小凈距2擴4隧道變形規律的BP小波神經預測

林大煒，林從謀，黃逸群，黃清祥，孟希

（華僑大學 巖土工程研究所，福建 泉州362021）

隧道變形規律的研究一直是隧道工程的重點課題，通過對隧道變形規律的研究可以更好地對施工過程進行指導.目前，已有一些學者對不同隧道的變形規律進行了分析.陳建勛等［1］測試了單洞兩車道分離式黃土隧道施工變形，并對監測數據進行回歸分析；張端良等［2］探討了軟弱圍巖隧道的變形規律；段寶福等［3］結合現場施工監測采用有限元模擬分析，總結了炭質頁巖小凈距隧道左右洞在施工差別時的圍巖變形規律；趙東平等［4］對大斷面黃土隧道變形規律進行了研究；何宗文［5］對大跨度砂質粘土隧道施工變形規律的研究 .然而，有關通過監測數據對小凈距2擴4隧道的變形規律進行研究的報道比較少見.近年來，國內外很多學者對小波神經網絡進行了大量的研究，得到了不少小波神經網絡預測得到的研究成果.李長洪等［6］采用小波神經網絡對露天礦邊坡變形進行預測；王博等［7］運用小波神經網絡對基坑變形預測的研究；林景棟等［8］基于小波神經網絡對鋁電解槽狀態進行預測；王宇譜等［9］將小波神經網絡應用于日長預報，但未見運用BP小波神經網絡對特大斷面超小凈距2擴4隧道進行變形預測.本文采用BP小波神經網絡模型對特大斷面超小凈距2擴4隧道進行變形預測.

1 圍巖變形規律分析

福建省泉廈高速擴建工程大帽山隧道的擴挖右線與新建左線兩洞軸線為29.61 m，中夾巖凈寬為8.83 m（0.4B），屬于特小凈距隧道，如圖1所示.隧道在Ⅴ級圍巖中開挖跨度達22 m，扁平率為0.626，最大開挖總面積約250 m2，同時又是軟弱圍巖中的大斷面扁平隧道.該隧道斷面大、跨度大、扁平率大，國內基本沒有可類比的工程，設計及施工經驗極少，所以采用現場監控量測的數據對其變形位移進行分析，通過研究圍巖的變形規律，來確保圍巖的穩定性.

大帽山隧道擴挖采用中隔壁（CD）法施工，開挖先后步序依次為A，B，C，D導坑，如圖2所示.文中以典型斷面ZK460＋055的監控量測數據作為研究對象，監測點的布置情況依據隧道的開挖步序來確定.即A導坑開挖后布設了1，2，3三個測點，等到C導坑開挖后才布設了4，5這兩個測點.

圖1 大帽山隧道洞室位置關系圖（單位：cm）Fig.1 Relation of cavern position of Damaoshan tunnels（unit：cm）

圖2 隧道導坑編號及測點布置Fig.2 Pilot tunnel numbering plan and arrangement of monitoring points

圖3為斷面ZK460＋055的周邊收斂數據，其中數據正值表示外擴，負值表示收斂.從圖3可知：由于地質條件的復雜性和施工方法等原因，從整體趨勢分析，周邊位移在施工過程中出現了擴張和收斂趨勢的交替.周邊位移1→3曲線在前期的變化不會很大且位移是收斂的，說明A 導坑的開挖對周邊變形影響不會很明顯.隨著第3工序的進行，C導坑開挖后，開始布設測點5并監測周邊位移1→5和3→5，可以發現3條曲線數據在監測第13 d左右開始迅速增大且趨勢是向著正值發展，表明3個監測點在迅速擴張；到了第20 d左右，3條周邊位移又迅速地收斂，直到第25 d左右，3條曲線變化的趨勢才變的比較平緩；之后，周邊位移1→5繼續緩慢地收斂，但1→3和3→5位移開始緩慢地外擴；到了第52 d后，3條曲線的變化趨勢都已經變得平緩且基本上在一個范圍內波動，表明此時圍巖的周邊變形位移已經穩定了.

圖4為ZK460＋055的拱頂沉降位移數據圖.從圖4可知：拱頂位移1的前期階段變化很小，說明A導坑的開挖對拱頂位移的影響比較小；隨著C導坑開挖之后布設了測點4，拱頂位移1和4在第11 d左右開始迅速的下沉，到了第20 d左右才趨于比較平緩；隨著擴挖的進行，拱頂位移1和4在第50 d后開始趨于平緩并且在一個范圍內波動，說明此時圍巖的拱頂變形已經穩定了.通過對周邊位移和拱頂沉降的變化趨勢分析，表明小凈距擴挖隧道在CD法施工時可以確保圍巖的穩定性.

圖3 周邊變形位移數據圖Fig.3 Peripheral deformation displacement

圖4 拱頂沉降位移數據圖Fig.4 Vault settlement of tunnel

2 BP小波神經網絡預測模型

在圍巖變形的預測中，采用的Morlet小波函數的函數式為

此時網絡的輸出表達式為

以泉廈高速大帽山擴挖隧道為工程實例，采用典型斷面ZK460＋055的周邊位移1→3部分數據作為訓練樣本，將連續5 d的數據作為一個輸入數據，然后，以第6 d作為網絡輸出的目標數據，按照這種方式進行滾動式訓練.按照以下3個步驟來建立BP小波網絡預測模型［10-11］.

步驟1 對網絡進行初始化，確定輸入層節點個數M＝5，神經元節點個數n＝15，輸出層節點個數N＝1，動量因子μ＝0，學習率r1＝r2＝0.3，訓練誤差egoal＝0.001，對平移因子bj，伸縮因子aj，以及網絡權值ωi，j，ωj，k隨機賦予初始值.

步驟2 訓練輸入樣本，則E關于網絡參數的梯度向量計算式為

步驟3 權值修正.根據相對誤差E對網絡權值和小波函數參數進行修正，使訓練的網絡預測值逼近期望值，重復訓練，直至滿足要求算法結束.

3 應用實例

3.1 數據處理

為了驗證上述提出的BP小波神經網絡模型預測隧道圍巖變形的有效性，以該隧道的Ⅲ級圍巖典型斷面ZK460＋055周邊位移1→3部分監測數據作為訓練樣本.由于隧洞在監測的過程中容易受到一些其他因素的影響，所以對要訓練的數據進行去噪［12-13］.其中：小波函數選取Db3函數，最大尺度為3.ZK460＋055斷面周邊位移1→3監測數據的去噪結果，如圖5所示.

3.2 預測結果對比

將用Ⅲ級圍巖典型斷面ZK460＋055周邊位移1→3的部分監測數據訓練好的網絡模型，繼續以該斷面的某連續5 d的數據作為輸入組，預測第6 d的變形值；然后，將該預測數值加入預測樣本預測下一天的變形位移，實現滾動式預測.以實測數據結合預測數據，連續迭代預測5 d的變形位移值.同時，對施工及支護方法相同和地質條件相似的ZK460＋070周邊位移1→2和2→3，以及Ⅳ級圍巖斷面ZK460＋095周邊位移1→2和1→3變形數值進行預測，并和BP神經網絡預測的數值進行對比，結果如表1～3所示.表1～3中：Δm，Δp，E分別為隧道變形位移的實測值、預測值及其相對誤差.

從表1，2和3可知：BP小波網絡在預測精度方面明顯優于BP神經網絡，BP神經網絡預測的誤差波動幅度大，而BP小波神經網絡預測精度誤差基本上能夠控制在10%以內；BP小波網絡在對圍巖短期變形的預測中還是比較準確的，并通過不斷獲得新的實測數據不斷修正和替換預測數據，來進行長期的預測.此外，黃志波等［11］運用BP小波神經網絡對大斷面隧道變形進行了預測.表明該方法不僅能應用于擴挖隧道，在所有隧道中均可應用.該方法對防止隧道施工過程中險情的發生和指導布置下一階段的施工任務，都具有重要的意義.

圖5 ZK460＋055斷面周邊位移去噪曲線圖Fig.5 Peripheral displacement denoising curves of ZK460＋055 section

表1 ZK460＋055周邊位移實測值和預測值的對比Tab.1 Comparison between measured data and prediction data about peripheral displacement of ZK460＋055

表2 ZK460＋070周邊位移實測值和預測值的對比Tab.2 Comparison between measured data and prediction data about peripheral displacement of ZK460＋070

表3 ZK460＋095周邊位移實測值和預測值的對比Tab.3 Comparison between measured data and prediction data about peripheral displacement of ZK460＋095

4 結論

1）小凈距2擴4隧道具有和其他隧道不同的變形規律.研究結果表明：大帽山隧道擴挖工程A導坑開挖對周邊位移1→3曲線在前期的變化影響不會很大且位移是收斂的；C導坑開挖后到了第13 d，3個監測點開始迅速地擴張，第20 d左右三條周邊位移又迅速地收斂，直到第25 d左右變化趨勢才變的比較平緩，1→5繼續緩慢地收斂，但1→3和3→5位移開始緩慢地外擴，到了第52 d之后，3條曲線的變化趨勢都已經變的平緩且基本上在一個范圍內波動 .這表明此時圍巖的周邊變形位移已經穩定了.

2）將小波函數引入BP神經網絡建立BP小波神經網絡模型，其預測精度誤差基本上能夠控制在10%以內，跟BP神經網絡相比具有更快的收斂速率和更高的預測精度.因此，運用BP小波網絡可以較精確預測小凈距大斷面擴挖隧道的變形，對判斷圍巖穩定性具有重要意義.

［1］ 陳建勛，王夢恕，軒俊杰，等.兩車道公路黃土隧道變形規律［J］.交通運輸工程學報，2012，12（3）：9-18.

［2］ 張端良，王劍，張運良.軟弱圍巖隧道變形規律與施工安全控制技術［J］.公路工程，2011，36（2）：124-128.

［3］ 段寶福，翁現合.炭質頁巖小凈距隧道圍巖變形規律研究［J］.施工技術，2012，41（374）：87-89.

［4］ 趙東平，喻渝，王明年，等.大斷面黃土隧道變形規律及預留變形量研究［J］.現代隧道技術，2009，46（6）：64-69.

［5］ 何宗文.大跨度砂質粘土隧道施工變形規律研究［J］.現代隧道技術，2009，46（4）：12-18.

［6］ 李長洪，范麗萍，郭俊溫.小波神經網絡在露天礦邊坡變形預測中的應用［J］.中國礦業，2010，19（7）：77-79.

［7］ 王博，商岸帆，郭晨，等.小波神經網絡在基坑變形預測的研究與應用［J］.計算機工程與應用，2012，48（19）：225-229.

［8］ 林景棟，王豐，廖孝勇.基于小波神經網絡的鋁電解槽狀態預測［J］.控制工程，2012，19（2）：290-293.

［9］ 王宇譜，呂志平.小波神經網絡日長預報算法研究［J］.大地測量與地球動力學，2012，32（1）：127-131.

［10］ 張在晨，林從謀，黃志波，等.爆破振動特征參量的BP小波預測［J］.華僑大學學報：自然科學版，2013，34（1）：77-81.

［11］ 黃志波，林從謀，黃金山，等.BP小波神經網絡在大斷面隧道變形預測中的應用［J］.華僑大學學報：自然科學版，2011，32（6）：680-683.

［12］ 梁桂蘭，徐衛亞，談小龍，等.巖石高邊坡安全監測數據的小波變換去噪處理［J］.巖石力學與工程學報，2008，27（9）：1837-1844.

［13］ 呂俊白.小波系數局部特征的自適應圖像降噪算法［J］.華僑大學學報：自然科學版，2010，31（6）：636-640.