神经网络及其在岩爆灾害预测中的应用

（中铁十六局集团第五工程有限公司唐山063030）

神经网络及其在岩爆灾害预测中的应用

倪富来

（中铁十六局集团第五工程有限公司唐山063030）

岩爆是高地应力区岩质隧道开挖施工过程中发生的主要施工地质灾害之一，它的发生对隧道施工企业的安全生产构成很大的威胁，对岩爆发生可能性及其程度的预测是这类隧道设计、施工及安全生产所面临的重大问题。依据隧道岩爆发生的条件，基于国内外隧道及地下工程岩爆实例，应用人工神经网络方法，建立了岩爆危险性预测的评价模型并应用vc++6.0实现了该评价模型，将其运用到武隆隧道的岩爆预测中，取得了良好的效果。

BP神经网络；武隆隧道；岩爆预测

1 前言

岩爆是隧道开挖过程中围岩的一种非正常破坏现象，主要表现为大范围的岩体突然破坏，破裂围岩的动力抛掷，并伴有不同程度的爆炸、撕裂声，围岩释放大量能量，使几米至几百米的硐室瞬间破坏。严重的岩爆可将巨石猛烈抛出，甚至一次岩爆就能抛出数以吨计的岩块和岩片，常常造成人员伤亡和设备损失。岩爆不仅使人产生恐惧感，而且直接威胁施工人员和设备的安全，严重的会诱发地震，造成地表建筑物的破坏。所以对岩爆发生的可能性及其危险程度的预测是隧道设计、施工企业在高地应力区岩质隧道建设过程中所必须解决的问题[1]。

目前专家、学者们已从强度、刚度、能量、稳定、断裂、损伤、分形和突变等方面对岩爆现象进行了分析，提出各种假设和判据。在一些假设和判据中仅考虑个别影响因素，会产生片面性和局限性，而考虑所有因素又会使问题复杂化[2]。另外，岩土工程中的有关因素，其本身通常只具有相对的准确度，它们与岩爆的关系往往不能以简单的是与否进行评价，非线性的人工神经网络方法正适合解决此类问题，它不要求岩爆与各影响因素间有明确的函数关系，只需要选取必要的、容易确定的影响岩爆的主要因素，进行正确的学习和预测。

2 BP神经网络算法与实现

2.1 典型的三层BP网络学习算法典型的三层BP网络学习算法如下：首先定义误差函数：

式中tpl为期望输出，Opl为实际输出，Ep为各模式误差平方和。网络训练的目的就是要使Ep最小。一般常用简单梯度下降法进行最小化，文献中也有使用共轭梯度法的例子。

BP网络学习步骤[3]：

步骤一：选定训练模式及合适的网络结构，并对输入数据进行预处理；

步骤二：将各权值及阈值置成小的随机值；

步骤三：将训练模式依次加到网络，再给出其期望输出；

步骤四：按照式（2）计算出隐蔽层输出，再计算出网络的实际输出；

步骤五：将实际输出与期望输出进行比较，计算输出误差项：

对S函数而言：

所以

对隐含层的单元也计算出误差项：

同样，对S形函数：

步骤六：依次进行权值调整：

上两式中η是一个控制学习速度的正常数，即学习速率，也叫步长，通常小于1，学习速率取值过大，学习速度加快，但可能导致不收敛；取值太小，则迭代次数会明显增加，会导致学习速度减慢；α也是一个正常数，即动量因子(Momentum Factor)，增加该项可略微加快收敛速度，并使收敛过程中权值变化比较平滑。

步骤七：返回步骤四，继续迭代，直到Ep最小为止；

步骤八：检验网络的预测能力。

学习完成后，固定当前权值，就可以进行预测了。

2.2 BP神经网络算法的实现

利用vc++6.0实现BP神经网络算法，主要包括两个部分：神经网络训练、神经网络。

弹出网络学习过程对话框如图2(a)，需要确定的网络学习参数有：输入特征数、输出特征数、样本数量、学习数量、动量速率、输入文件名、最大总体误差、最大个体误差、最大迭代次数、隐含层数、任务名(在爆破优化设计时需要)和是否生成误差文件(因生成误差文件要占用大部分CPU时间和内存用来计算和保存误差，为了快速完成神经网络训练，建议一般不选)。确定之后，弹出对话框如图2(b)，依次确定每层隐含层的单元数,学习完成后弹出对话框如图2(c)。预测条件输入对话框如图2(d)，任务名称输入以前训练成功得到的如“RockBurst”，数据文件是保存预测样本输入特性的文件，输出文件是保存样本计算所得输出特性的文件。

图2 神经网络学习与预测过程对话框

3 BP神经网络在武隆隧道岩爆预测中的应用

图3 三层BP网络结构

表1 国内外典型的岩爆实例

表2 武隆隧道K5+780断面在埋深900m下岩爆预测情况

3.1 预裂爆破BP神经网络优化模型的确定

这里选用典型的三层前向反传播网络，网络结构见图3。它采用前向三层反传学习算法，一个最基本的BP网络由输入层、中间隐含层、输出层三层构成，各层单元的激发函数用S型函数，这种网络具有高度非线性映射能力，是一种良好、稳健的模式识别方法。

在综合参考了前人研究成果及各种判别准则[1][2][4][5]，本文采用σθ,σc,σt,σθ/σc，σc/σt和Wet6个指标为输入变量。σθ反映了岩爆发生的外因即地应力特征；发生岩爆的岩石是致密的,影响岩爆的最主要岩性是单轴抗压强度和单轴抗拉强度σc、σt；Wet反映了岩爆发生的内因即岩石积聚弹性能的能力；综合Russenes，Turchaninov，Hoek等人的经验判据而引入σθ/σc；在陆家佑提出的岩爆判据中,当σθ/σc满足σθ/σc≥Ks时将产生岩爆，参数Ks的选取与岩石单轴抗拉强度与抗压强度之比σt/σc有关，所以岩爆烈度与σc/σt有关，σc/σt较小时,发生岩爆时烈度较大，σc/σt较大时,烈度较小。如果将岩爆分为4级，输出层取4个二值型神经元，以表示岩爆分级，这里规定(1,0,0,0)表示强岩爆，(0,1，0,0)表示中级岩爆，(0,0，1，0)表示弱级岩爆，(0,0, 0,1)表示无岩爆。取隐含层的单元数为15。

3.2 BP神经网络的训练

训练样本是根据国内外典型的20个岩爆实例，具体数据如表1所示[1][2][4][5]。

η是一个控制学习速度的正常数，即学习速率，也叫步长，通常小于1，学习速率取值过大，学习速度加快，但可能导致不收敛；取值太小，则迭代次数会明显增加，会导致学习速度减慢；α也是一个正常数，即动量因子(Momentum Factor)，增加该项可略微加快收敛速度，并使收敛过程中权值变化比较平滑[3]。这里取η为0.9，取α为0.7，训练的最大系统误差设为1X10-5，训练的最大个体误差设为1X10-6，经过55406次循环后训练结束，且系统误差小于1X10-5。

4 利用BP神经网络预测武隆隧道岩爆

选取武隆隧道K5+780断面是隧道埋深900m的情况，该断面岩性是二叠系吴家坪组灰岩，其力学参数和预测结果见表2。根据预测结果，该断面可能发生较弱的岩爆。实际开挖到该断面时，即出现轻微围岩壁面爆裂，并日趋明显，属轻微岩爆，由此可见预测的结果是可靠的。

5 结论

（1）岩爆的发生受多种因素的影响。正确选择影响岩爆的一些主要因素进行分析,则可能得到预测岩爆的合理判据。本文在岩爆成因分析及实例计算表明的基础上,选择围岩地下洞室最大的切向应力、岩石单轴抗压强度、岩石单轴抗拉强度、岩石弹性能量指数、围岩最大切向应力与岩石抗压强度的比值σθ/σc和岩石抗压强度与抗拉强度的比值σc/σt这六个指标作为人工神经网络岩爆预测分析的主要因素是可行的。

（2）利用学习后的BP网络对武隆隧道K5+780断面进行的岩爆预测分析结果是可靠的。

[1]白明洲,等.岩爆危险性预测的神经网络模型及应用研究[J].中国安全科学学报,2002,12(4):65-69.

[2]王元汉,等.岩爆预测的模糊数学综合评判方法[J].岩石力学与工程学报,1998,17(5):493-501.

[3]王心飞.路堑边坡开挖预裂爆破设计专家系统的研究及应用[D].重庆大学资源与环境科学学院硕士学位论文,2003: 1-3.

[4]陈海军,等.岩爆预测的人工神经网络模型[J].岩土工程学报,2002,24(2):229-232.

[5]丁向东,等.岩爆分类的人工神经网络预测方法[J].河海大学学报,2003,31(4):424-427.

责任编辑：余咏梅

Neural Network and Its Application to Predict Rock Burst

Rock burst is one of the main geological hazards occurred in the construction of Rock Tunnel during the excavation process in regions with high geo-stress.Its occurrence caused great threat to the production safety of the tunnel construction enterprises.Prediction of the possibility and degree of rock bursts is a major problem to be solved for design,construction and safe production of this type of tunnels.This paper,according to the conditions of the tunnel rock burst,based on rock burst in tunnel and underground works at home and abroad,and using artificial neural network method,established an evaluation model for rock-burst risk forecasting and use VC++6.0 to implement the evaluation model.The application of the prediction has achieved great success in the rock burst in Wulong Tunnel.

BP neural network;Wulong Tunnel;rock burst prediction

U455.6

A

1671-9107（2011）07-0033-04

10.3969／j.issn.1671-9107.2011.07.033

2011-05-30

倪富来（1976-），男，工程师，主要从事土木工程、高速公路施工工作。