郭 健，殷 俊，李 婷，錢勁斗，柯曉峰，何章津

(武漢輕工大學 土木工程與建筑學院，湖北 武漢 430023)

智能分析方法及其在巖土工程中的應(yīng)用

郭 健，殷 俊，李 婷，錢勁斗，柯曉峰，何章津

(武漢輕工大學 土木工程與建筑學院，湖北 武漢 430023)

隨著計算機技術(shù)的迅速發(fā)展，以復(fù)雜問題為研究對象的智能學科出現(xiàn)，為解決復(fù)雜系統(tǒng)提供了一種全新的研究途徑。系統(tǒng)地評述了智能算法研究現(xiàn)狀，回顧了智能分析方法在巖土工程中的應(yīng)用。面對復(fù)雜施工條件和外部環(huán)境，巖土工程極具隨機性、不確定性、模糊性特點，制約著地下工程破壞機理的準確分析和安全風險的精確預(yù)測，如何提高巖土工程施工安全可靠性、防控施工風險、減少工程事故的發(fā)生，已成為亟待解決的問題。展望巖土工程智能研究及應(yīng)用前景，運用數(shù)據(jù)融合技術(shù)，研發(fā)具有智能分析特點的巖土工程集成專家系統(tǒng)，用以實現(xiàn)施工信息化，滿足巖土工程風險實時預(yù)測及控制的要求，將是未來巖土工程智能研究發(fā)展的方向。

智能分析；復(fù)雜系統(tǒng)；巖土工程；施工信息化；預(yù)測控制

1 引言

近十年以來，隨著我國經(jīng)濟的快速發(fā)展和國家中心城市戰(zhàn)略的實施，大體量、超大體量的建(構(gòu))筑物層出不窮，與巖土工程相關(guān)的大型工程項目正以前所未有的速度進行，大量城市交通設(shè)施如地鐵隧道建設(shè)，在建的城市地下空間、深大基坑工程等，其建設(shè)規(guī)模與難度越來越大[1-3]，如何實現(xiàn)巖土工程施工的安全可靠要求，對工程科研、設(shè)計及施工提出了嚴峻的挑戰(zhàn)。

巖土工程是以巖土材料的物理力學性質(zhì)、巖土力學的基本理論及巖土工程設(shè)計施工的理論與方法為研究對象，通過分析巖土體工程力學性質(zhì)并將其應(yīng)用于工程的學科。由于天然巖土體所賦存的地質(zhì)環(huán)境特殊，受多場(應(yīng)力場、溫度場、滲流場)、多相(氣相、液相、固相)等復(fù)雜因素的影響，表現(xiàn)出高度非線性、非均質(zhì)、非連續(xù)性及多相性的復(fù)雜耦合特點[2]。面對高維、強耦合、時變性和隨機性的巖土工程，復(fù)雜條件下的巖體變形破壞機制難以準確地理解，致使經(jīng)典的巖土力學分析很難給出精確的模型和參數(shù)問題[3]。因此，如何準確地確定其力學參數(shù)和本構(gòu)模型，一直是巖土工程界亟待解決的主要問題[4]。

2 巖土工程數(shù)值分析方法的研究

國內(nèi)外眾多學者經(jīng)過幾十年的不斷研究探索與工程實踐，巖土工程數(shù)值分析方法由經(jīng)驗、半經(jīng)驗向計算復(fù)雜、高精度的方向發(fā)展。

經(jīng)典的巖土工程問題分析求解方法根據(jù)固體力學原理，基于假定確定性，通過數(shù)值分析求解的經(jīng)典力學問題，即根據(jù)巖土體物理參數(shù)、本構(gòu)模型及邊界條件，按照彈塑性力學計算巖土體中的應(yīng)力、應(yīng)變及位移等[5]。由于巖土工程的處理對象為性質(zhì)極其復(fù)雜的天然巖土體，其自身介質(zhì)材料性質(zhì)具有模糊性、不確定性、隨機性，其物性參數(shù)及本構(gòu)模型不易得到, 其計算邊界條件難以確定，難以進行確定性的正分析，為此非確定性的反分析方法應(yīng)運而生[6-7]。

反分析方法是將反演分析獲取的參數(shù)，作為同一模型下正分析的輸入?yún)?shù)，用以提高結(jié)構(gòu)分析的可靠性。其研究涉及：模型與參數(shù)辨識、參數(shù)靈敏度分析、求解穩(wěn)定性和局部極值點，其中，參數(shù)和模型的正確抉擇是巖土工程研究中的兩大難題[8]。

在20世紀70年代，兩位學者Karanagh和Clough首先提出反演彈性固體的彈性模量有限元分析方法[9]，用于指導巖土工程設(shè)計和施工，這是巖土工程領(lǐng)域出現(xiàn)的一種新的計算方法——反分析方法(Back Analysis)的出現(xiàn)。

巖土工程的反分析方法是基于巖土工程問題的一些先驗信息，以現(xiàn)場量測的、反映系統(tǒng)力學行為的物理信息(如位移、應(yīng)變、應(yīng)力或荷載等)和圍巖介質(zhì)的特性與參數(shù)，采用處理非確定性問題的相應(yīng)方法，通過反演模型(系統(tǒng)的物理性質(zhì)模型及數(shù)學描述)推算得到該系統(tǒng)的各項或某些初始參數(shù)(如初始應(yīng)力、本構(gòu)模型參數(shù)、支護荷載、邊界荷載等)[10-12]，獲取巖土工程系統(tǒng)的分析模型，為數(shù)值分析提供“計算參數(shù)”，使之用于工程監(jiān)控、預(yù)測和安全評價。它是逆向思維的一次成功應(yīng)用，即以量測監(jiān)控技術(shù)和現(xiàn)代控制技術(shù)為基礎(chǔ)，發(fā)展現(xiàn)場監(jiān)控量測信息的反分析方法[13-14]，開辟了巖土參數(shù)和初始地應(yīng)力研究的新途徑，因而對巖石力學與工程學科理論發(fā)展具有劃時代的意義。

巖土工程“逆問題”是相對“正問題”而言的，是根據(jù)現(xiàn)場實測值反求巖土體物理力學性質(zhì)參數(shù)或其本構(gòu)模型的一種手段,它不單純是一種力學的求解過程,包含了系統(tǒng)控制及優(yōu)化技術(shù)方法。

巖土工程反分析方法經(jīng)過多年的發(fā)展，已由線性發(fā)展到非線性，目標未知數(shù)由單純的計算參數(shù)發(fā)展到巖土體的本構(gòu)模型，材料由均質(zhì)發(fā)展到非均質(zhì)，在確定性反分析的基礎(chǔ)上又發(fā)展了非確定性反分析，使得巖土工程反分析的計算理論日趨成熟。由于反分析法在解決復(fù)雜巖土工程問題上的準確性和可靠性，而備受巖土工程界的重視，并被用于預(yù)測分析領(lǐng)域，取得了令人矚目的研究成果。

國內(nèi)外眾多學者，Gioda[15]、Sakurai[16]、櫻井春浦[17]等，在解決巖土工程中材料的非均質(zhì)性、非線性和不連續(xù)性造成的本構(gòu)模型及力學參數(shù)等問題，取得顯著的科研成效；孫鈞院士[18]、馮夏庭[4-5]、楊志法[19]、楊林德[19]、王芝銀[20]、呂愛鐘[21]和傅鶴林[22]等人，通過研究解的唯一性、穩(wěn)定性和參數(shù)敏感性等，提出了多種反分析方法，形成了一套完整的“現(xiàn)場監(jiān)測—反演分析—工程檢驗—分析預(yù)測”分析系統(tǒng)，成功地應(yīng)用于巖土工程領(lǐng)域，獲取了力學參數(shù)，并對巖土工程進行了合理評價與有效預(yù)測。

3 智能巖土分析方法研究

3.1 智能算法研究

智能的思想源于復(fù)雜適應(yīng)系統(tǒng)理論以及人工生命的研究[23-24]。自然界的自適應(yīng)優(yōu)化現(xiàn)象不斷給計算機科學家們以靈感，使他們通過模仿自然世界的內(nèi)在機制獲取解決復(fù)雜計算問題的新方法。

自20世紀90年代以來，一些學者受到自然界生物群體“鳥類聚集飛行行為、螞蟻覓食行為、魚群行為”等所表現(xiàn)出的自組織行為和群體智能現(xiàn)象的啟發(fā)，誕生了以粒子群算法和蟻群算法等為代表的模擬生物群體行為的“群體智能”算法[25]，極大地豐富了智能優(yōu)化技術(shù)，并被公認為是繼人工智能之后，2l世紀計算技術(shù)中最有影響的關(guān)鍵技術(shù)。美國學者Kennedy和Eberhart博士于2001年出版的《Swarm Intelligence》[26]成為群體智能研究與發(fā)展中的一個重要歷程碑。

智能技術(shù)經(jīng)過多年的發(fā)展逐步形成了三個層次[27-28]：第一層生物智能，主要研究智能的產(chǎn)生、形成和工作機理；第二層人工智能，主要研究應(yīng)用符號邏輯方法模擬人思考問題，具有求解、推理、學習等方面的能力，偏重于邏輯推理；第三層計算智能又稱為智能算法，主要是通過模擬人、自然及生物種群的結(jié)構(gòu)特點、進化規(guī)律、行為方式及思維結(jié)構(gòu)而發(fā)展起來的，基于數(shù)值計算和結(jié)構(gòu)演化的智能方法偏重于數(shù)值計算，主要用來實現(xiàn)智能的研究與應(yīng)用。

近年來不同類型智能算法開始走向融合，形成具有復(fù)合協(xié)同的可模擬生物行為的智能混合算法，這類智能混合技術(shù)在求解一些用傳統(tǒng)方法難以得到滿意解的復(fù)雜困難問題時具有明顯的優(yōu)勢，為擺脫傳統(tǒng)人工智能所面臨的困境提供的一種新的方向。

3.2 智能仿生算法在巖土工程中的應(yīng)用研究

隨著智能技術(shù)和計算機學科的迅猛發(fā)展，計算分析能力的提高，大規(guī)模并行處理技術(shù)的產(chǎn)生，以不確定性、非線性、時間不可逆性為內(nèi)涵，以復(fù)雜問題為對象的新興邊緣交叉學科的出現(xiàn)[29-31]，新的理論(優(yōu)化理論、灰色理論、突變理論、分形幾何理論、混沌理論、可靠度理論、隨機過程理論等)具有隨機搜索性能的人工智能分析方法逐漸發(fā)展起來，都為具有時變特點的巖土工程問題解決提供了一種全新研究途徑。

巖土工程界深入研究并運用模糊計算、神經(jīng)網(wǎng)絡(luò)、蟻群算法、粒子群算法、遺傳算法等智能算法，在隧道、巖坡、壩基和基坑等工程領(lǐng)域取得了十分顯著科研成果。

在國外，Brown等[32]將前饋神經(jīng)網(wǎng)絡(luò)應(yīng)用于復(fù)合材料本構(gòu)模型的識別。Theocaris[33]將神經(jīng)網(wǎng)絡(luò)應(yīng)用于塑性硬化本構(gòu)模型識別。Tomonari[34]將粘彈塑性本構(gòu)方程表達為一階微分方程，提出了一種神經(jīng)網(wǎng)絡(luò)本構(gòu)模型。Ghaboussi等[35]利用自學習與自適應(yīng)算法直接從工程實測位移中提取所需的學習樣本。Daoheng[36]將神經(jīng)網(wǎng)絡(luò)應(yīng)用于彈塑性本構(gòu)模型的識別。

在國內(nèi)，20世紀90年代，孫道恒等[37]提出了力學反問題的神經(jīng)網(wǎng)絡(luò)分析方法。李立新等[38]利用BP網(wǎng)絡(luò)模型，以巖體的粘彈性位移反分析為基礎(chǔ)，反演得到巖體粘彈性力學參數(shù)。張清[39]將人工神經(jīng)網(wǎng)絡(luò)引入巖石力學中。李端有等[40]提出了基于人工神經(jīng)網(wǎng)絡(luò)的邊坡位移反分析方法，取得了三峽永久船閘開挖邊坡多介質(zhì)巖體的宏觀等效彈性模量，并利用各層等效模量進行了有限元正分析計算，預(yù)測三峽永久船閘開挖邊坡下一開挖階段的應(yīng)力及變形發(fā)展趨勢。樊琨等[41]基于人工神經(jīng)網(wǎng)絡(luò)，建立了非線性力學反分析模型，求得了巖土工程計算中鄧肯參數(shù)。楊成祥[42]用神經(jīng)網(wǎng)絡(luò)進行模型識別的關(guān)鍵是獲取學習樣本。馮夏庭等[43-44]提出了進化神經(jīng)網(wǎng)絡(luò)反分析思想，按正交設(shè)計方法獲得樣本進行學習，用遺傳算法搜索最佳網(wǎng)絡(luò)結(jié)構(gòu)，用最佳推廣預(yù)測學習算法訓練網(wǎng)絡(luò)，建立了巖土體力學參數(shù)與位移的非線性關(guān)系，并進行巖體力學參數(shù)最優(yōu)辯識。

進入21世紀，2000年葛增杰等[45]提出了深基坑開挖工程多層土體物性參數(shù)識別的BP算法，求得了各層土體的彈性模量。高瑋等[46]采用快速遺傳算法進行巖土工程反分析，求得了包括彈性模量、粘塑性參數(shù)在內(nèi)的7個物性參數(shù)。

2001年，譚云亮等[47]利用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)快速提取巖石的本構(gòu)模型，根據(jù)實測位移，采用位移反分析方法獲得學習樣本。周瑞忠等[48]以模擬深基坑開挖的有限元程序為正演工具，以BP網(wǎng)絡(luò)為反演工具，將正演過程與反演過程結(jié)合起來，根據(jù)反演結(jié)果指導下一步施工，形成一個良性循環(huán)。李曉紅等[49]運用BP網(wǎng)絡(luò)模型對巖體力學參數(shù)、工程結(jié)構(gòu)參數(shù)及位移量測資料的學習，得到了隧道圍巖穩(wěn)定性分析所需要的三個重要參數(shù)(等效彈性模量E、初始地應(yīng)力側(cè)壓力系數(shù)入和鉛垂地應(yīng)力σ)。高瑋等[50]提出了巖土力學反分析的集成智能思想，綜合運用專家系統(tǒng)的推理、決策能力，數(shù)值計算的定量分析能力及人工神經(jīng)網(wǎng)絡(luò)的直覺思維能力，進行位移反分析。

2002年，蔣中明等[51]結(jié)合有限變形理論和人工神經(jīng)網(wǎng)絡(luò)理論，反分析初始地應(yīng)力場。

2004年，趙洪波等[52]運用遺傳算法來搜索支持向量機的參數(shù)和核函數(shù)，描述變形時間序列之間的映射關(guān)系，解決了位移反分析的計算問題。姜諳男等[53]綜合應(yīng)用遺傳算法和神經(jīng)網(wǎng)絡(luò)，建立了進化神經(jīng)網(wǎng)絡(luò)演化有限元差分方法，該方法解決了大規(guī)模的錨固參數(shù)定量優(yōu)化問題。

2005年，張福波等[54]采用神經(jīng)網(wǎng)絡(luò)理論對基坑坑壁位移進行了模擬預(yù)測，為深基坑工程施工風險控制提供了新的思路。

2006年，吳余生等[55]將自適應(yīng)有限元法與改進的遺傳算法與模擬退火算法相結(jié)合，能以較快的速度搜索到邊坡臨界滑動面。高瑋[56]將粒子群優(yōu)化算法與有限元數(shù)值分析技術(shù)進行融合，用于隧道位移反分析，提高了反分析的計算性能。許傳華等[57]利用模擬退火算法對地下洞室?guī)r體的力學參數(shù)進行位移反分析，提高了反演的效率精度。

2007年，馮夏庭[4]等運用巖石力學模型和參數(shù)綜合智能反分析方法，解決了待反演參數(shù)的敏感性、反演的參數(shù)個數(shù)以及模型參數(shù)反演結(jié)果的適應(yīng)性評價等問題。余志雄等[58]提出了一種基于改進支持向量機和改進遺傳算法的隨機反分析方法，用于初始地應(yīng)力場位移分析，具有較高的擬合精度和預(yù)測效果。姜諳男[59]利用粒子群優(yōu)化支持向量機參數(shù)，建立變形時間序列模型，用于清江水電站地下廠房圍巖變形預(yù)測，獲得令人滿意的預(yù)測精度。

2008年，郭健[60]、梁桂蘭[61]等提出了粒子群優(yōu)化徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的隨機優(yōu)化算法，用于巖土工程應(yīng)力、位移非線性時間序列的預(yù)測預(yù)報，具有較高的收斂速度和預(yù)測精度。

2011年，黃戡等[62]基于正交試驗設(shè)計和FLAC建立的測試樣本，用遺傳算法-神經(jīng)網(wǎng)絡(luò)，建立待反演參數(shù)與圍巖位移之間潛在的映射關(guān)系實現(xiàn)位移反分析，成功將反演結(jié)果應(yīng)用于隧道的信息化施工。

2014年，李珉等[63]采用遺傳進化算法與數(shù)值分析方法，建立巖石參數(shù)的智能等效模型，反演煤礦井下巖土參數(shù)，分析結(jié)果與實測結(jié)果高度吻合。

2016年，馬春景[64]等運用差異進化算法，成功地對滲流穩(wěn)定后圍巖流量變化滲透系數(shù)進行了反演。

4 巖土工程智能預(yù)測控制系統(tǒng)研究

4.1 基于非線性系統(tǒng)智能辨識與預(yù)測

非線性系統(tǒng)辨識過程中，將時變對象看做一個“黑箱”，采用智能算法建模，利用非線性網(wǎng)絡(luò)的映射能力，通過內(nèi)部隱含在輸入輸出數(shù)據(jù)特性完成時變系統(tǒng)的辨識。該方法可成功地避開傳統(tǒng)意義的、確定數(shù)學關(guān)系的模型，具有概念簡單、實用方便的特點。

巖土工程反分析目的不僅是為了確定工程范圍內(nèi)巖體初始地應(yīng)力的計算參數(shù)、辨識力學特性參數(shù)，更重要的是將現(xiàn)場監(jiān)控技術(shù)與工程穩(wěn)定性分析相結(jié)合，對不同工況條件下評價工程的可靠性并做出符合實際的預(yù)測，根據(jù)動態(tài)模型對系統(tǒng)未來行為進行預(yù)測和優(yōu)化的控制策略，用于解決具有不確定性的時變系統(tǒng)問題，對施工進行有效風險控制。

針對巖土工程中日益突出的非線性問題，基于線性SISO與非線性MIMO系統(tǒng)，存在著難以對時變系統(tǒng)進行有效地辨識的問題，已無法滿足巖土工程風險預(yù)測及控制要求。而智能算法在非線性MIMO系統(tǒng)的數(shù)學建模與控制方面，具有經(jīng)驗類比、回歸分析等傳統(tǒng)方分析法無法比擬的優(yōu)勢，并已逐步成為實現(xiàn)非線性預(yù)測控制的關(guān)鍵技術(shù)。非線性系統(tǒng)的辨識與預(yù)測智能化已成為當前巖土工程界的研究熱點之一。

國內(nèi)外的眾多學者一直致力于非線性MIMO控制系統(tǒng)智能化的研究，并已在預(yù)測控制智能化方面取得眾多的研究成果。1992年Su等將遞歸神經(jīng)網(wǎng)絡(luò)用于化工工程多步預(yù)測[65]；Buescher等提出一種非線性預(yù)測控制時間二尺度方案，利用神經(jīng)網(wǎng)絡(luò)建立了預(yù)測模型[66]；Najim等采用多輸入多輸出的前饋神經(jīng)網(wǎng)絡(luò)控制網(wǎng)絡(luò)，利用遞歸神經(jīng)網(wǎng)絡(luò)進行了多步預(yù)測[67]；劉曉華等提出了對模型誤差具有動態(tài)補償能力的預(yù)測控制算法[68]；丁烈云院士[1]、郭健[2]與周誠[3]構(gòu)建具有智能分析處理技術(shù)的隧道工程安全預(yù)警系統(tǒng)，成功地用于武漢長江隧道盾構(gòu)施工風險分析。

4.2 巖土工程反分析系統(tǒng)

從系統(tǒng)角度來看，巖土工程研究對象為復(fù)雜的巨系統(tǒng)，其巖土體的初始應(yīng)力、力學參數(shù)可看成系統(tǒng)輸入，量測信息(位移、變形破壞等)均可看成系統(tǒng)對輸入的反應(yīng)的輸出。由于施工中的位移、應(yīng)力、應(yīng)變等均可觀測得到，求解的結(jié)果為系統(tǒng)模型、狀態(tài)參數(shù)等，即反分析過程實質(zhì)上是一個系統(tǒng)辨識問題[50]。而巖土工程反分析系統(tǒng)可由一個灰色系統(tǒng)的輸出到輸入的映射過程進行描述(如圖1所示)，則可根據(jù)現(xiàn)場的實測位移、應(yīng)力、應(yīng)變等，可為巖土工程提供與實際相吻合的巖土體力學參數(shù)、地層初始地應(yīng)力以及邊界荷載等。

圖1 巖土工程的反分析系統(tǒng)

由于巖土體所處的力學狀態(tài)不同，采用本構(gòu)關(guān)系不同，反分析得到的力學特性參數(shù)也是不同[69]。工程現(xiàn)場采集的巖土體量測參數(shù)，含有豐富的參量信息，是巖土體力學性質(zhì)及各種因素的綜合反映，其參量可描述為：

u=f(σ,τ,μ,E,c,φ,η,t).

(1)

式中 ：σ、τ為地應(yīng)力分量，μ、E分別為巖體的泊松比、彈性模量，c、φ分別巖體的內(nèi)聚力、內(nèi)摩擦角，η、t分別巖體的粘滯系數(shù)、時間。

由于位移反分析法是以位移量測信息為基礎(chǔ)，需對巖土體的力學模型及相應(yīng)的邊界條件選擇，建立合適的目標函數(shù)，故可采用智能技術(shù)來反推待求的參數(shù)，其目標函數(shù)可描述為：

(2)

根據(jù)反分析原理，巖土反分析過程實際上是一個目標函數(shù)的優(yōu)化過程，即根據(jù)現(xiàn)場量測信息，結(jié)合數(shù)值分析方法，將初始應(yīng)力和巖體參數(shù)作為待求未知量，建立目標函數(shù)關(guān)系式，通過不斷優(yōu)化尋找目標函數(shù)最小值進行求解，則該問題可描述為：

(3)

如果用F表示可行解區(qū)域，那么F中的任何一個元素為優(yōu)化問題可行解，則有：

(4)

4.3 巖土工程預(yù)測控制系統(tǒng)

智能預(yù)測控制是借鑒智能仿生原理，利用智能算法(IA)建立的系統(tǒng)辨識模型，實現(xiàn)非線性系統(tǒng)預(yù)測控制。其系統(tǒng)結(jié)構(gòu)是基于兩個模型，一個是預(yù)測模型，主要通過動態(tài)建模，以獲取預(yù)測信號；另一個是控制模型，主要根據(jù)預(yù)測目標函數(shù)得到的相應(yīng)驅(qū)動信號，以獲得預(yù)測控制律函數(shù)，其描述為：

y(k)=f[Yk,Uk,Dk]T.

(5)

式中，f(·)為非線性函數(shù)；Yk和Uk分別為網(wǎng)絡(luò)在k時刻的輸出和輸入向量；Dk為隨機噪聲向量。

巖土工程時變系統(tǒng)的預(yù)測，是通過性能指標J(k)的優(yōu)化來實現(xiàn)對未來行為進行控制，其性能指標可描述為：

minJ(k)=min∑Nk=1(y(k)-yp(k))2.

(6)

式中，N為觀測樣本數(shù)。

圖2 巖土工程時變系統(tǒng)智能預(yù)測控制原理圖

巖土工程的預(yù)測控制系統(tǒng)，可描述為[70]：

x(k+1)=f(x(k),u(k),k).

y(k)=g(x(k),k).

(7)

式中，k=0,1,2……表示當前時刻，x(k)∈Rn為系統(tǒng)k時刻的狀態(tài)向量，u(k)∈Rr為控制輸入向量，y(k)∈Rm輸出向量。

x(k+i|k)=f(x(k+i-1|k),u(k+i-1)).

yp(k+i|k)=g(x(k+i-1|k)).

(8)

式中，i=0,1,……,np，np為控制時域。則有，

(9)

由此可實現(xiàn)巖土工程系統(tǒng)預(yù)測的目的。

圖3 巖土工程時變系統(tǒng)滾動預(yù)測控制過程

5 結(jié)論

隨著計算機智能技術(shù)的迅速發(fā)展，大規(guī)模并行處理技術(shù)的產(chǎn)生和理論的成熟，以不確定性、非線性、時間不可逆性為內(nèi)涵，以復(fù)雜問題為對象的新興智能交叉學科的出現(xiàn)，為解決大規(guī)模、復(fù)雜系統(tǒng)工程，提供一種全新的研究思路。

筆者以復(fù)雜系統(tǒng)為對象，總結(jié)和回顧了智能分析方法的研究與現(xiàn)狀，以及研究巖土工程超復(fù)雜系統(tǒng)智能化的意義。

面對復(fù)雜施工環(huán)境和外部環(huán)境的影響，大型巖土工程通過引入現(xiàn)代智能分析方法，將智能分析與虛擬技術(shù)進行融合，研發(fā)具有大數(shù)據(jù)信息融合技術(shù)的智能分析及風險預(yù)測控制系統(tǒng)，解決巖土工程中大量的非線性、時變問題，滿足快速分析、實時預(yù)測控制要求，實現(xiàn)“設(shè)計-施工”信息化，具有很高的工程應(yīng)用前景。

[1]DingLY,WangF,LuoHB,etal.Feed-forwardanalysisforshield-groundsystem[J].ASCEJournalofComputinginCivilEngineering. 2013, 27(3):231-242.

[2]JianGuo,LieyunDing,HanbinLuo,etal.WaveletPredictionMethodforGroundDeformationInducedbyTunneling[J]..TunnelingandUndergroundSpaceTechnology, 2014, 41 (3): 137-151.

[3]ZhouC,DingLY,HeR.PSO-basedElmanneuralnetworkmodelforpredictivecontrolofairchamberpressureinslurryshieldtunnelingunderYangtzeRiver[J].AutomationinConstruction. 2013, 36: 208-217.

[4] 馮夏庭,周輝,李邵軍,等.巖石力學與工程綜合集成智能反饋分析方法及應(yīng)用[J].巖石力學與工程學報.2007, 26(9):1737-1744.

[5] 馮夏庭. 智能巖石力學導論[M]. 北京: 科學出版社, 2000.

[6] 孫鈞, 蔣樹屏, 袁勇，等. 巖土力學反演問題的隨機理論與方法[M]. 汕頭: 汕頭大學出版社, 1996.

[7] 高瑋,鄭穎人. 巖土工程非確定性反分析研究動態(tài)[J]. 地下空間.2000, 20(2):81-85.

[8] 孫鈞. 巖土力學與地下工程結(jié)構(gòu)分析計算的若干進展.力學季刊[J].2005, 26(3):329-338.

[9]KavanaghKT,CloughRW.Finiteelementapplicationinthecharacterizationofelasticsolids[J].InternationalJournalofSolidsStructures, 1971, 7(1): 11-13.

[10]AraiK,OhtaH,YasuiT.Simpleoptimizationtechniqueforevaluationdeformationmodulifromfieldobservations[J].SoilandFoundations, 1983, 23(1): 107-113.

[11]YangL,SterlingRL.Backanalysisofrocktunnelusingboundaryelementmethod.JournalofGeotechnicsEngineering[J], 1989,115(8): 1163-1169.

[12]HonjoY,LiuWT,SakajoS.ApplicationofAkaikeinformationcriterionstatisticstogeotechnicalinverseanalysis:theBayesianmethod[J].StructuralSafety, 1994, 14(11): 5-29.

[13]KavanaghKT,CloughRW.Finiteelementapplicationinthecharacterizationofelasticsolids[J].InternationalJournalofSolidsStructures, 1971, 7(1): 11-13.

[14]GiodaG,MaierG.Directsearchsolutionofaninverseprobleminelastic-plastic:identificationofcohesion,frictionangleandin-situstressbypressuretunneltests[J].InternationalJournalforNumericalMethodsinEngineering, 1980, 15(11): 1823-1848.

[15]GiodaG,PandolfiA,CividiniA.Acomparativeevaluationofsomebackanalysisalgorithmsandtheirapplicationtoin-situloadtests[J].Proceedingsof2ndInternationalSymposiumonFieldMeasurementinGeom.Kobe, 1987, 1131-1144.

[16]SakuraiS,TakeuchiK.Backanalysisofmeasureddisplacementoftunnel[J].RockMechanicsandRockEngineering, 1983, 16(3): 173-180.

[17] 櫻井春輔. 地下洞室設(shè)計和監(jiān)控的一種途徑[J]. 隧道譯叢, 1986, 4: 13-25楊林德. 巖土工程問題的反演理論與工程實踐. 北京: 科學出版社, 1996.

[18] 楊志法, 王思敬, 馮紫良，等. 巖土工程反分析原理及應(yīng)用[M]. 北京: 地震出版社, 2002.

[19] 楊林德, 黃偉, 王聿. 初始地應(yīng)力位移反分析計算的有限單元法. 同濟大學學報, 1985, 13(4): 370-373.

[20] 王芝銀, 楊志法, 王思敬. 巖石力學位移反演分析回顧及進展[J]. 力學進展, 1998, 28(4): 488-498.

[21] 呂愛鐘, 蔣斌松. 巖石力學反問題[M]. 北京: 煤炭工業(yè)出版社, 1998.

[22] 傅鶴林, 彭思甜, 韓汝才等. 巖土工程數(shù)值分析新方法[M]. 長沙: 中南大學出版社, 2005.

[23] 米歇爾·沃爾德羅. 復(fù)雜-誕生于秩序與混沌邊緣的科學[M]. 北京: 三聯(lián)書店, 1997.

[24] 許國志, 顧基發(fā), 車宏安. 系統(tǒng)科學.上海: 上海科技教育出版社, 2000.

[25]KennedyJ,EberhartRC.Particleswarmoptimization[C].In:Proc.IEEEInternationalConferenceonNeuralNetworks.Piscataway,NJ:IEEEServiceCenter, 1995, 1942-1948.

[26]KennedyJ,EberhartRC.SwarmIntelligence[M].SanFrancisco:MorganKaufmannPublishers, 2001.

[27]LangtonCG.ArtificialLife.VolumeVIofSFIStudiesofComplexity[M].AddisonWesley, 1989.

[28]Fhat-Torbraghan,Madjid.HildebrandLars.ComplexSystemAnalysisUsingCl-mehtods[C].ProceedingsofSPIE-TheInternationalSocietyforOpticalEngineering, 1999, 300-341.

[29] 戴汝為. 科學的前沿與未來[M]. 北京: 科學出版社, 1998.

[30]WaldropMM.Complexity:TheEmergingScienceattheEdgeofOrderandChaos[M].NewYork:TouchstoneBooks, 1993.

[31] 宋學鋒. 復(fù)雜性、復(fù)雜系統(tǒng)與復(fù)雜性科學[M]. 中國科學基金, 2003, 17(5): 262-269.

[32]BrownDA.MurthyPLN.Computationalsimulationofcompositeplaymicromechanicsusingartificialneuralnetworks[J].MicrocomputersinCivilEngineering.1991, 6(2): 87-97.

[33]TheoearisPS,PanagiotopoulosPD.Generalizedhardeningplasticityapproximatedviaanisotropicelasticity:aneuralnetworkapproach[J].ComputerMethodsinAppliedMechanicsandEngineering, 1995, 125(2): 123-139.

[34]TomonariDA.Implicitconstitutivemodellingforvisco-plasticityusingneuralnetworks[J].InternationalJournalforNumericalMethodsEngineering, 1998, 43(3): 195-219.

[35]GhaoboussiJ,SidartaDE.Newnestedadaptiveneuralnetworks(NANN)forconstitutivemodeling[J].ComputersandGeotechnics, 1998, 22(1): 29-51.

[36]DaohengS,QiaoH,HaoX.Aneuro-computingmodelfortheelastic-plasticity[J].ComputerMethodsinAppliedMechanicsandEngineering, 2000, 18(2): 177-186.

[37] 孫道恒, 胡俏, 徐灝. 力學反問題的神經(jīng)網(wǎng)絡(luò)分析法[J]. 計算結(jié)構(gòu)力學及其應(yīng)用, 1996, 13(3): 308-312.

[38] 李立新, 王建黨, 李造鼎. 神經(jīng)網(wǎng)絡(luò)模型在非線性位移反分析中的應(yīng)用[J]. 巖土力學, 1997, 18(2): 62-64.

[39]ZhangQ,YangY.TheapplicationofneuralnetworktoRockEngineeringSystems(RES) [J].InternationalJournalofRockMechanicsandMiningSciences, 1998, 35(6): 727-745.

[40] 李端有, 李迪, 馬水山. 三峽永久船閘開挖邊坡巖體力學參數(shù)反分析[J]. 長江科學院報, 1998, 15(2): 10-13.

[41] 樊琨, 劉宇敏, 張艷華. 基于人工神經(jīng)網(wǎng)絡(luò)的巖土工程參數(shù)反分析 [J]. 河海大學學報, 1998, 26(4): 98-102.

[42] 楊成祥. 材料本構(gòu)模型自適應(yīng)識別的初步研究[D]. 沈陽: 東北大學, 1998.

[43] 馮夏庭, 習心宏. 智能巖石力學 (1)-導論[J].. 巖石力學與工程學報, 1999, 18(2): 222-226.

[44] 馮夏庭, 楊成祥. 智能巖石力學(2)-參數(shù)與模型的智能辨識[J].. 巖石力學與工程學報, 1999, 18(3): 350-353.

[45] 葛增杰, 李錫菱. 深基坑開挖工程多層土體物性參數(shù)識別的BP法 [J]. 大連理工大學學報, 2000, 40(3): 271-275.

[46] 高瑋, 鄭穎人. 采用快速遺傳算法進行巖土工程反分析[J]. 巖土工程學報, 2001, 23(1): 120-122.

[47] 譚云亮, 王春秋.巖石本構(gòu)關(guān)系的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)快速逼近模型[J].巖土工程學報, 2001, 23(1): 14-17.

[48] 周瑞忠, 邱高翔. 基于BP網(wǎng)絡(luò)的深基坑支護位移反分析[J]. 土木工程學報, 2001, 34(6): 60-62.

[49] 李曉紅, 靳小光, 亢會明. 隧道位移智能化反分析及其應(yīng)用[J]. 地下空間, 2001, 21(4): 299-304.

[50] 高瑋, 鄭穎人. 巖土力學反分析及其集成智能研究[J]. 巖土力學, 2001, 22(1): 114-116.

[51] 蔣中明, 徐衛(wèi)亞, 邵建富. 基于人工神經(jīng)網(wǎng)絡(luò)的初始場應(yīng)力三維反分析[J]. 河海大學學報, 2002, 30(3): 52-56.

[52] 趙洪波, 馮夏庭. 非線性位移時間序列預(yù)測的進化-支持向量機方法及應(yīng)用[J]. 巖土工程學報, 2003, 25(4): 468-471.

[53] 姜諳男, 馮夏庭, 劉健，等. 基于三維數(shù)值模擬的地下大型洞室錨固參數(shù)智能優(yōu)化[J]. 巖石力學與工程學報, 2004, 23(10): 1700-1705.

[54] 張福波, 陳有亮. 基于BP神經(jīng)網(wǎng)絡(luò)與模糊控制的深基坑開挖側(cè)向變形分析[J].. 巖土力學, 2005, 26(7): 1148-1152.

[55] 吳余生, 陳勝宏. 并行組合模擬退火算法在邊坡穩(wěn)定分析中的應(yīng)用[J]. 巖土力學, 2006, 27(9): 1554-1558.

[56] 高瑋. 基于粒子群優(yōu)化的巖土工程反分析研究[J]. 巖土工程學報, 2006, 27(5): 795-798.

[57] 許傳華, 任青文, 鄭治，等.索風營水電站地下洞室?guī)r體力學參數(shù)的位移反分析[J]. 巖土工程學報, 2006, 28(11): 1981-1985.

[58] 余志雄, 周創(chuàng)兵, 陳益峰，等. 基于V-SVR和GA的初始地應(yīng)力場位移反分析方法研究[J]. 巖土力學, 2007, 28(1): 151-156.

[59] 姜諳男. 基于PSO-SVM非線性時序模型的隧洞圍巖變形預(yù)報[J]. 巖土力學, 2007, 28(6): 1176-1180.

[60] 郭健, 王元漢, 苗雨，等. 樁筏(箱)基礎(chǔ)沉降多步預(yù)測控制的IPSO-Elman算法[J]. 華中科技大學學報(自然科學版). 2008, 36(6): 96-99.

[61] 梁桂蘭, 徐衛(wèi)亞, 何育智，等,PSO-RBFNN模型及其在巖土工程非線性時間序列預(yù)測中的應(yīng)用[J]. 巖土力學, 2008, 29(14): 995-1000.

[62] 黃戡,劉寶琛,彭建國，等.基于遺傳算法和神經(jīng)網(wǎng)絡(luò)的隧道圍巖位移智能反分析 [J]. 中南大學學報(自然科學版).2011,42(11): 213-219.

[63] 李珉, 張敏, 孟杰. 基于數(shù)學優(yōu)化算法的煤礦井下巖體參數(shù)識別技術(shù)研究[J]. 煤炭技術(shù).2014, 33(02):168-170.

[64] 馬春景, 姜諳男, 王軍祥，等. 基于差異進化算法的隧道滲流反分析與工程應(yīng)用[J]. 鐵道科學與工程學報. 2016.13(5):898-905.

[65] Su H T,McAvoy T J, Werbos P J. Long-Term Predictive Chemical Processes Using Recurrent Neural Networks [J]. Industrial Application of Chemical Engineering Research, 1992, 31(8): 1338-1352

[66] Buescher K L, Baum C C.A Two-Timescale Approach to Nonlinear Model Predictive Control [J]. Proceedings of American Control Conference. Seatle, 1995: 2250-2256

[67] Najim K, Rusnak A, Meszaros A. Constrained Long-Range Predictive Control Based on Artificial Neural Networks [J]. System Science, 1997, 28(2): 1211-1226.

[68] 劉曉華, 楊振光. 基于動態(tài)BP網(wǎng)絡(luò)誤差修正的廣義預(yù)測控制[J]. 數(shù)學的實踐與認識, 2002, 32(3): 445-449.

[69] 蔡美峰. 巖石力學與工程[M]. 北京: 科學出版社. 2002

[70] 錢積新, 趙均, 徐祖華. 預(yù)測控制[M]. 北京: 化學工業(yè)出版社, 2007.

Intelligent Analysis Method and Its Applications in Geotechnical Engineering

GUOJian,YINJun,LITing,QIANJin-dou,KEXiao-Feng,HEZang-Jing

(School of Civil Engineering and Architecture,Wuhan Polytechnic University, Wuhan 430079, China)

With computer technology drastically developing, the intellectual discipline emerged for studying complex problems in order to provide a new approach solving complex system. The research statuses of intelligence algorithm and its applications in geotechnical engineering have been systematically reviewed in this paper. The geotechnical engineering has randomicity, uncertainly and fuzziness due to complex construction condition and external environment. It is almost impossible to accurately analyze failure mechanism and predict security risk in underground engineering. There is an urgent problem to be solved of how to improve the safe reliability, prevent the construction risk and decrease the accident-happening rate in geotechnical engineering. Looking into the future direction of intelligent development and the application prospect in geotechnical engineering, the data fusion technology will be used to develop integrated expert system based on intelligent analysis. It is the inevitable requirement for construction information to predict and control real-time risk.

intelligent analysis; complex system; geotechnical engineering; construction information; prediction control

2017-02-12.

郭健(1968-), 男, 教授, 工學博士, E-mail:guojianxh@163.com.

住建部科學技術(shù)項目計劃(2015-K3-04).

2095-7386(2017)01-0001-08

10.3969/j.issn.2095-7386.2017.01.001

TU

A