遗传算法和神经网络在软弱围岩隧道的位移反分析应用.docVIP

FLAC和神经网络在隧道位移反分析中的应用 彭剑文1, 赵奎2, 曹宗权3, 马乾天4, 刘明荣5 （1.江西理工大学, 建筑与测绘工程学院; 2.工程研究院 钨资源高效开发及应用技术教育部工程研究中心; 3. 资源与环境工程学院 江西 赣州341000） 摘要：本文应用三维有限差分程序FLAC 3D和BP 神经网络对隧道位移进行分析，使用正交实验和FLAC3D正演结果作为样本，用神经网络建立位移与反演参数的映射关系。结果表明：可搜索得出反演参数的最优解，实现在隧道围岩中的位移反分析。可将反演结果用于隧道的设计，反演精度满足工程要求。 关键词：反分析, 中图分类号：TU 443 文献标识码：A Application of neural network and FLAC to back analysis of tunnel displacement PENG Jian-wen1, ZHAO Kui2,CAO Zong-quan3,MA Qian-tian4,LIU Ming-rong5 Engineering Research Institute; Faculty of civil construction and mapping; Faculty of Resources and Environment ,Jiangxi university of science and technology,Ganzhou 341000,China) Abstract:This paper applies the neural network and FLAC 3D to back-analysis of displacements of tunnel displacement,useing the learning and testing samples based on orthogonal test design and FLAC 3D numerical simulation,The potential mapping between parameters and surrounding rock displacement was established using neural network.The results show that it can solve the problem by search parameters of back-analysis,this can be derived to achieve the displacement back analysis in tunnel displacement.Then inversion results can be feedback for the designof tunnel,the results of back-analysis accord with the accuracy of engineering. Key words:Back-analysis,displacement,orthogonal test,neural network  由于岩土工程的复杂性，在数值计算中传统的有限元、边界元等方法采用的模型和参数难以准确的表征岩体的客观物理力学参数，故所获得岩体的初始地应力和力学参数与实际有较大偏差。鉴于此人们提出了反演方法，在反演运算中面对极其复杂的岩体、土体来说，通过监控测量，最容易获得、精度最高的测试参数就是岩体和土体的位移量。采用基于监控测量的位移反分析可更加准确的反演得出所需参数[1-2]。在此，本文作者结合FLAC 3D和神经网络对围岩进行位移反分析，建立了一种实用的位移反分析法。实践表明，该方法适用于这一类围岩的位移反分析，反演得出了初始地应力和岩体的物理力学参数。 1. 隧道模型和参数的选择 1.1 模型的选择 在模型的选择问题上，越接近围岩客观实际情况的力学模型，其所要反演的参数就越多，但岩土工程中，研究对象为岩土、土体，工程实际中的岩石和岩体并不是由一种物质组成，本身的又存在节理、裂隙、断层等各种复杂结构，是一种综合地质体，故建立一个能完全准确客观反应实际情况的物理模型十分困难，模型的选择应当以能够正确的反映围岩的变形特性为前提,反演参数的增多,反演目标参数的唯一性的确定和反演过程的难度就大,从工程实际考虑，模型的选择采用相对简单的为宜，本文将隧道围岩简化为平面问题考虑，采用摩尔-库伦模型。 1.2 初始地应力反演参数的确定 岩体在尚未进行开挖之前，受到长期的地质构造运动的影响，处于特殊的地质环境之中，这其中包括应力场、渗流场以及岩体本身的物理力学性质等。