基于BP神经网络的帷幕注浆量预测模型研究

刘晓阳， 胡江春， 王红芳， 郭乃胜

(中原工学院， 郑州 450007)



基于BP神经网络的帷幕注浆量预测模型研究

刘晓阳， 胡江春， 王红芳， 郭乃胜

(中原工学院， 郑州 450007)

摘要：在帷幕注浆工程中，注浆量预测具有重要的实际应用价值。利用Matlab神经网络功能，通过编写预测注浆量的程序，建立了预测帷幕注浆量的BP神经网络模型，得出了注浆量与影响因子的非线性关系。结合工程实例，分别对注浆段和注浆孔进行了注浆量预测，并将注浆量预测值与实测值进行了比较分析。结果表明，在帷幕注浆工程中，BP神经网络模型对注浆量的预测误差较低，预测效果良好。

关键词：帷幕注浆；BP神经网络；注浆量；预测

岩体及土体性质复杂，其裂隙的发育程度、大小、分布情况难以判断，其赋存特征是影响岩体工程注浆量的主要因素。注浆量的预测在工程中具有重要的实际应用价值。在注浆设计与施工中，注浆量的预测与注浆过程的控制以技术人员的工程经验为基础。传统的实验室模拟、工程类比等方法对注浆量的预测偏差较大[1]。因此，如何构建预测能力强的模型以较准确地预测注浆量，是工程预测研究领域内的一个难点。

传统的用于注浆量预测的建模方法主要是时间序列分析方法[1-3]，该方法本质上属于回归分析，是用确定的模型表达变量之间的函数关系。然而，由于工程地质条件的复杂性及岩土体特征性参数的不确定性，难以用准确的数学模型去描述这种关系。王述红等提出了一种岩体微裂隙注浆量预测的新方法——人工神经网络方法，并得出了这种方法比其他方法有更高精度的结论[4]。人工神经网络是基于对生物大脑的结构和功能进行模仿，通过神经元之间的互连，运用一定的数学物理方法来实现类似人在语言和图像处理上的能力而构成的一种新型信息处理体系。BP神经网络是人工神经网络中最具代表性和使用最广泛的一种，其结构简单，可操作性强，能模拟任意的非线性输入输出关系[5-7]。

帷幕注浆系统是复杂开放的系统，影响注浆量的因素很多，包括注浆覆盖层重量、岩体和土体的性质、裂隙结构特征、注浆压力、注浆段长度等。这些因素具有模糊性、随机性的特点，它们互相影响，使浆液在裂隙中的渗流特性显现出复杂的非线性关系[8]。

本文建立了一种帷幕注浆量的预测模型，利用BP神经网络的高度非线性映射能力，构建注浆量与影响因子之间的非线性关系，从而实现对注浆量的预测。

1基于BP神经网络的帷幕注浆量预测模型

1.1工程概况

本文结合内蒙古前夭子水库右岸山体帷幕注浆工程建立帷幕注浆量预测模型。前夭子水库位于黄河一级支流浑河中游，坐落在内蒙古自治区和林格尔县新店子镇下恼亥村，距和林格尔县城44 km。工程区的岩石主要为太古界桑干群花岗片麻岩、闪长岩，第三系中、上新统玄武岩。第四系地层上部为低液限黏土，局部夹级配不良砾。河床及主要沟谷由冲积层构成。堆积物为冲积砂土及洪积砾石、碎块石等。该区因受华夏构造体系的影响，构造较发育，左岸有揭露断层7条、节理3组。

库区右岸山体防渗工程主要包括库区右岸山体帷幕注浆等建筑工程及相应的临时工程。帷幕注浆均采用孔口封闭、自上而下分段、孔内循环注浆方法。

1.2主要影响因素分析与确定

在建立注浆量预测模型的过程中，主要考虑的影响因素包括注浆段段长、吕荣值、注浆起始注率和注浆压力。

以前夭子水库右岸山体帷幕注浆工程监测数据为基础建立BP神经网络模型。选取影响注浆量的4个影响因素组成输入向量P，包括注浆段长、吕荣值、注浆起始注率、注浆压力；以预测出的注浆量为输出向量T。选取编号为Ⅱ-1-1、Ⅱ-1-2、Ⅱ-1-3的3个注浆孔的实测数据为学习样本，其中每个注浆孔包含9个注浆段。

1.3BP 神经网络注浆量预测模型的构建

采取BP神经网络模型进行预测时，所选取的影响因素的重要程度不同。为了保证各影响因素具有同等重要的地位，从而使网络训练精确，并提高网络的收敛速度，必须对输入和输出的数据进行归一化预处理，让各分量的物理意义相同且为同一量纲[9]。数据归一化可在Matlab中用自带函数mapminmax实现。

另外，还需要初始化网络的权值和阈值，确定输入层、隐藏层和输出层节点数，给定学习速率和神经元传递函数和学习函数。根据选取的输入向量和输出向量，确定注浆量预测模型网络输入层节点个数为4，网络输出层节点个数为1，得出网络隐含层节点个数为9(经验公式为：m=2n+1，n为网络输入层的节点个数，m为网络隐含层的节点个数)。将传递函数设为logsig，学习函数设为trainlm，训练次数设为50 000次，学习速率设为0.01，训练目标精度定为0.000 01。 其他参数均设为系统默认值。

为防止网络训练出现过拟合状态，应设置变量数据[10]。将孔Ⅱ-1-4的实测数据设置为变量数据，如表1所示。

表1　变量数据

2工程注浆量预测分析

2.1工程注浆量预测

根据以上分析，设置好学习样本、变量数据及各参数后，编辑程序命令，用train函数对网络进行训练和验证。首先对注浆孔Ⅱ-1-5的9个注浆段进行注浆量预测。根据现场实测数据确定输入向量P，将其代入训练后的网络模型。命令网络模型进行计算并得出输出向量T，即注浆量的预测值。如表2所示。

将孔Ⅱ-1-5中各个注浆段的注浆量预测值与实测值进行对比，如图1所示。

表2　孔Ⅱ-1-5的BP神经网络模型预测结果

图1　孔Ⅱ-1-5注浆量实际值与预测值对比图

表3所示为孔Ⅱ-1-5中各注浆段的注浆预测值与工程实际值对比情况。从表3可看出，预测值除了第4、9段误差较大外，其他7段相对误差均在15%以内。其中，有5段相对误差在10%以内，3段在5%以内，2段在1%以内。造成误差过大的原因有：程序的系统误差；被注浆地层的不连续和不确定性。对于整个注浆孔来说，相对误差达到了0.05%。BP神经网络模型对各个注浆段注浆量的预测值在一定范围内准确度相对较高，对整孔注浆量的预测值的准确度非常高。

依次对编号为Ⅱ-1-6、Ⅱ-1-7、Ⅱ-1-8、Ⅱ-1-9的4个孔进行预测。将4个孔的输入向量分别代入训练好的网络，得到这4个注浆孔(36个注浆段)注浆量的预测结果。预测值与实测值的比较情况如表4-表7所示。

表3　孔Ⅱ-1-5各段的注浆量预测值与实测值的对比表

表4　孔Ⅱ-1-6各段注浆量预测值与实测值的对比表

表5　孔Ⅱ-1-7各段注浆量预测值与实测值的对比表

表6　孔Ⅱ-1-8各段注浆量预测值与实测值的对比表

表7　孔Ⅱ-1-9各段注浆量预测值与实测值的对比表

2.2注浆量预测结果分析

首先分析孔Ⅱ-1-5、Ⅱ-1-6、Ⅱ-1-7、Ⅱ-1-8、Ⅱ-1-9的45个注浆段注浆量的BP神经网络预测效果(表3—表7)。通过图2可以发现，这45个注浆段注浆量预测值与实测值的相对误差分布情况为：相对误差在1%以内的注浆段有4段；相对误差在1%～5%范围内的注浆段有6段；相对误差在5%～10%范围内的注浆段最多，为15段；相对误差在10%～15%范围内的注浆段有7段；相对误差在15%～20%范围内的注浆段有2段；相对误差在20%以上的注浆段有11段。从图3可以看出，预测注浆量与实际注浆量的误差非常小，5个孔的相对误差分别为0.05%、2.51%、0.51%、1.65%、0.23%，预测结果相当准确。可以发现，BP神经网络发挥

了人工智能的自主学习和预测功能，使施工方案优选科学化、自动化，实现了大型复杂工程设计计算的优化。

图2　孔Ⅱ-1-5～Ⅱ-1-9中45个注浆段注浆量预测值与实际值相对误差分布情况

图3　孔Ⅱ-1-5～Ⅱ-1-9 的注浆量预测值与实测值的比较图

3结语

本文结合工程实例建立了帷幕注浆量预测的BP神经网络模型，进行了预测分析，得出了以下结论：

(1)BP神经网络模型对注浆孔的注浆量预测较准确，避免了人工运算方法易遗漏和繁琐的弱点，大大提高了工作效率。

(2)该方法预测简便、速度快，是帷幕分段注浆量预测的有效方法，对实际工程具有较高的参考价值。

但是，用BP神经网络模型预测出的帷幕注浆量的准确度会受到学习样本大小的影响，学习样本越小，预测值与实测值的误差就越大，只有当学习样本足够大时，预测值才会比较准确。

参考文献：

[1]郝哲,王介强,何修仁.岩体裂隙注浆的计算机模拟研究[J].岩土工程学报,1999,21(6):727—730.

[2]王述红,田军,刘斌,等.遗传神经网络方法在大型地下结构位移演化预测预报中应用[J].东北大学学报(自然科学版),2000,22(5):84—87.

[3]刘勇,康立山,陈毓屏.非数值并行算法(第2册):遗传算法[M].北京:科学出版社,1997:122—148 .

[4]王述红,郝哲.岩体微裂隙注浆量预测分析的遗传神经网络方法[J].岩土工程学报,2001,23(5):572—575.

[5]张文鸽，吴泽宁，逯洪波.BP神经网络的改进及其应用[J].河南科学,2003,21(2):202—206.

[6]张五一，杨扬，林聪，等.基于Gabor滤波器组与BP神经网络的帘子布疵点检测研究[J].中原工学院学报，2014.25(3)：1-6.

[7]楚艳艳，汪青，禹建丽，等.BP人工神经网络在估计织物热湿阻方面的应用[J].中原工学院学报，2006，17(4)：9-11.

[8]郭晓刚,孟山辉.基于LIBSVM的高面板坝趾板基础灌浆智能预测[J].人民长江,2011,42(1):33-36.

[9]赵亚军,张恩龙,巩志忠.BP神经网络在边坡稳定性预测中的应用[J].西部探矿工程,2014(2):23-28.

[10]李俭川,秦国军,温熙森,等.神经网络学习算法的过拟合问题及解决方法[J]. 振动测试与诊断,2002,22(4):260—264.

(责任编辑：张同学)

Research on Curtain Grouting Quantity Predition Model Based on the BP Neural Network

LIU Xiao-yang, HU Jiang-chun, WANG Hong-fang, GUO Nai-sheng

(Zhongyuan University of Technology, Zhengzhou 450007, China)

Abstract:It has important practical application value to predict the grouting quantity during curtain grouting project. In this paper, the neural network function of MATLAB software is used to compile a program and to establish BP neural network prediction model of curtain grouting quantity, then the relationship between grouting quantity and influence factors is obtained. The grouting quantity of both grouting interval and the whole hole are also predicted, respectively. The results are analyzed and compared with the engineering example. It is shown that the prediction of curtain grouting quantity reaches the expected purpose by using the BP neural network.

Key words:curtain grouting; BP neural network; grouting quantity; prediction

中图分类号：TU457

文献标志码：A

DOI:10.3969/j.issn.1671-6906.2016.01.014

文章编号：1671-6906(2016)01-0057-05

作者简介：刘晓阳(1989—)，男，河南鹤壁人，硕士生，主要研究方向为岩土工程。

基金项目：国家自然科学基金项目(51074196；51574296)；河南理工大学深部矿井建设省重点学科开放实验室开放基金项目(2014KF—03)

收稿日期：2015—09—22