神经网络技术在阳宗隧道围岩变形预测中的应用.pdfVIP

第2期 公 路 交 通 技 术 NO．2 2003年 4月 Technology of Highway and Transport Apr．2003 神经网络技术在阳宗隧道围岩变形预测中的应用 与力刁叉 (云南昆石高速公路建设指挥部 昆明650000) 土耕半．f- r，m (重庆交通学院 重庆400074) 程崇国 (重庆交通科研设计院重庆4ooo47) 摘 要 介绍了利用神经网络技术来预测隧道围岩变形的基本原理；阳宗公路隧道应用实例研究 结果表明，该方法不仅有效，而且还具有简便、实时、自适应等优点。 关键词 阳宗隧道 神经网络 围岩变形 预测 Absb-~ This paper introduces the primary principles of the nerve network technology used for predicting the surrounding deformation of tunne1．Research results of Yangzong Tunnel show this technology not only is effee— tive，but also has advantages of simplicity and self-adapting etc．． Key words yangzong tunnel nerve network surrounding deformation prediction 公路隧道围岩变形时间序列数据中蕴含着系统 1 BP网络学习算法 演化的信息，我们可以从这些数据中找出其蕴含的 规律性，同时也可以利用已知的观测资料来预报系 BP网络学习算法应定义一个能量函数E： 统的未来动态…。神经网络方法从模拟人脑的形象 ED=1／2 (CK(A(H))一C(A(H))) 思维人手，具有非线性、并行性、鲁棒性和强泛化性 等特点；对于处理具有强躁声、模糊性、非线性的地 E=丽1 Ep 下工程地质信息，它具有广阔的应用前景。 其中：C(A(H))为学习样本的计算输出，cK(A 神经网络学习算法有许多种，目前应用最多的 (H))为期望输出值，P为输出节点的个数，M为学习 是BP(Back Proagation)学习算法，这是一种误差逆传 样本的个数。 播学习算法，其网络结构一般分为输入层、隐含层、 BP网络学习的过程就是使能量函数最小化的 输出层3层(见图1)。它是靠调节各层与层之间结 过程。其学习算法可表述为： 点的连接权值使网络“记忆”各学习训练组，每一训 (1)初始化网络权值w(I，J)、U(H，I)及阈值Q 练组由输入和输出对组成，执行优化的基本方法是 (I)、V(J)； 梯度下降法。它通过大量训练组的学习，自适应地 (2)激活输入层的所有节点，计算B层及C层的 获得输入层与输出层间的高度非线性映射关系，它 节点输出B(I)、c(J)： 对确定型因果关系有很强的自适应识别能力。理论 B(I)=F(∑U(H，I) A(H)+Q(I)) 上已证明：一个具有M个结点输入层，2M+1个结 点的隐含层和P个结点的输出层所组成的3层BP c(J)=F(∑W(I，J) B(I)+v(J)) 网络，可以精确地表达任意一个连续函数 ：IM—