基于BP神經網絡的大跨軟巖隧道地表沉降預測

彭麗娟 陳福成

(1.西安海棠職業學院，陜西 西安 710038； 2.陜西飛虹橋梁勘測設計研究有限公司，陜西 西安 710038)

?

基于BP神經網絡的大跨軟巖隧道地表沉降預測

彭麗娟1陳福成2

(1.西安海棠職業學院，陜西 西安 710038； 2.陜西飛虹橋梁勘測設計研究有限公司，陜西 西安 710038)

基于金盆灣隧道地表沉降監測數據，結合BP神經網絡預測模型，分析了隧道施工對地表沉降的影響，研究了在不同的樣本下預測結果的可信度，結果表明，BP神經網絡預測的地表沉降精度與監測數據的準確度、預測的長度與隧道施工方案相關，隧道開挖工藝發生改變時，應及時分析實時監測數據，建立新的BP神經網絡預測模型進行地表沉降預測，以保障預測結果的可靠。

BP神經網絡，大跨軟巖隧道，地表沉降，預測精度

0 引言

隧道施工過程中，地表沉降可以在隧道開挖影響范圍之外開始監控量測；且其測量過程不受現場施工環境干擾。因此，地表沉降數據能夠很好地表達隧道施工過程中圍巖變形的時空效應，已成為隧道建設過程中必不可少的監測項目。然而，與隧道拱頂沉降等監測項目一樣，地表沉降觀測數據只反映既有工程已發生的變形趨勢和變形規律，并不能滿足預測的需要，通過一種有效的預測手段，結合既有的監測數據，預測隧道施工過程中未知的沉降及變形，為優化施工方案提供技術參考。

鑒于其良好的非線性擬合能力和預測功能，BP神經網絡預測模型已廣泛應用于隧道開挖施工過程中的變形預測。

周志廣[1]將BP神經網絡應用于沈陽地鐵一號線重啟區間隧道地面沉降位移的預測之中，并驗證了其有效性。楊茜[2]采用改進的BP神經網絡預測方法，預測了隧道的長期沉降。馮寶俊等[3]將ANSYS有限元軟件和BP神經網絡相結合，提出了隧道拱頂沉降預測的新方法。龍浩等[4]將BP神經網絡—馬爾科夫鏈模型引入到某公路隧道拱頂下沉位移預測之中。亦有學者將BP神經網絡應用于山嶺隧道運營階段的安全狀態評估[5]，并取得了良好效果。

以金盆灣隧道右線出口ZK85+200斷面地表沉降監測數據為基礎，建立了該隧道地表沉降的BP神經網絡預測模型。采用所構建的BP神經網絡模型，研究隧道開挖施工過程對于地表沉降預測結果的影響。

1 BP神經網絡

BP神經網絡[6]拓撲結構包括輸入層(input layer)、輸出層

(output layer)和隱層(hidden layer)；其中，隱層可為一層或多層。圖1為一個包含一層隱層的BP神經網絡結構。

BP神經網絡算法步驟如下：

1)網絡初始化：給定(-1,1)區間內的隨機數，設定誤差函數e，計算精度ε的值和最大訓練次數M。

2)隨機選取第k個輸入樣本以及相應的期望輸出。

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。

hoh(k)=f(hih(k))

(3)

(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)計算神經網絡實際輸出和期望輸出。

(7)

(8)

(9)

5)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。

(15)

2 工程實例

2.1 工程概況

集呼高速金盆灣隧道為分離式特長隧道，隧道右線全長3 310 m，左線長3 375 m，最大埋深150 m左右。隧道斷面形式為多心圓曲墻式斷面，普通斷面開挖面積約170.03 m2；緊急停車帶加寬斷面開挖面積約202.35 m2。依表1所給國際隧道協會(ITA)隧道大斷面判別標準[7]，金盆灣隧道屬于超大斷面隧道。

表1 國際隧道協會(ITA)隧道大斷面判別標準 m2

金盆灣隧道右線出口K158+020～K158+175段：長155 m，隧道埋深9.8 m～28.8 m，該段為Ⅴ級圍巖，巖性主要為粉土、碎石、礫砂及礫巖。金盆灣隧道右線出口如圖2所示。圖3為金盆灣隧道右線出口洞內圍巖。顯見，隧道施工過程中圍巖的變形監測和合理預測，是保障金盆灣隧道施工安全的重要手段之一。

2.2 隧道地表沉降神經網絡模擬

基于金盆灣隧道右線出口K158+150斷面地表沉降的監測數據，采用所構建的BP神經網絡模型，研究隧道開挖施工過程對于地表沉降預測結果的影響，以及不同訓練樣本所得預測結果的可信度。金盆灣隧道右線出口K158+150斷面地表沉降監測數據如表2所示。

表2 金盆灣隧道右線出口K158+150斷面地表沉降

為了更加清晰的表達金盆灣隧道右線出口K158+150斷面地表沉降的變化趨勢，由表2中實測數據繪制圖4。由圖4可知，該斷面地表沉降隨時間變化基本上可以劃分為5個階段：1 d～13 d平穩變化階段；14 d～18 d先加速上升段；19 d～27 d平穩變化階段；28 d～39 d加速上升段；40 d～63 d緩慢上升段，其中又伴隨著52 d～54 d的加速上升段。

隧道采用CD法開挖，K158+150斷面地表沉降所呈現的隨時間的變化趨勢，歸根結底是由于隧道開挖工藝的不斷變化所引起的。因此，BP神經網絡預測隧道沉降，必須考慮隧道施工過程的影響。

據圖4中金盆灣隧道右線出口K158+150斷面地表沉降趨勢，制定具體計算方案如表3所示。

表3 計算方案

圖5為不同施工階段所得到的金盆灣隧道右線出口K158+150斷面地表沉降預測結果。由圖5可知，隧道施工階段發生改變時(即圖4中地表沉降趨勢發生明顯改變時)，采用既有監測數據所建立的BP神經網絡預測模型得到的隧道地表沉降預測結果與實測數據差別較大，甚至完全失真(見圖5a)和圖5c))。因此，隧道施工階段發生改變時，應注意加強現場監控量測工作。新的施工階段所得監測數據越多，預測結果可信度越大。

圖6為不同訓練樣本個數所得到的金盆灣隧道右線出口K158+150斷面地表沉降預測結果。圖6中結果顯示，監測的數據走向和模擬的曲線基本重合，研究表明，當預測的時間較長時，利用BP神經網絡預測的模型與實測數據的變形基本一致。所以，預測結果的可性度與預測長度相關聯，當采用BP神經網絡進行地表沉降觀測數據的預測時，預測長度越長，預測結果的可信度越低。

3 結語

采用BP神經網絡方法，以金盆灣隧道右線出口K158+150斷面地表沉降的觀測數據為基數，結合BP神經網絡模型，研究結果表明了隧道地表沉降監測的預測精度與監測數據的準確性及預測長度相關；預測長度較長，預測結果的可信度降低，其次，預測精度也與隧道的施工方案相關，隧道開挖工藝發生改變時，應及時分析實時監測數據建立新的BP神經網絡預測模型對地表沉降進行預測，以保障預測結果的可靠。

[1] 周志廣.沈陽地鐵開挖引發地面沉降的BP神經網絡反分析[J].防災減災學報,2014,30(4):8-12.

[2] 楊 茜.BP神經網絡預測方法的改進及其在隧道長期沉降預測中的應用[J].北京工業大學學報,2011,37(1):92-97.

[3] 馮寶俊,劉敦文.基于ANSYS-BP的隧道拱頂沉降預測研究[J].中國安全科學學報,2014,24(5):38-43.

[4] 龍 浩,高 睿,孔德新,等.基于BP神經網絡—馬爾科夫鏈模型的隧道圍巖位移預測[J].長江科學院院報,2013,30(3):40-43,55.

[5] 黃惠峰,張獻州,張 拯,等.基于BP神經網絡與變形監測成果的隧道安全狀態評估[J].測繪工程,2015,24(3):53-58.

[6] 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.

[7] 左清軍.質板巖特大斷面隧道施工期圍巖力學效應研究[D].武漢:中國地質大學,2013.

Ground settlement predictionof the large-span tunnel with soft rock based on BP neural network

Peng Lijuan1Chen Fucheng2

(1.Xi’an Haitang Vocational College, Xi’an 710038, China;2.Shaanxi Feihong Bridge Survey & Design Academy Co., Ltd, Xi’an 710038, China)

Based on the monitoring ground settlement data of Jinpenwan tunnel, prediction model of BP neural network is established. Credibility of the predicted results with different number of training examples, and effect of tunnel construction process on the ground settlement prediction are studied in this paper. The result indicates that, prediction accuracy of BP neural network is related to both the monitoring data and the forecasting length, forecasting results are closely related to the construction process of tunnel. A new BP neural network model should be established by analyzing the real-time data when excavation processing of the tunnel changes, and thus to ensure reliability of the prediction results.

BP neural network， large-span tunnel with soft rock， ground settlement， prediction accuracy

1009-6825(2016)12-0148-03

2016-02-17

彭麗娟(1985- )，女，工程師； 陳福成(1983- )，男，工程師

U456

A