基于BP神经网络与变形监测成果的隧道安全状态评估

黄惠峰，张献州，张 拯，刘 龙，喻 巧，乐亚南

（西南交通大学 地球科学与环境工程学院，四川 成都610031）

随着经济的发展与社会的进步，生产安全与运营的要求越来越高。安全状态评估是实现安全生产与运营管理现代化、科学化的重要手段。运用安全监测方法对高风险的隧道工程的运营状态进行实时的安全评估，具有重大的现实意义。目前的安全监测手段众多，安全评价方法不一，找到最适合实际工程的方法是本文探讨的关键问题。

1 基于BP神经网络模型的隧道安全状态评估模型

隧道安全评价是根据隧道施工或者运营期间影响隧道安全的各种定量与非定量因素所表现的信息，运用各种理论或方法综合评判隧道的实际工况，判断隧道的安全性是否满足现行规范、标准的要求的方法。

由于影响隧道安全的因素很多，各因素的重要性各不相同，评价者主观因素对隧道安全状态评估结果的影响较大，因此现有的安全状态评估模型不能最真实地反映隧道的实际安全状况［1］。BP神经网络能利用其自组织、自学习、自适应、高抗干扰能力及强容错性的优势自动调节各个影响因素的权重，能吸收学习样本中专家的思维及经验，能高效率高精度地求解，得出更为合理的评价结果。

1．1 BP神经网络

BP神经网络是误差反传神经网络的简称，它是一种多层前馈式误差反传神经网络，由单个输入、输出及单个或多个隐含层构成，每层包括若干数量的无相关联系的节点，邻层之间的节点由权值连接。BP神经网络的算法原理是通过训练学习样本与网络实际输出之间的误差，修正节点之间的连接权值，使输出与期望输出尽可能的一致（输出误差平方和最小）。BP神经网络由信号正向传播与误差逆向传播两个学习过程的反复记忆训练，使网络达到收敛为止。它在信息处理方式方面具有信息并行处理、极强的容错性，具有自学习、自组织、自适应能力，其主要优点在于网络具有极强的非线性映射能力，能解决多维非线性问题。

1．2 评价模型的构建

隧道安全状态评估主要包括评价指标体系的建立、评价指标度量方法及安全综合评估3个方面。

1．2．1 隧道安全状态评估体系及评价集设计

隧道属于高度非静定结构物类别，影响其安全状态的影响因子众多，受到土木工程领域中各类复杂问题的交叉影响。［2］本文只探讨变形监测领域中基于隧道变形监测成果的BP神经网络模型在此类随机的、模糊的工程问题中的应用。因此，本文中的隧道安全状态评估体系构建仅考虑变形监测领域内相关的内容。

评价集是关于隧道安全状态“优”“劣”的描述，是评价指标所属等级的集合。将评价集分成5级，用集合V表示：

V ＝ ｛V（i），i＝1，2，3，4，5｝＝ ｛正常，基本正常，轻度异常，重度异常，恶性失常｝

其评价集的安全系数取值范围为［0～1］，各级系数范围下文中将探讨。

1．2．2 隧道安全状态评估指标度量方法

监测指标是一种用来衡量隧道运营是否正常与安全的数值界限，是反映隧道处于安全、病态、危险三类状态的界限值，可以分为警戒值与危险值两类。对监测指标的度量即主要从数值表现和趋势表现两个方面对单个监测点的实测成果进行分析。

本文主要研究定量指标数值表现的度量方法（见图1）。

图1 隧道安全状态评估指标体系

其监测指标度量模型可以表示为

其中，n为实测效应量总数，t为自由度。

用［ymax］和［ymin］表示监测指标的限制值，可将评价集的5级状态进行数值表现：

1 级：［ymin］≤y≤ ［ymax］，且－2S≤y≤＋2S；

2级：［ymin］≤y≤［ymax］，且－3S≤y≤－2S或者＋2S≤y≤＋3S；

3级：［ymin］≤y≤［ymax］，且y＜－3S或者y＞＋3S；

4级：y＜［ymin］或者y＞［ymax］，且y≥－3S或者y≤＋3S；

5级：y＜［ymin］或者y＞［ymax］，且y＜－3S或者y＞＋3S。

1．2．3 安全状态评估

隧道安全状态评估可以转换成评价特征空间的映射问题［3］。BP神经网络有其良好的非线性映射能力，能实现对多维空间的任意映射。一个三层（输入层、隐含层与输出层）的BP可以任意逼近连续函数。评价指标数与评价等级数的乘积为输入层节点数目，评价等级数目即为输出层节点数，隐含层节点数由神经网络自行调整确定。对隧道的安全状态评估，首先要根据隧道各级监测项目建立评价指标体系，然后根据评价指标体系，自下而上依次评价下层评价因子的结构性态和上层评价因子的结构性态，逐级至顶层隧道整体性态做出最终的评判。

下文将会详细阐述安全状态评估相关步骤及算例。

2 隧道变形监测

某山岭直线型隧道位于新疆阿克苏地区丘里塔格戈壁山区，此地区雅丹地貌发育，岩石风化严重，沟谷深切，自然条件恶劣。隧道全长1 983．0 m，设计坡度－41．4‰，轴线方向112°47′30″。隧址区在大地构造单元上，位于塔里木板块之阿克苏坳陷的丘里塔格构造带。阿克苏坳陷是南天山中段新构造运动异常强烈的地区，内部发育有四排近东西向展布的逆断裂－背斜带，东丘里塔格背斜属其中的丘里塔格逆断裂－背斜带东段部分，其构造运动尤为强烈。隧道安全使用数年来，隧道洞身和地表均出现不同程度的开裂和沉降现象。为准确掌握此隧道的变形发展趋势，保障整个隧道工程的安全运营，必须利用变形监测手段进行分析及灾害的预测评估。

2．1 监测方案

工程测量技术需实现半自动化监测，进行周期性观测；传感器技术实现实时、连续、自动化监测。这种多频次、多传感器、多数据源、多模型的综合监测技术，可以弥补各技术的不足，发挥各技术的优势，实现数据相互检核，得出最可靠的分析与评估结论。

对隧道的监测主要包括隧址区域变形监测、隧道地表沉降监测、隧道围岩收敛监测、隧道裂缝和应力及渗水监测。隧址区域变形监测分为4个GPS静态观测点及2个需要实时、连续、不间断进行观测的GPS连续运行参考站，GPS连续运行参考站自动化监测运用GNSS Spider系统进行GPS数据的接收和解算，使用Geo MoS Monitor系统［5］进行相应的数据投影来获取区域位移在坐标轴方向上的位移变化趋势；隧道地表沉降监测采用精密二等水准测量的方法对隧道内每隔120 m一个监测点进行周期性的测量；隧道围岩收敛监测采用周期性监测和实时监测手段结合的办法，用徕卡测量机器人T M30参考高速铁路CPIII技术自由设站边角交会法进行隧道监测网的测量。测点间距为50 m，自由设站间距为100 m。每个断面布设3个靶标（拱顶、两侧拱腰）。其中实时监测用Geo MoS Monitor系统可对全测量机器人进行通讯配置、数据接收等功能，使用Geo MoS Analyzer系统可对变形信息进行可视化分析；隧道裂缝、应力及渗水监测主要采用传感器系统DATATAKER配合裂缝传感器、应力传感器和渗压计在线实时监测，裂缝监测还可应用近景摄影测量的方法进行周期性监测。其中周期性监测为每季度一次，实时监测为各个系统按需设定，如图2所示。

图2 隧道位移监测网示意图

整个变形监测工程分为实时监测系统和人工周期性监测，其中实时监测是由供电系统、通讯传输系统、在线传感器采集系统与数据分析系统组成的物联网模式远程自动化系统。监测区域采用分级布网，CORS／GPS监测网为首级控制网，隧道三维位移监测网为二级控制网，两者之间通过洞口的观测墩进行联系。

2．2 变形监测成果

隧址区域变形监测的实时监测主要由埋设两个CORS站实时监测点来反映变形特征，有6 h、12 h和24 h解算监测数据，图3为CORS1的24 h监测位移曲线。

隧道地表沉降监测主要采用人工精密二等水准测量的方法完成监测及解算，2011年11月至2013年4月，隧底沉降监测得到的水准监测点高程信息如表1所示。

图3 连续运行监测站CORS1的24 h监测位移曲线

表1 隧底沉降监测成果m

隧道全站仪实时自动化位移监测采取一天每隔4 h采集一次位移数据，通过与首期数据比较得到隧道26个监测点2013年10～12月间的北方向位移变化趋势（见图4）。图5为隧道进口端DX0000－DX1000范围内22支裂缝传感器监测到的裂缝变化趋势。

目前，针对变形监测成果最普遍的安全状态评估方法是采用人工对每项监测项目的监测成果进行简单的分项指标评价。由于具体问题复杂多样，各个监测项目的重要性不尽相同，评价结果往往受主观因素的影响较大，缺乏系统的、科学的整体评价方法，因此下文将探究运用神经网络的方法进行隧道安全状态评估。

3 隧道安全状态评估

3．1 隧道安全状态评估步骤

基于BP神经网络与变形监测成果的隧道安全状态评估具体步骤如下：

1）生成学习样本。隧道安全状态评估BP神经网络模型输入对各个评价指标和评价集归一化后的隶属度，输出各评价指标的上层评价目标。通过对各个评价指标因子结构性态的排列组合得到学习样本的输入层。以隧道体变形为例（见图1），取隧底沉降、衬砌位移、围岩应力和隧体裂缝4个因子，如果输入全为正常，其输入矢量为（1，0，0，0，0，1，0，0，0，0，1，0，0，0，0，1，0，0，0，0），如 果 输 入 全 为基本正常，其输入矢量为（0 1 0 0 0 0 1 0 0 0 0，1，0，0，0，0，1，0，0，0），以此类推，总的输入矢量维数为54＝625。学习样本的输出层则需要通过推理或者咨询行业专家得到。如输入全为正常，则可以推理得到输出肯定全为正常，如果4个评价因子有一个正常一个重度异常其他为基本正常等复杂情况，则需通过专家的判断给出合理的输出结果。

图4 隧道位移监测点北方向位移实时变化趋势

图5 隧道裂缝实时监测变化趋势

2）BP神经网络学习。对于生成好的学习样本，通过MATLAB神经网络工具箱的学习，网络获取学习样本中体现的评价专家的知识经验。当神经网络训练达到设置的目标精度时，应用这一网络可以对样本集以外的任一输入进行映射，最后得出能再现专家思维与经验的比较科学合理的评价结论。

3）逐级评价，得出最终结果。逐级输入下层评价指标对评语集的隶属度矩阵，通过BP神经网络得出相邻上级评价目标的评价结果，最终按照最大隶属度原则，对隧道实际安全性态进行综合评价［6－9］。

3．2 隧道安全状态评估分析

隧道从进口DX0060开始每隔120 m设置共计18个断面，其中断面前后60 m内所做的监测项目包括隧底沉降、衬砌位移、围岩应力和隧体裂缝进行综合，对此断面做安全综合评价。为了更好地监测隧道安全，应监测隧址区域范围内的变形，并通过巡视的手段检视隧道内的渗流、裂缝情况。本文选取DX0060 DX0540 DX0900 DX1020 DX1380 DX1860总共6个断面做基于BP神经网络与变形监测成果的隧道安全状态评估。选取2012年10月至2014年3月间的定量观测资料做安全状态评估分析，如表3～表5所示。

表3 隧底沉降对评价集的隶属度

表4 隧道变形对评价集的隶属度

表5 隧道整体性态对评价集的隶属度

根据表3～表5中对隧道隧底沉降、隧道变形及隧道整体性态的评价隶属度，由最大隶属度原则可知：隧底沉降均正常，隧道变形也趋向正常，隧道整体性态方面均为正常，隧道安全状态评估结果为安全。

为了证明该方法具有合理性，本文将DX0060断面的4个评价因子加入部分的变形超限量，再由该方法得出隧道变形和隧道整体性态对评价集的隶属度：

隧道变形：正常0．327 1，基本正常0．371 9，轻度异 常 0．266 0，重 度 异 常 0．022 7，恶 性 失 常0．012 3；

隧道整体性态：正常0．251 7 基本正常0．300 4，轻度异常0．411 3，重度异常0．019 8，恶性失常0．016 8；

加入少量变形超限量后，评价结果发生变化。由最大隶属度可知，隧道变形属于基本正常，隧道整体性态为轻度异常，则该隧道处于病态，其结果由变形监测成果超限决定。该结果与专家判断一致，可见，该方法具有一定的科学性。

4 结束语

隧道变形监测是隧道安全性态分析与综合评估的基础，对监控隧道的安全运营具有重要的作用。由于隧道工作环境比较恶劣，内部结构相对复杂，监测量影响因素众多，常规的测量手段难以获取全面的监测数据，加上传统的安全状态评估方法受评价者主观意识影响较大，难以得出比较合理的安全状态评估结果。本文研究BP神经网络与物联网模式下变形监测成果的隧道安全状态评估，既克服了以往监测手段的不足，也能弥补安全状态评估方法的缺陷，能得出比较科学合理的结论。

［1］ 刘祖强，张正禄，邹启新，等．工程变形监测分析预报的理论与实践［M］．北京：中国水利水电出版社，2008．

［2］ 李汛，何川，汪波，等．营运期隧道结构健康监测与安全评价研究［J］．现代隧道技术，2008［2］：289－294．

［3］ 李明，陈洪凯．隧道健康动态评价模型［J］．重庆大学学报，2011，34（2）：142－147．

［4］ 薛强，张茂省，唐亚明．基于变形监测成果的宝塔山滑坡稳定性评价［J］．水文地 质工程 地质，2013（5）：110－114．

［5］ 陈喜凤，黄腾，刘岭，等．Geo MoS在地铁保护区自动化监测中的应用［J］．测绘工程，2013，22（2）：64－69．

［6］ 李孜军，石东平．基于粗糙集－模糊评判－神经网络的隧道施工安全状态评估［J］．安全与环境学报，2011（6）．

［7］ 魏世玉．地铁隧道施工中应急监测解决方案研究［J］．测绘工程，2014，23（4）：72－75．

［8］ 陈超，张献州．实数编码自适应遗传算法辅助实现变形监测网平差［J］．测绘科学，2014，39（6）：117－120．

［9］ 陶鑫，文鸿雁，何美琳，等．灰色二阶预测模型在变形监测中的应用［J］．测绘科学，2014，39（6）：135－137．