CN101344389A - 一种利用神经网络预测隧道围岩位移的方法 - Google Patents

Abstract

本发明公开了一种利用神经网络预测隧道围岩位移的方法，选择合适的神经网络模型，输入围岩位移数据的训练样本，对神经网络进行训练，得到精度满足要求的神经网络模型，再利用经训练神经网络对围岩位移进行预测，根据所输入的测点输入向量，神经网络计算并输出所要预测的随后3－5天内施工时间内的围岩位移，实现围岩位移预警。本发明利用实际施工中可信赖的监测数据，考虑了施工地段的地质特点和相关的影响因素，通过神经网络的反馈分析，对下一阶段的岩体与衬砌的变形、内力等进行预测，以指导施工和优化施工参数，合理地安排工序。

Description

一种利用神经网络预测隧道围岩位移的方法

技术领域

本发明涉及一种预测软岩隧道围岩位移的方法，尤其涉及一种利用神经网络预测隧道围岩位移的方法。

背景技术

我国正处于社会经济大发展的重要时期，国民经济结构中基础设施建设一直占有举足轻重的地位。经济社会的迅速发展对我国高速公路发展提出了新的更高要求。我国是一个多山地的国家，特别是南方及中西部很多地区崇山峻岭，沟壑纵横，其地形、地质、水文、气候条件十分复杂。然而由于高速公路技术要求高，要克服地形高差的影响，隧道就成为了必然选择，且长大隧道所占比例越来越大。

开挖隧道，在岩土体中形成了新的空间，致使隧道周边岩土体失去原有的支撑。在应力释放和应力重新分布过程中，围岩向着隧道洞内产生变形，并可能发生围岩的破坏。为防止发生过度变形而导致围岩发生严重松弛甚至破坏，需要对围岩进行即时支护。国内外大量的隧道支护失效的经验教训表明，对隧道围岩的位移特性曲线不能准确把握因而对支护时间和支护刚度未准确把握是造成隧道事故的主要原因之一，因此建立一种科学的方法从而准确确定围岩的位移曲线，并据以选择合适的支护时间和衬砌刚度是确保围岩和隧道衬砌稳定的关键。

总的来说，隧道围岩位移的预测预报是信息化监控设计与施工的重要环节，不管是采用正分析或反分析还是其他的预测形式，正确有效的预测结果往往能够反映现场施工的支护形式、参数是否合理，及能否保证隧道运营长期安全的关键所在。

目前国内在很多大断面隧道施工中，要么采用传统的台阶法“冒险”，存在很大的施工风险；要么就机械的照搬其他工程方案，不论是否与自己工程的实际情况相适合，存在很大的盲目性，也会导致施工风险的出现。即使在目前采用的信息化施工方法中，所采用的预测方法是时间序列法和动态方程算法，都是建立数学模型对围岩的位移进行预测，在建模的过程中并不考虑隧道工程本身的一些特点和影响因素，只是用纯数学的方法来进行预测，预测的结果与实测的结果误差比较大，导致事故频发。

发明内容

本发明的主要目的在于提出一种利用神经网络预测隧道围岩位移的方法，基于实际施工中可信赖的监测数据，考虑施工地点的特定的地质因素和地段特点，通过神经网络的反馈分析，对下一阶段的岩体与衬砌的变形、内力等进行预测，以指导施工和优化施工参数，合理地安排工序。

本发明的目的是通过如下技术方案实现的：一种基于神经网络预测隧道围岩位移的方法，至少包括，首先，输入围岩位移数据的训练样本，对神经网络进行训练，然后，利用训练好的神经网络对围岩位移进行预测，输入有关测点的输入向量数据，神经网络会根据预测请求计算预测出随后特定的一段施工时间段内的围岩位移，以实现预警效果。

所述的神经网络为BP网络，包括三层，多节点的输入层、多节点的隐层和单节点的输出层。

所述多节点的输入层包括6个节点，输入项包括，时间、距掌子面的距离、隧道断面埋深、围岩类型、钢拱架间距和地下水含量等。

所述的训练样本为前期测量的正常数据，可以实现样本滚动累积，数据结构为单维矩阵。

还包括训练样本数据的标准化，设X_max和X_min为每组样本数据的最大值与最小值，则相应规范化后变量为

$x_s\left(k\right)=0.1+0.8\frac{x\left(k\right)-x_{\min }}{x_{\max }-x_{\min }},k=1\·\·\·K$

对隧道变形预测的研究这一方向，根据地层的复杂性以及变异性，本发明将隧道围岩和支护结构视为一个非线性动态反馈系统，来寻求预测隧道变形受力的一些方法，利用系统输入输出的关系，研究预报输出规律。本发明的优势在于，考虑了施工地段的地质特点和相关的影响因素，利用神经网络可以自学习、自修正和自适应的特点对围岩位移这一非线性动态数据进行预测，提供可信赖的预测数据，指导施工，合理安排工序。

附图说明

图1是根据本发明的预测隧道围岩位移的神经网络的结构示意图；

图2是根据本发明的实施例对预测隧道围岩位移的神经网络进行训练的流程示意图；

图3是利用经训练的神经网络来预测隧道围岩位移的流程示意图；以及

图4为神经网络法与其他方法进行隧道围岩位移预测所取得的结果的对比图表。

具体实施方式

图1为根据本发明的预测隧道围岩位移的神经网络的结构示意图。在图1的实施例中，该神经网络为多层前馈网络，即BP网络(backpropagation)，BP网络通常包括三层：多节点输入层、多节点隐层和单节点输出层。

根据本发明的预测隧道围岩位移神经网络的输入层的输入数据包括以下六个方面，这些输入数据反映了施工地段的地质特点，在神经网络进行学习的过程中，输出受上述输入的影响，将这些因素的综合影响考虑进来，能更为准确地反映围岩位移变化的趋势。

1)时间影响

软岩隧道的围岩会出现不同程度的流变性质，围岩变形在应力状态不变情况下不断增加，时间效应在隧道变形预测中举足轻重，因此在网络模型输入项中必须考虑时间与变形的关系，输入项中时间采用的单位为天。

2)距掌子面距离的影响

台阶法开挖时，继续开挖下半断面，则会引起上半断面新的扰动，出现收敛变形的突变；对于已经开挖完毕的断面，若与掌子面距离越小，其受到开挖时的影响越大，尤其对软岩隧道而言。因此，本发明采用所要预测断面与掌子面之间的距离作为输入项，单位为米。

3)隧道断面埋深影响

围岩压力是初衬承受的主要静荷载，在隧道开挖后，随着围岩的应力释放，隧道随之产生变形，因此，所测断面的围岩压力与变形有着密切的关系，亦即断面的埋深在一定程度上对围岩的变形有影响，根据地质资料，很容易得到断面的埋深，隧道预测断面埋深输入项单位为米。

4)围岩类型影响

围岩类型是人为对岩体力学性质的划分，对围岩类型进行分类输入时，必须取得其量化的指标，本发明中围岩多为软岩，这里采取从工程软岩的角度出发，对其软弱程度进行分类，给出量化的指标。

5)地下水影响因素

对预测隧道的变形而言，采取下列方法来量化地下水影响程度：

表1地下水对应输入参数

6)支护强度影响因素

隧道围岩的变形大小与支护强度密不可分，因此，在预测模型的输入项中引入这一因素。用钢拱架的间距来反映支护的强度，给出量化指标，单位为米。

训练样本是采用测点先前若干天的变化检测值组成的单维数组，也就是施工开始一段时间的围岩位移变化数据，训练样本数量越多，训练出的神经网络预测更准确，但累计训练样本需要花费时间，基于效率和精度折中的考虑，本实施例采用连续30天的采集数据为训练样本。采用的激励函数为Sigmoid函数，根据Sigmoid函数中间高增益、两端低增益的特性，当数据在远离0的区域里进行学习时，因为在饱和区段，学习收敛速度很慢，甚至于出现麻痹现象，为此将训练样本数据进行标准化，提高其学习速度。

将一个月30天的样本数据作为一组，设X_max和X_min为每组样本数据的最大值与最小值，则相应规范化后变量为

$x_s\left(k\right)=0.1+0.8\frac{x\left(k\right)-x_{\min }}{x_{\max }-x_{\min }},k=1\·\·\·K$

这样样本数据将在[0.1，0.9]之间，可以大大加快学习速度，而数据间的联系并不减少。

设输入层为A，中间层为B，输出层为C，则由前面模型定义可知A、B、C各层的节点个数分别为6、10、1；

A层输出量为a_k；

B层节点输出函数为

$b_p=f(\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{u}_{\mathrm{kp}}{a}_k+G_p);$

C层节点输出函数为

$G_q=f(\underset{p=1}{\overset{l}{\mathrm{\Σ}}}{u}_{\mathrm{pq}}{b}_p+H_q);$

其中，u_kp为A层与B层的连接强度，u_pq为B层与C层的连接强度，G_p为B层的阈值、H_q为C层的阈值。

1)对连接强度u_kp、u_pq以及隐层和输出层的阈值G_p、H_q随机赋较小值；

2)激活输入层的所有节点，依次计算B层以及C层的节点输出b_p、c_q；

3)计算C层节点输出值c_q与期望输出值的误差

$E=c_q^{\left(k\right)}-c_q;$

如果误差E大于设定误差ε，则对连接强度和各层阈值进行修正，直到误差E小于设定误差ε。设定误差ε的量级是0.001。

对神经网络参数的修正过程包括：

4)计算B层与C层之间的误差修正量用到局部梯度

${\mathrm{\δ}}_p=c_q(1-c_q)(c_q^{\left(k\right)}-c_q)$

${\mathrm{\Δ\ω}}_{\mathrm{pq}}=\mathrm{\η}{\mathrm{\δ}}_p{b}_p=\mathrm{\η}{c}_q(1-c_q)(c_q^{\left(k\right)}-c_q)b_p$

$\mathrm{\Δ}{H}_q=\mathrm{\η}{\mathrm{\δ}}_p=\mathrm{\η}{c}_q(1-c_q)(c_q^{\left(k\right)}-c_q)$

调整B层与C层的连接强度以及C层的阈值H_q

ω_pq(n+1)＝ω_pq(n)+Δω_pq

H_q(n+1)＝H_q(n)+ΔH_q

5)计算A层与B层之间的误差修正量用到局部梯度

${\mathrm{\δ}}_k=b_p(1-b_p)\underset{l=1}{\overset{p}{\mathrm{\Σ}}}{\mathrm{\δ}}_1{u}_{\mathrm{kp}}$

调整A层与B层的连接强度以及C层的阈值H_q

${\mathrm{\Δ\ω}}_{\mathrm{kp}}=\mathrm{\η}{\mathrm{\δ}}_k{a}_k=\mathrm{\η}{a}_k{b}_p(1-b_p)\underset{l=1}{\overset{p}{\mathrm{\Σ}}}{\mathrm{\δ}}_1{u}_{\mathrm{kp}}$

$\mathrm{\Δ}{G}_p=\mathrm{\η}{\mathrm{\δ}}_k=\mathrm{\η}{b}_p(1-b_p)\underset{l=1}{\overset{p}{\mathrm{\Σ}}}{\mathrm{\δ}}_1{u}_{\mathrm{kp}}$

调整A层与B层的连接强度以及B层的阈值G_p；

ω_kp(n+1)＝ω_kp(n)+Δω_kp

G_p(n+1)＝G_p(n)+ΔG_p

ω_kp为考虑误差修正量后A层与B层的连接强度，ω_pq为考虑误差修正量后B层与C层的连接强度。

6)重复以上过程直到误差E变化很小，达到可以接受的程度。

参考图2和图3描述用于预测隧道围岩位移的方法，图2为本发明实施例神经网络训练的步骤。

首先，进行神经网络的初始化，设定参数的初始值(步骤10)，输入参数的初始值设定包括以下输入项的初始化，时间、所要预测的断面距掌子面的距离、所要预测断面的埋深、围岩类型参数、钢拱架间距和地下水因素参数。

然后，输入训练样本的输入向量和目标输出，(步骤11)

通过神经网络求输入向量的预测输出，(步骤12)

求该预测输出与目标输出的差值，确定是否超出预定的可允许的误差极限(步骤13)，超出则反复执行训练算法，不断调整各层的权值和阈值(步骤14)；

直到该差值等于或小于可允许的误差极限，神经网络训练完成。通过训练获得最终的预测算法。

图3为使用上述训练得到的预测算法输出隧道围岩预测位移的过程。

输入围岩测点的输入向量(步骤20)，通过训练好的神经网络输出预测位移值(步骤21)。

图4为神经网络法与时间序列法和动态方程法预测结果的比较，采用的数据是某隧道YK117+703断面在2005年4月19日至5月26日的监测数据，对该断面的两个测点分别用神经网络法、时间序列法和动态方程法进行预测，预测结果如图所示，神经网络法的预测结果偏差最小，绝对误差平均值分别为4.8％和3.8％，时间序列法预测的误差平均结果分别为12.1％和21.8％，动态方程法预测的结果平均误差为24.4％和20％，动态方程法的误差最大，神经网络的预测性能明显要优于其它两种方法，预测精度提高了一个数量级。

虽然实施例已经以BP神经网络的形式描述了本发明，但本发明并不排他性的限制于此。本发明还可应用小波神经网络、前馈神经网络、循环神经网络。

Claims (7)

1.一种利用神经网络预测隧道围岩位移的方法，其特征在于：至少包括，

输入围岩位移数据的训练样本，对神经网络进行训练；

利用经训练的神经网络对围岩位移进行预测，根据输入测点的输入向量，神经网络会根据预测请求计算预测出随后特定的一段施工时间段内的围岩位移，以实现预警效果。

2.如权利要求1所述的利用神经网络预测隧道围岩位移的方法，其特征在于：所述的神经网络为BP网络，包括三层：多节点的输入层、多节点的隐层和单节点的输出层。

3.如权利要求2所述的利用神经网络预测隧道围岩位移的方法，其特征在于：所述输入层至少包括以下一项输入项：时间、所要预测的断面距掌子面的距离、所要预测断面的埋深、围岩类型参数、钢拱架间距和地下水因素参数。

4.如权利要求1所述的利用神经网络预测隧道围岩位移的方法，其特征在于：所述的训练样本为前期测量的正常位移数据，数据结构为单维矩阵。

5.如权利要求4所述的利用神经网络预测隧道围岩位移的方法，其特征在于：所述训练样本为滚动累积。

6.如权利要求4所述的利用神经网络预测隧道围岩位移的方法，其特征在于：还包括训练样本数据的标准化。

7.如权利要求5所述的利用神经网络预测隧道围岩位移的方法，其特征在于：所述样本数据的标准化包括将多个训练样本组成一组，设X_max和X_min为每组样本数据的最大值与最小值，则相应规范化后变量为

$x_s\left(k\right)=0.1+0.8\frac{x\left(k\right)-x_{\min }}{x_{\max }-x_{\min }}$ k＝1...K   。

Images