智能计算在横山隧道施工监控中应用.docVIP

智能计算在横山隧道施工监控中应用摘 要: 本文运用人工智能领域中的遗传算法和神经网络知识,提出了一种基于遗传算法优化BP神经网络方法,利用MATLAB7自带的神经网络工具箱和英国Sheffield大学的遗传算法工具箱来实现遗传神经网络系统,结合横山隧道的隧道施工监测的实例,提出了拱顶沉降预测方法,预测效果和准确度均较好,实例说明利用遗传神经网络应用于隧道施工监控是完全可行的。 关键词: 隧道; 遗传算法; BP网络; 施工监控; 监测 中图分类号: TU7文献标识码: A文章编号: 1009-8631(2010)03-0079-02 智能计算理论也称为软计算(Soft Computing),是新发展起来的一门十分活跃和具有挑战性的领域,其主要研究对象可以归纳为:神经网络、遗传算法、模糊逻辑、概率理论、混沌理论等。软计算与传统的“硬计算”有本质的不同,其目的在于适应现实世界普遍的不精确性,其指导原则是开拓对不精确性、不确定性和部分真实性的容忍,以达到可处理性、鲁棒性、低成本性求解,土木工程面对的是工程岩土体,具有很大的随机性、模糊性、信息不完整,因而土木工程特别是特长隧道的许多问题通常具有复杂性、动态性和不可重复的高度非线性特点,问题涉及的变量多,且有噪声,传统分析方法常常面临着困难,而智能计算在处理这些问题方面具有优势。 一、BP神经网络模型及遗传算法[1, 2] BP神经网络作为智能计算的一个重要组成部分,神经网络具有很强的非线性映射和自适应训练功能,特别是BP 网络近年来广泛应用于预测评估、模式识别等领域并取得良好效果。 BP网络模型处理信息的基本原理是:输入Xi通过隐层节点作用于输出节点,经过非线形映射,产生输出Yk,网络训练样本包括输入向量X和期望输出量t,网络输出值Y与期望输出值t之间的偏差,通过调整输入节点与隐层节点的联接强度取值Wij和隐层节点与输出节点之间的联接强度Tjk以及阈值,使误差沿梯度方向下降,经过反复训练,确定与最小误差相对应的网络参数(权值和阈值),训练即停止。经过训练的神经网络即能对类似样本的输入信息,自行处理输出误差最小的经过非线形映射的信息。当隐层神经元足够多时,这种结构可以保证网络以任意精度逼近任意的非线性函数。 遗传算法(genetic algorithm)是一种模拟自然进化过程搜索最优解的方法,具有群体寻优的增强式学习能力及全局性、并行性、快速性和自适应性。遗传算法的出现使神经网络的训练有了一个崭新的面貌,目标函数既不要求连续,也不要求可导,仅要求该问题可计算,而且它的搜索遍及整个解空间,容易得到全局最优解。可利用遗传算法优化神经网络的拓扑结构。 (一)BP神经网络模型的确定 1. 输入和输出神经元的确定。可利用多种方法对神经网络的输入参数进行分析,确定无相关性或相关性较弱的输入参数(节点),使之尽可能得少,以降低网络复杂度,减少网络训练时间。 2. 隐层单元的数量对网络影响较大,选择隐含层的单元数是神经网络设计最困难的部分之一。若隐层单元数过少,则网络的泛化能力较差;若隐层单元数过多,又使得训练时间增加,训练误差也不一定最佳。隐层单元数的选取目前尚无公认的理论来指导,一般采用试算法和经验性的公式来确定。最佳层隐节点数L可参考下面经验公式计算[1],本文用遗传算法来优化BP神经网络结构。 其中m为输入节点数;n为输出节点数;c介于1～10的常数。Berk和Hajela建议[3]:隐含层单元数应在(k+i)/2与k+i之间随机选取。其中k为输入单元个数;i为输出单元个数。 3. 选择训练样本,训练神经网络。 对系统的输入输出数据进行归一化处理,作为训练样本,训练网络系统。训练样本应尽可能地反映各种状态。神经网络的训练过程,即根据训练样本,对网络的联接权值和误差进行反复修正的过程。 4. 确定传递函数,一般选择非线形S型函数等。 二、应用实例 工程概况:横山特长隧道位于陕北黄土高原梁峁区,沟壑纵横、地形起伏、冲沟发育。隧道起迄里程为DK333+265～DK344+713,全线长11448m,设计为双线隧道。隧道最大埋深为283.68m,主洞开挖面积最大177.4m2,最小120.53m2,隧道通过的围岩主要为新黄土、老黄土、泥岩、砂岩以及砂泥岩互层。 工程地质特点,目前主要以泥岩、砂岩以及砂泥岩互层为主,层理较发育,基岩裂隙水,部分段落渗水呈泉眼股状流出、拱部滴水呈线。洞内砂岩呈黄褐色薄～厚层状与泥岩不等厚互层,细粒砂状结构,泥质胶结;泥岩呈灰黑色,泥质结构,含煤线或薄煤层,自稳能力差,强度较低,遇水易软化,薄层泥岩或薄层砂岩出现在洞室起拱线以上时容易产生掉顶、滑层、剥落、塌方等现象。