基于遺傳神經網絡的巖土參數優化反分析

侯林波

(南寧市財政局工程項目專項管理科，南寧 530022)

基于遺傳神經網絡的巖土參數優化反分析

侯林波

(南寧市財政局工程項目專項管理科，南寧 530022)

由于地下工程巖土力學參數的復雜性，在實際工程設計和施工中，要想得到比較準確的巖土力學參數是比較困難的，而巖土參數對地下工程的設計和施工的成敗具有很重要的意義。本文利用遺傳神經網絡優化算法結合數值模擬試驗對地下工程巖土力學參數進行優化反分析，并取得了良好的效果。

地下工程；巖土力學參數；遺傳神經網絡

在地下工程中，由于巖土結構的復雜性，巖土力學參數與巖土位移之間的關系很難用顯式數學表達式來描述，所以采用神經網絡建立起巖體力學參數與巖體位移之間的映射關系之后，對于任一組給定的巖體力學參數，可以通過網絡的推廣預測能力求出其相應的位移值，然后應用遺傳算法結合神經網絡對巖體力學參數進行搜索尋優。

1 基于遺傳神經網絡(GA-ANN)巖土力學參數優化反分析原理[1]

基于GA-ANN巖土參數反分析步驟如下：

(l)確定目標函數。本文采用的目標函數為：

(1.1)

(2)通過正交試驗設計方法[2]設計試驗方案，利用數值計算軟件輸出參數取相應輸入參數的計算值；

(3)進行神經網絡學習，同時采用遺傳算法優化神經網絡結構，搜索最佳的神經網絡結構，建立反分析參數與目標函數之間的非線性映射；

(4)采用均勻設計法構造神經網絡測試樣本，測試神經網絡預測能力；

(5)對遺傳神經網絡模型進行初始化設置，確定待反分析的巖體力學參數的取值范圍；

(6)在待反分析參數的取值范圍內，隨機地產生一組規模為N的初始網絡結構群體，每個網絡結構個體是一條用二進制代碼表示的染色體；

(7)將群體中每個個體的取值輸入己經訓練好的神經網絡模型，預測其位移值，計算位移值的預測誤差(適應度)；

(8)如果適應度滿足精度要求，則認為找到了最優解，停止計算，輸出參數值和預測位移值。如果適應度不滿足要求，則進行參數取值的遺傳進化操作，對每一參數取值的染色體進行復制、交叉、變異等遺傳操作，產生新一子代可能的參數取值群體；

(9)重復進行步驟(7)、(8)，直至找到了最合理的參數值。

基于GA-ANN的參數反分析流程如圖1。

圖1 GA-ANN優化反分析流程圖

2 工程應用

2.1 工程概況

南京緯三路過江通道工程北岸工作井設計里程為SUK3+527.999～SUK3+553.000，基坑平面尺寸約為40m×40m，開挖深約8m。

(1)工程地質情況：

經現場鉆探揭露，結合室內土工試驗成果分析，場地內地基巖土體可分為：

①雜填土：層厚2.90～6.00m，灰色，松散。主要成分為粘性土，含碎石，生活垃圾等雜物。部分鉆孔內含淤泥質土，呈塑-軟塑狀態，本層分布普遍。

②粉質粘土：層厚1.50～4.00m，黃褐色，灰褐色。可塑-硬塑狀態。

③粉土：層厚0.80～7.00m，黃色、灰黃色，飽和、稍密狀態。具微層理，夾少量粉細砂。

④細砂：層厚9.10～13.20m，黃色、灰黃色，飽和、中密狀態。砂以粉細砂為主，含少量絹云母片。

(2)支護方案：

本工作井基坑四周為建筑物、重要道路，而且距離較近，無放坡條件，需采用剛度大、變形小的支護結構以保證基坑順利開挖，根據場地地質條件、基坑周邊環境情況以及技術條件，選擇排樁支護，樁徑1000mm，樁身長20m，采用C25混凝土，支護結構如圖2。

圖2 基坑支護結構及土層示意圖

本文利用有限差分軟件FLAC3D對該基坑工程進行開挖施工模擬，利用正交試驗設計和均勻實驗設計對力學參數和支護參數進行試驗，然后利用遺傳神經網絡優化算法對土體力學參數進行優化反分析，以達到對基坑設計施工的指導。

2.2 計算模型

由于工作井基坑開挖尺寸為40m×40m，因此數值計算模型寬度以基坑中心線為基準向后延伸75m，同時由于地表下20m 處為基巖且基巖與臨近土層的剛度差異較大，所以以基巖為模型的底邊界，選定模型高度為以地表水平線為基準向下延伸20m，共劃分了70 400個單元。為了確保樁單元和網格相互作用和模擬的精確性，劃分樁為20個單元。屈服準則選用能比較真實反映土體性質的摩爾-庫侖準則。計算模型沿x和z軸方向邊界條件為單向約束，模型底部為三向約束。基坑個測點布置圖和計算模型如圖3和圖4。當基坑開挖完成后，各測點的實測位移值如表1。

表1 基坑開挖完成后測點實測最終位移值

圖3 測點布置圖

圖4 計算模型

根據該基坑工程的地質勘查報告，由于影響基坑變形的力學參數有很多，但最主要力學參數是個土層的彈性模量E和泊松比μ，而像其它因素如粘聚力C、內摩擦角φ等它們主要對基坑的強度有主要影響。彈性模量E是體現物體抵抗變形的能力的指標，泊松比μ在材料力學里的定義是橫向變形與縱向變形的比值，因此這兩個變量對基坑變形起主導作用。而且在實際地質勘查中，經過多次勘測，像粘聚力C、內摩擦角φ這樣的參數基本都能具有很好的代表性，因此在實際分析中，特別是在參數優化反分析中把它們當做固定值確定下來。

由于影響基坑變形的主要是土體的變形模量E和泊松比μ，且第二、第三層土的力學參數非常接近，因此在分析時將二、三層土合并為一層，在基坑開挖范圍內，根據地質條件其取值范圍為：第一層雜填土彈性模量E1=5～10Mpa，泊松比μ1=0.3～0.4；第二、第三層土彈性模量E2～3=25～35Mpa，泊松比μ2～3=0.25～0.35；本為采用正交試驗設計構造學習樣本，均勻實驗設計構造檢驗樣本，反分析參數共4個，即試驗因素為4個，每個因素取3個水平，參數水平表如表2。

采用正交試驗表L9(34)進行試驗，這樣共有9組正交試驗，然后利用FLAC3D軟件計算基坑各測點的位移之和，計算結果如表3。

表2 各參數水平劃分

2.3 基于GA-ANN的基坑巖土參數優化反分析

通過上面對基坑巖土參數正交試驗的敏感性的分析可知，對基坑變形其主要作用的參數是E1、E2～3、μ2～3、μ1，因此利用位移優化反分析法對基坑巖土參數進行優化分析時，所選擇的巖土參數也就確定為E1、E2～3、μ2～3、μ1，也就是優化反分析數學模型的設計變量。基于GA-ANN的基坑巖土參數優化反分析步驟如下：

(1)確定優化分析目標函數，由于基坑巖土參數優化反分析的評價指標是基坑的位移變形，那么目標函數可以按照(1.1)式確定；

(2)每個設計變量的取值范圍可以根據實際的勘測的大致范圍進行確定，在優化反分析數學模型中這個實際的勘測范圍也就是約束條件；

(3)利用前面敏感性分析的9組正交試驗樣本作為學習訓練樣本，4組均勻試驗樣本作為檢測樣本，通過遺傳算法對神經網絡結構進行優化所得到的神經網絡結構模型為2個隱含層，每個隱含層的節點數分別為29和16。

為了檢驗神經網絡模型的學習訓練效果，采用均勻實驗設計所得的試驗計算方案結果作為ANN模型的檢測樣本。采用均勻設計表U9(34)安排參數，從9組試驗數據中任意選擇4組試驗數據作為檢測數據樣本，輸入ANN模型后的預測結果與計算結果間的誤差見表4。

表3 正交試驗樣本數值計算結果

表4 ANN模型預測值和均勻試驗設計樣本計算值間的誤差

從表4中的檢驗誤差可以看出，ANN模型的預測值和均勻試驗樣本計算值間的相對誤差都小于5%，這說明神經網絡的學習過程達到了不錯的效果，預測精確度達到了95%以上。

(4)建立優化反分析數學模型。模型的形式為：

min f(X)

s.t h(X)

式中：min——取最小值；

s.t ——表示滿足的約束條件；X——設計變量矩陣；

h(X)——為設計變量的取值范圍；

(5)根據所建立的數學模型，利用遺傳優化算法對要優化反分析的巖土參數E1、μ1、E2～3、μ2～3。根據施工中的實測位移值進行優化分析，利用遺傳算法進行優化搜索，并將數學模型表達式作為遺傳優化算法的適應值函數，以此來作為優化的標準。

通過以上分析，在進行基坑巖土參數優化反分析的時候，設定遺傳算法的初始化參數選定為：種群N=60，變異概率Pm=0.3，交叉概率Pc=0.2，迭代步數選擇200步，將各測點最終的實測位移值輸入遺傳優化神經網絡模型中，通過對適應度值的比較，得到優化反分析后的基坑巖土力學參數見表5。

表5 GA-ANN優化反分析得到的巖土力學參數

將反分析得到的參數采用FLAC3D進行位移計算，將計算得到的各測點的位移值與實測位移進行比較，比較結果如見表6。

表6 FLAC3D計算位移與測點實測位移比較

從表中可以看出，利用反演巖土力學參數得到的計算位移與實際測位移相對誤差最大為1.54%，最小為0.74%，精度在95%以上。這說明基于遺傳神經網路(GA-ANN)方法反演巖土力學參數是可行的，能在實際應用中達到很好的精度。

3 結論

本章主要介紹了地下工程巖土參數優化反分析理論，并結合實際工程，利用正交試驗設計方法對基坑巖土力學參數進行了數值模擬計算分析，以及利用遺傳神經網絡優化算法對基坑巖土參數進行了優化反分析，并且取得了良好的效果，因此可以在地下工程的實際設計和施工過程中進行運用推廣。

[1]李守巨.基于計算智能的巖土力學模型參數反演方法及工程應用.[博士論文],大連：大連理工大學,2004.

[2]劉文卿.試驗設計[M].北京:清華大學出版社,2005,2

[3]張蕊,宋傳中,馬還援.基坑開挖與支護FLAC數值模擬計算及分析.安徽地質,2007.17(1):54-58.

Artificial Neural Network with Genetic Algorithm (GA-ANN) to Optimize and Feedback-analyze Mechanical Parameters of the Underground Works

Hou Linbo

(NanningMunicipalFinanceBureauSpecialProjectManagementDivision,Nanning530022,China)

Due to the complexity of geotechnical parameters of the underground works, it is difficult to obtain accurate geotechnical parameters in actual design and construction, which is important to the success of design and construction of underground works. In this article, it achieves good results using Artificial Neural Network with Genetic Algorithm (GA-ANN) to optimize and feedback-analyze mechanical parameters of the underground works .

Underground Works; Mechanical Parameters; Artificial Neural Network with Genetic Algorithm (GA-ANN)

侯林波(1982-)，男，工程師。主要研究方向：橋梁隧道及地下工程方向。

TU42:TP183

A

1674-7461(2015)01-0095-04