基于BP神经网络的偏压隧道拱顶沉降预测

杨 洪 武

(中铁一局集团城市轨道交通工程有限公司，陕西 西安 710054)

基于BP神经网络的偏压隧道拱顶沉降预测

杨 洪 武

(中铁一局集团城市轨道交通工程有限公司，陕西 西安 710054)

采用BP神经网络，以香山隧道拱顶沉降监测数据为样本进行训练，得到了相应的学习曲线，并采用所建立的神经网络预测模型，对隧道拱顶沉降进行了预测，结果表明：建立的BP神经网络模型能够很好的描述既有训练样本曲线变化特征，且预测精度与既有监测数据相关，亦与预测长度有关，预测长度较长时预测结果可信度降低。

BP神经网络，偏压隧道，沉降预测

0 引言

偏压软岩隧道施工过程中所出现的围岩大变形现象，会侵彻隧道净空，造成隧道初期支护的破坏失稳，威胁隧道安全施工。作为新奥法隧道施工的主要特征之一，监控量测已广泛应用于隧道开挖过程之中。然而，现场监控数据只是对隧道施工过程中已经发生的变形或应力的简单表达，不具预测功能。因此，采用相应的数学方法对既有监测数据进行分析，以有效判断其未来发展趋势，为隧道后续施工的工艺优化提供借鉴，已成为隧道施工安全的重要保障措施之一。

作为诸多数学手段的一种，BP神经网络在隧道施工过程变形预测中应用较为广泛。侯喜冬等[1]采用BP神经网络预测了广州地铁3号线隧道地表沉降。朱珍德等[2]综合应用粒子群算法和BP神经网络，反演了惠山隧道围岩位移。黄志波等[3]将BP算法引入小波神经网络，预测了隧道变形。亦有学者将BP神经网络用于隧道监控量测数据的处理[4]，在此不再一一累述。

采用BP神经网络，以香山隧道左幅洞口段ZK85+200断面拱顶沉降监测数据为数据样本进行训练，建立相应的神经网络预测模型，以期对该断面拱顶沉降进行预测，保障隧道施工安全，为支护方案优化提供借鉴。

1 BP神经网络

BP神经网络模型[5]拓扑结构包括输入层(input layer)、隐含层(hidden layer)和输出层(output layer)，其隐含层可以为1层或多层。一个包含2层隐含层的BP神经网络结构如图1所示。

BP神经网络算法步骤如下：

1)网络初始化，赋一个在区间(-1,1)内的随机数作为连接权值，定义计算的误差函数e，给定计算精度值ε和最大训练次数M。

2)随机选取第k个输入样本及对应期望输出。

x(k)=(x1(k),x2(k),…,xn(k))

(1)

do(k)=(d1(k),d2(k),…,dq(k))

(2)

3)计算隐含层各神经元的输入和输出。

(3)

hOh(k)=f(hih(k))

(4)

(5)

yOo(k)=f(yio(k))

(6)

其中，wih为输入层与中间层之间的权值；who为隐含层与输出层的权值；bh为隐含层各神经元的阈值；bo为输出层各神经元的阈值。

4)计算网络期望输出和实际输出，并用误差函数各输出层的神经元的偏导数δo(k)。

(7)

(8)

(9)

5)利用隐含层映射到输出层的连接权值、输出层的δo(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数δh(k)。

(10)

6)利用输出层各神经元的δo(k)和隐含层各神经元的输出来修正连接权值who(k)。

(11)

(12)

7)利用各神经元隐含层的δh(k)和输入层各神经元的输入修正连接权。

(13)

(14)

8)计算全局误差，判断网络误差是否满足要求。

(15)

2 工程实例

2.1 工程概况

香山隧道位于湖北省襄阳市保康县，为湖北麻竹高速公路的一座小净距偏压短隧道。香山隧道左幅全长431 m，最大埋深约54 m；右幅全长388 m，最大埋深约47.1 m。隧址区属构造剥蚀低中山区，地形起伏较大，植被较发育。

隧道左幅洞口ZK85+191～ZK85+291段，长100 m，围岩级别为Ⅴ级。围岩为强～中风化页岩，属极软岩～软岩类，岩体破碎～极破碎，香山隧道围岩如图2所示。图3为香山隧道左幅洞口，显而易见，香山隧道左幅洞口为大偏压隧道。隧道开挖施工中隧道洞口段容易发生掌子面失稳、拱顶岩石塌落等灾害。

2.2 隧道拱顶沉降神经网络模拟

以香山隧道左幅洞口ZK85+200断面为例，随测量天数的增加，我们分别选取30 d，33 d和35 d的实测数据，来预测36 d～40 d的沉降趋势，并对比分析不同训练样本时所得到的预测结果。

隧道拱顶沉降监测数据如表1所示。

表1 曾家坡隧道左幅ZK85+200拱顶沉降监测数据

图4为采用BP神经网络得到的香山隧道左幅洞口段ZK85+200断面拱顶沉降数据，图中n为不同训练样本个数。由图4可知，训练样本个数分别为30，33和35时，采用BP神经网络所得到的拟合曲线与实测数据具有很好的一致性，即BP神经网络能够较好的反映实测数据的非线性变化。31 d～35 d时间段，n=30与n=33所得预测结果比较接近。

训练样本个数分别为30，33和35时所得到的31 d～35 d时间段内ZK85+200断面拱顶沉降预测结果如图4中右侧阴影所示。由图可知，测量天数愈多，其所预测的结果越接近于实测值。亦即，采用BP神经网络进行施工过程隧道沉降预测，预测精度与既有监测数据相关，亦与其预测长度相关；预测长度较长时预测结果可信度降低。

3 结语

采用BP神经网络，以麻竹高速香山隧道左幅洞口段ZK85+200断面拱顶沉降监测数据为数据样本建立隧道沉降预测模型。对比分析了不同训练样本个数时所得到的隧道拱顶沉降预测结果，研究结果表明：

建立的BP神经网络模型能够很好的描述既有训练样本曲线变化特征。采用BP神经网络进行施工过程隧道沉降预测，预测精度与既有监测数据相关，亦与其预测长度有关；预测长度较长时预测结果可信度降低。

隧道施工过程中监控量测数据的数量与精度是进行隧道拱顶沉降准确预测的重要保障。BP神经网络预测方法的有效、合理应用，可为支护时机优化和隧道安全施工提供参考。

[1] 侯喜冬.盾构施工引起地表沉降的BP神经网络预测[J].隧道建设,2007,27(3):17-20.

[2] 朱珍德,杨喜庆,郝振群,等.基于粒子群优化BP神经网络的隧道围岩位移反演分析[J].水利与建筑工程学报,2010,8(4):16-20.

[3] 黄志波,林从谋,黄金山,等.BP小波神经网络在大断面隧道变形预测中的应用[J].华侨大学学报(自然科学版),2011,32(6):680-683.

[4] 谢仁红,邹朋高,文辉辉.BP神经网络在隧道监控量测数据处理中的应用[J].水力发电,2013,39(9):20-22.

[5] 张良均,曹 晶,蒋世忠.神经网络实用教程[M].北京:机械工业出版社,2008.

Vault settlement prediction of the bias tunnel based on BP neural network

Yang Hongwu

(UrbanRailTransitEngineeringCo.,LtdofChinaRailwayFirstGroupCo.,Ltd,Xi’an710054,China)

Based on the monitoring vault settlement data of Xiangshan tunnel,BP neural network is adopt to obtain the learning principal curve. With the prediction model of BP neural network established in this paper,it carries out tunnel vault settlement prediction. The result indicates that,the BP neural network model established here could well describe characteristic of the training sample curve. Prediction accuracy are related to both the monitoring data and the forecasting length,and credibility of the predicted results would be reduced with increasement of the forecasting length.

BP neural network,bias tunnel,settlement prediction

2015-10-19

杨洪武(1987- )，男，助理工程师

1009-6825(2015)36-0189-02

U456.3 < class="emphasis_bold">文献标识码：A

A