基于BP神經(jīng)網(wǎng)絡(luò)的偏壓隧道拱頂沉降預(yù)測

楊 洪 武

(中鐵一局集團(tuán)城市軌道交通工程有限公司，陜西 西安 710054)

基于BP神經(jīng)網(wǎng)絡(luò)的偏壓隧道拱頂沉降預(yù)測

楊 洪 武

(中鐵一局集團(tuán)城市軌道交通工程有限公司，陜西 西安 710054)

采用BP神經(jīng)網(wǎng)絡(luò)，以香山隧道拱頂沉降監(jiān)測數(shù)據(jù)為樣本進(jìn)行訓(xùn)練，得到了相應(yīng)的學(xué)習(xí)曲線，并采用所建立的神經(jīng)網(wǎng)絡(luò)預(yù)測模型，對隧道拱頂沉降進(jìn)行了預(yù)測，結(jié)果表明：建立的BP神經(jīng)網(wǎng)絡(luò)模型能夠很好的描述既有訓(xùn)練樣本曲線變化特征，且預(yù)測精度與既有監(jiān)測數(shù)據(jù)相關(guān)，亦與預(yù)測長度有關(guān)，預(yù)測長度較長時(shí)預(yù)測結(jié)果可信度降低。

BP神經(jīng)網(wǎng)絡(luò)，偏壓隧道，沉降預(yù)測

0 引言

偏壓軟巖隧道施工過程中所出現(xiàn)的圍巖大變形現(xiàn)象，會侵徹隧道凈空，造成隧道初期支護(hù)的破壞失穩(wěn)，威脅隧道安全施工。作為新奧法隧道施工的主要特征之一，監(jiān)控量測已廣泛應(yīng)用于隧道開挖過程之中。然而，現(xiàn)場監(jiān)控?cái)?shù)據(jù)只是對隧道施工過程中已經(jīng)發(fā)生的變形或應(yīng)力的簡單表達(dá)，不具預(yù)測功能。因此，采用相應(yīng)的數(shù)學(xué)方法對既有監(jiān)測數(shù)據(jù)進(jìn)行分析，以有效判斷其未來發(fā)展趨勢，為隧道后續(xù)施工的工藝優(yōu)化提供借鑒，已成為隧道施工安全的重要保障措施之一。

作為諸多數(shù)學(xué)手段的一種，BP神經(jīng)網(wǎng)絡(luò)在隧道施工過程變形預(yù)測中應(yīng)用較為廣泛。侯喜冬等[1]采用BP神經(jīng)網(wǎng)絡(luò)預(yù)測了廣州地鐵3號線隧道地表沉降。朱珍德等[2]綜合應(yīng)用粒子群算法和BP神經(jīng)網(wǎng)絡(luò)，反演了惠山隧道圍巖位移。黃志波等[3]將BP算法引入小波神經(jīng)網(wǎng)絡(luò)，預(yù)測了隧道變形。亦有學(xué)者將BP神經(jīng)網(wǎng)絡(luò)用于隧道監(jiān)控量測數(shù)據(jù)的處理[4]，在此不再一一累述。

采用BP神經(jīng)網(wǎng)絡(luò)，以香山隧道左幅洞口段ZK85+200斷面拱頂沉降監(jiān)測數(shù)據(jù)為數(shù)據(jù)樣本進(jìn)行訓(xùn)練，建立相應(yīng)的神經(jīng)網(wǎng)絡(luò)預(yù)測模型，以期對該斷面拱頂沉降進(jìn)行預(yù)測，保障隧道施工安全，為支護(hù)方案優(yōu)化提供借鑒。

1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)模型[5]拓?fù)浣Y(jié)構(gòu)包括輸入層(input layer)、隱含層(hidden layer)和輸出層(output layer)，其隱含層可以為1層或多層。一個(gè)包含2層隱含層的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

BP神經(jīng)網(wǎng)絡(luò)算法步驟如下：

1)網(wǎng)絡(luò)初始化，賦一個(gè)在區(qū)間(-1,1)內(nèi)的隨機(jī)數(shù)作為連接權(quán)值，定義計(jì)算的誤差函數(shù)e，給定計(jì)算精度值ε和最大訓(xùn)練次數(shù)M。

2)隨機(jī)選取第k個(gè)輸入樣本及對應(yīng)期望輸出。

x(k)=(x1(k),x2(k),…,xn(k))

(1)

do(k)=(d1(k),d2(k),…,dq(k))

(2)

3)計(jì)算隱含層各神經(jīng)元的輸入和輸出。

(3)

hOh(k)=f(hih(k))

(4)

(5)

yOo(k)=f(yio(k))

(6)

其中，wih為輸入層與中間層之間的權(quán)值；who為隱含層與輸出層的權(quán)值；bh為隱含層各神經(jīng)元的閾值；bo為輸出層各神經(jīng)元的閾值。

4)計(jì)算網(wǎng)絡(luò)期望輸出和實(shí)際輸出，并用誤差函數(shù)各輸出層的神經(jīng)元的偏導(dǎo)數(shù)δo(k)。

(7)

(8)

(9)

5)利用隱含層映射到輸出層的連接權(quán)值、輸出層的δo(k)和隱含層的輸出計(jì)算誤差函數(shù)對隱含層各神經(jīng)元的偏導(dǎo)數(shù)δh(k)。

(10)

6)利用輸出層各神經(jīng)元的δo(k)和隱含層各神經(jīng)元的輸出來修正連接權(quán)值who(k)。

(11)

(12)

7)利用各神經(jīng)元隱含層的δh(k)和輸入層各神經(jīng)元的輸入修正連接權(quán)。

(13)

(14)

8)計(jì)算全局誤差，判斷網(wǎng)絡(luò)誤差是否滿足要求。

(15)

2 工程實(shí)例

2.1 工程概況

香山隧道位于湖北省襄陽市保康縣，為湖北麻竹高速公路的一座小凈距偏壓短隧道。香山隧道左幅全長431 m，最大埋深約54 m；右幅全長388 m，最大埋深約47.1 m。隧址區(qū)屬構(gòu)造剝蝕低中山區(qū)，地形起伏較大，植被較發(fā)育。

隧道左幅洞口ZK85+191～ZK85+291段，長100 m，圍巖級別為Ⅴ級。圍巖為強(qiáng)～中風(fēng)化頁巖，屬極軟巖～軟巖類，巖體破碎～極破碎，香山隧道圍巖如圖2所示。圖3為香山隧道左幅洞口，顯而易見，香山隧道左幅洞口為大偏壓隧道。隧道開挖施工中隧道洞口段容易發(fā)生掌子面失穩(wěn)、拱頂巖石塌落等災(zāi)害。

2.2 隧道拱頂沉降神經(jīng)網(wǎng)絡(luò)模擬

以香山隧道左幅洞口ZK85+200斷面為例，隨測量天數(shù)的增加，我們分別選取30 d，33 d和35 d的實(shí)測數(shù)據(jù)，來預(yù)測36 d～40 d的沉降趨勢，并對比分析不同訓(xùn)練樣本時(shí)所得到的預(yù)測結(jié)果。

隧道拱頂沉降監(jiān)測數(shù)據(jù)如表1所示。

表1 曾家坡隧道左幅ZK85+200拱頂沉降監(jiān)測數(shù)據(jù)

圖4為采用BP神經(jīng)網(wǎng)絡(luò)得到的香山隧道左幅洞口段ZK85+200斷面拱頂沉降數(shù)據(jù)，圖中n為不同訓(xùn)練樣本個(gè)數(shù)。由圖4可知，訓(xùn)練樣本個(gè)數(shù)分別為30，33和35時(shí)，采用BP神經(jīng)網(wǎng)絡(luò)所得到的擬合曲線與實(shí)測數(shù)據(jù)具有很好的一致性，即BP神經(jīng)網(wǎng)絡(luò)能夠較好的反映實(shí)測數(shù)據(jù)的非線性變化。31 d～35 d時(shí)間段，n=30與n=33所得預(yù)測結(jié)果比較接近。

訓(xùn)練樣本個(gè)數(shù)分別為30，33和35時(shí)所得到的31 d～35 d時(shí)間段內(nèi)ZK85+200斷面拱頂沉降預(yù)測結(jié)果如圖4中右側(cè)陰影所示。由圖可知，測量天數(shù)愈多，其所預(yù)測的結(jié)果越接近于實(shí)測值。亦即，采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行施工過程隧道沉降預(yù)測，預(yù)測精度與既有監(jiān)測數(shù)據(jù)相關(guān)，亦與其預(yù)測長度相關(guān)；預(yù)測長度較長時(shí)預(yù)測結(jié)果可信度降低。

3 結(jié)語

采用BP神經(jīng)網(wǎng)絡(luò)，以麻竹高速香山隧道左幅洞口段ZK85+200斷面拱頂沉降監(jiān)測數(shù)據(jù)為數(shù)據(jù)樣本建立隧道沉降預(yù)測模型。對比分析了不同訓(xùn)練樣本個(gè)數(shù)時(shí)所得到的隧道拱頂沉降預(yù)測結(jié)果，研究結(jié)果表明：

建立的BP神經(jīng)網(wǎng)絡(luò)模型能夠很好的描述既有訓(xùn)練樣本曲線變化特征。采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行施工過程隧道沉降預(yù)測，預(yù)測精度與既有監(jiān)測數(shù)據(jù)相關(guān)，亦與其預(yù)測長度有關(guān)；預(yù)測長度較長時(shí)預(yù)測結(jié)果可信度降低。

隧道施工過程中監(jiān)控量測數(shù)據(jù)的數(shù)量與精度是進(jìn)行隧道拱頂沉降準(zhǔn)確預(yù)測的重要保障。BP神經(jīng)網(wǎng)絡(luò)預(yù)測方法的有效、合理應(yīng)用，可為支護(hù)時(shí)機(jī)優(yōu)化和隧道安全施工提供參考。

[1] 侯喜冬.盾構(gòu)施工引起地表沉降的BP神經(jīng)網(wǎng)絡(luò)預(yù)測[J].隧道建設(shè),2007,27(3):17-20.

[2] 朱珍德,楊喜慶,郝振群,等.基于粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的隧道圍巖位移反演分析[J].水利與建筑工程學(xué)報(bào),2010,8(4):16-20.

[3] 黃志波,林從謀,黃金山,等.BP小波神經(jīng)網(wǎng)絡(luò)在大斷面隧道變形預(yù)測中的應(yīng)用[J].華僑大學(xué)學(xué)報(bào)(自然科學(xué)版),2011,32(6):680-683.

[4] 謝仁紅,鄒朋高,文輝輝.BP神經(jīng)網(wǎng)絡(luò)在隧道監(jiān)控量測數(shù)據(jù)處理中的應(yīng)用[J].水力發(fā)電,2013,39(9):20-22.

[5] 張良均,曹 晶,蔣世忠.神經(jīng)網(wǎng)絡(luò)實(shí)用教程[M].北京:機(jī)械工業(yè)出版社,2008.

Vault settlement prediction of the bias tunnel based on BP neural network

Yang Hongwu

(UrbanRailTransitEngineeringCo.,LtdofChinaRailwayFirstGroupCo.,Ltd,Xi’an710054,China)

Based on the monitoring vault settlement data of Xiangshan tunnel,BP neural network is adopt to obtain the learning principal curve. With the prediction model of BP neural network established in this paper,it carries out tunnel vault settlement prediction. The result indicates that,the BP neural network model established here could well describe characteristic of the training sample curve. Prediction accuracy are related to both the monitoring data and the forecasting length,and credibility of the predicted results would be reduced with increasement of the forecasting length.

BP neural network,bias tunnel,settlement prediction

2015-10-19

楊洪武(1987- )，男，助理工程師

1009-6825(2015)36-0189-02

U456.3 < class="emphasis_bold">文獻(xiàn)標(biāo)識碼：A

A