查 政 中交第四公路工程局有限公司

1 引言

隨著我國道路交通網(wǎng)絡(luò)逐漸向西部山區(qū)擴(kuò)展，公路隧道的結(jié)構(gòu)多樣化，地質(zhì)條件復(fù)雜，施工難度大大增加。軟巖是典型代表之一，根據(jù)國內(nèi)外建造軟巖隧道的實踐，在軟臂結(jié)構(gòu)上建造隧道時，經(jīng)常會發(fā)生較大的變形和破壞現(xiàn)象，如噴水層裂縫，扭曲的鋼拱或格柵以及支護(hù)滲透極限，它對施工安全和施工進(jìn)度有嚴(yán)重影響。

由于中國交通建設(shè)的飛速發(fā)展，隧道工程的數(shù)量和規(guī)模日益增加，工程問題也日益增多。其中，大的隧道變形已成為隧道形成中的難題，分析隧道變形的趨勢非常重要。變形預(yù)測可以為以后的安全配置提供指導(dǎo)。許多學(xué)者在這一領(lǐng)域進(jìn)行了相應(yīng)的研究。例如，高寧等人建立了深埋隧道的應(yīng)變預(yù)測模型，有效地克服了王開陽在數(shù)值模擬和現(xiàn)場測量以及預(yù)測的破壞模式和位置的基礎(chǔ)上預(yù)測應(yīng)變的復(fù)雜性和隨機(jī)性。隧道大變形，為合理確定支護(hù)方案提供科學(xué)依據(jù)；評估隧道安全性。上述研究在隧道變形預(yù)測中取得了相應(yīng)的結(jié)果，但較大的隧道變形是具有隨機(jī)性和模糊性的非線性過程。單個模型很難獲得有效的預(yù)測。組合預(yù)測模型不但降低了預(yù)測的風(fēng)險，而且可以提高預(yù)測的準(zhǔn)確性，因此將其介紹給隧道中的大變形預(yù)測過程。

2 算法介紹

神經(jīng)網(wǎng)絡(luò)例如RBF 神經(jīng)網(wǎng)絡(luò)、BP 神經(jīng)網(wǎng)絡(luò)等方法可以廣泛適用于復(fù)雜地質(zhì)條件下的隧道大變形組合預(yù)測研究，首先需要現(xiàn)階段隧道大變形地一些數(shù)據(jù)，然后可以通過預(yù)測獲得未來復(fù)雜地質(zhì)條件下的隧道大變形。神經(jīng)網(wǎng)絡(luò)是通過連接眾多簡單組件而形成的。與動物神經(jīng)網(wǎng)絡(luò)類似，它具有很強(qiáng)地非線性，可以實現(xiàn)此類地關(guān)系并執(zhí)行更加難以理解地運(yùn)算。信息處理算法模型。具體功能包括以下幾點。

（1）非線性問題解決：大腦思考活動需要通過大量地神經(jīng)元，但是神經(jīng)單元基于一般情況下有兩種狀態(tài)：狀態(tài)除以抑制態(tài)和受激態(tài)。神經(jīng)單元構(gòu)成了一個人工神經(jīng)網(wǎng)絡(luò)。同時，神經(jīng)元的閾值可以進(jìn)一步提高人工神經(jīng)網(wǎng)絡(luò)的容錯能力和存儲能力。

（2）情景信息處理：神經(jīng)網(wǎng)絡(luò)不僅可以記住過去輸入的信息，還可以預(yù)測與人腦機(jī)制處于相同未來狀態(tài)的信息。

（3）反映證據(jù)的能力：人工神經(jīng)網(wǎng)絡(luò)可以根據(jù)不同的模式提供和選擇特定的模式信息，并且還包括決策信息源的可靠性。通過分類生成的難以確保地情況也可以通過以下信息消除，以便于再次遇到此類問題是可以輕松解決。

（4）一致性。這種網(wǎng)絡(luò)基于改變突觸權(quán)重來適應(yīng)不同情況下地變化?；谀骋环N情形下，可以更輕松地訓(xùn)練神經(jīng)網(wǎng)絡(luò)來處理實際工作條件中的細(xì)微變化，這充分證明了神經(jīng)網(wǎng)絡(luò)的強(qiáng)大適應(yīng)性。

徑向基本功能網(wǎng)絡(luò)是三層前向網(wǎng)絡(luò)。第一層是輸入層，節(jié)點數(shù)與輸入維數(shù)相同。第二層是隱藏層，節(jié)點數(shù)取決于問題的復(fù)雜性。第三層是輸出層。節(jié)點數(shù)與輸出數(shù)據(jù)的維數(shù)相同。 徑向基本網(wǎng)絡(luò)不同于多層感知器，每層都有不同的功能，隱藏層是非線性的。 徑向基函數(shù)用作將輸入矢量空間轉(zhuǎn)換為隱藏層空間的基函數(shù)。線性不可分離的問題變得線性可分離，并且輸出層是線性的

常見的高斯函數(shù)是徑向基是一種徑向基函數(shù)。通常，徑向基函數(shù)被編寫為Φ(x,y)=φ(‖ x-y ‖)，‖ x ‖代表歐幾里得標(biāo)準(zhǔn)。E.M.根據(jù)Stein 和G.Weiss 的定義，徑向基函數(shù)必須：如徑向基函數(shù)是‖ x1‖=‖ x2‖，所定義：‖ x1‖=‖ x2‖，函數(shù)值僅與自變量的標(biāo)準(zhǔn)有關(guān)。

本文采用Moody 和Darken 提出的RBF 神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測。與其他神經(jīng)網(wǎng)絡(luò)相比，RBF神經(jīng)網(wǎng)絡(luò)僅由輸入層，隱藏層和輸出層組成，并且是局部近似的，從而可以更快地進(jìn)行訓(xùn)練和收斂。

輸入層節(jié)點將輸入信號發(fā)送到隱藏層。隱藏層節(jié)點由類似于高斯函數(shù)的徑向函數(shù)組成，基于函數(shù)的函數(shù)響應(yīng)本地輸入信號。換句話說，當(dāng)輸入信號接近基本功能的中心時，導(dǎo)致有隱藏信號，輸出層節(jié)點一般是一個類一次函數(shù)。其中：

x ={x1,x2,x3,???,xp}

包括網(wǎng)絡(luò)輸入向量，隱藏層基本函數(shù)：

c ={c1,c2,c3,???,cp}

中心和輸出層偏移θ0以及權(quán)重向量：

θ ={θ1,θ2,θ3,θ4,???,θq}

p和q是網(wǎng)絡(luò)輸入層的維數(shù)和隱藏層神經(jīng)元的數(shù)量。

依照此類模型地建立，采用了高斯函數(shù)視作隱藏節(jié)點函數(shù)：

3 應(yīng)用

在施工過程中，為實時掌握隧道大變形規(guī)律，施工方在大變形段進(jìn)行了變形監(jiān)測。堡鎮(zhèn)隧道是分離式特長隧道，位于構(gòu)造侵蝕、剝蝕中山區(qū)，左線長11.563km，右線長11.595km，最大埋深630m。該隧道緊鄰318國道，南部巖溶地貌發(fā)育，北部尖棱狀山脊發(fā)育。隧址區(qū)巖性以碎屑巖、泥灰?guī)r和頁巖為主，并以單斜構(gòu)造為主，斷裂構(gòu)造不發(fā)育，但節(jié)理構(gòu)造普遍發(fā)育，走向主要為東北向。區(qū)內(nèi)地表水較發(fā)育，主要發(fā)育有兩條河流，具常年流水; 地下水以巖溶水和裂隙水為主，受隔水層作用，兩者相對較獨立。其中，某一個斷面的拱頂沉降數(shù)據(jù)較為完整，可作為組合預(yù)測思路的驗證數(shù)據(jù)源。在此部分中，總共有30 個監(jiān)視數(shù)據(jù)周期，并且監(jiān)視頻率每天執(zhí)行一次。數(shù)據(jù)表明，某一個斷面的拱頂沉降固定達(dá)到331.31mm，遠(yuǎn)遠(yuǎn)超過了保留的應(yīng)變，早期的應(yīng)變明顯高于后期的應(yīng)變。根據(jù)組合預(yù)測思想，首先使用RBF神經(jīng)網(wǎng)絡(luò)來預(yù)測螺栓沉降，訓(xùn)練樣本是從第一個周期到第24個周期，而驗證樣本是從第25個周期到第30 個周期。根據(jù)預(yù)測，RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測模型對降低預(yù)測風(fēng)險具有積極作用，并驗證了組合預(yù)測的必要性。RBF 神經(jīng)網(wǎng)絡(luò)的最大和最小相對誤差分別為3.54%和2.81%，平均相對誤差為3.10%。使用RBF的神經(jīng)網(wǎng)絡(luò)構(gòu)成了復(fù)雜條件地址模型的非線性組合預(yù)測模型。綜上所述可以分析得到，把這種算法運(yùn)用到處理這些數(shù)據(jù)，有效地保證了精度，而且建立了此類問題地模型，得到了良好地發(fā)展。另外，RBF神經(jīng)網(wǎng)絡(luò)的非線性組合預(yù)測模型建立復(fù)雜條件地質(zhì)模型的加權(quán)方法的相對誤差為2.25%。取得了良好地效果。

圖1

4 結(jié)論

通過基于RBF神經(jīng)網(wǎng)絡(luò)算法，對其進(jìn)行了研究，并用于驗證隧道的組合變形。RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型對降低預(yù)測風(fēng)險具有積極作用，驗證了組合預(yù)測的必要性，RBF神經(jīng)網(wǎng)絡(luò)的最大、最小誤差依次是3.54%和2.81%，其他誤差是3.10%，對其預(yù)測具有積極作用，可以獲得良好的效果。