基于BP神經網絡的偏壓隧道拱頂沉降預測

楊 洪 武

(中鐵一局集團城市軌道交通工程有限公司，陜西 西安 710054)

基于BP神經網絡的偏壓隧道拱頂沉降預測

楊 洪 武

(中鐵一局集團城市軌道交通工程有限公司，陜西 西安 710054)

采用BP神經網絡，以香山隧道拱頂沉降監測數據為樣本進行訓練，得到了相應的學習曲線，并采用所建立的神經網絡預測模型，對隧道拱頂沉降進行了預測，結果表明：建立的BP神經網絡模型能夠很好的描述既有訓練樣本曲線變化特征，且預測精度與既有監測數據相關，亦與預測長度有關，預測長度較長時預測結果可信度降低。

BP神經網絡，偏壓隧道，沉降預測

0 引言

偏壓軟巖隧道施工過程中所出現的圍巖大變形現象，會侵徹隧道凈空，造成隧道初期支護的破壞失穩，威脅隧道安全施工。作為新奧法隧道施工的主要特征之一，監控量測已廣泛應用于隧道開挖過程之中。然而，現場監控數據只是對隧道施工過程中已經發生的變形或應力的簡單表達，不具預測功能。因此，采用相應的數學方法對既有監測數據進行分析，以有效判斷其未來發展趨勢，為隧道后續施工的工藝優化提供借鑒，已成為隧道施工安全的重要保障措施之一。

作為諸多數學手段的一種，BP神經網絡在隧道施工過程變形預測中應用較為廣泛。侯喜冬等[1]采用BP神經網絡預測了廣州地鐵3號線隧道地表沉降。朱珍德等[2]綜合應用粒子群算法和BP神經網絡，反演了惠山隧道圍巖位移。黃志波等[3]將BP算法引入小波神經網絡，預測了隧道變形。亦有學者將BP神經網絡用于隧道監控量測數據的處理[4]，在此不再一一累述。

采用BP神經網絡，以香山隧道左幅洞口段ZK85+200斷面拱頂沉降監測數據為數據樣本進行訓練，建立相應的神經網絡預測模型，以期對該斷面拱頂沉降進行預測，保障隧道施工安全，為支護方案優化提供借鑒。

1 BP神經網絡

BP神經網絡模型[5]拓撲結構包括輸入層(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。一個包含2層隱含層的BP神經網絡結構如圖1所示。

BP神經網絡算法步驟如下：

1)網絡初始化，賦一個在區間(-1,1)內的隨機數作為連接權值，定義計算的誤差函數e，給定計算精度值ε和最大訓練次數M。

2)隨機選取第k個輸入樣本及對應期望輸出。

x(k)=(x1(k),x2(k),…,xn(k))

(1)

do(k)=(d1(k),d2(k),…,dq(k))

(2)

3)計算隱含層各神經元的輸入和輸出。

(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值；who為隱含層與輸出層的權值；bh為隱含層各神經元的閾值；bo為輸出層各神經元的閾值。

4)計算網絡期望輸出和實際輸出，并用誤差函數各輸出層的神經元的偏導數δo(k)。

(7)

(8)

(9)

5)利用隱含層映射到輸出層的連接權值、輸出層的δo(k)和隱含層的輸出計算誤差函數對隱含層各神經元的偏導數δh(k)。

(10)

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

(11)

(12)

7)利用各神經元隱含層的δh(k)和輸入層各神經元的輸入修正連接權。

(13)

(14)

8)計算全局誤差，判斷網絡誤差是否滿足要求。

(15)

2 工程實例

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。隧址區屬構造剝蝕低中山區，地形起伏較大，植被較發育。

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～中風化頁巖，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生掌子面失穩、拱頂巖石塌落等災害。

2.2 隧道拱頂沉降神經網絡模擬

以香山隧道左幅洞口ZK85+200斷面為例，隨測量天數的增加，我們分別選取30 d，33 d和35 d的實測數據，來預測36 d～40 d的沉降趨勢，并對比分析不同訓練樣本時所得到的預測結果。

隧道拱頂沉降監測數據如表1所示。

表1 曾家坡隧道左幅ZK85+200拱頂沉降監測數據

圖4為采用BP神經網絡得到的香山隧道左幅洞口段ZK85+200斷面拱頂沉降數據，圖中n為不同訓練樣本個數。由圖4可知，訓練樣本個數分別為30，33和35時，采用BP神經網絡所得到的擬合曲線與實測數據具有很好的一致性，即BP神經網絡能夠較好的反映實測數據的非線性變化。31 d～35 d時間段，n=30與n=33所得預測結果比較接近。

訓練樣本個數分別為30，33和35時所得到的31 d～35 d時間段內ZK85+200斷面拱頂沉降預測結果如圖4中右側陰影所示。由圖可知，測量天數愈多，其所預測的結果越接近于實測值。亦即，采用BP神經網絡進行施工過程隧道沉降預測，預測精度與既有監測數據相關，亦與其預測長度相關；預測長度較長時預測結果可信度降低。

3 結語

采用BP神經網絡，以麻竹高速香山隧道左幅洞口段ZK85+200斷面拱頂沉降監測數據為數據樣本建立隧道沉降預測模型。對比分析了不同訓練樣本個數時所得到的隧道拱頂沉降預測結果，研究結果表明：

建立的BP神經網絡模型能夠很好的描述既有訓練樣本曲線變化特征。采用BP神經網絡進行施工過程隧道沉降預測，預測精度與既有監測數據相關，亦與其預測長度有關；預測長度較長時預測結果可信度降低。

隧道施工過程中監控量測數據的數量與精度是進行隧道拱頂沉降準確預測的重要保障。BP神經網絡預測方法的有效、合理應用，可為支護時機優化和隧道安全施工提供參考。

[1] 侯喜冬.盾構施工引起地表沉降的BP神經網絡預測[J].隧道建設,2007,27(3):17-20.

[2] 朱珍德,楊喜慶,郝振群,等.基于粒子群優化BP神經網絡的隧道圍巖位移反演分析[J].水利與建筑工程學報,2010,8(4):16-20.

[3] 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.

[4] 謝仁紅,鄒朋高,文輝輝.BP神經網絡在隧道監控量測數據處理中的應用[J].水力發電,2013,39(9):20-22.

[5] 張良均,曹 晶,蔣世忠.神經網絡實用教程[M].北京:機械工業出版社,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">文獻標識碼：A

A