基于BP神經網絡與變形監測成果的隧道安全狀態評估

黃惠峰，張獻州，張 拯，劉 龍，喻 巧，樂亞南

（西南交通大學 地球科學與環境工程學院，四川 成都610031）

隨著經濟的發展與社會的進步，生產安全與運營的要求越來越高。安全狀態評估是實現安全生產與運營管理現代化、科學化的重要手段。運用安全監測方法對高風險的隧道工程的運營狀態進行實時的安全評估，具有重大的現實意義。目前的安全監測手段眾多，安全評價方法不一，找到最適合實際工程的方法是本文探討的關鍵問題。

1 基于BP神經網絡模型的隧道安全狀態評估模型

隧道安全評價是根據隧道施工或者運營期間影響隧道安全的各種定量與非定量因素所表現的信息，運用各種理論或方法綜合評判隧道的實際工況，判斷隧道的安全性是否滿足現行規范、標準的要求的方法。

由于影響隧道安全的因素很多，各因素的重要性各不相同，評價者主觀因素對隧道安全狀態評估結果的影響較大，因此現有的安全狀態評估模型不能最真實地反映隧道的實際安全狀況［1］。BP神經網絡能利用其自組織、自學習、自適應、高抗干擾能力及強容錯性的優勢自動調節各個影響因素的權重，能吸收學習樣本中專家的思維及經驗，能高效率高精度地求解，得出更為合理的評價結果。

1．1 BP神經網絡

BP神經網絡是誤差反傳神經網絡的簡稱，它是一種多層前饋式誤差反傳神經網絡，由單個輸入、輸出及單個或多個隱含層構成，每層包括若干數量的無相關聯系的節點，鄰層之間的節點由權值連接。BP神經網絡的算法原理是通過訓練學習樣本與網絡實際輸出之間的誤差，修正節點之間的連接權值，使輸出與期望輸出盡可能的一致（輸出誤差平方和最小）。BP神經網絡由信號正向傳播與誤差逆向傳播兩個學習過程的反復記憶訓練，使網絡達到收斂為止。它在信息處理方式方面具有信息并行處理、極強的容錯性，具有自學習、自組織、自適應能力，其主要優點在于網絡具有極強的非線性映射能力，能解決多維非線性問題。

1．2 評價模型的構建

隧道安全狀態評估主要包括評價指標體系的建立、評價指標度量方法及安全綜合評估3個方面。

1．2．1 隧道安全狀態評估體系及評價集設計

隧道屬于高度非靜定結構物類別，影響其安全狀態的影響因子眾多，受到土木工程領域中各類復雜問題的交叉影響。［2］本文只探討變形監測領域中基于隧道變形監測成果的BP神經網絡模型在此類隨機的、模糊的工程問題中的應用。因此，本文中的隧道安全狀態評估體系構建僅考慮變形監測領域內相關的內容。

評價集是關于隧道安全狀態“優”“劣”的描述，是評價指標所屬等級的集合。將評價集分成5級，用集合V表示：

V ＝ ｛V（i），i＝1，2，3，4，5｝＝ ｛正常，基本正常，輕度異常，重度異常，惡性失常｝

其評價集的安全系數取值范圍為［0～1］，各級系數范圍下文中將探討。

1．2．2 隧道安全狀態評估指標度量方法

監測指標是一種用來衡量隧道運營是否正常與安全的數值界限，是反映隧道處于安全、病態、危險三類狀態的界限值，可以分為警戒值與危險值兩類。對監測指標的度量即主要從數值表現和趨勢表現兩個方面對單個監測點的實測成果進行分析。

本文主要研究定量指標數值表現的度量方法（見圖1）。

圖1 隧道安全狀態評估指標體系

其監測指標度量模型可以表示為

其中，n為實測效應量總數，t為自由度。

用［ymax］和［ymin］表示監測指標的限制值，可將評價集的5級狀態進行數值表現：

1 級：［ymin］≤y≤ ［ymax］，且－2S≤y≤＋2S；

2級：［ymin］≤y≤［ymax］，且－3S≤y≤－2S或者＋2S≤y≤＋3S；

3級：［ymin］≤y≤［ymax］，且y＜－3S或者y＞＋3S；

4級：y＜［ymin］或者y＞［ymax］，且y≥－3S或者y≤＋3S；

5級：y＜［ymin］或者y＞［ymax］，且y＜－3S或者y＞＋3S。

1．2．3 安全狀態評估

隧道安全狀態評估可以轉換成評價特征空間的映射問題［3］。BP神經網絡有其良好的非線性映射能力，能實現對多維空間的任意映射。一個三層（輸入層、隱含層與輸出層）的BP可以任意逼近連續函數。評價指標數與評價等級數的乘積為輸入層節點數目，評價等級數目即為輸出層節點數，隱含層節點數由神經網絡自行調整確定。對隧道的安全狀態評估，首先要根據隧道各級監測項目建立評價指標體系，然后根據評價指標體系，自下而上依次評價下層評價因子的結構性態和上層評價因子的結構性態，逐級至頂層隧道整體性態做出最終的評判。

下文將會詳細闡述安全狀態評估相關步驟及算例。

2 隧道變形監測

某山嶺直線型隧道位于新疆阿克蘇地區丘里塔格戈壁山區，此地區雅丹地貌發育，巖石風化嚴重，溝谷深切，自然條件惡劣。隧道全長1 983．0 m，設計坡度－41．4‰，軸線方向112°47′30″。隧址區在大地構造單元上，位于塔里木板塊之阿克蘇坳陷的丘里塔格構造帶。阿克蘇坳陷是南天山中段新構造運動異常強烈的地區，內部發育有四排近東西向展布的逆斷裂－背斜帶，東丘里塔格背斜屬其中的丘里塔格逆斷裂－背斜帶東段部分，其構造運動尤為強烈。隧道安全使用數年來，隧道洞身和地表均出現不同程度的開裂和沉降現象。為準確掌握此隧道的變形發展趨勢，保障整個隧道工程的安全運營，必須利用變形監測手段進行分析及災害的預測評估。

2．1 監測方案

工程測量技術需實現半自動化監測，進行周期性觀測；傳感器技術實現實時、連續、自動化監測。這種多頻次、多傳感器、多數據源、多模型的綜合監測技術，可以彌補各技術的不足，發揮各技術的優勢，實現數據相互檢核，得出最可靠的分析與評估結論。

對隧道的監測主要包括隧址區域變形監測、隧道地表沉降監測、隧道圍巖收斂監測、隧道裂縫和應力及滲水監測。隧址區域變形監測分為4個GPS靜態觀測點及2個需要實時、連續、不間斷進行觀測的GPS連續運行參考站，GPS連續運行參考站自動化監測運用GNSS Spider系統進行GPS數據的接收和解算，使用Geo MoS Monitor系統［5］進行相應的數據投影來獲取區域位移在坐標軸方向上的位移變化趨勢；隧道地表沉降監測采用精密二等水準測量的方法對隧道內每隔120 m一個監測點進行周期性的測量；隧道圍巖收斂監測采用周期性監測和實時監測手段結合的辦法，用徠卡測量機器人T M30參考高速鐵路CPIII技術自由設站邊角交會法進行隧道監測網的測量。測點間距為50 m，自由設站間距為100 m。每個斷面布設3個靶標（拱頂、兩側拱腰）。其中實時監測用Geo MoS Monitor系統可對全測量機器人進行通訊配置、數據接收等功能，使用Geo MoS Analyzer系統可對變形信息進行可視化分析；隧道裂縫、應力及滲水監測主要采用傳感器系統DATATAKER配合裂縫傳感器、應力傳感器和滲壓計在線實時監測，裂縫監測還可應用近景攝影測量的方法進行周期性監測。其中周期性監測為每季度一次，實時監測為各個系統按需設定，如圖2所示。

圖2 隧道位移監測網示意圖

整個變形監測工程分為實時監測系統和人工周期性監測，其中實時監測是由供電系統、通訊傳輸系統、在線傳感器采集系統與數據分析系統組成的物聯網模式遠程自動化系統。監測區域采用分級布網，CORS／GPS監測網為首級控制網，隧道三維位移監測網為二級控制網，兩者之間通過洞口的觀測墩進行聯系。

2．2 變形監測成果

隧址區域變形監測的實時監測主要由埋設兩個CORS站實時監測點來反映變形特征，有6 h、12 h和24 h解算監測數據，圖3為CORS1的24 h監測位移曲線。

隧道地表沉降監測主要采用人工精密二等水準測量的方法完成監測及解算，2011年11月至2013年4月，隧底沉降監測得到的水準監測點高程信息如表1所示。

圖3 連續運行監測站CORS1的24 h監測位移曲線

表1 隧底沉降監測成果m

隧道全站儀實時自動化位移監測采取一天每隔4 h采集一次位移數據，通過與首期數據比較得到隧道26個監測點2013年10～12月間的北方向位移變化趨勢（見圖4）。圖5為隧道進口端DX0000－DX1000范圍內22支裂縫傳感器監測到的裂縫變化趨勢。

目前，針對變形監測成果最普遍的安全狀態評估方法是采用人工對每項監測項目的監測成果進行簡單的分項指標評價。由于具體問題復雜多樣，各個監測項目的重要性不盡相同，評價結果往往受主觀因素的影響較大，缺乏系統的、科學的整體評價方法，因此下文將探究運用神經網絡的方法進行隧道安全狀態評估。

3 隧道安全狀態評估

3．1 隧道安全狀態評估步驟

基于BP神經網絡與變形監測成果的隧道安全狀態評估具體步驟如下：

1）生成學習樣本。隧道安全狀態評估BP神經網絡模型輸入對各個評價指標和評價集歸一化后的隸屬度，輸出各評價指標的上層評價目標。通過對各個評價指標因子結構性態的排列組合得到學習樣本的輸入層。以隧道體變形為例（見圖1），取隧底沉降、襯砌位移、圍巖應力和隧體裂縫4個因子，如果輸入全為正常，其輸入矢量為（1，0，0，0，0，1，0，0，0，0，1，0，0，0，0，1，0，0，0，0），如 果 輸 入 全 為基本正常，其輸入矢量為（0 1 0 0 0 0 1 0 0 0 0，1，0，0，0，0，1，0，0，0），以此類推，總的輸入矢量維數為54＝625。學習樣本的輸出層則需要通過推理或者咨詢行業專家得到。如輸入全為正常，則可以推理得到輸出肯定全為正常，如果4個評價因子有一個正常一個重度異常其他為基本正常等復雜情況，則需通過專家的判斷給出合理的輸出結果。

圖4 隧道位移監測點北方向位移實時變化趨勢

圖5 隧道裂縫實時監測變化趨勢

2）BP神經網絡學習。對于生成好的學習樣本，通過MATLAB神經網絡工具箱的學習，網絡獲取學習樣本中體現的評價專家的知識經驗。當神經網絡訓練達到設置的目標精度時，應用這一網絡可以對樣本集以外的任一輸入進行映射，最后得出能再現專家思維與經驗的比較科學合理的評價結論。

3）逐級評價，得出最終結果。逐級輸入下層評價指標對評語集的隸屬度矩陣，通過BP神經網絡得出相鄰上級評價目標的評價結果，最終按照最大隸屬度原則，對隧道實際安全性態進行綜合評價［6－9］。

3．2 隧道安全狀態評估分析

隧道從進口DX0060開始每隔120 m設置共計18個斷面，其中斷面前后60 m內所做的監測項目包括隧底沉降、襯砌位移、圍巖應力和隧體裂縫進行綜合，對此斷面做安全綜合評價。為了更好地監測隧道安全，應監測隧址區域范圍內的變形，并通過巡視的手段檢視隧道內的滲流、裂縫情況。本文選取DX0060 DX0540 DX0900 DX1020 DX1380 DX1860總共6個斷面做基于BP神經網絡與變形監測成果的隧道安全狀態評估。選取2012年10月至2014年3月間的定量觀測資料做安全狀態評估分析，如表3～表5所示。

表3 隧底沉降對評價集的隸屬度

表4 隧道變形對評價集的隸屬度

表5 隧道整體性態對評價集的隸屬度

根據表3～表5中對隧道隧底沉降、隧道變形及隧道整體性態的評價隸屬度，由最大隸屬度原則可知：隧底沉降均正常，隧道變形也趨向正常，隧道整體性態方面均為正常，隧道安全狀態評估結果為安全。

為了證明該方法具有合理性，本文將DX0060斷面的4個評價因子加入部分的變形超限量，再由該方法得出隧道變形和隧道整體性態對評價集的隸屬度：

隧道變形：正常0．327 1，基本正常0．371 9，輕度異 常 0．266 0，重 度 異 常 0．022 7，惡 性 失 常0．012 3；

隧道整體性態：正常0．251 7 基本正常0．300 4，輕度異常0．411 3，重度異常0．019 8，惡性失常0．016 8；

加入少量變形超限量后，評價結果發生變化。由最大隸屬度可知，隧道變形屬于基本正常，隧道整體性態為輕度異常，則該隧道處于病態，其結果由變形監測成果超限決定。該結果與專家判斷一致，可見，該方法具有一定的科學性。

4 結束語

隧道變形監測是隧道安全性態分析與綜合評估的基礎，對監控隧道的安全運營具有重要的作用。由于隧道工作環境比較惡劣，內部結構相對復雜，監測量影響因素眾多，常規的測量手段難以獲取全面的監測數據，加上傳統的安全狀態評估方法受評價者主觀意識影響較大，難以得出比較合理的安全狀態評估結果。本文研究BP神經網絡與物聯網模式下變形監測成果的隧道安全狀態評估，既克服了以往監測手段的不足，也能彌補安全狀態評估方法的缺陷，能得出比較科學合理的結論。

［1］ 劉祖強，張正祿，鄒啟新，等．工程變形監測分析預報的理論與實踐［M］．北京：中國水利水電出版社，2008．

［2］ 李汛，何川，汪波，等．營運期隧道結構健康監測與安全評價研究［J］．現代隧道技術，2008［2］：289－294．

［3］ 李明，陳洪凱．隧道健康動態評價模型［J］．重慶大學學報，2011，34（2）：142－147．

［4］ 薛強，張茂省，唐亞明．基于變形監測成果的寶塔山滑坡穩定性評價［J］．水文地 質工程 地質，2013（5）：110－114．

［5］ 陳喜鳳，黃騰，劉嶺，等．Geo MoS在地鐵保護區自動化監測中的應用［J］．測繪工程，2013，22（2）：64－69．

［6］ 李孜軍，石東平．基于粗糙集－模糊評判－神經網絡的隧道施工安全狀態評估［J］．安全與環境學報，2011（6）．

［7］ 魏世玉．地鐵隧道施工中應急監測解決方案研究［J］．測繪工程，2014，23（4）：72－75．

［8］ 陳超，張獻州．實數編碼自適應遺傳算法輔助實現變形監測網平差［J］．測繪科學，2014，39（6）：117－120．

［9］ 陶鑫，文鴻雁，何美琳，等．灰色二階預測模型在變形監測中的應用［J］．測繪科學，2014，39（6）：135－137．