基于BP神經(jīng)網(wǎng)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(yè)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(jīng)網(wǎng)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(yè)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(jiān)測數(shù)據(jù)，結合BP神經(jīng)網(wǎng)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(jīng)網(wǎng)絡預測的地表沉降精度與監(jiān)測數(shù)據(jù)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(fā)生改變時，應及時分析實時監(jiān)測數(shù)據(jù)，建立新的BP神經(jīng)網(wǎng)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(jīng)網(wǎng)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(jiān)控量測；且其測量過程不受現(xiàn)場施工環(huán)境干擾。因此，地表沉降數(shù)據(jù)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(jiān)測項目。然而，與隧道拱頂沉降等監(jiān)測項目一樣，地表沉降觀測數(shù)據(jù)只反映既有工程已發(fā)生的變形趨勢和變形規(guī)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(jiān)測數(shù)據(jù)，預測隧道施工過程中未知的沉降及變形，為優(yōu)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(jīng)網(wǎng)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(jīng)網(wǎng)絡應用于沈陽地鐵一號線重啟區(qū)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(jīng)網(wǎng)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(jīng)網(wǎng)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(jīng)網(wǎng)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(jīng)網(wǎng)絡應用于山嶺隧道運營階段的安全狀態(tài)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(jiān)測數(shù)據(jù)為基礎，建立了該隧道地表沉降的BP神經(jīng)網(wǎng)絡預測模型。采用所構建的BP神經(jīng)網(wǎng)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(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)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(jīng)網(wǎng)絡結構。

BP神經(jīng)網(wǎng)絡算法步驟如下：

1)網(wǎng)絡初始化：給定(-1,1)區(qū)間內的隨機數(shù)，設定誤差函數(shù)e，計算精度ε的值和最大訓練次數(shù)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(jīng)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(jīng)元的閾值；bo為輸出層各神經(jīng)元的閾值。

4)計算神經(jīng)網(wǎng)絡實際輸出和期望輸出。

(7)

(8)

(9)

5)計算誤差函數(shù)對隱含層各神經(jīng)元的偏導數(shù)δh(k)。

(10)

6)利用輸出層各神經(jīng)元的δo(k)和隱含層各神經(jīng)元的輸出來修正連接權值who(k)。

(11)

(12)

7)利用各神經(jīng)元隱含層的δh(k)和輸入層各神經(jīng)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(xié)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(xié)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(jiān)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(jīng)網(wǎng)絡模擬

基于金盆灣隧道右線出口K158+150斷面地表沉降的監(jiān)測數(shù)據(jù)，采用所構建的BP神經(jīng)網(wǎng)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(jiān)測數(shù)據(jù)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(shù)據(jù)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(wěn)變化階段；14 d～18 d先加速上升段；19 d～27 d平穩(wěn)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(xiàn)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(jīng)網(wǎng)絡預測隧道沉降，必須考慮隧道施工過程的影響。

據(jù)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(fā)生改變時(即圖4中地表沉降趨勢發(fā)生明顯改變時)，采用既有監(jiān)測數(shù)據(jù)所建立的BP神經(jīng)網(wǎng)絡預測模型得到的隧道地表沉降預測結果與實測數(shù)據(jù)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(fā)生改變時，應注意加強現(xiàn)場監(jiān)控量測工作。新的施工階段所得監(jiān)測數(shù)據(jù)越多，預測結果可信度越大。

圖6為不同訓練樣本個數(shù)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(jiān)測的數(shù)據(jù)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(jīng)網(wǎng)絡預測的模型與實測數(shù)據(jù)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(lián)，當采用BP神經(jīng)網(wǎng)絡進行地表沉降觀測數(shù)據(jù)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(jīng)網(wǎng)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(shù)據(jù)為基數(shù)，結合BP神經(jīng)網(wǎng)絡模型，研究結果表明了隧道地表沉降監(jiān)測的預測精度與監(jiān)測數(shù)據(jù)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(fā)生改變時，應及時分析實時監(jiān)測數(shù)據(jù)建立新的BP神經(jīng)網(wǎng)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(fā)地面沉降的BP神經(jīng)網(wǎng)絡反分析[J].防災減災學報,2014,30(4):8-12.

[2] 楊 茜.BP神經(jīng)網(wǎng)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(yè)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(jīng)網(wǎng)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(jīng)網(wǎng)絡與變形監(jiān)測成果的隧道安全狀態(tài)評估[J].測繪工程,2015,24(3):53-58.

[6] 張良均,曹 晶,蔣世忠.神經(jīng)網(wǎng)絡實用教程[M].北京:機械工業(yè)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