張 鑫,靳春玲,貢 力,魏曉悅,杜秀萍

(1.蘭州交通大學(xué)土木工程學(xué)院,蘭州 730070； 2.保定市水利水電勘測(cè)設(shè)計(jì)院,河北保定 071000)

引言

隧道工程作為鐵路建設(shè)的控制性工程，在建設(shè)過(guò)程中，受復(fù)雜地質(zhì)因素和水文地質(zhì)條件影響，施工中經(jīng)常發(fā)生一些諸如地面塌陷、瓦斯、巖爆、突水突泥等地質(zhì)災(zāi)害。其中，在國(guó)內(nèi)外隧道施工過(guò)程中突水是發(fā)生頻率最高、危害最大的地質(zhì)災(zāi)害。據(jù)統(tǒng)計(jì)，自1988年以來(lái)，我國(guó)發(fā)生過(guò)突水突泥的鐵路隧道高達(dá)70%以上，而在2001—2010年期間，突水突泥及其誘發(fā)的一系列安全事故在鐵路、公路等眾多領(lǐng)域隧道工程建設(shè)中占所有重大安全事故總數(shù)的77.3%。大瑤山、秦嶺、烏鞘嶺等隧道均在施工階段發(fā)生過(guò)多次突水事故，造成重大人員傷亡和經(jīng)濟(jì)損失。因此，提前進(jìn)行鐵路隧道突水的危險(xiǎn)性預(yù)測(cè)，采取相應(yīng)措施，保障施工安全，降低和避免鐵路隧道突水事故發(fā)生，對(duì)我國(guó)鐵路事業(yè)發(fā)展具有重要意義。

針對(duì)隧道工程中的突水災(zāi)害，國(guó)內(nèi)外專家已進(jìn)行了大量研究。李術(shù)才等[1]通過(guò)對(duì)211例突水突泥災(zāi)害進(jìn)行研究分析，將突水突泥致災(zāi)構(gòu)造劃分為3類11型，為突水突泥災(zāi)害的致災(zāi)機(jī)制與災(zāi)害控制研究奠定了基礎(chǔ)；殷穎等[2]通過(guò)收集160個(gè)隧道災(zāi)害案例，統(tǒng)計(jì)了工程地質(zhì)因素、自然環(huán)境因素和人為誘發(fā)因素影響突水突泥災(zāi)害發(fā)生的頻率，分析并總結(jié)各因素對(duì)突水突泥的影響規(guī)律；楊艷娜等[3]通過(guò)實(shí)例統(tǒng)計(jì)和理論分析，對(duì)隧道發(fā)生突水災(zāi)害的主要致災(zāi)因子及孕災(zāi)環(huán)境進(jìn)行了深入研究，確定了隧道突水災(zāi)害危險(xiǎn)性評(píng)價(jià)指標(biāo)體系及量化取值方法；劉東波等[4]參照國(guó)內(nèi)外隧道工程經(jīng)驗(yàn)，對(duì)隧道突水風(fēng)險(xiǎn)源的重要性進(jìn)行了排序，并采用模糊綜合評(píng)價(jià)法對(duì)隧道中突水易發(fā)段進(jìn)行了風(fēng)險(xiǎn)初步評(píng)估；王景春等[5]從水文條件、地質(zhì)條件和氣候條件3個(gè)方面展開(kāi)研究，基于云模型構(gòu)建了突水風(fēng)險(xiǎn)評(píng)估模型，為突水災(zāi)害預(yù)防工作提供理論依據(jù)；毛邦燕等[6]采用定量與定性相結(jié)合的系統(tǒng)分析方法，提取了各指標(biāo)的有效信息，并用AHP法對(duì)各指標(biāo)權(quán)重進(jìn)行了確定，提出了“隧道突水危險(xiǎn)性分級(jí)體系”；AALIANVARI等[7]利用層次分析法和模糊德?tīng)柗品ń⒘怂淼劳凰ｋU(xiǎn)性的評(píng)估分級(jí)和突涌水量預(yù)測(cè)模型；毛正君等[8]運(yùn)用模糊層次分析法建立隧道突涌水風(fēng)險(xiǎn)評(píng)估分析模型，以云山隧道為例，驗(yàn)證了該方法的合理性與科學(xué)性；楊卓等[9]為避開(kāi)影響因素權(quán)重分析，運(yùn)用 BP 神經(jīng)網(wǎng)絡(luò)方法對(duì)隧道突涌水風(fēng)險(xiǎn)進(jìn)行評(píng)估，評(píng)價(jià)結(jié)果較為理想。上述研究在隧道突水危險(xiǎn)性評(píng)價(jià)研究中均取得了一定成果，但上述評(píng)價(jià)過(guò)程中多采用主觀賦權(quán)法對(duì)評(píng)價(jià)指標(biāo)進(jìn)行權(quán)重分配，評(píng)價(jià)結(jié)果的全面性和準(zhǔn)確性受專家個(gè)人偏好、知識(shí)結(jié)構(gòu)、認(rèn)識(shí)能力和經(jīng)驗(yàn)水平的制約，很難排除人為因素對(duì)評(píng)價(jià)結(jié)果帶來(lái)的影響，一定程度上增加了隧道施工過(guò)程中的風(fēng)險(xiǎn)。而B(niǎo)P神經(jīng)網(wǎng)絡(luò)雖然屬于客觀賦權(quán)法，但其網(wǎng)絡(luò)結(jié)構(gòu)大，收斂速度慢，極易限于局部最小化問(wèn)題，不善于解決鐵路隧道突水這種多因素復(fù)雜非線性問(wèn)題。

基于此，在眾多學(xué)者的研究基礎(chǔ)上，建立鐵路隧道突水危險(xiǎn)性評(píng)價(jià)指標(biāo)體系，收集50組典型隧道突水實(shí)例數(shù)據(jù)作為樣本數(shù)據(jù)，用PSO-RBF神經(jīng)網(wǎng)絡(luò)對(duì)樣本進(jìn)行訓(xùn)練，建立鐵路隧道突水危險(xiǎn)性評(píng)價(jià)模型。PSO-RBF神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型由數(shù)據(jù)驅(qū)動(dòng)，可避免人為因素干擾，且與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)相比，可顯著提高評(píng)價(jià)結(jié)果準(zhǔn)確率和網(wǎng)絡(luò)收斂速度，為鐵路隧道突水危險(xiǎn)性評(píng)價(jià)提供了一種新的方法。

1 指標(biāo)體系建立

鐵路隧道的突水致災(zāi)因素復(fù)雜多樣，通過(guò)搜集文獻(xiàn)和資料，統(tǒng)計(jì)了近百個(gè)鐵路隧道突水事故原因[2]，將隧道及圍巖狀況、地質(zhì)構(gòu)造條件、水文條件作為一級(jí)指標(biāo)，根據(jù)統(tǒng)計(jì)結(jié)果進(jìn)一步細(xì)分，把3個(gè)一級(jí)指標(biāo)又劃分為10個(gè)關(guān)鍵且易于收集數(shù)據(jù)的二級(jí)指標(biāo)，如圖1所示。

圖1 鐵路隧道突水風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系

(1)隧道及圍巖狀況[10-12]

隧道埋深與所處位置的圍巖初始地應(yīng)力成正比，當(dāng)隧道開(kāi)挖時(shí)，圍巖應(yīng)力將得到釋放，從而使得隧道穩(wěn)定性下降，隧道埋深越大穩(wěn)定性越差。巖體完整性決定巖體裂隙的發(fā)育程度，巖體裂隙為突水的發(fā)生提供了通道?？扇苄詭r石的化學(xué)成分和結(jié)構(gòu)差異引起的分異作用是巖溶發(fā)育的物質(zhì)基礎(chǔ)，造成了地下水的富集空間各異，決定著隧道充水強(qiáng)度和規(guī)模。巖層傾角在25°～65°范圍內(nèi)最有利于巖溶發(fā)育，且越接近45°巖溶越發(fā)育，為此對(duì)巖層傾角進(jìn)行修正。若巖層傾角小于45°，則直接使用；若巖層傾角大于 45°，則取余角(90°-φ)，其中，φ為大于45°的巖層傾角。

(2)地質(zhì)構(gòu)造條件[13-15]

斷裂破碎帶往往既是涌突水最重要的原生通道，又是地下水的儲(chǔ)集場(chǎng)所，當(dāng)它與某種含水層發(fā)生水力聯(lián)系時(shí)，同時(shí)又會(huì)成為地下水的傳輸通道。斷裂破碎帶寬度與其透水性成正比，抗水性成反比。斷裂影響帶和斷裂破碎帶共同構(gòu)成了地下水的主要儲(chǔ)聚場(chǎng)所。斷層是控制地下水埋藏、分布和運(yùn)移的主導(dǎo)因素。

(3)水文條件[16-19]

滲透系數(shù)表示流體通過(guò)孔隙骨架的難易程度，與巖石透水性成正比。降雨會(huì)提高地下水位，從而增加地下水對(duì)圍巖的壓力，影響圍巖穩(wěn)定性，為突水提供物質(zhì)基礎(chǔ)。地下水位是指地下水面相對(duì)于基準(zhǔn)面(隧道底板)的高程。當(dāng)?shù)叵滤坏陀诨鶞?zhǔn)面時(shí)，通常發(fā)生涌水的可能性小，風(fēng)險(xiǎn)較低；當(dāng)?shù)叵滤桓哂诨鶞?zhǔn)面時(shí)，突水爆發(fā)的瞬間會(huì)產(chǎn)生極大涌水量，危害較大。

通過(guò)查閱TB10003—2016《鐵路隧道設(shè)計(jì)規(guī)范》、TZ204—2008《鐵路隧道施工技術(shù)指南》等相關(guān)文獻(xiàn)資料，根據(jù)以往突水災(zāi)害危險(xiǎn)性評(píng)價(jià)的成熟經(jīng)驗(yàn)，采用定量、定性相結(jié)合的方法，對(duì)隧道突水致災(zāi)因子所構(gòu)建的評(píng)價(jià)指標(biāo)進(jìn)行危險(xiǎn)性等級(jí)劃分，將指標(biāo)所處狀態(tài)通過(guò)定量分析劃為4個(gè)區(qū)間：低度風(fēng)險(xiǎn)(Ⅰ)、中度風(fēng)險(xiǎn)(Ⅱ)、高度風(fēng)險(xiǎn) (Ⅲ)、極高風(fēng)險(xiǎn) (Ⅳ)，如表1所示。

表1 鐵路隧道突水風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)等級(jí)劃分

2 研究方法

2.1 RBF神經(jīng)網(wǎng)絡(luò)

徑向基函數(shù)(Radial Basis Function，RBF)神經(jīng)網(wǎng)絡(luò)是一種具有極強(qiáng)分類能力和極佳逼近能力(克服局部極小值問(wèn)題)的前饋型神經(jīng)網(wǎng)絡(luò)[20]。學(xué)習(xí)規(guī)則簡(jiǎn)單，收斂速度快，擁有很強(qiáng)的穩(wěn)定性、記憶性、泛化能力和自學(xué)能力。RBF神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層組成。相鄰兩層單元都是單向鏈接，從輸入層到隱含層是非線性變換，而從隱含層到輸出層是線性變換。信號(hào)通過(guò)輸入層節(jié)點(diǎn)傳遞到隱含層，隱含層神經(jīng)元通過(guò)徑向基函數(shù)產(chǎn)生局部響應(yīng)給輸出層，最后在輸出層形成輸出。本文采用的RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，其實(shí)際輸出可描述為

F(X)=ω1φ1(x)+ω2φ2(x)+…+ωnφn(x)

(1)

式中，X={x1，x2…xn}代表輸入向量，包括隧道埋深、可溶巖比例、…地下水位等；ωk為連接隱含層和輸出層的慣性權(quán)重；k為第k個(gè)隱含層神經(jīng)元的輸出。

(2)

圖2 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2.2 梯度下降法

梯度下降法是一種常用的神經(jīng)網(wǎng)絡(luò)優(yōu)化方法，該方法根據(jù)負(fù)梯度方向?yàn)槟繕?biāo)函數(shù)的最速下降方向，沿著函數(shù)負(fù)梯度方向進(jìn)行搜索直到找到函數(shù)的極值。

假設(shè)f(x)是Rn上具有一階連續(xù)偏導(dǎo)數(shù)的函數(shù)。要求解的無(wú)約束最優(yōu)化問(wèn)題為

(3)

由于f(x)具有一階連續(xù)偏導(dǎo)數(shù)，若第k次迭代值為x(k)，則可將f(x)在x(k)附近進(jìn)行一階泰勒展開(kāi)。

(4)

這里gk=g(x(k))=?f(x(k))為f(x)在x(k)的梯度。

求第k+1次的迭代值x(k+1)

x(k+1)←x(k)+λkpk

(5)

式中，pk為搜索方向，取負(fù)梯度方向pk=-?f(x(k))；λk為步長(zhǎng)，由一維搜索確定，即λk使得

(6)

運(yùn)用式(3)～式(6)，對(duì)RBF神經(jīng)網(wǎng)絡(luò)參數(shù)ωk和σk進(jìn)行迭代優(yōu)化，尋找使得均方誤差(MSE)最小解，即為最優(yōu)解。雖然梯度下降法實(shí)現(xiàn)簡(jiǎn)單，但其每次訓(xùn)練僅采用一個(gè)樣本來(lái)決定梯度方向，容易陷于局部最優(yōu)，且一次迭代一個(gè)樣本，導(dǎo)致迭代方向變化很大，不能像PSO算法那樣很快收斂到全局最優(yōu)解。

2.3 PSO算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)

RBF 神經(jīng)網(wǎng)絡(luò)的性能主要取決于參數(shù)訓(xùn)練方法的有效性。粒子群算法(particle swarm optimization，PSO)是計(jì)算智能領(lǐng)域中的一種生物啟發(fā)式方法，屬于群體智能優(yōu)化算法，通過(guò)模擬鳥(niǎo)集群飛行覓食的行為而提出的一種基于群體智能的全局隨機(jī)搜索算法[21-23]。PSO 算法中，搜索空間中每一只鳥(niǎo)都被當(dāng)作是一個(gè)優(yōu)化問(wèn)題的解，被稱之為“粒子”。粒子飛行方向和距離是根據(jù)粒子速度和適應(yīng)度(fitness value)來(lái)決定，適應(yīng)度由被優(yōu)化的目標(biāo)函數(shù)提供。PSO 算法在每一次迭代過(guò)程中，粒子通過(guò)跟蹤2個(gè)極值(個(gè)體極值pi和全局極值pg)來(lái)更新自己的速度和位置。

(7)

(8)

(9)

式中，kmax為最大迭代次數(shù)；通過(guò)試算法尋找最優(yōu)初始慣性權(quán)重和最終慣性權(quán)重，最終確定ω1=0.9和ω2=0.4分別為初始慣性權(quán)重和最終慣性權(quán)重。慣性值決定著搜索速度和精度，初始慣性值取較大值時(shí)，收斂速度快，有助于前期全局搜索；最終慣性值取較小值時(shí)，降低收斂速度，提高后期局部搜索得精確性。

適應(yīng)度函數(shù)的選取直接影響粒子群算法的收斂速度以及能否找到最優(yōu)解，將神經(jīng)網(wǎng)絡(luò)均方誤差(MSE)計(jì)算公式定義為粒子群算法尋優(yōu)的適應(yīng)度計(jì)算函數(shù)。粒子適應(yīng)度函數(shù)定義為

(10)

式中，n為訓(xùn)練樣本數(shù)；Yi為參考輸出；yi為實(shí)際輸出。具體訓(xùn)練步驟如下：

Step1：隨機(jī)初始化粒子群；

Step2：根據(jù)公式(10)對(duì)每個(gè)粒子的適應(yīng)度進(jìn)行設(shè)置；

Step3：選取粒子的當(dāng)前位置作為初始pi，從種群中找出適應(yīng)度最小的粒子作為初始pg；

Step4：對(duì)比當(dāng)前適應(yīng)度與pi的適應(yīng)度，若pi適應(yīng)度更優(yōu)，則保持；若當(dāng)前適應(yīng)度更優(yōu)，則更新pi；

Step5：比較每個(gè)粒子的pi適應(yīng)度與pg適應(yīng)度，若pg適應(yīng)度更優(yōu)，則保持pg，若pi適應(yīng)度更好，則更新pg；

Step6：粒子通過(guò)式(7)、式(8)對(duì)速度和位置進(jìn)行更新；

Step7：重復(fù)步驟4～6，直到找出可接受的滿意解或達(dá)到最大迭代次數(shù)為止；

Step8：將pg對(duì)應(yīng)的粒子作為 RBF 神經(jīng)網(wǎng)絡(luò)參數(shù)，建立PSO-RBF神經(jīng)網(wǎng)絡(luò)模型，建模流程見(jiàn)圖3。

圖3 PSO-RBF神經(jīng)網(wǎng)絡(luò)模型

2.4 模型測(cè)試

2.4.1 數(shù)據(jù)來(lái)源

從國(guó)內(nèi)外隧道突水危險(xiǎn)性研究成果中搜集所需樣本數(shù)據(jù)[2-6]。經(jīng)過(guò)對(duì)已搜集數(shù)據(jù)的篩選，剔除無(wú)效數(shù)據(jù)和重復(fù)樣本，最終保留選取 50 組突水典型實(shí)例數(shù)據(jù)作為突水危險(xiǎn)性預(yù)測(cè)的研究樣本。如表2所示，因篇幅所限，只列出部分?jǐn)?shù)據(jù)。

表2 鐵路隧道突水實(shí)例數(shù)據(jù)

2.4.2 樣本訓(xùn)練

將收集到的50組突水?dāng)?shù)據(jù)樣本按49∶1的比例循環(huán)劃分，即將每個(gè)樣本都單獨(dú)作為一次驗(yàn)證集，其余49個(gè)樣本作為訓(xùn)練集。訓(xùn)練集的作用是參數(shù)更新及模型擬合，驗(yàn)證集的作用是選出效果最佳模型所對(duì)應(yīng)的參數(shù)，用來(lái)調(diào)整模型參數(shù)。將每次模型訓(xùn)練后得到的適應(yīng)度函數(shù)最小值、全局最優(yōu)權(quán)重ω和方差σ、驗(yàn)證集樣本準(zhǔn)確分類率及樣本均方誤差都做記錄。經(jīng)過(guò)50次訓(xùn)練后，對(duì)全部驗(yàn)證集的樣本均方誤差平均值和樣本準(zhǔn)確分類率進(jìn)行計(jì)算，選取與該平均值最接近的樣本均方誤差和樣本準(zhǔn)確分類率的模型作為隧道突水危險(xiǎn)性評(píng)價(jià)模型。最終樣本訓(xùn)練集平均均方誤差(適應(yīng)度函數(shù)平均最小值)為0.031，驗(yàn)證集平均均方誤差為0.075，準(zhǔn)確率為97.23%，根據(jù)平均值選取最佳模型的ω和σ。用此方法進(jìn)行模型訓(xùn)練，可有效避免過(guò)擬合現(xiàn)象，得到最佳預(yù)測(cè)模型。

2.4.3 模型輸入輸出

為加快收斂速度，且使得數(shù)據(jù)無(wú)量綱化，把樣本數(shù)據(jù)進(jìn)行區(qū)間為[0，1]范圍的歸一化處理。模型訓(xùn)練樣本輸出后，對(duì)其進(jìn)行取整(范圍為1～4)，取整的數(shù)字就是所對(duì)應(yīng)的突水危險(xiǎn)性等級(jí)。取整后的“1”“2”“3”，“4”對(duì)應(yīng)突水危險(xiǎn)性的4個(gè)等級(jí)(低度風(fēng)險(xiǎn)Ⅰ級(jí)、中度風(fēng)險(xiǎn)Ⅱ級(jí)、高度風(fēng)險(xiǎn)Ⅲ級(jí)和極高度風(fēng)險(xiǎn)Ⅳ級(jí))，并且輸出數(shù)值與取整后數(shù)值之間的差值絕對(duì)值越小，說(shuō)明其與對(duì)應(yīng)等級(jí)越接近，評(píng)價(jià)越準(zhǔn)確。

2.4.4 模型對(duì)比

將PSO-RBF神經(jīng)網(wǎng)絡(luò)模型與傳統(tǒng)梯度下降法訓(xùn)練的RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)行比較。模型迭代過(guò)程如圖4所示，可以看出， PSO 法訓(xùn)練的RBF神經(jīng)網(wǎng)絡(luò)收斂速度更快，均方誤差更小，迭代次數(shù)在達(dá)到25次左右后均方誤差基本穩(wěn)定，而梯度下降法訓(xùn)練的RBF神經(jīng)網(wǎng)絡(luò)模型在迭代40次左右后均方誤差才能達(dá)到穩(wěn)定。且相對(duì)于梯度下降訓(xùn)練法，PSO訓(xùn)練法所能達(dá)到的均方誤差更小，證明其精確度更高。

圖4 模型迭代過(guò)程

3 工程實(shí)例應(yīng)用

3.1 工程背景

張吉懷鐵路控制性工程井家山隧道位于湖南省懷化市麻陽(yáng)縣蘭村鄉(xiāng)境內(nèi)，隧道進(jìn)口里程DK208+990，出口里程DK211+281，全長(zhǎng)2 219 m，隧道最大埋深157 m，隧道整體位于沅麻盆地，為丘陵地貌，地勢(shì)起伏較大，丘間多有狹長(zhǎng)山谷，多呈“V”形或“U”形，山坡自然坡度一般為25°～40°，局部較陡峭。區(qū)內(nèi)海拔高程一般為200～395 m，最高海拔為395.8 m，溝谷內(nèi)多發(fā)育溪流，溝底處露基巖。周邊巖土體風(fēng)化劇烈，節(jié)理裂隙發(fā)育，地表水系豐富，在沖溝區(qū)域與部分地下水融匯，經(jīng)歷了漫長(zhǎng)多期的地質(zhì)演變，構(gòu)造運(yùn)動(dòng)頻繁，斷裂構(gòu)造發(fā)育，對(duì)隧道施工帶來(lái)一定突水隱患，因此，對(duì)其進(jìn)行突水風(fēng)險(xiǎn)評(píng)價(jià)是必需且必要的。

根據(jù)《井家山隧道工程地質(zhì)勘查報(bào)告》及施工現(xiàn)場(chǎng)統(tǒng)計(jì)資料等，獲取井家山隧道預(yù)測(cè)樣本數(shù)據(jù)。將井家山隧道劃分為4個(gè)分段：DK209+004 ～DK209+430；DK209+430～DK210+159；DK210+159～DK 210+639；DK210+639～DK211+281，分別作為樣本1、樣本2、樣本3、樣本4，對(duì)其進(jìn)行突水危險(xiǎn)性評(píng)價(jià)(數(shù)據(jù)見(jiàn)表3)。

3.2 結(jié)果與討論

以井家山隧道的4個(gè)隧道段作為樣本點(diǎn)，分別運(yùn)用PSO-RBF神經(jīng)網(wǎng)絡(luò)模型和梯度下降法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)模型對(duì)4個(gè)隧道段進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果與實(shí)際危險(xiǎn)性等級(jí)作對(duì)比，實(shí)際危險(xiǎn)性等級(jí)通過(guò)現(xiàn)場(chǎng)實(shí)際施工時(shí)收集得到，對(duì)比結(jié)果如表4所示。

表3 井家山隧道樣本數(shù)據(jù)

表4 井家山隧道預(yù)測(cè)結(jié)果

預(yù)測(cè)結(jié)果表明：樣本1、3處于低度風(fēng)險(xiǎn) (Ⅰ)，樣本4處于中度風(fēng)險(xiǎn) (Ⅱ)，樣本2處于高度風(fēng)險(xiǎn) (Ⅲ)。雖然POS-RBF模型和梯度下降法優(yōu)化的RBF 模型均對(duì)井家山隧道的4個(gè)樣本進(jìn)行了正確的突水危險(xiǎn)性評(píng)價(jià)，但PSO-RBF評(píng)價(jià)模型輸出的數(shù)值均方誤差為0.022，小于梯度下降法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)的數(shù)值均方誤差0.081，說(shuō)明本文模型的預(yù)測(cè)結(jié)果更加接近實(shí)際隧道突水危險(xiǎn)性等級(jí)。

4 結(jié)論

(1)通過(guò)隧道及圍巖狀況、地質(zhì)構(gòu)造條件、水文條件3 個(gè)方面對(duì)隧道突水災(zāi)害的發(fā)生機(jī)理進(jìn)行研究和分析，構(gòu)建了10 個(gè)二級(jí)突水危險(xiǎn)性指標(biāo)，全面反映鐵路隧道突水災(zāi)害的影響因素。

(2)收集50組實(shí)際鐵路隧道突水?dāng)?shù)據(jù)，并用PSO-RBF神經(jīng)網(wǎng)絡(luò)和梯度下降法改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練。對(duì)兩個(gè)模型進(jìn)行性能對(duì)比可知，PSO-RBF模型相對(duì)于傳統(tǒng)梯度下降法訓(xùn)練的RBF模型迭代速度更快、評(píng)價(jià)結(jié)果更準(zhǔn)確可靠，可運(yùn)用于鐵路隧道突水危險(xiǎn)性評(píng)價(jià)。

隨著鐵路建設(shè)的大力發(fā)展，鐵路隧道突水危險(xiǎn)性評(píng)價(jià)發(fā)揮的作用也會(huì)日益加深，本文提出的PSO-RBF神經(jīng)網(wǎng)絡(luò)模型也會(huì)在今后繼續(xù)圍繞突水災(zāi)害多樣性、指標(biāo)全面性、量化數(shù)據(jù)準(zhǔn)確性等方面進(jìn)行深化研究，為我國(guó)鐵路隧道施工的安全性保障提供參考。