大的財產損失，甚至還可能引發隧道塌方災害，造成人員傷亡，施工機械損害，對整個社會造成不利的影響。為了保障隧道施工的安全性，加強對隧道涌水量預測的研究是十分必要的。國內外許多學者對隧道涌水量的預測做了大量的研究，并得到了相應的科研成果。Barton（1985）[1]研究了在多場耦合作用下的隧道涌水問題，得出了在隧道涌水過程中圍巖應力和位移的變化規律；Heuer（1995）[2]通過試驗研究了鉆孔水壓力隨隧道開挖的變化情況，運用半經驗的方法預測了隧道的涌水量。近年來，我國學者致力于隧道涌水量預測方面的研究，并取得了較為顯著的成果。許彥卿（1995）[3]在考慮多場耦合的情況下，提出了地下水的等效連續介質模型和裂隙網格介質模型；黃濤、楊立（1999）[4]分析了多場耦合作用下圍巖裂隙度對隧道涌水量的影響規律，并建立了確定的數學模型對某一隧道的涌水量進行了預測；王媛（2000）[5]在應力場和滲流場耦合作用下對巖溶隧道的涌水預測進行了研究；徐則民（2004）[6]提出了不同充水水源條件下深埋巖溶隧道涌水量的計算公式，并給出了相關近似解。

1 工程背景

富家山隧道位于汾西縣富家山村，設計為左右線分離式。左線洞體全長880 m，進口段里程樁號為ZK35+138，洞口底板設計高程為964.673 m，出口段里程樁號為ZK36+018，洞口底板設計高程為988.236 m，洞體最大埋深 120.002 m，位于ZK35+782。右線洞體全長896 m，進口段里程樁號為K35+130，洞口底板設計高程為963.715 m，出口段里程樁號為K36+026，洞口底板設計高程為988.295 m，洞體最大埋深 131.298 m，位于K35+782；隧道總體走向呈東西向為66°～83°。

隧址區地層巖性結構較為單一，主要為奧陶系中統峰峰組（O2f）、上馬家溝組（O2s）豹皮灰巖、白云質泥灰巖及純灰巖組成；圍巖巖體完整性在洞口段較破碎，圍巖級別較差，S6背斜軸部受構造影響巖性相對較破碎，施工時極易造成小規模塌方和涌水通道。其他路段工程地質構造較為單一，不存在斷層，工程地質條件較好。

隧址區地下水類型主要有松散層孔隙水及奧陶系巖溶裂隙水。上層滯水富水性極差，且與隧道無水力聯系，可不考慮其對隧道的影響。根據區域資料，奧灰水水位標高660 m左右，而兩隧道最低設計標高為977.42 m，水位遠低于隧道設計標高，故巖溶水不會對該兩隧道產生影響。

2 基于BP神經網絡的隧道涌水量預測研究

1986年Rumelhart通過研究神經網絡并行分布的處理方法，提出了BP(Error Back Propagation)網絡學習算法，實現了在多層感知器中進行訓練的假想。典型的三層BP網絡結構如圖1所示。

圖1 三層BP神經網絡結構

BP網的結構由輸入層、隱含層和輸出層組成，層與層之間的神經元通過全連接的形式傳遞信息，而每層各神經元之間沒有相互連接。當神經網絡從樣本數據中獲取訓練信息后，通過輸入層的神經元將訓練信息激活，經過傳遞函數的處理將信息傳遞到隱含層神經元，再經過傳遞函數的變換，將最終得到的響應結果傳遞到輸出層。輸出層將訓練得出的結果與期望輸出相比較，按照誤差遞減的原則將信息反饋到各層當中，使得各層根據誤差信息的反饋不斷地調整和修正神經元之間的連接權值和閾值，直到誤差滿足精度要求時訓練結束。

2.1 涌水量影響因素的選擇

在實際的涌水量預測過程中，要結合隧道施工現場的情況，合理地選擇影響因素，使得所選的因素全面地反映其對隧道涌水量的影響，而且相互之間不具有明顯的相關性。本文根據富家山隧道的工程地質條件選取隧道圍巖裂隙發育情況、圍巖破碎帶的導水能力、隧道上覆基巖破碎帶與隧道頂板的距離、上覆土層孔隙水壓力、隧道埋深作為隧道涌水量的影響因素。

2.2 BP神經網絡對隧道涌水量的預測

根據《富家山隧道水文地質勘察報告》以及施工現場的實測資料，分別選取隧道左洞右洞進口處一段距離的數據作為涌水量預測的樣本。其中各影響因素的取值見表1和表2，前10組為訓練樣本，后2組數據為測試樣本。

采用matlab神經網絡工具箱進行訓練，采用默認權值、閾值，隱層節點數取8個，隱含層傳遞函數為tansig，輸出層傳遞函數為purelin，最大訓練次數為10 000次，誤差目標0.001，學習效率0.01。由于初始權值和閾值的初始值隨機賦予，必然會造成每次訓練收斂速度不一致，從而導致預測結果存在一定的誤差。為減小這種誤差，本文采取多次預測取平均值的方法。圖2為四次訓練分別得到的誤差曲線變化圖。

表1 富家山隧道左洞進口BP神經網絡訓練樣本

圖2 四次訓練結果的誤差收斂曲線圖

從誤差曲線圖可以看出，網絡模型的收斂效果都很好。表3～表6為四次訓練測試樣本的涌水量預測結果和預測值與實際值的誤差。

表3 富家山隧道左洞進口涌水量BP神經網絡預測結果

表4 富家山隧道左洞進口預測值與實際值誤差

表5 富家山隧道右洞進口涌水量BP神經網絡預測結果

表6 富家山隧道右洞進口預測值與實際值誤差

從表3～表6可以看出，采用不同的初始參數會導致預測結果存在一定的誤差，而多次預測取平均值的辦法能夠有效減少這種預測偏差，使得結果變得更為可靠。雖然涌水量預測值與實際值存在一定的誤差，但基本穩定在10%以內，這表明文中所建立的BP神經網絡模型成功解決了各影響因素之間復雜的相互關系問題，使得預測結果和實測結果相差相對較小，預測結果具有一定的可靠性。

3 結論

a）結合富家山隧道施工現場的數據，對影響隧道涌水量的因素進行了分析，發現對隧道涌水量有顯著影響的因素包括：隧道圍巖裂隙發育情況、斷層破碎帶的導水能力、隧道上覆基巖破碎帶與隧道頂板的距離、上覆土層孔隙水壓力以及隧道埋深。

b）通過BP神經網絡對隧道涌水量進行預測，得出了BP神經網絡預測模型，該模型收斂情況良好，預測值與實際值存在一定的誤差但相對較小，預測結果具有一定可靠性，對隧道的涌水量預測方法提供了參考依據。