基于BP神經網絡法某公路隧道圍巖穩定性研究

劉 軍，張吉祥，朱 文

(1.江西交通咨詢有限公司 南昌市 330008； 2.江西高速集團撫州管理中心 撫州市 344000)

0 引言

隧道圍巖分類是一個古老的研究課題，合理的圍巖分類對于指導公路隧道的設計和施工起著舉足輕重的作用。考慮到地下工程巖體的特點，大量的圍巖分級方法被提出來，現有的各種巖體分級方法可以分為三類，定性的分析、定量的分析或者是定性和定量的分析。所謂的定性的分級，是在現場對影響巖體質量的諸多因素進行判別，對某些指標作出評判、打分，可以從全局上去把握，充分利用工程實踐經驗，例如Barton N(1974)提出Q分類[1]。定量的分級，能夠建立確定的量的概念，大量的非線性算法，但是，必須強調的是，由于巖體性質和賦存條件十分復雜，準確的指標體系就顯得非常重要，而且相應指標權重的準確性，對圍巖等級定量分級影響是十分巨大甚至是決定性。宮鳳強等[2]利用距離判別法對隧道圍巖穩定性進行了分級。邱道宏等[3]利用粗糙功效系數法對巖體隧道圍巖質量進行了評價，評價結果與實際基本符合，從而驗證了粗糙功效系數法用于圍巖分類的可行性。王迎超等[3]通過特爾菲-理想點法建立了隧道圍巖穩定性分類模型。另一種方法就是定量與定性相結合，先定量地對工程巖體進行初步定級，再針對各類型工程巖體的特點，綜合分析各種影響因素，進行修正，確定最終圍巖等級。非線性方法目前在圍巖穩定性分類上應用廣泛，但隧道圍巖穩定性評價是隨機性和模糊性并存的問題，為了解決上述兩個問題，采用神經網絡相關理論對公路隧道圍巖進行分級，取得了良好的評價效果，得出了一些有意義的結論[5-6]。

1 BP神經網絡模型

BP人工神經網絡是一種反饋式全連接多層神經網絡，具有較強的聯想記憶和推廣能力[13]。標準BP模型如圖1所示，由輸入層、隱含層和輸出層組成。網絡的拓撲結構隱層可為多層。對于BP模型的輸入神經元，其輸入和輸出相同，即Oj=Xj。中間隱層和輸出層的神經元滿足下列等式：

Oj=fj(Netj)=fj(∑WjXi+θj)

圖1 神經網絡示意圖

BP算法的具體步驟可簡單歸納如下：

(1)給定網絡的輸入向量X和目標輸出向量T，并初始化網絡權值；

(2)計算網絡的實際輸出；

(3)計算網絡的實際輸出向量與所要求的目標輸出值的誤差；

(4)權值學習，使誤差最小。

對所有的學習樣本重復①到④步驟，使系統誤差達到最小。

2 工程應用

2.1 工程概況及圍巖穩定性評價體系

本論文所研究的隧道是江西省境內某公路隧道，隧道場址區域為低山丘陵地貌，地勢起伏較大，進洞口自然山坡坡度大約為20°～25°，自然山坡比較穩定，洞身的最高點海拔大約為500m，溝壑較發育，但寬度較小，切割縱深較大，大多溝壑是V型。隧道區域的表層分布土體以坡積粉質粘土為主，屬于中軟土，中等強度、中等壓塑，工程地質性能一般。隧道的進口段圍巖主要為全風化、強風化的砂巖；洞身段圍巖主要為中風化砂巖。

綜合考慮該隧道地區實際所處的地質環境及隧道圍巖分級相關資料，選取不連續結構面狀態及充填情況、巖石單軸抗壓強度Rc、巖石質量指標RQD、地下水滲水量W和洞軸線與層狀巖石的夾角θ這五個指標作為評價因子[7]。

2.2 BP神經網絡學習樣本

為了保證樣本的典型性和全面性，根據現場施工反饋，選取本工程區有代表性的20個不同洞段的相關評價參數構成樣本，如表1所示。根據文中的思路，表1給出了每個樣本的等級特征值。

2.3 BP神經網絡模型

采用BP網絡進行學習，將選定的五個評價指標作為神經網絡的輸入節點；依據規范，將圍巖類別分為5個等級，即Ⅰ類、Ⅱ類、Ⅲ類、Ⅳ類和Ⅴ類圍巖，作為輸出節點，對應期望輸出結果分別為1、2、3、4、5；隱含層設置11個節點。由于各指標量綱不同，可能會影響網絡的收斂速度和訓練模型的可靠性，需進行各指標的無量綱化處理，可按如下公式進行。

表1 BP神經網絡學習樣本

選取了20個具有代表性樣本，如表1所示，經過訓練學習，模型誤差在第62963次學習后小于0.02，如圖2所示。

圖2 網絡學習收斂曲線

2.4 模型檢驗對比

為進一步驗證神經網絡訓練出的模型在實際工程應用中的可行性和有效性，將此分類模型應用于后期6個洞段的圍巖穩定性分類，對模型進行工程實例對比。結果顯示，輸出值與實際值基本一致，如表2所示。上述對比結果表明，該模型可以用于公路隧道圍巖穩定性分類問題。

表2 模型驗證對比結果表

3 結論

基于BP神經網絡提出了一種公路隧道圍巖穩定性分類方法，通過與工程實例對比表明，BP人工神經網絡能夠較準確地對公路隧道圍巖的穩定性進行評價和分類。