冻结距离对温度场影响的灵敏度分析

张　瑞　汪仁和

(安徽理工大学土木建筑学院，安徽淮南232001)

摘要： 人工冻结法凿井中冻结距离对冻结壁温度场的影响范围和影响程度一直未有明确的结 论，在冻结工程实测数据的基础上，通过建立附加动量BP网络的灵敏度计算模型，分析得出 了不同冻结时间段下不同冻结深度的黏土层和砂层的冻结距离对温度场的影响定量分析结果 ，对于进一步辨识多圈管冻结壁温度场的计算模型、进行多圈管冻结设计参数的合理选取等 具有一定的参考价值。

关键词：附加动量；BP网络；冻结距离；温度场；灵敏度

中图分类号：TD262文献标识码：A[WT]文章编号：16721098(2008)02003004

The Analysis of Sensitivity of Freezing Distance Influence on

Temperature Field

ZHANG Rui,WANG Renhe

(School of Civil Engineering and Architecture,Anhui University of Science andTechnology,Huainan Anhui 232001,China) Abstract: In shaft drilling with artificial freezing the scope and degree of fre ezing distance influence on temperature field have not been explicitly determine d. Based on data from practical freezing engineering, the sensitivity calculatio n algorithm of additional momentum BP network was established, by which quantita tive analysis obtained conclusion of freezing distance influence on temperaturefield in clay and sand in different freezing periods. The conclusion has importa nt reference value in further identification of temperature field characteristic s of multiplepipe freezing wall and reasonable selection of freezing design p arameters.

Key words:additional momentum; BP network; freezing distance; temperature field;sensitivity

人工冻结法凿井中，多圈管冻结壁温度场受多个因素的共同作用和相互影响，目前尚无完整 的理论计算模型。影响多圈管冻结壁温度场的因素诸多，如：冻结时间、冻结距离、冷媒温 度等，其中冻结距离是最主要影响因素之一，它决定了冻结壁温度场不仅受同圈相邻冻结管 温度的影响，同时也受邻圈冻结管温度的影响。研究冻结距离对温度场影响的灵敏度，就是 计算不同距离对温度场的贡献度，从而确定单根冻结管的影响范围和影响程度，可进行冻结 管的定量筛选；同时，在考虑冻结时间、冻结深度、不同地层等复杂因素条件下的灵敏度计 算结果，亦可用于多圈管冻结壁温度场计算模型的参数辨识，进行多圈管冻结方案设计如管 间距、圈间距设计等。

多圈管冻结壁温度场实际上是多根冻结管的共同作用的叠加效果， 简化的灵敏度计算方法如层次法、正交法等只能进行单因素的定性分析。利用人工神经网络 （Artificial Neural Network，ANN）的灵敏度计算方法可以同时考虑多根冻结管的相互影 响，并行计算多根冻结管对温度场的贡献程度。本文通过建立ANN的附加动量BP网络灵敏度 分析模型，分别计算了不同冻结时间段下不同冻结深度的黏土层和砂层，冻结距离对温度 场的影响范围和影响程度，同时进行了相互比较分析。

1附加动量BP网络灵敏度分析模型[JP1]人工神经网络是通过建立输入和输出的复杂非线性关系解决复杂模型的一种方法，由于神经 网络模型将信息分布存储在网络的连接权上,无法以明显的方式表达其所包含的信息。通过 人工神经网络权重分析，不仅可以揭示输入量与输出量间的因果关系,而且可以揭示各不同 参数对输出的影响程度，从而确定目标函数对各个设计变量的依赖程度。[JP]BP网络模型，包括输入层、隐含层和输出层（见图1）。为了从网络权中提取有关输入、输 出的信息，首先分析图1所示第玦（i=1,2,…,n）个输入对第l（l＝1，2，…，m）个输出 的影响。显然，与神经元i、l个相连的所有神经元都必须予以考虑。第i个输入对隐含层上 第j个神经元的影响可表示为

图1三层BP网络灵敏度分析模型2冻结距离对温度场的灵敏度分析

通过附加动量BP网络灵敏度分析模型建立测温孔测点至所有冻结管距离和测点温度的非线性 关系的函数模型，则输入和输出关系的信息分布存储在网络的连接权上，利用以上的灵敏度 分析方法从网络连接权中提取冻结距离对温度场的贡献度（见图2）。

图2冻结距离对温度场的灵敏度实现方法2.1测温孔至冻结管距离计算

某矿冻结方案中（见图3），共112根冻结管（内圈18根，中圈48根，外圈46根），4个测温 孔，为了增加网络学习样本的范围，另选取一根冻结管视为测温孔T5，则其温度即为该冻结 管的盐水循环温度。考虑实际偏斜情况，分别计算290 m中砂层、410 m固结黏土层的所有冻结管至测点的距离共112组，按从小到大的顺序排列，并归一化至 ［0,1］之间的数值，作为网络的输入样本（见表1）。

Q=5 组。输出神经元数目S2=1，由于输出目标矢量只有一个，所以隐含层的神经元数目不需太大 ，通过选取多组隐含层神经元数目的网络模型训练结果，约确定为S1=15。则输入层-隐含层 权值为W1=［S1,R］，隐含层－输出层的权值定义为W2=［S2,S1］。输入层－隐含层传递 函数为logsig型，隐含层－输出层传递函数设定为purelin型。

网络学习训练参数设定如下：①期望误差最小值err-goal＝0.000 1；②最大循环次数max -epoch＝1 000；③修正权值的学习速率玪r＝0.05；④动量因子mc=0.001。

3计算结果

通过以上网络模型的学习， 将得到的权值和阀值分别代入式（1）～式（3），计算结果进 行归一化处理， 分别得到290 m中砂层(冻结100 d和200 d)、 410 m黏土层(冻结100 d和200 d)的冻结 距离对温度场影响的灵敏度变化规律（见图4～图7）。

（2） 测点距离冻结管越近，灵敏度越高，表明测点受冻结管影响程度越大，则该点的温度 越低；

（3) 冻结管影响范围的确定测点距离冻结管的距离在0～7.5 m范围内，不同 地层、不同冻结时间段灵敏度变化明显，超过7.5 m，灵敏度差异不明显且基本 保持在0.1～0.3之间，因此，冻结管的最大影响距离可确定为7.5 m，由此可以 定量确定冻结壁温度场平面上任意点的温度受哪几根冻结管影响；

（4） 冻结管影响程度的确定距离在0～3.5 m范围内，灵敏度 基本保持线性，即斜率不变，表明冻结管的影响程度在此范围内表现很强烈，但3.5 m以后灵敏度的斜率缓慢减小，表明3.5 m以后的冻结距离对温度的反映不 是很灵敏。由此可以确定，冻结管相邻间距最大的取值不宜超过3.5 m，这在进行冻结管相邻孔间距和相邻圈间距设计时很重要；

（5） 不同冻结时间段下的灵敏度规律随着冻结时间的延长， 冻结距离对温度场的敏感 度逐渐减小， 冻结100 d和冻结200 d的灵敏度比例约为1.2∶1；

（6） 不同地层条件下的灵敏度规律砂层对温度的敏感度明显高于黏土层，灵敏度比例约为1.16∶1。

参考文献：

［1］SALTELLI A.SensitivityAnalysis［M］.Chichester:Wiley,2000： 183196.

［2］HECHTNIELSEN R.Theory of the Backpropagation Neural Networ ks［M］.Proc.of the International Joint Conferenceon Neural Networks.1989：102 141.

［3］VANEGAS L V, Labib A W. Application of New FuzzyWeighted Ave rage (NFWA) Method to Engineering Design Evaluation［J］.International Journalof Prod uction Research,2001,39(6):1 1471 162.

［4］HAFTKA R T,ADELMAN H M.Recent Developments in Structural Sen sitivityAnalysis［J］.StructuralOptimization,1989,1(2):137152.

［5］从爽.面向MATLAB工具箱的神经网络理论与应用［M］.合肥:中国科学技术大 学出版社,1998：154180.

［6］黄洪钟,黄文培,王金诺.前馈神经网络的一种权重分析方法及其在机械结构 分析中的应用［J］.机械科学与技术,1996,11(1):855858.

［7］夏元友,熊海丰.边坡稳定性影响因素敏感性人工神经网络分析［J］.岩石力 学与工程学报,2004,23(16):2 7032 707.

［8］汪仁和.冻结温度场的叠加计算与计算机方法.安徽理工大学学报(自然科学 版)［J］.2003,23(1):2529.

［9］陈太聪,韩大建,苏成.参数灵敏度分析的神经网络方法及其工程应用［J］. 计算力学学报,2004,21(6):752756.

［10］闻新,周露,李翔，等.MATLAB神经网络仿真与应用［M］.北京:科学技术出 版社,2003：168182.

(责任编辑：何学华)