張樂文，張德永，邱道宏

（1. 山東大學 巖土與結構工程研究中心，濟南 250061；2. 中國石油天然氣工程建設公司巖土公司，山東 青島 266071）

1 引 言

現(xiàn)場實測地應力和利用實測地應力數(shù)據(jù)進行初始地應力場的反演是獲取地應力的兩種主要方法。大量的地應力測試結果表現(xiàn)出很高的離散性，據(jù)國內(nèi)外的統(tǒng)計資料顯示，初始地應力值測量結果的誤差可達 25%～30%[1]，并且大量的地應力測量費時較長、耗資巨大。在進行少量地應力測量的基礎上，利用數(shù)值方法進行原始地應力場的模擬來獲得研究區(qū)域的地應力參數(shù)是目前普遍采用的方法[2－5]。

地應力場的反演分析一般采用數(shù)值分析方法，按反演過程的不同，主要分為直接調(diào)整邊界條件法和多元回歸分析法[6－7]兩類，前者測點較多時工作量大，確定最佳擬合程度的人為誤差較大，且反演分析的解不是惟一的；后者難以反映定性的已知信息，在地應力測點數(shù)較少時精度難以滿足要求[8]。

當研究區(qū)域含有不同結構、不同巖性的地質體，地質構造非常復雜時，人們很難了解其內(nèi)部組成的結構狀態(tài)，只能通過它的外部聯(lián)系來推測內(nèi)部結構信息，因此，采用現(xiàn)代智能方法如人工神經(jīng)網(wǎng)絡是一種有效的解決手段。人工神經(jīng)網(wǎng)絡是一種多元非線性動力學系統(tǒng)，具有高度的非線性映射能力、良好的自適應性、自組織性和很強的自學習能力[9]，可以方便地對多因素影響的復雜未知系統(tǒng)進行建模分析。徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡是一種局部逼近網(wǎng)絡，與其他神經(jīng)網(wǎng)絡模型如BP神經(jīng)網(wǎng)絡相比，在逼近能力、學習速度、泛化能力上有很大的優(yōu)勢，已廣泛應用于工程風險評估領域[10]。金長宇等[11]嘗試利用 RBF神經(jīng)網(wǎng)絡進行巖體力學參數(shù)和地應力反演研究，但反演的參數(shù)有限，每種工況下側壓力系取定值，地質力學模型未考慮地質條件復雜性，邊界條件單一，與工程實際情況有一定差距。

針對以上存在的問題，本文在確定反演巖體力學參數(shù)時全面考慮了地質力學模型的影響因素，在反演地質力學模型邊界條件時采用了隨深度遞減的側壓力系數(shù)，使用了應力和位移的混合邊界條件，同時考慮了研究區(qū)域復雜的地質條件，因此，模擬工況更加符合工程實際。

2 RBF神經(jīng)網(wǎng)絡理論

RBF神經(jīng)網(wǎng)絡是一種前向分析網(wǎng)絡，由輸入層、隱層和輸出層構成，設輸入維數(shù)為n，隱層單元數(shù)為k，輸出維數(shù)為m，網(wǎng)絡拓撲結構如圖1所示。

RBF神經(jīng)網(wǎng)絡隱層是非線性的，輸入層、輸出層是簡單的線性函數(shù)，當然輸出層也可以采用其他非線性函數(shù)，如Sigmoid函數(shù)。常用的隱層徑向基函數(shù)有高斯函數(shù)、逆多二次函數(shù)和Reflected Sigmoid函數(shù)[12]，本文使用高斯函數(shù)作為徑向基函數(shù)。

RBF神經(jīng)網(wǎng)絡的映射關系由兩部分組成：

第 1部分為輸入層到隱層的非線性變換。第 i個隱單元為

第2部分為隱層到輸出層的簡單線性合并。第j個輸出單元為

式中：wij為第i個隱層到第j個輸出層單元的權值。與每個輸出節(jié)點相連的第i個隱層單元的所有參數(shù)可用三元組(Ci, σi, wij)表示。這3部分參數(shù)在映射中所起的作用是不同的。隱層的中心和寬度代表了樣本空間模式及各中心的相對位置，完成的是從輸入空間到隱層空間的非線性映射；而輸出層的權值是實現(xiàn)從隱層空間到輸出空間的線性映射。

RBF神經(jīng)網(wǎng)絡一般是利用其3層結構特點來設計學習算法。第1步確定網(wǎng)絡隱層單元的中心和寬度，采用無監(jiān)督學習的最近鄰聚類算法；第2步利用簡單線性優(yōu)化算法確定網(wǎng)絡輸出的權值，學習時采用有監(jiān)督學習，從而可以加快學習速度和避免局部最優(yōu)，因此，RBF神經(jīng)網(wǎng)絡得到了廣泛的應用。

3 RBF神經(jīng)網(wǎng)絡地應力反演數(shù)學模型

使用 RBF神經(jīng)網(wǎng)絡數(shù)學模型反演巖體力學參數(shù)和初始地應力的技術路線如圖2所示，分為如下幾個步驟：

（1）根據(jù)工程實際地質資料，建立正分析地質力學模型。調(diào)整巖體力學參數(shù)和邊界條件，代入地質力學模型進行正分析計算，獲得不同巖體力學參數(shù)和不同邊界條件下的若干代表點的地應力值。把獲得的地應力值作為輸入向量，巖體力學參數(shù)和模型邊界條件作為輸出向量，建立RBF神經(jīng)網(wǎng)絡的學習樣本。

（2）把學習樣本代入RBF神經(jīng)網(wǎng)絡模型進行訓練，經(jīng)過RBF神經(jīng)網(wǎng)絡隱層的無監(jiān)督訓練和輸出層的有監(jiān)督訓練，建立輸入向量-輸出向量之間的非線性映射關系。

（3）將檢驗樣本作為輸入向量代入BRF神經(jīng)網(wǎng)絡模型，檢查輸出向量是否符合工程實際情況。如果符合，則第2步建立的映射關系滿足要求；如果不符合，則需要重新將學習樣本代入RBF神經(jīng)網(wǎng)絡進行訓練，直到輸入-輸出向量之間的映射關系滿足要求為止。

（4）把實測點地應力數(shù)據(jù)代入訓練好的RBF神經(jīng)網(wǎng)絡，輸出向量即是相應的巖體力學參數(shù)和地質力學模型邊界條件。

（5）把上一步的反演結果代入三維地質力學模型中進行正分析計算，即可得到模型中任意一點的地應力值。需要注意的是，由于“邊界效應”的影響，模型邊界處的地應力值可能與實測值有較大差距。

圖2 RBF神經(jīng)網(wǎng)絡反演模型技術路線Fig.2 Mathematical back analysis model of RBF neural network

4 工程應用

4.1 建立三維地質力學模型

依托四川省甘孜州江邊水電站引水隧洞穿越地區(qū)的地質資料，在大型通用有限元分析軟件ANSYS中建模并劃分網(wǎng)格，然后導入快速拉格朗日有限差分軟件 FLAC3D中進行相關計算。模型地表完全按照工程實際情況建模，未作簡化處理，斷層破碎帶和蝕變帶進行適當簡化，最大程度地保持與工程實際的一致性。為了減小“邊界效應”的影響，模型選取了足夠大的模擬范圍；X軸方向沿隧洞軸線方向（S78°E），模擬長度為8000 m；Y軸方向與X軸方向垂直，模擬長度為5000 m；Z軸正方向為鉛直向上，模擬范圍為0～3500 m。三維地質力學模型的網(wǎng)格劃分如圖3所示，共劃分四面體和六面體等參單元40691個。地質力學模型按照工程實際地質情況依次劃分成7組，group1、group3為黑云母花崗巖，group5、group7為黑云母石英片巖，現(xiàn)場實測二者巖體力學參數(shù)十分相近，為A組；group4為以上兩種不同巖性交界處發(fā)育的蝕變帶，為B組；group2、group6為較大的斷層破碎帶，為C組；根據(jù)不同的巖體力學參數(shù)分為A、B、C共3組。

圖3 三維地質力學模型網(wǎng)格劃分Fig.3 Meshes of 3D geological model

4.2 確定反演參數(shù)

FLAC3D正分析模型采用摩爾-庫侖破壞準則，需要反演的巖體力學參數(shù)主要有巖石彈性模量、泊松比、密度、凝聚力、內(nèi)摩擦角和抗拉強度，對初始地應力場有較大影響的主要是巖石彈性模量、泊松比和密度。初始地應力場主要由自重應力場和構造應力場組成，側壓力系數(shù)用λ表示，根據(jù)工程實測數(shù)據(jù)，側壓力系數(shù)隨深度每百米遞減約 4%，若側壓力系數(shù)小于0.5，則按靜水壓力計算；在地質力學模型中加入剪應力邊界條件可獲得更精確的模擬效果，同時也更符合實際情況[13－14]，在地質力學模型與Z軸平行的4個平面的節(jié)點上分別施加不同的位移來實現(xiàn) XY平面內(nèi)剪切應力場的模擬。對于FLAC3D，位移 D等于節(jié)點速度 V乘以計算步 N（D=V×N），計算收斂步數(shù)可確定，因此，可把節(jié)點初始速度V作為反演參數(shù)。綜上所述，需要反演的巖體力學參數(shù)主要有彈性模量 E、泊松比 μ、密度ρ，需要反演的邊界條件有X方向側壓力系數(shù)λx、Y方向側壓力系數(shù)λy、XZ平面節(jié)點速度Vx、YZ平面節(jié)點速度Vy。

4.3 反演過程

第1步：正分析計算。

將第 1～15組巖體力學參數(shù)和邊界條件代入FLAC3D地質力學模型進行正分析計算，得到對應的15組（每組6個測點）“實際測點”的3個主應力值。把15組主應力值作為RBF神經(jīng)網(wǎng)絡的輸入向量，15組巖體力學參數(shù)和邊界條件作為RBF神經(jīng)網(wǎng)絡的輸出向量。

第2步：RBF神經(jīng)網(wǎng)絡訓練。

將所有15組輸入向量和輸出向量按式（3）進行歸一化處理，將數(shù)據(jù)處理為區(qū)間[0,1]之間，如表1所示。由于篇幅所限，僅列出輸出向量中地質力學模型第1組和第2組巖體力學參數(shù)中的彈性模量E、泊松比μ、密度ρ與邊界條件的側壓力系數(shù)λ和節(jié)點速度V。將歸一化的輸入向量和輸出向量代入RBF神經(jīng)網(wǎng)絡模型進行訓練，RBF神經(jīng)網(wǎng)絡的學習速度非?？欤降?9步時即可達到給定誤差ε=0.01的要求。

第3步：RBF神經(jīng)網(wǎng)絡模型檢驗。

將第 16組歸一化后的巖體力學參數(shù)和邊界條件參數(shù)代入三維地質力學模型進行正分析計算，將計算所得的6個測點地應力值歸一化后作為輸入向量，代入第2步訓練好的RBF神經(jīng)網(wǎng)絡進行反演，再將反演的巖體力學參數(shù)和邊界條件代入三維地應力模型進行計算，將所得結果同本步前面正分析計算出的一組地應力值進行比對，滿足工程精度要求，說明完成訓練的 RBF神經(jīng)網(wǎng)絡滿足三維地質力學模型的計算要求。

表1 反演參數(shù)歸一化Table 1 Normalized back analysis parameters

第4步：實測點地應力值反演。

將工程前期勘測資料的6個測點（見圖4）的地應力實測值作為輸入向量代入第3步中檢驗好的RBF神經(jīng)網(wǎng)絡，得到相應的巖體力學參數(shù)和邊界條件，把得到的參數(shù)代入三維地質力學模型中進行計算，可得到該6個測點初始地應力的反演結果（見表2）。由表2可知，反演結果的最大誤差為20.8%，最小誤差為0.72%，可見基于RBF神經(jīng)網(wǎng)絡的初始地應力反演是可行的。

本文同時計算了固定側壓力系數(shù)和僅施加應力邊界條件的工況，記為工況 2；以便同使用隨深度變化的側壓力系數(shù)和混合邊界條件的工況（工況1）對地應力反演的效果進行對比。工況2的計算結果表明，反演結果的最大相對誤差為26.80%，最小為5.02%，明顯大于工況 1的反演誤差（最大相對誤差為20.8%，最小為0.72%）。

圖4 地應力實測點位置Fig.4 Positions of geostress measured points

表2 反演地應力值與實測地應力值比較Table 2 Comparison of geostress values between back analysis and measurement

4.4 反演結果分析

圖5為三維地質力學模型反演的研究區(qū)域的最大主應力云圖，圖6為引水隧洞軸線剖面的最大主應力等值線圖。

圖5 最大主應力云圖Fig.5 Nephogram of maximum principal stresses

圖6 引水隧洞軸線方向最大主應力等值線Fig.6 Maximum principal stress contours along cross-section of diversion tunnel axis

從圖5、6可以看出，區(qū)域最大主應力為-90 MPa左右，斷層破碎帶和蝕變帶附近的最大主應力值明顯低于同一高程上的其他區(qū)域，與實測地應力結果相符，說明反演結果是合理的。

5 結 論

（1）建立符合工程實際地質條件的三維地質正分析模型對反演結果的精度有著至關重要的影響，地質力學模型正分析過程中使用隨深度變化的側壓力系數(shù)和使用應力與位移結合的混合邊界條件更加符合工程實際，得到了更加精確的反演結果。

（2）RBF神經(jīng)網(wǎng)絡能夠精確擬合出輸入-輸出非線性映射關系的關鍵是選擇科學合理的學習樣本，學習樣本要有足夠多的數(shù)量和盡量大的分布空間。應用表明，RBF神經(jīng)網(wǎng)絡具有較好的內(nèi)插功能，而外延能力較弱，因此，在建立學習樣本時，要使樣本分布空間包涵所反演的參數(shù)估計值。

[1] 蔣中明, 徐衛(wèi)亞, 邵建富. 基于人工神經(jīng)網(wǎng)絡的初始地應力場三維反分析[J]. 河海大學學報, 2002, 30(3): 52－56.JIANG Zhong-ming, XU Wei-ya, SHAO Jian-fu.ANN-based 3-D back analysis of initial stress in rock masses[J]. Journal of Hohai University, 2002, 30(3): 52－56.

[2] 易達, 徐明毅, 陳勝宏, 等. 人工神經(jīng)網(wǎng)絡在巖體初始應力場反演中的應用[J]. 巖土力學, 2004, 25(6): 943－946.YI Da, XU Ming-yi, CHEN Sheng-hong, et al.Application of artificial neural network to back analysis of initial stress field of rock masses[J]. Rock and Soil Mechanics, 2004, 25(6): 943－946.

[3] 張樂文, 丁萬濤, 李術才. 巖體參數(shù)反演計算的穩(wěn)定性研究[J]. 土木工程學報, 2005, 38(5): 82－86.ZHANG Le-wen, DING Wan-tao, LI Shu-cai. A displacement-based inverse analysis of rockmass parameters for rock stability evaluation[J]. China Civil Engineering Journal, 2005, 38(5): 82－86.

[4] 付成華, 汪衛(wèi)明, 陳勝宏. 溪洛渡水電站壩區(qū)初始地應力場反演分析研究[J]. 巖石力學與工程學報, 2006,25(11): 2305－2312.FU Cheng-hua, WANG Wei-ming, CHEN Sheng-hong.Back analysis study of initial geostress field of dam site for Xiluodu hydropower project[J]. Chinese Journal of Rock Mechanics and Engineering, 2006, 25(11): 2305－2312.

[5] 柴賀軍, 劉浩吾, 王明華. 大型電站壩區(qū)應力場三維彈塑性有限元模擬與擬合[J]. 巖石力學與工程學報,2002, 21(9): 1314－1318.CHAI He-jun, LIU Hao-wu, WANG Ming-hua. Stress field simulation and fitting by 3D elasticity FEM for large hydropower project[J]. Chinese Journal of Rock Mechanics and Engineering, 2002, 21(9): 1314－1318.

[6] 李永松, 尹健民, 艾凱, 等. 地應力回歸分析方法與工程應用實例[J]. 長江科學院院報, 2006, 23(4): 41－45.LI Yong-song, YIN Jian-min, AI Kai, et al. Geostress regression analysis method and engineering case application[J]. Journal of Yangtze River Scientific Research Institute, 2006, 23(4): 41－45.

[7] 谷艷昌, 鄭東健, 郭航忠. 小灣水電站壩址區(qū)三維初始地應力場反演回歸分析[J]. 巖土力學, 2008, 29(4):1015－1020.GU Yan-chang, ZHENG Dong-jian, GUO Hang-zhong.Regression analysis of 3D initial geostress field for dam site of Xiaowan Hydropower Station[J]. Rock and Soil Mechanics, 2008, 29(4): 1015－1020.

[8] 尚岳全. 巖體穩(wěn)定和區(qū)域穩(wěn)定數(shù)值模擬模型邊界條件確定方法[J]. 巖石力學與工程學報, 1999, 18(2): 201－204.SHANG Yue-quan. The ways of determining boundary conditions in geomechanical numerical simulation[J].Chinese Journal of Rock Mechanics and Engineering,1999, 18(2): 201－204.

[9] 孫煒鋒, 譚成軒, 王志明, 等. 基于 BP神經(jīng)網(wǎng)絡的深埋隧洞地應力預測研究[J]. 地質力學學報, 2007, 13(3):227－232.SUN Wei-feng, TAN Cheng-xuan, WANG Zhi-ming, et al.Prediction of crustal stress of deep-buried tunnels based on BP artificial neural network[J]. Journal of Geomechanics, 2007, 13(3): 227－232.

[10] 畢衛(wèi)華, 譚曉慧, 侯曉亮, 等. 基于RBF神經(jīng)網(wǎng)絡的邊坡穩(wěn)定可靠度分析[J]. 地下空間與工程學報, 2010,6(2): 423－428.BI Wei-hua, TAN Xiao-hui, HOU Xiao-liang, et al.Reliability analysis of slope based on RBF neural network[J]. Chinese Journal of Underground Space and Engineering, 2010, 6(2): 423－428.

[11] 金長宇, 馬震岳, 張運良, 等. 神經(jīng)網(wǎng)絡在巖體力學參數(shù)和地應力場反演中的應用[J]. 巖土力學, 2006, 27(8):1263－1271.JIN Chang-yu, MA Zhen-yue, ZHANG Yun-liang, et al.Application of neural network to back analysis of mechanical parameters and initial stress field of rock masses [J]. Rock and Soil Mechanics, 2006, 27(8): 1263－1271.

[12] 田景文. 人工神經(jīng)網(wǎng)絡算法研究及應用[M]. 北京: 北京理工大學出版社, 2006.

[13] 張奇華, 鐘作武, 龔壁新. 施加邊界位移產(chǎn)生純剪應力及反分析應用[J]. 長江科學院院報, 2000, 17(2): 34－36.ZHANG Qi-hua, ZHONG Zuo-wu, GONG Bi-xin.Method of generating pure shear stress by adding boundary displacement and its application in back analysis for geostress field[J]. Journal of Yangtze River Scientific Research Institute, 2000, 17(2): 34－36.

[14] 郭明偉, 李春光, 王水林, 等. 優(yōu)化位移邊界反演三維初始地應力場的研究[J]. 巖土力學, 2008, 29(5): 1269－1274.GUO Ming-wei, LI Chun-guang, WANG Shui-lin, et al.Study of inverse analysis of 3-D initial geostress field with optimized displacement boundaries[J]. Rock and Soil Mechanics, 2008, 29(5): 1269－1274.