（中鐵十六局集團第五工程有限公司唐山063030）

神經(jīng)網(wǎng)絡及其在巖爆災害預測中的應用

倪富來

（中鐵十六局集團第五工程有限公司唐山063030）

巖爆是高地應力區(qū)巖質隧道開挖施工過程中發(fā)生的主要施工地質災害之一，它的發(fā)生對隧道施工企業(yè)的安全生產(chǎn)構成很大的威脅，對巖爆發(fā)生可能性及其程度的預測是這類隧道設計、施工及安全生產(chǎn)所面臨的重大問題。依據(jù)隧道巖爆發(fā)生的條件，基于國內(nèi)外隧道及地下工程巖爆實例，應用人工神經(jīng)網(wǎng)絡方法，建立了巖爆危險性預測的評價模型并應用vc++6.0實現(xiàn)了該評價模型，將其運用到武隆隧道的巖爆預測中，取得了良好的效果。

BP神經(jīng)網(wǎng)絡；武隆隧道；巖爆預測

1 前言

巖爆是隧道開挖過程中圍巖的一種非正常破壞現(xiàn)象，主要表現(xiàn)為大范圍的巖體突然破壞，破裂圍巖的動力拋擲，并伴有不同程度的爆炸、撕裂聲，圍巖釋放大量能量，使幾米至幾百米的硐室瞬間破壞。嚴重的巖爆可將巨石猛烈拋出，甚至一次巖爆就能拋出數(shù)以噸計的巖塊和巖片，常常造成人員傷亡和設備損失。巖爆不僅使人產(chǎn)生恐懼感，而且直接威脅施工人員和設備的安全，嚴重的會誘發(fā)地震，造成地表建筑物的破壞。所以對巖爆發(fā)生的可能性及其危險程度的預測是隧道設計、施工企業(yè)在高地應力區(qū)巖質隧道建設過程中所必須解決的問題[1]。

目前專家、學者們已從強度、剛度、能量、穩(wěn)定、斷裂、損傷、分形和突變等方面對巖爆現(xiàn)象進行了分析，提出各種假設和判據(jù)。在一些假設和判據(jù)中僅考慮個別影響因素，會產(chǎn)生片面性和局限性，而考慮所有因素又會使問題復雜化[2]。另外，巖土工程中的有關因素，其本身通常只具有相對的準確度，它們與巖爆的關系往往不能以簡單的是與否進行評價，非線性的人工神經(jīng)網(wǎng)絡方法正適合解決此類問題，它不要求巖爆與各影響因素間有明確的函數(shù)關系，只需要選取必要的、容易確定的影響巖爆的主要因素，進行正確的學習和預測。

2 BP神經(jīng)網(wǎng)絡算法與實現(xiàn)

2.1 典型的三層BP網(wǎng)絡學習算法典型的三層BP網(wǎng)絡學習算法如下：首先定義誤差函數(shù)：

式中tpl為期望輸出，Opl為實際輸出，Ep為各模式誤差平方和。網(wǎng)絡訓練的目的就是要使Ep最小。一般常用簡單梯度下降法進行最小化，文獻中也有使用共軛梯度法的例子。

BP網(wǎng)絡學習步驟[3]：

步驟一：選定訓練模式及合適的網(wǎng)絡結構，并對輸入數(shù)據(jù)進行預處理；

步驟二：將各權值及閾值置成小的隨機值；

步驟三：將訓練模式依次加到網(wǎng)絡，再給出其期望輸出；

步驟四：按照式（2）計算出隱蔽層輸出，再計算出網(wǎng)絡的實際輸出；

步驟五：將實際輸出與期望輸出進行比較，計算輸出誤差項：

對S函數(shù)而言：

所以

對隱含層的單元也計算出誤差項：

同樣，對S形函數(shù)：

步驟六：依次進行權值調(diào)整：

上兩式中η是一個控制學習速度的正常數(shù)，即學習速率，也叫步長，通常小于1，學習速率取值過大，學習速度加快，但可能導致不收斂；取值太小，則迭代次數(shù)會明顯增加，會導致學習速度減慢；α也是一個正常數(shù)，即動量因子(Momentum Factor)，增加該項可略微加快收斂速度，并使收斂過程中權值變化比較平滑。

步驟七：返回步驟四，繼續(xù)迭代，直到Ep最小為止；

步驟八：檢驗網(wǎng)絡的預測能力。

學習完成后，固定當前權值，就可以進行預測了。

2.2 BP神經(jīng)網(wǎng)絡算法的實現(xiàn)

利用vc++6.0實現(xiàn)BP神經(jīng)網(wǎng)絡算法，主要包括兩個部分：神經(jīng)網(wǎng)絡訓練、神經(jīng)網(wǎng)絡。

彈出網(wǎng)絡學習過程對話框如圖2(a)，需要確定的網(wǎng)絡學習參數(shù)有：輸入特征數(shù)、輸出特征數(shù)、樣本數(shù)量、學習數(shù)量、動量速率、輸入文件名、最大總體誤差、最大個體誤差、最大迭代次數(shù)、隱含層數(shù)、任務名(在爆破優(yōu)化設計時需要)和是否生成誤差文件(因生成誤差文件要占用大部分CPU時間和內(nèi)存用來計算和保存誤差，為了快速完成神經(jīng)網(wǎng)絡訓練，建議一般不選)。確定之后，彈出對話框如圖2(b)，依次確定每層隱含層的單元數(shù),學習完成后彈出對話框如圖2(c)。預測條件輸入對話框如圖2(d)，任務名稱輸入以前訓練成功得到的如“RockBurst”，數(shù)據(jù)文件是保存預測樣本輸入特性的文件，輸出文件是保存樣本計算所得輸出特性的文件。

圖2 神經(jīng)網(wǎng)絡學習與預測過程對話框

3 BP神經(jīng)網(wǎng)絡在武隆隧道巖爆預測中的應用

圖3 三層BP網(wǎng)絡結構

表1 國內(nèi)外典型的巖爆實例

表2 武隆隧道K5+780斷面在埋深900m下巖爆預測情況

3.1 預裂爆破BP神經(jīng)網(wǎng)絡優(yōu)化模型的確定

這里選用典型的三層前向反傳播網(wǎng)絡，網(wǎng)絡結構見圖3。它采用前向三層反傳學習算法，一個最基本的BP網(wǎng)絡由輸入層、中間隱含層、輸出層三層構成，各層單元的激發(fā)函數(shù)用S型函數(shù)，這種網(wǎng)絡具有高度非線性映射能力，是一種良好、穩(wěn)健的模式識別方法。

在綜合參考了前人研究成果及各種判別準則[1][2][4][5]，本文采用σθ,σc,σt,σθ/σc，σc/σt和Wet6個指標為輸入變量。σθ反映了巖爆發(fā)生的外因即地應力特征；發(fā)生巖爆的巖石是致密的,影響巖爆的最主要巖性是單軸抗壓強度和單軸抗拉強度σc、σt；Wet反映了巖爆發(fā)生的內(nèi)因即巖石積聚彈性能的能力；綜合Russenes，Turchaninov，Hoek等人的經(jīng)驗判據(jù)而引入σθ/σc；在陸家佑提出的巖爆判據(jù)中,當σθ/σc滿足σθ/σc≥Ks時將產(chǎn)生巖爆，參數(shù)Ks的選取與巖石單軸抗拉強度與抗壓強度之比σt/σc有關，所以巖爆烈度與σc/σt有關，σc/σt較小時,發(fā)生巖爆時烈度較大，σc/σt較大時,烈度較小。如果將巖爆分為4級，輸出層取4個二值型神經(jīng)元，以表示巖爆分級，這里規(guī)定(1,0,0,0)表示強巖爆，(0,1，0,0)表示中級巖爆，(0,0，1，0)表示弱級巖爆，(0,0, 0,1)表示無巖爆。取隱含層的單元數(shù)為15。

3.2 BP神經(jīng)網(wǎng)絡的訓練

訓練樣本是根據(jù)國內(nèi)外典型的20個巖爆實例，具體數(shù)據(jù)如表1所示[1][2][4][5]。

η是一個控制學習速度的正常數(shù)，即學習速率，也叫步長，通常小于1，學習速率取值過大，學習速度加快，但可能導致不收斂；取值太小，則迭代次數(shù)會明顯增加，會導致學習速度減慢；α也是一個正常數(shù)，即動量因子(Momentum Factor)，增加該項可略微加快收斂速度，并使收斂過程中權值變化比較平滑[3]。這里取η為0.9，取α為0.7，訓練的最大系統(tǒng)誤差設為1X10-5，訓練的最大個體誤差設為1X10-6，經(jīng)過55406次循環(huán)后訓練結束，且系統(tǒng)誤差小于1X10-5。

4 利用BP神經(jīng)網(wǎng)絡預測武隆隧道巖爆

選取武隆隧道K5+780斷面是隧道埋深900m的情況，該斷面巖性是二疊系吳家坪組灰?guī)r，其力學參數(shù)和預測結果見表2。根據(jù)預測結果，該斷面可能發(fā)生較弱的巖爆。實際開挖到該斷面時，即出現(xiàn)輕微圍巖壁面爆裂，并日趨明顯，屬輕微巖爆，由此可見預測的結果是可靠的。

5 結論

（1）巖爆的發(fā)生受多種因素的影響。正確選擇影響巖爆的一些主要因素進行分析,則可能得到預測巖爆的合理判據(jù)。本文在巖爆成因分析及實例計算表明的基礎上,選擇圍巖地下洞室最大的切向應力、巖石單軸抗壓強度、巖石單軸抗拉強度、巖石彈性能量指數(shù)、圍巖最大切向應力與巖石抗壓強度的比值σθ/σc和巖石抗壓強度與抗拉強度的比值σc/σt這六個指標作為人工神經(jīng)網(wǎng)絡巖爆預測分析的主要因素是可行的。

（2）利用學習后的BP網(wǎng)絡對武隆隧道K5+780斷面進行的巖爆預測分析結果是可靠的。

[1]白明洲,等.巖爆危險性預測的神經(jīng)網(wǎng)絡模型及應用研究[J].中國安全科學學報,2002,12(4):65-69.

[2]王元漢,等.巖爆預測的模糊數(shù)學綜合評判方法[J].巖石力學與工程學報,1998,17(5):493-501.

[3]王心飛.路塹邊坡開挖預裂爆破設計專家系統(tǒng)的研究及應用[D].重慶大學資源與環(huán)境科學學院碩士學位論文,2003: 1-3.

[4]陳海軍,等.巖爆預測的人工神經(jīng)網(wǎng)絡模型[J].巖土工程學報,2002,24(2):229-232.

[5]丁向東,等.巖爆分類的人工神經(jīng)網(wǎng)絡預測方法[J].河海大學學報,2003,31(4):424-427.

責任編輯：余詠梅

Neural Network and Its Application to Predict Rock Burst

Rock burst is one of the main geological hazards occurred in the construction of Rock Tunnel during the excavation process in regions with high geo-stress.Its occurrence caused great threat to the production safety of the tunnel construction enterprises.Prediction of the possibility and degree of rock bursts is a major problem to be solved for design,construction and safe production of this type of tunnels.This paper,according to the conditions of the tunnel rock burst,based on rock burst in tunnel and underground works at home and abroad,and using artificial neural network method,established an evaluation model for rock-burst risk forecasting and use VC++6.0 to implement the evaluation model.The application of the prediction has achieved great success in the rock burst in Wulong Tunnel.

BP neural network;Wulong Tunnel;rock burst prediction

U455.6

A

1671-9107（2011）07-0033-04

10.3969／j.issn.1671-9107.2011.07.033

2011-05-30

倪富來（1976-），男，工程師，主要從事土木工程、高速公路施工工作。