劉曉陽， 胡江春， 王紅芳， 郭乃勝

(中原工學(xué)院， 鄭州 450007)

?

基于BP神經(jīng)網(wǎng)絡(luò)的帷幕注漿量預(yù)測模型研究

劉曉陽， 胡江春， 王紅芳， 郭乃勝

(中原工學(xué)院， 鄭州 450007)

摘要：在帷幕注漿工程中，注漿量預(yù)測具有重要的實際應(yīng)用價值。利用Matlab神經(jīng)網(wǎng)絡(luò)功能，通過編寫預(yù)測注漿量的程序，建立了預(yù)測帷幕注漿量的BP神經(jīng)網(wǎng)絡(luò)模型，得出了注漿量與影響因子的非線性關(guān)系。結(jié)合工程實例，分別對注漿段和注漿孔進行了注漿量預(yù)測，并將注漿量預(yù)測值與實測值進行了比較分析。結(jié)果表明，在帷幕注漿工程中，BP神經(jīng)網(wǎng)絡(luò)模型對注漿量的預(yù)測誤差較低，預(yù)測效果良好。

關(guān)鍵詞：帷幕注漿；BP神經(jīng)網(wǎng)絡(luò)；注漿量；預(yù)測

巖體及土體性質(zhì)復(fù)雜，其裂隙的發(fā)育程度、大小、分布情況難以判斷，其賦存特征是影響巖體工程注漿量的主要因素。注漿量的預(yù)測在工程中具有重要的實際應(yīng)用價值。在注漿設(shè)計與施工中，注漿量的預(yù)測與注漿過程的控制以技術(shù)人員的工程經(jīng)驗為基礎(chǔ)。傳統(tǒng)的實驗室模擬、工程類比等方法對注漿量的預(yù)測偏差較大[1]。因此，如何構(gòu)建預(yù)測能力強的模型以較準確地預(yù)測注漿量，是工程預(yù)測研究領(lǐng)域內(nèi)的一個難點。

傳統(tǒng)的用于注漿量預(yù)測的建模方法主要是時間序列分析方法[1-3]，該方法本質(zhì)上屬于回歸分析，是用確定的模型表達變量之間的函數(shù)關(guān)系。然而，由于工程地質(zhì)條件的復(fù)雜性及巖土體特征性參數(shù)的不確定性，難以用準確的數(shù)學(xué)模型去描述這種關(guān)系。王述紅等提出了一種巖體微裂隙注漿量預(yù)測的新方法——人工神經(jīng)網(wǎng)絡(luò)方法，并得出了這種方法比其他方法有更高精度的結(jié)論[4]。人工神經(jīng)網(wǎng)絡(luò)是基于對生物大腦的結(jié)構(gòu)和功能進行模仿，通過神經(jīng)元之間的互連，運用一定的數(shù)學(xué)物理方法來實現(xiàn)類似人在語言和圖像處理上的能力而構(gòu)成的一種新型信息處理體系。BP神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)中最具代表性和使用最廣泛的一種，其結(jié)構(gòu)簡單，可操作性強，能模擬任意的非線性輸入輸出關(guān)系[5-7]。

帷幕注漿系統(tǒng)是復(fù)雜開放的系統(tǒng)，影響注漿量的因素很多，包括注漿覆蓋層重量、巖體和土體的性質(zhì)、裂隙結(jié)構(gòu)特征、注漿壓力、注漿段長度等。這些因素具有模糊性、隨機性的特點，它們互相影響，使?jié){液在裂隙中的滲流特性顯現(xiàn)出復(fù)雜的非線性關(guān)系[8]。

本文建立了一種帷幕注漿量的預(yù)測模型，利用BP神經(jīng)網(wǎng)絡(luò)的高度非線性映射能力，構(gòu)建注漿量與影響因子之間的非線性關(guān)系，從而實現(xiàn)對注漿量的預(yù)測。

1基于BP神經(jīng)網(wǎng)絡(luò)的帷幕注漿量預(yù)測模型

1.1工程概況

本文結(jié)合內(nèi)蒙古前夭子水庫右岸山體帷幕注漿工程建立帷幕注漿量預(yù)測模型。前夭子水庫位于黃河一級支流渾河中游，坐落在內(nèi)蒙古自治區(qū)和林格爾縣新店子鎮(zhèn)下惱亥村，距和林格爾縣城44 km。工程區(qū)的巖石主要為太古界桑干群花崗片麻巖、閃長巖，第三系中、上新統(tǒng)玄武巖。第四系地層上部為低液限黏土，局部夾級配不良礫。河床及主要溝谷由沖積層構(gòu)成。堆積物為沖積砂土及洪積礫石、碎塊石等。該區(qū)因受華夏構(gòu)造體系的影響，構(gòu)造較發(fā)育，左岸有揭露斷層7條、節(jié)理3組。

庫區(qū)右岸山體防滲工程主要包括庫區(qū)右岸山體帷幕注漿等建筑工程及相應(yīng)的臨時工程。帷幕注漿均采用孔口封閉、自上而下分段、孔內(nèi)循環(huán)注漿方法。

1.2主要影響因素分析與確定

在建立注漿量預(yù)測模型的過程中，主要考慮的影響因素包括注漿段段長、呂榮值、注漿起始注率和注漿壓力。

以前夭子水庫右岸山體帷幕注漿工程監(jiān)測數(shù)據(jù)為基礎(chǔ)建立BP神經(jīng)網(wǎng)絡(luò)模型。選取影響注漿量的4個影響因素組成輸入向量P，包括注漿段長、呂榮值、注漿起始注率、注漿壓力；以預(yù)測出的注漿量為輸出向量T。選取編號為Ⅱ-1-1、Ⅱ-1-2、Ⅱ-1-3的3個注漿孔的實測數(shù)據(jù)為學(xué)習(xí)樣本，其中每個注漿孔包含9個注漿段。

1.3BP 神經(jīng)網(wǎng)絡(luò)注漿量預(yù)測模型的構(gòu)建

采取BP神經(jīng)網(wǎng)絡(luò)模型進行預(yù)測時，所選取的影響因素的重要程度不同。為了保證各影響因素具有同等重要的地位，從而使網(wǎng)絡(luò)訓(xùn)練精確，并提高網(wǎng)絡(luò)的收斂速度，必須對輸入和輸出的數(shù)據(jù)進行歸一化預(yù)處理，讓各分量的物理意義相同且為同一量綱[9]。數(shù)據(jù)歸一化可在Matlab中用自帶函數(shù)mapminmax實現(xiàn)。

另外，還需要初始化網(wǎng)絡(luò)的權(quán)值和閾值，確定輸入層、隱藏層和輸出層節(jié)點數(shù)，給定學(xué)習(xí)速率和神經(jīng)元傳遞函數(shù)和學(xué)習(xí)函數(shù)。根據(jù)選取的輸入向量和輸出向量，確定注漿量預(yù)測模型網(wǎng)絡(luò)輸入層節(jié)點個數(shù)為4，網(wǎng)絡(luò)輸出層節(jié)點個數(shù)為1，得出網(wǎng)絡(luò)隱含層節(jié)點個數(shù)為9(經(jīng)驗公式為：m=2n+1，n為網(wǎng)絡(luò)輸入層的節(jié)點個數(shù)，m為網(wǎng)絡(luò)隱含層的節(jié)點個數(shù))。將傳遞函數(shù)設(shè)為logsig，學(xué)習(xí)函數(shù)設(shè)為trainlm，訓(xùn)練次數(shù)設(shè)為50 000次，學(xué)習(xí)速率設(shè)為0.01，訓(xùn)練目標精度定為0.000 01。 其他參數(shù)均設(shè)為系統(tǒng)默認值。

為防止網(wǎng)絡(luò)訓(xùn)練出現(xiàn)過擬合狀態(tài)，應(yīng)設(shè)置變量數(shù)據(jù)[10]。將孔Ⅱ-1-4的實測數(shù)據(jù)設(shè)置為變量數(shù)據(jù)，如表1所示。

表1　變量數(shù)據(jù)

2工程注漿量預(yù)測分析

2.1工程注漿量預(yù)測

根據(jù)以上分析，設(shè)置好學(xué)習(xí)樣本、變量數(shù)據(jù)及各參數(shù)后，編輯程序命令，用train函數(shù)對網(wǎng)絡(luò)進行訓(xùn)練和驗證。首先對注漿孔Ⅱ-1-5的9個注漿段進行注漿量預(yù)測。根據(jù)現(xiàn)場實測數(shù)據(jù)確定輸入向量P，將其代入訓(xùn)練后的網(wǎng)絡(luò)模型。命令網(wǎng)絡(luò)模型進行計算并得出輸出向量T，即注漿量的預(yù)測值。如表2所示。

將孔Ⅱ-1-5中各個注漿段的注漿量預(yù)測值與實測值進行對比，如圖1所示。

表2　孔Ⅱ-1-5的BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果

圖1　孔Ⅱ-1-5注漿量實際值與預(yù)測值對比圖

表3所示為孔Ⅱ-1-5中各注漿段的注漿預(yù)測值與工程實際值對比情況。從表3可看出，預(yù)測值除了第4、9段誤差較大外，其他7段相對誤差均在15%以內(nèi)。其中，有5段相對誤差在10%以內(nèi)，3段在5%以內(nèi)，2段在1%以內(nèi)。造成誤差過大的原因有：程序的系統(tǒng)誤差；被注漿地層的不連續(xù)和不確定性。對于整個注漿孔來說，相對誤差達到了0.05%。BP神經(jīng)網(wǎng)絡(luò)模型對各個注漿段注漿量的預(yù)測值在一定范圍內(nèi)準確度相對較高，對整孔注漿量的預(yù)測值的準確度非常高。

依次對編號為Ⅱ-1-6、Ⅱ-1-7、Ⅱ-1-8、Ⅱ-1-9的4個孔進行預(yù)測。將4個孔的輸入向量分別代入訓(xùn)練好的網(wǎng)絡(luò)，得到這4個注漿孔(36個注漿段)注漿量的預(yù)測結(jié)果。預(yù)測值與實測值的比較情況如表4-表7所示。

表3　孔Ⅱ-1-5各段的注漿量預(yù)測值與實測值的對比表

表4　孔Ⅱ-1-6各段注漿量預(yù)測值與實測值的對比表

表5　孔Ⅱ-1-7各段注漿量預(yù)測值與實測值的對比表

表6　孔Ⅱ-1-8各段注漿量預(yù)測值與實測值的對比表

表7　孔Ⅱ-1-9各段注漿量預(yù)測值與實測值的對比表

2.2注漿量預(yù)測結(jié)果分析

首先分析孔Ⅱ-1-5、Ⅱ-1-6、Ⅱ-1-7、Ⅱ-1-8、Ⅱ-1-9的45個注漿段注漿量的BP神經(jīng)網(wǎng)絡(luò)預(yù)測效果(表3—表7)。通過圖2可以發(fā)現(xiàn)，這45個注漿段注漿量預(yù)測值與實測值的相對誤差分布情況為：相對誤差在1%以內(nèi)的注漿段有4段；相對誤差在1%～5%范圍內(nèi)的注漿段有6段；相對誤差在5%～10%范圍內(nèi)的注漿段最多，為15段；相對誤差在10%～15%范圍內(nèi)的注漿段有7段；相對誤差在15%～20%范圍內(nèi)的注漿段有2段；相對誤差在20%以上的注漿段有11段。從圖3可以看出，預(yù)測注漿量與實際注漿量的誤差非常小，5個孔的相對誤差分別為0.05%、2.51%、0.51%、1.65%、0.23%，預(yù)測結(jié)果相當(dāng)準確。可以發(fā)現(xiàn)，BP神經(jīng)網(wǎng)絡(luò)發(fā)揮

了人工智能的自主學(xué)習(xí)和預(yù)測功能，使施工方案優(yōu)選科學(xué)化、自動化，實現(xiàn)了大型復(fù)雜工程設(shè)計計算的優(yōu)化。

圖2　孔Ⅱ-1-5～Ⅱ-1-9中45個注漿段注漿量預(yù)測值與實際值相對誤差分布情況

圖3　孔Ⅱ-1-5～Ⅱ-1-9 的注漿量預(yù)測值與實測值的比較圖

3結(jié)語

本文結(jié)合工程實例建立了帷幕注漿量預(yù)測的BP神經(jīng)網(wǎng)絡(luò)模型，進行了預(yù)測分析，得出了以下結(jié)論：

(1)BP神經(jīng)網(wǎng)絡(luò)模型對注漿孔的注漿量預(yù)測較準確，避免了人工運算方法易遺漏和繁瑣的弱點，大大提高了工作效率。

(2)該方法預(yù)測簡便、速度快，是帷幕分段注漿量預(yù)測的有效方法，對實際工程具有較高的參考價值。

但是，用BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測出的帷幕注漿量的準確度會受到學(xué)習(xí)樣本大小的影響，學(xué)習(xí)樣本越小，預(yù)測值與實測值的誤差就越大，只有當(dāng)學(xué)習(xí)樣本足夠大時，預(yù)測值才會比較準確。

參考文獻：

[1]郝哲,王介強,何修仁.巖體裂隙注漿的計算機模擬研究[J].巖土工程學(xué)報,1999,21(6):727—730.

[2]王述紅,田軍,劉斌,等.遺傳神經(jīng)網(wǎng)絡(luò)方法在大型地下結(jié)構(gòu)位移演化預(yù)測預(yù)報中應(yīng)用[J].東北大學(xué)學(xué)報(自然科學(xué)版),2000,22(5):84—87.

[3]劉勇,康立山,陳毓屏.非數(shù)值并行算法(第2冊):遺傳算法[M].北京:科學(xué)出版社,1997:122—148 .

[4]王述紅,郝哲.巖體微裂隙注漿量預(yù)測分析的遺傳神經(jīng)網(wǎng)絡(luò)方法[J].巖土工程學(xué)報,2001,23(5):572—575.

[5]張文鴿，吳澤寧，逯洪波.BP神經(jīng)網(wǎng)絡(luò)的改進及其應(yīng)用[J].河南科學(xué),2003,21(2):202—206.

[6]張五一，楊揚，林聰，等.基于Gabor濾波器組與BP神經(jīng)網(wǎng)絡(luò)的簾子布疵點檢測研究[J].中原工學(xué)院學(xué)報，2014.25(3)：1-6.

[7]楚艷艷，汪青，禹建麗，等.BP人工神經(jīng)網(wǎng)絡(luò)在估計織物熱濕阻方面的應(yīng)用[J].中原工學(xué)院學(xué)報，2006，17(4)：9-11.

[8]郭曉剛,孟山輝.基于LIBSVM的高面板壩趾板基礎(chǔ)灌漿智能預(yù)測[J].人民長江,2011,42(1):33-36.

[9]趙亞軍,張恩龍,鞏志忠.BP神經(jīng)網(wǎng)絡(luò)在邊坡穩(wěn)定性預(yù)測中的應(yīng)用[J].西部探礦工程,2014(2):23-28.

[10]李儉川,秦國軍,溫熙森,等.神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的過擬合問題及解決方法[J]. 振動測試與診斷,2002,22(4):260—264.

(責(zé)任編輯：張同學(xué))

Research on Curtain Grouting Quantity Predition Model Based on the BP Neural Network

LIU Xiao-yang, HU Jiang-chun, WANG Hong-fang, GUO Nai-sheng

(Zhongyuan University of Technology, Zhengzhou 450007, China)

Abstract:It has important practical application value to predict the grouting quantity during curtain grouting project. In this paper, the neural network function of MATLAB software is used to compile a program and to establish BP neural network prediction model of curtain grouting quantity, then the relationship between grouting quantity and influence factors is obtained. The grouting quantity of both grouting interval and the whole hole are also predicted, respectively. The results are analyzed and compared with the engineering example. It is shown that the prediction of curtain grouting quantity reaches the expected purpose by using the BP neural network.

Key words:curtain grouting; BP neural network; grouting quantity; prediction

中圖分類號：TU457

文獻標志碼：A

DOI:10.3969/j.issn.1671-6906.2016.01.014

文章編號：1671-6906(2016)01-0057-05

作者簡介：劉曉陽(1989—)，男，河南鶴壁人，碩士生，主要研究方向為巖土工程。

基金項目：國家自然科學(xué)基金項目(51074196；51574296)；河南理工大學(xué)深部礦井建設(shè)省重點學(xué)科開放實驗室開放基金項目(2014KF—03)

收稿日期：2015—09—22