基于改进RBF神经网络的硬岩岩体变形模量预测.pdfVIP

第46卷 第3期 人 民 长 江 V0l_46．No．3 2015年 2月 Yangtze River Feb．． 2015 文章编号 ：1001—4179(2015)03～0038—04 基于改进 RBF神经网络的硬岩岩体变形模量预测 赵 渊，王 亮 清，周 鹏 (中国地质大学(武汉)工程学院，湖北 武汉430074) 摘要 ：岩体变形模量确定方法有室内外试验法、数值分析法、反分析法、岩体分类法等。上述方法均存在很大 缺陷，而神经网络法的 日益完善使通过建模预测岩体参数成为可能。以溪洛渡水电站 的88组数据为基础 ，考 虑岩石质量指标 RQD、RMD、Vp等 因素 ，建立 了基于模式搜索法的改进 RBF神经 网络模型 ，并用该模 型预测 岩体变形模量。为 了验证模型的准确性 ，将 西藏如美水 电站岩体的 17组数据代入 ，将其预测结果与 BP神经 网络模型结果及原位数据作对 比。结果表 明，改进 RBF模型更适于硬岩岩体变形模量的预测。 关 键 词 ：变形模量 ；RBF神经网络 ；模式搜索法 ；BP神经网络 ；硬岩岩体 中图法分类号 ：P642 文献标志码 ：A DOl：10．16232／j．cnki．1001—4179．2015．03．O11 RBF神经网络。Rumelhart提出的BP神经 网络具有 1 问题的提出 强大的空间映射和逼近能力 ，但收敛速度慢 ，训练时间 岩体力学参数选择正确与否对岩体工程支护 、岩 长 ，易陷入局部最小值 ，网络 的隐含层单元数 、传递 函 体变形分析 、稳定性预测及数值模拟有重大影响。 目 数 、训练函数和训练次数的确定没有统一方法 ，因此较 前 ，预测岩体变形模量的主要方法有室内外试验法、数 难通过反复试验和经验方法确定这些参数 ¨ 。 值模拟法、位移反分析法、基于岩体分类的经验估算法 Broomhead和 Lowe将 Powell(1985)提 出的多变 和人工神经 网络法 。确定岩体变形模量 的方法 量插值径 向基 函数 (RBF)用于神经 网络设计 ，形成了 虽多 ，但都存在局限性 ，如室 内外试验法虽准确但费时 RBF神经网络 。RBF神经网络训练方法简单快速 ， 且花费高 ；数值模拟法 ，一般的工程师很难建立复杂的 具有最佳逼近和全局最优的特性 ，有着广泛 的应用价 本构模型 ；位移反分析法 ，目前多用线弹性假设 ，与工 值。在RBF中只需确定扩展速度 spread即可，该参数 程实际不符；岩体分类法 ，对于同一岩体采用不同的经 反映了方程拟合的改变速度 ，通常可采用试算法确定 ， 验公式估算时离散性很大。与上述方法相 比，人工神 但较繁琐且可靠性不强 。在岩土工程 中，少有人基 经网络法具有容错性 、自适应性和 自学习能力的特点， 于多数据建立有普遍适用性 的 RBF神经 网络模型来 通过输入与输出的非线性映射 ，自动建立考虑影响岩 预测岩体的变形模量 ，一般多针对同一工程进行训练 体力学性质各 因素的系统模型并训练 出控制规律 ，因 和预测 ；同时，也鲜有人建立改进 的 RBF神经网络 ，继 而实用性很强。 而通过模式搜索法寻找最优解求出spread值。 冯夏庭 、王泳嘉等提 出了利用人工神经元 网络预 针对以上缺陷 ，本文利用溪洛渡水电站的88组硬 测数值分析中需要的岩体力学参数… ，不仅较好地考 岩数据 ，考虑 RQD、RMR和 Vp3个 因素 ，建立了基于