基于監控量測下的隧道位移反分析研究

文∕黃楊勝

1 前言

由于巖土體的非線性與非均質性，流變參數很難通過室內試驗準確測得，若是用這些參數進行理論計算與數值模擬，結果必然不真實且不確定。因此通過大量現場的實測數據（如位移、應力等）對參數進行反分析是十分必要的。

董志宏、丁秀麗等運用遺傳算法—神經網絡的人工智能反演分析方法，對某水電站地下廠房圍巖的流變參數進行了粘彈塑性位移反分析，預測值與監測結果大致相同[1]。李立新等利用粘彈性位移建立了BP 神經網絡模型，反演分析出巖體粘彈性力學參數[2]。鄧子勝將徑向基神經網絡引入反分析問題，其無論在逼近能力還是學習速度方面都更加優越[3]。楊志法等人認為應重視考慮松動圈影響的位移反分析課題的研究，并提出了考慮松動圈的反演原理與反演正算綜合預測[4]。易小明、陳衛忠等利用數值模擬和BP 神經網絡對分岔隧道進行位移反分析，并得出BP 神經網絡不僅具有較好的魯棒性以及較強的抗干擾能力，更具有很強的非線性表達能力[5]。

2 工程概況

國道G316 線董奉山隧道，中間布置雙洞雙向八車道主路隧道，兩側布置雙洞雙向四車道輔路隧道。以輔路左洞FZK09+971 斷面為典型，計算斷面。該斷面位于洞口淺埋段，圍巖設計等級為Ⅴ級，碎塊狀凝灰熔巖，該斷面開挖90 天后的實測位移數據，如表1 所示。

表1 FZK09+971 斷面特征點位移

3 粘彈塑性位移反分析

3.1 粘彈塑性流變模型

采用FLAC3D 中由伯格斯模型與摩爾庫倫塑性屈服準則組合而成的復合粘彈塑性模型—Cvisc 模型，由此位移反分析的參數可確定為Cvisc 模型的材料參數：開爾文彈性模量EK、開爾文粘性系數ηK、麥斯韋爾彈性模量EM和麥斯韋爾粘性系數ηM。Cvisc 模型如圖1所示。

圖1 Cvisc 粘彈塑性模型示意圖

當σ＞σs時，模型反映出了巖體未進入塑性屈服階段的力學特性，此時服從Burgers 粘彈性蠕變規則，其蠕變規律為：

而當σ＜σs時，Cvisc 粘彈塑性模型反映了軟弱巖體的流變力學行為和塑性屈服狀態，其總的偏應變速率可表示為：

式中，K、M 和P 分別為Kelvin 模型、Maxwell 模型、Mohr-Coulomb 模型。其中Kelvin 模型的應變速率關系為：

Maxwell 體應變速率可表示為：

Mohr-Coulomb 塑性體應變速率為：

3.2 參數樣本的構造

根據董奉山隧道地質概況，并參考同類工程流變模型的參數辨識，確定待反演Cvisc 模型流變參數的取值范圍，見表2[6]。

表2 待反演參數范圍

在構造樣本時采用正交表L25(56)，如表3 所示，進行25 次試驗[7]。

表3 訓練樣本

依據正交設計表L25(56)，對反演參數的水平進行組合，得到了試驗方案，并利用FLAC3D 計算FZK09+971 斷面監測點的位移。為了檢驗本文BP 神經網絡的預測能力，本文采用均勻試驗設計方法構造測試樣本，對BP 神經網絡進行測試，測試樣本結果見表4。

表4 測試樣本對應的FZK09+971 計算斷面監測點位移

3.3 結果分析

利用訓練好的神經網絡結構，將表4 中的流變參數輸入神經網絡中，檢驗樣本的預測值，其結果見表5。

表5 檢驗樣本的預測值

將FZK09+971 計算斷面三個監測點的實測位移uA、uC和uE輸入已訓練完成的神經網絡中，反演得到石林隧道大變形段圍巖流變參數。其中，開爾文彈性模量 EK為 234.8MPa，開爾文粘性系數 ηK為62.5MPa·d，麥斯韋爾彈性模量EM為247.3MPa，麥斯韋爾粘性系數ηM為5782.6MPa·d。

將反分析所得的圍巖流變參數應用于模型進行正分析計算，對比計算位移與實測位移，結果見表6，且圖2 給出了FZK09+971 計算斷面的位移變形云圖。

表6 FZK09+971 計算斷面監測點計算位移與實測位移比較

圖2 FZK09+971 計算斷面的位移變形云圖（mm）

通過對比FZK09+971 計算斷面實測位移與計算位移，可知兩者數值相近，3 處監測點的相對誤差均在8%以內，表明神經網絡結構合理且具有實用性，反演所得參數能較好地應用到董奉山隧道的模擬分析中。

4 結語

利用FLAC3D 軟件建立隧道數值模型，并結合BP神經網絡與流變模型等理論與方法對神經網絡進行訓練，在已訓練完成的神經網絡基礎上，將現場監測數據輸入，得出待反演的流變參數；通過對比實測位移與計算位移，表明神經網絡結構合理且具有實用性，反演所得參數能較好地應用到董奉山隧道的模擬分析中。