基于BP神经网络法某公路隧道围岩稳定性研究

刘 军，张吉祥，朱 文

(1.江西交通咨询有限公司 南昌市 330008； 2.江西高速集团抚州管理中心 抚州市 344000)

0 引言

隧道围岩分类是一个古老的研究课题，合理的围岩分类对于指导公路隧道的设计和施工起着举足轻重的作用。考虑到地下工程岩体的特点，大量的围岩分级方法被提出来，现有的各种岩体分级方法可以分为三类，定性的分析、定量的分析或者是定性和定量的分析。所谓的定性的分级，是在现场对影响岩体质量的诸多因素进行判别，对某些指标作出评判、打分，可以从全局上去把握，充分利用工程实践经验，例如Barton N(1974)提出Q分类[1]。定量的分级，能够建立确定的量的概念，大量的非线性算法，但是，必须强调的是，由于岩体性质和赋存条件十分复杂，准确的指标体系就显得非常重要，而且相应指标权重的准确性，对围岩等级定量分级影响是十分巨大甚至是决定性。宫凤强等[2]利用距离判别法对隧道围岩稳定性进行了分级。邱道宏等[3]利用粗糙功效系数法对岩体隧道围岩质量进行了评价，评价结果与实际基本符合，从而验证了粗糙功效系数法用于围岩分类的可行性。王迎超等[3]通过特尔菲-理想点法建立了隧道围岩稳定性分类模型。另一种方法就是定量与定性相结合，先定量地对工程岩体进行初步定级，再针对各类型工程岩体的特点，综合分析各种影响因素，进行修正，确定最终围岩等级。非线性方法目前在围岩稳定性分类上应用广泛，但隧道围岩稳定性评价是随机性和模糊性并存的问题，为了解决上述两个问题，采用神经网络相关理论对公路隧道围岩进行分级，取得了良好的评价效果，得出了一些有意义的结论[5-6]。

1 BP神经网络模型

BP人工神经网络是一种反馈式全连接多层神经网络，具有较强的联想记忆和推广能力[13]。标准BP模型如图1所示，由输入层、隐含层和输出层组成。网络的拓扑结构隐层可为多层。对于BP模型的输入神经元，其输入和输出相同，即Oj=Xj。中间隐层和输出层的神经元满足下列等式：

Oj=fj(Netj)=fj(∑WjXi+θj)

图1 神经网络示意图

BP算法的具体步骤可简单归纳如下：

(1)给定网络的输入向量X和目标输出向量T，并初始化网络权值；

(2)计算网络的实际输出；

(3)计算网络的实际输出向量与所要求的目标输出值的误差；

(4)权值学习，使误差最小。

对所有的学习样本重复①到④步骤，使系统误差达到最小。

2 工程应用

2.1 工程概况及围岩稳定性评价体系

本论文所研究的隧道是江西省境内某公路隧道，隧道场址区域为低山丘陵地貌，地势起伏较大，进洞口自然山坡坡度大约为20°～25°，自然山坡比较稳定，洞身的最高点海拔大约为500m，沟壑较发育，但宽度较小，切割纵深较大，大多沟壑是V型。隧道区域的表层分布土体以坡积粉质粘土为主，属于中软土，中等强度、中等压塑，工程地质性能一般。隧道的进口段围岩主要为全风化、强风化的砂岩；洞身段围岩主要为中风化砂岩。

综合考虑该隧道地区实际所处的地质环境及隧道围岩分级相关资料，选取不连续结构面状态及充填情况、岩石单轴抗压强度Rc、岩石质量指标RQD、地下水渗水量W和洞轴线与层状岩石的夹角θ这五个指标作为评价因子[7]。

2.2 BP神经网络学习样本

为了保证样本的典型性和全面性，根据现场施工反馈，选取本工程区有代表性的20个不同洞段的相关评价参数构成样本，如表1所示。根据文中的思路，表1给出了每个样本的等级特征值。

2.3 BP神经网络模型

采用BP网络进行学习，将选定的五个评价指标作为神经网络的输入节点；依据规范，将围岩类别分为5个等级，即Ⅰ类、Ⅱ类、Ⅲ类、Ⅳ类和Ⅴ类围岩，作为输出节点，对应期望输出结果分别为1、2、3、4、5；隐含层设置11个节点。由于各指标量纲不同，可能会影响网络的收敛速度和训练模型的可靠性，需进行各指标的无量纲化处理，可按如下公式进行。

表1 BP神经网络学习样本

选取了20个具有代表性样本，如表1所示，经过训练学习，模型误差在第62963次学习后小于0.02，如图2所示。

图2 网络学习收敛曲线

2.4 模型检验对比

为进一步验证神经网络训练出的模型在实际工程应用中的可行性和有效性，将此分类模型应用于后期6个洞段的围岩稳定性分类，对模型进行工程实例对比。结果显示，输出值与实际值基本一致，如表2所示。上述对比结果表明，该模型可以用于公路隧道围岩稳定性分类问题。

表2 模型验证对比结果表

3 结论

基于BP神经网络提出了一种公路隧道围岩稳定性分类方法，通过与工程实例对比表明，BP人工神经网络能够较准确地对公路隧道围岩的稳定性进行评价和分类。