彭麗娟 陳福成

(1.西安海棠職業(yè)學(xué)院，陜西 西安 710038； 2.陜西飛虹橋梁勘測設(shè)計(jì)研究有限公司，陜西 西安 710038)

?

基于BP神經(jīng)網(wǎng)絡(luò)的大跨軟巖隧道地表沉降預(yù)測

彭麗娟1陳福成2

(1.西安海棠職業(yè)學(xué)院，陜西 西安 710038； 2.陜西飛虹橋梁勘測設(shè)計(jì)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(jié)合BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，分析了隧道施工對(duì)地表沉降的影響，研究了在不同的樣本下預(yù)測結(jié)果的可信度，結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)預(yù)測的地表沉降精度與監(jiān)測數(shù)據(jù)的準(zhǔn)確度、預(yù)測的長度與隧道施工方案相關(guān)，隧道開挖工藝發(fā)生改變時(shí)，應(yīng)及時(shí)分析實(shí)時(shí)監(jiān)測數(shù)據(jù)，建立新的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型進(jìn)行地表沉降預(yù)測，以保障預(yù)測結(jié)果的可靠。

BP神經(jīng)網(wǎng)絡(luò)，大跨軟巖隧道，地表沉降，預(yù)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(dá)隧道施工過程中圍巖變形的時(shí)空效應(yīng)，已成為隧道建設(shè)過程中必不可少的監(jiān)測項(xiàng)目。然而，與隧道拱頂沉降等監(jiān)測項(xiàng)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(yù)測的需要，通過一種有效的預(yù)測手段，結(jié)合既有的監(jiān)測數(shù)據(jù)，預(yù)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(shù)參考。

鑒于其良好的非線性擬合能力和預(yù)測功能，BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型已廣泛應(yīng)用于隧道開挖施工過程中的變形預(yù)測。

周志廣[1]將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于沈陽地鐵一號(hào)線重啟區(qū)間隧道地面沉降位移的預(yù)測之中，并驗(yàn)證了其有效性。楊茜[2]采用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測方法，預(yù)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(luò)相結(jié)合，提出了隧道拱頂沉降預(yù)測的新方法。龍浩等[4]將BP神經(jīng)網(wǎng)絡(luò)—馬爾科夫鏈模型引入到某公路隧道拱頂下沉位移預(yù)測之中。亦有學(xué)者將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于山嶺隧道運(yùn)營階段的安全狀態(tài)評(píng)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(chǔ)，建立了該隧道地表沉降的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型。采用所構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型，研究隧道開挖施工過程對(duì)于地表沉降預(yù)測結(jié)果的影響。

1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)[6]拓?fù)浣Y(jié)構(gòu)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(gè)包含一層隱層的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

BP神經(jīng)網(wǎng)絡(luò)算法步驟如下：

1)網(wǎng)絡(luò)初始化：給定(-1,1)區(qū)間內(nèi)的隨機(jī)數(shù)，設(shè)定誤差函數(shù)e，計(jì)算精度ε的值和最大訓(xùn)練次數(shù)M。

2)隨機(jī)選取第k個(gè)輸入樣本以及相應(yīng)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(jì)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(quán)值；who為隱含層與輸出層的權(quán)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(jì)算神經(jīng)網(wǎng)絡(luò)實(shí)際輸出和期望輸出。

(7)

(8)

(9)

5)計(jì)算誤差函數(shù)對(duì)隱含層各神經(jīng)元的偏導(dǎo)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(quán)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(quán)。

(13)

(14)

8)計(jì)算全局誤差。

(15)

2 工程實(shí)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(huì)(ITA)隧道大斷面判別標(biāo)準(zhǔn)[7]，金盆灣隧道屬于超大斷面隧道。

表1 國際隧道協(xié)會(huì)(ITA)隧道大斷面判別標(biāo)準(zhǔn) 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(jí)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(nèi)圍巖。顯見，隧道施工過程中圍巖的變形監(jiān)測和合理預(yù)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(luò)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(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型，研究隧道開挖施工過程對(duì)于地表沉降預(yù)測結(jié)果的影響，以及不同訓(xùn)練樣本所得預(yù)測結(jié)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(dá)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(shí)測數(shù)據(jù)繪制圖4。由圖4可知，該斷面地表沉降隨時(shí)間變化基本上可以劃分為5個(gè)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(shí)間的變化趨勢，歸根結(jié)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(luò)預(yù)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(jì)算方案如表3所示。

表3 計(jì)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(yù)測結(jié)果。由圖5可知，隧道施工階段發(fā)生改變時(shí)(即圖4中地表沉降趨勢發(fā)生明顯改變時(shí))，采用既有監(jiān)測數(shù)據(jù)所建立的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型得到的隧道地表沉降預(yù)測結(jié)果與實(shí)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(shí)，應(yīng)注意加強(qiáng)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(yù)測結(jié)果可信度越大。

圖6為不同訓(xùn)練樣本個(gè)數(shù)所得到的金盆灣隧道右線出口K158+150斷面地表沉降預(yù)測結(jié)果。圖6中結(jié)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(dāng)預(yù)測的時(shí)間較長時(shí)，利用BP神經(jīng)網(wǎng)絡(luò)預(yù)測的模型與實(shí)測數(shù)據(jù)的變形基本一致。所以，預(yù)測結(jié)果的可性度與預(yù)測長度相關(guān)聯(lián)，當(dāng)采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行地表沉降觀測數(shù)據(jù)的預(yù)測時(shí)，預(yù)測長度越長，預(yù)測結(jié)果的可信度越低。

3 結(jié)語

采用BP神經(jīng)網(wǎng)絡(luò)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(jié)合BP神經(jīng)網(wǎng)絡(luò)模型，研究結(jié)果表明了隧道地表沉降監(jiān)測的預(yù)測精度與監(jiān)測數(shù)據(jù)的準(zhǔn)確性及預(yù)測長度相關(guān)；預(yù)測長度較長，預(yù)測結(jié)果的可信度降低，其次，預(yù)測精度也與隧道的施工方案相關(guān)，隧道開挖工藝發(fā)生改變時(shí)，應(yīng)及時(shí)分析實(shí)時(shí)監(jiān)測數(shù)據(jù)建立新的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型對(duì)地表沉降進(jìn)行預(yù)測，以保障預(yù)測結(jié)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(luò)反分析[J].防災(zāi)減災(zāi)學(xué)報(bào),2014,30(4):8-12.

[2] 楊 茜.BP神經(jīng)網(wǎng)絡(luò)預(yù)測方法的改進(jìn)及其在隧道長期沉降預(yù)測中的應(yīng)用[J].北京工業(yè)大學(xué)學(xué)報(bào),2011,37(1):92-97.

[3] 馮寶俊,劉敦文.基于ANSYS-BP的隧道拱頂沉降預(yù)測研究[J].中國安全科學(xué)學(xué)報(bào),2014,24(5):38-43.

[4] 龍 浩,高 睿,孔德新,等.基于BP神經(jīng)網(wǎng)絡(luò)—馬爾科夫鏈模型的隧道圍巖位移預(yù)測[J].長江科學(xué)院院報(bào),2013,30(3):40-43,55.

[5] 黃惠峰,張獻(xiàn)州,張 拯,等.基于BP神經(jīng)網(wǎng)絡(luò)與變形監(jiān)測成果的隧道安全狀態(tài)評(píng)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(luò)實(shí)用教程[M].北京:機(jī)械工業(yè)出版社,2008.

[7] 左清軍.質(zhì)板巖特大斷面隧道施工期圍巖力學(xué)效應(yīng)研究[D].武漢:中國地質(zhì)大學(xué),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