公路隧道施工期圍巖快速分類極限學習機模型研究

李鵬遠,姜諳男

(1．大連市勘察測繪研究院有限公司,遼寧大連 116021; 2．大連海事大學道路與橋梁工程研究所,遼寧大連 116026)

公路隧道施工期圍巖快速分類極限學習機模型研究

李鵬遠1?,姜諳男2

(1．大連市勘察測繪研究院有限公司,遼寧大連 116021; 2．大連海事大學道路與橋梁工程研究所,遼寧大連 116026)

針對以往智能優化算法學習速度慢、對參數選擇敏感等問題,引入極限學習機(ELM)方法用于圍巖分類。在分類指標方面,結合快速性與準確性,制定快速分級參數標準,以公路隧道設計規范中的BQ法為基準,從以往及正在施工的隧道中收集對應的樣本,從而建立了公路隧道施工期圍巖快速分類的極限學習機模型。之后將正在開挖隧道工作面的快速分級參數,提供給模型進行判別,達到快速、精確分級目的。通過撫松隧道實際驗證,該模型判斷結果與實際施工情況吻合,可用于指導施工階段的隧道圍巖快速分級。

極限學習機;圍巖分級;隧道

1　引 言

圍巖級別是評價隧道工程地質條件的一個綜合性量化指標,是進行隧道工程建設的基礎。然而在公路隧道勘察設計階段,揭露的信息較少,圍巖級別在此階段與實際施工階段存在較大差異。在隧道施工期間圍巖揭露,地質條件完全展現在面前,此時進行施工期圍巖動態分級是十分必要的[1]。

《公路隧道設計規范》(JTG D70-2004)中的BQ分級方法在實踐過程中發現巖塊強度指標對分級結果影響敏感,巖體完整性指標需要進行昂貴的地球物理測試方能獲得,且探測過程對環境要求苛刻,嚴重阻礙了隧道施工的有序進行。近年來,針對此問題眾多學者進行了較為深入的研究,提出了很多方法。段林娣等[2]將充分利用了BP神經網絡具有非線性、并行性、魯棒性和強泛化性等的特點,取得了較好的效果,然而通常的BP方法主要基于梯度下降算法修正網絡權值,并減小網絡誤差,這種方法雖然收斂很快,但很容易使搜索停滯在局部極小值點,因此該方法很大程度的依賴于網絡誤差面(error surface)的形狀和初始權值的設置[3]。為了解決這些問題,周翠英、吳云芳等[4,5]通過引入自適應學習速率法及動量參數,在這方面進行了改進,但始終未能從根本上解決[6]。楊梅等[7]用改進的遺傳算法(GA)對神經網絡的初始閾值、權值進行了優化,這種方法雖然能消除初始值的影響,但不能從根本上解決上述存在的問題,而且GA算法存在穩定性差,容易早熟對維數較高的問題優化效果欠佳等缺點,潘昊等[8]用粒子群算法代替了BP神經網絡的梯度下降算法,然而粒子群算法同樣具有容易陷入局部最優的缺點[9]。

極限學習機(Extreme Learning Machine,ELM)是近年來由Huang G B提出來的一種新的單隱含層前向反饋神經網絡(Single-hidden Layer Feed-forward Neural Network,SLFN)的學習方法[10]。該學習方法在訓練前只需要設置網絡隱層節點個數,算法執行過程中不需要調整網絡的輸入權值以及隱層單元的偏置值,并且產生唯一的最優解,參數選擇容易、學習速度快且泛化性能好。本文結合吉林省撫松隧道施工期圍巖分類實踐,給出了圍巖快速分類指標,并建立了圍巖分類的極限學習機模型,使圍巖分級更加可靠、快速,為設計變更及現場施工提供了重要的依據。

2　極限學習機原理

極限學習機的網絡訓練模型采用前向單隱層結構。設m,M,n分別為網絡輸入層、隱含層和輸出層的節點數,且有N個不同的樣本(xi,ti),其中xi=[xi1, xi2,…,xim]T∈Rm,ti=[ti1,ti2,…,tin]T∈Rn,則網絡訓練模型可表示為:

式中:wi=[wi1,wi2,…,wim]T為連接網絡輸入層節點與第i個隱含層節點的輸入權值向量,βi=[βi1, βi2,…,βin]T為連接第i個隱藏層節點與網絡輸出層節點的輸出權值向量,oi=[oi1,oi2,…,oin]T表為網絡輸出值,bi為偏置值,g(x)為激勵函數,可以是雙彎曲函數(sigmoid)、正弦函數(Sine)、徑向基函數(RBF)及硬限幅傳輸函(Hardlim)。

極限學習機的訓練目標就是尋求最優的S,β,使得網絡輸出值與對應實際值誤差即代價函數E最小,即:

式中:S=(wi,bi,i=1,2,…,M),包含了網絡輸入權值及隱層節點偏置值。

min[E(S,β)]可進一步寫為:

式中:H表示網絡關于樣本的隱層輸出矩陣,β表示輸出權值矩陣,T表示樣本集的目標值矩陣。可分別定義如下:

極限學習機的網絡訓練過程可歸結為一個以式(2)為目標函數的非線性優化問題。當網絡隱層節點的激活函數g(x)無限可微時,網絡參數并不需要全部進行調整,輸入連接權值w和隱層節點偏置值b在訓練開始時可隨機選擇,此時矩陣H為一常數矩陣。極限學習機的學習過程可等價為求取線性方程組Hβ=T最小范數的最小二乘解^β,其計算式為:

式中H+稱為隱層輸出矩陣H的Moore-Penrose廣義逆。

由式(6)解得到的輸出權值具有如下重要特征[10]:①可以通過該解獲得最小的訓練誤差;②可以獲得權值的最小范數并且得到最優的泛化性能;③范數的最小二乘解是唯一的,因此算法不會產生局部最優解。可以看出,ELM在訓練的過程中不需要調整w和b的值,只需根據相應算法來調整值,便可獲得一個全局最優解,參數選擇的過程相對容易,訓練速度顯著提升,且不會陷入局部最優。

3　工程應用

3．1工程概況

撫松隧道位于吉林省東部白山市靖宇縣境內,設計為分離式雙洞隧道,兩洞設計線間距近13 m～35 m左右,近直線展布。左線設計起點里程為ZK275 +170,終點里程為ZK276+795,全長1 625 m;右線設計起點里程為RK275+180,終點里程為RK276+780,全長1 600 m。隧道最大開挖寬度約12．00 m,高度為7．60 m。工程地質條件較差,圍巖主要為Ⅲ、Ⅳ、Ⅴ級,且施工過程中掌子面揭露的圍巖信息變化頻繁,因此施工過程中的圍巖動態分級是十分重要的。

3．2圍巖分級指標現場快速獲取方法

國內外大多數的學者都認為圍巖分級中分級因素的選擇應遵循以下原則[1]:①分級因素必須是體現隧道圍巖質量最重要、最基本的因素,具體來說應包括:巖體強度、結構面特性與巖體結構三大類。②應把眾多因素分級組合,歸并為一個符合因素。③分級因素應相互獨立,避免重復和搭接。④分級因素的特征必須易于描述,評價指標必須容易獲取,測試方法必須簡單易行。因此,本文在遵守上述原則的同時,結合撫松隧道施工實際,最終選用以下分級指標:

①圍巖回彈強度σht

由于不管單軸飽和抗壓強度實驗還是點荷載實驗在施工現場比較難以測定,因此本文選用回彈強度表示強度指標。相關實驗結果[11]表明同一斷面圍巖回彈強度與單軸飽和抗壓強度回歸分析后可用如下公式表示:

可以看出,回彈強度可以較好反映圍巖的強度且容易獲取,因此本文將其作為分級指標的一項。

②巖體完整性指標kv

國內外各種方法中都有自己對圍巖完整性的衡量指標,本文遵循分級因素選取的第②條原則,采用了國標BQ法中的巖體完整性指標kv,在測試掌子面上,針對不同的工程地質巖組或巖性段,選擇有代表性的露頭或開挖壁面進行節理統計。掌子面節理統計時,首先確定掌子面的節理的組數,然后分別測量每組節理的間距[12],并結合表1用差值的方法確定kv。

Jv與kv對應表　表1

③節理延展性Jyz

掌子面內存在半貫通或貫通節理時,需單獨統計,因此本文增加了節理延展性指標Jyz,并結合表2使其定量化。掌子面素描圖如圖1所示。

節理延展性取值表　表2

圖1　掌子面素描

④地下水影響w

地下水溶蝕巖石或結構面中的易溶膠結物,使巖石強度降低,增加巖體滲流壓力等。因而各種分級方法都將其作為分級指標的一項,本文為了方便起見,根據肉眼現場能夠觀察到的地下水大小和流量,結合表3進行定量化處理。

地下水狀態取值表　表3

⑤主要結構面產狀和隧道關系λ

主要結構面產狀和隧道關系對圍巖穩定影響起到重要的作用,文中根據RMR分級體系中結構面與隧道走向關系進行打分[2]:

主要結構面產狀影響取值表　表4

⑥地應力狀態GS

地應力同樣也很大程度上影響著圍巖的穩定性,公路隧道場區的地應力狀況經常在勘察階段進行測試或評定,并給出極高應力區、高應力區和低應力區3種評定結果,因而該指標也較為容易獲取。本文參照《工程巖體分級標準》,對不同斷面進行打分:

地應力影響取值表　表5

上述指標包括了對圍巖等級起決定性作用的巖體強度、結構面特性與巖體結構三大類因素,且較為容易獲取,因而綜合這些指標進行圍巖分級是合理的。

3．3基于ELM模型的撫松隧道圍巖動態分級

這是由于社會資本蘊含有信任、互惠、規范等活性因子，能夠促進人與人之間的社會合作，從而提高社區治理效率。

本文與國標BQ法同樣將圍巖劃分為5個等級,圍巖分級工作貫穿撫松隧道整個施工期,在此選取30個具有代表性的掌子面,按前面介紹的現場測試方法采集圍巖分級指標,然后依據BQ方法確定隧道圍巖的級別。Ⅰ、Ⅱ級圍巖極好圍巖,在撫松隧道施工中未出現,因而訓練集合中沒有收錄這兩類圍巖,如表6所示。

典型斷面圍巖分級指標及對應BQ等級　表6

將表中前25組作為訓練樣本,剩余5組作為測試樣本。激活函數均選用Sigmoid函數,考慮到Sigmoid函數在接近0及1時曲線比較平緩,為了充分發揮其敏感性,提高收斂速度,將樣本用式(7)進行歸一化處理:

式中:xmax和xmin分別為每組輸入分量的最大值與最小值;x和x′分別為每組輸入分量歸一化前與歸一后的值。并分別用(0,0,1,0,0)、(0,0,0,1,0)與(0,0,0,0,1)表示Ⅲ、Ⅳ與Ⅴ級的圍巖。ELM模型輸出的分級的結果,如表7所示。

ELM分級結果　表7

可以看出,ELM模型分類的結果與BQ分級方法結果完全一致。

3．4撫松隧道施工期圍巖分級

網絡訓練達到要求后,測量正在開挖的工作面快速分級參數提供給訓練好的ELM模型進行識別,便可在施工階段根據掌子面揭露的信息對圍巖進行快速的分級。部分斷面ELM模型識別的圍巖級別與原設計圍巖等級的對比如表8所示。

ELM分級結果與原設計圍巖等級的對比　表8

可以看出某些里程段,隨著更多信息的揭露,用本文軟件計算的圍巖等級與原實際等級相比有所變動,因而隨著隧道施工對圍巖進行動態分級對施工安全或設計變更都是有重要意義的。

4　結 論

應用極限學習機(ELM),考慮了影響圍巖分類的因素與獲取的方便性,并將監測位移與BQ法的分類指標結合,建立了適用于圍巖分類的極限學習機模型．并對大連地鐵與吉林省撫松隧道圍巖進行了分類,與勘察結果對比表明,所建立的模型實用性好,能較好地滿足工程應用的需要。

在激勵函數確定的情況下,ELM僅需要設置隱層節點的個數,參數選擇簡便。且該算法執行過程中不需要調整網絡的輸入權值以及隱藏單元的偏置,因此顯著提高了算法訓練的速度。

[1] 馬超鋒,介玉新,王篤禮等．山嶺隧道施工階段圍巖動態分級研究[J]．鐵道學報,2013,35(10):106～113．

[2] 段林娣,宋成輝．應用BP神經網絡進行隧道圍巖快速分級[J]．中國安全科學學報,2010,20(2):41～45．

[3] Seiffert U．Multiple Layer Perceptron training using genetic algorithms[C]．ESANN．2001:159～164．

[4] 周翠英,張亮,黃顯藝．基于改進BP網絡算法的隧洞圍巖分類[J]．地球科學:中國地質大學學報,2005,30(4): 480～486．

[5] 吳云芳,李珍照．改進的BP神經網絡模型在大壩安全監測預報中的應用[J]．水電站設計,2002,18(2):21～24．

[6] 劉福深,劉耀儒,楊強．基于差異進化算法的前饋神經網絡在大壩變形監測中的應用[J]．巖土力學,2006,27 (4):597～600．

[7] 楊梅,卿曉霞,王波．基于改進遺傳算法的神經網絡優化方法[J]．計算機仿真,2009(5):198～201．

[8] 潘昊,侯清蘭．基于粒子群優化算法的BP網絡學習研究[J]．計算機工程與應用,2006,42(16):41～43．

[9] 王伯成,施錦丹,王凱．粒子群優化算法的研究現狀與發展概述[J]．電訊技術,2008,48(5):7～11．

[10] HUANG G B,ZHU Q Y,Siew C K．Extreme learning machine:theory and applications[J]．Neurocomputing,2006, 70(1-3):489～501．

[11] 陳巖．隧道施工期圍巖級別快速鑒別及工程應用研究[D]．北京:北京交通大學,20l0,2010．

[12] 2004 J．公路隧道設計規范[S]．

Study on the Extreme Learning Machine Model of Highway Tunnel Rapid Surrounding Rock Classification in Construction Phase

Li Pengyuan1,Jiang Annan2

(1．Dalian Academy of Reconnaissance and Mapping Co．,Ltd,Dalian 116021,China; 2．Highway and Bridge Institute of Dalian Maritime University,Dalian 116026,China)

Specific to the problem such as slow learning speed,and sensitivity to parameter selection of the existing intelligent optimization algorithm,Extreme Learning Machine(ELM)is used for classification of surrounding rock．In terms of classification index,the rapid and accuracy classification standard parameters are formulated．Based on the BQ method which is in highway tunnel design specification,the corresponding sample are collected from the tunnel under construction,thus the Extreme Learning Machine model of highway tunnel surrounding rock classification in construction period is established．In the end,the rapid classification index of tunnel’s working face is measured,and provided to the model to achieve fast and accurate classification．FuSong tunnel’s practical validation shows that the judgment results of the model are tally with the actual construction situation．It’s proved that the model can be used to guide the tunnel surrounding rock classification in construction phase．

extreme learning machine;classification of surrounding rock;tunnel

1672-8262(2016)01-149-05

TU470,P642

A

?2015—07—31

李鵬遠(1976—),男,高級工程師,主要從事巖土工程勘察方面的工作。

姜諳男(1972—),男,博士,教授,主要從事巖土工程穩定性分析和多場耦合方面的研究。

大連市交通科技項目(2011-10);吉林省交通廳交通運輸科技項目(2012-1-6)。