基于神经网络公路隧道围岩分级.docVIP

基于神经网络公路隧道围岩分级 　　【摘 要】 以十天高速汉中东段大包梁公路隧道为例，通过分析隧道围岩稳定性的各项影响因素，采用BP神经网络建立隧道围岩分级模型，并对模型进行了优化设计，将训练好的分级模型运用到该隧道，为公路隧道围岩分级提供了一种有效方法和参考价值。 　　【关键词】 公路隧道 围岩分级 神经网络 　　1 引言 　　我国正处于公路交通运输事业高速发展的时期，伴随了设计水平和施工技术的提高，越来越多的高速公路在山岭重丘区展线，公路隧道的长度和埋深都较以往有较大增加，围岩分级对隧道的安全和造价的影响也越来越大。 　　目前用于隧道围岩稳定性分级的方法大致有以岩石强度为代表的分级方法、与地质勘探手段相联系的分级方法、以多种因素进行组合等方法[1～2]。围岩分类方法先后经历了从定性到定量、从单一指标到复合型指标的发展。但这些方法都是在隧道工程实践的基础上逐步发展起来的，具有较浓的人为因素。随着人们对隧道工程、地质环境以及这两者间相互关系的了解，围岩分级方法亦在不断地深化和提高。 　　神经网络是一种具有自己组织与学习能力的网络系统，从模拟人脑的形象思维人手，具有并行性、非线性等特点，对于处理具有强噪声、模糊性、非线性的复杂地质体信息，应用神经网络技术是一种新的途径。 　　2 围岩稳定性影响因素 　　影响隧道围岩稳定性主要有两个方面，一方面是围岩的内在因素，即围岩体的结构类型、围岩体结构面组合特征、岩性特征及风化程度、地下水等因素。另一方面是外在因素，即隧道的方位、规模、施工工艺、支护形式以及地震、降雨等因素的影响。 　　要对隧道围岩稳定性进行分级，就需要考虑各影响因素之间的相互关系。由于外在因素存在不确定性，本模型不予考虑。为尽可能降低或消除人为因素对判别结果的影响，选取一种简单实用并且可靠的隧道围岩分级的评价方法是很有必要的。 　　本文拟采用BP神经网络方法对隧道围岩稳定性进行分级，既能消除判别过程中人为因素的影响，又可减少人工手动计算产生的误差，从而提高工作效率与计算的准确性。 　　3 隧道围岩分级BP神经网络模型 　　3.1 BP神经网络 　　神经网络的类型有很多，Error Back Propagation（简称BP）算法是一种采用误差反传算法的前馈型神经网络。输入和输出关系可以看成是一种映射关系，网络实现是复杂的非线性映射。BP神经网络是一种单向传播的多层前向网络[3]。它包括一个输入层，一个输出层和一个或多个隐含层。BP算法使用最优化方法中的梯度下降算法，目的是使实际输出和目标输出之间的均方差最小化。 　　对于BP神经网络来说，网络的结构包括输入输出层单元数、隐含层数、隐含层单元数和隐含层、输出层神经元特性函数。输入输出层单元数由具体问题决定，隐含层数（至少有1个隐含层）和隐含层单元数由用户确定。常用与选择最佳隐单元节点数的参考公式为： 　　（1） 　　（2） 　　式中为隐层节点数；为输入节点数；n为输出节点数；a为1～10之间的常数。 　　3.2 输入层与输出层 　　通过对隧道围岩稳定性影响因素的分析，根据《工程岩体分级标准》（GB50218-94）、《公程工程地质勘察规范 》（JTG C20-2011）、《公路隧道设计规范》（JTG D70-2004）并结合大量工程资料的实际情况，选取岩石单轴饱和抗压强度Rw、岩体质量指标RQD、岩体风化系数Kf、完整性系数KV和地下水渗流量ω以上5个主要影响因素作为网络的输入节点。 　　由于Ⅵ级围岩为极差的围岩，本文选取的公路隧道实例中没有发现Ⅵ级围岩，故训练集合中还没有收录Ⅵ级围岩。 　　输出层则反映围岩分级的定量指标，输出层结果分别表示第Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ级围岩，若不为1时，五个数值中最接近1的数值所对应相应的围岩级别，若为（0，0，0.5，0.5，0）时，则表示介于Ⅲ级和Ⅳ级之间，依此类推。 　　3.3 隐含层设计 　　由式（1）确定隐含层节点取值在3～13之间，分别选取隐含层节点为9、12、13进行计算，确定隐含层节点数为12时效果最佳，满足误差精度0.0001。 　　根据以上参数的确定，BP神经网络模型的结构图如图所示（图1）。 　　3.4 样本选择 　　BP神经网络的特点之一就是它能从提供的样本中通过自学习（训练）自动获取样本中的知识，所以它所预测的准确性完全取决于所提供样本的可靠性[4～5]。本文通过搜集具有代表性且正确的工程实例和围岩分级标准表中采用插值法得到的数据以上两种方法获得所需要的学习样本，从而尽量满足样本的代表性和均匀性，提高预测的精度。 　　利用确定好的BP神经网络参数对所选样本进行训练，网络经过30次训练后，训练很快得到收敛，下降曲线光滑，网络的目标误差就达到了要求。训练过程中，网络的效率很高，网络训练误差MSE=0.000023。 　　4 工