基于BP神经网络的大跨软岩隧道地表沉降预测

彭丽娟 陈福成

(1.西安海棠职业学院，陕西 西安 710038； 2.陕西飞虹桥梁勘测设计研究有限公司，陕西 西安 710038)



基于BP神经网络的大跨软岩隧道地表沉降预测

彭丽娟1陈福成2

(1.西安海棠职业学院，陕西 西安 710038； 2.陕西飞虹桥梁勘测设计研究有限公司，陕西 西安 710038)

基于金盆湾隧道地表沉降监测数据，结合BP神经网络预测模型，分析了隧道施工对地表沉降的影响，研究了在不同的样本下预测结果的可信度，结果表明，BP神经网络预测的地表沉降精度与监测数据的准确度、预测的长度与隧道施工方案相关，隧道开挖工艺发生改变时，应及时分析实时监测数据，建立新的BP神经网络预测模型进行地表沉降预测，以保障预测结果的可靠。

BP神经网络，大跨软岩隧道，地表沉降，预测精度

0 引言

隧道施工过程中，地表沉降可以在隧道开挖影响范围之外开始监控量测；且其测量过程不受现场施工环境干扰。因此，地表沉降数据能够很好地表达隧道施工过程中围岩变形的时空效应，已成为隧道建设过程中必不可少的监测项目。然而，与隧道拱顶沉降等监测项目一样，地表沉降观测数据只反映既有工程已发生的变形趋势和变形规律，并不能满足预测的需要，通过一种有效的预测手段，结合既有的监测数据，预测隧道施工过程中未知的沉降及变形，为优化施工方案提供技术参考。

鉴于其良好的非线性拟合能力和预测功能，BP神经网络预测模型已广泛应用于隧道开挖施工过程中的变形预测。

周志广[1]将BP神经网络应用于沈阳地铁一号线重启区间隧道地面沉降位移的预测之中，并验证了其有效性。杨茜[2]采用改进的BP神经网络预测方法，预测了隧道的长期沉降。冯宝俊等[3]将ANSYS有限元软件和BP神经网络相结合，提出了隧道拱顶沉降预测的新方法。龙浩等[4]将BP神经网络—马尔科夫链模型引入到某公路隧道拱顶下沉位移预测之中。亦有学者将BP神经网络应用于山岭隧道运营阶段的安全状态评估[5]，并取得了良好效果。

以金盆湾隧道右线出口ZK85+200断面地表沉降监测数据为基础，建立了该隧道地表沉降的BP神经网络预测模型。采用所构建的BP神经网络模型，研究隧道开挖施工过程对于地表沉降预测结果的影响。

1 BP神经网络

BP神经网络[6]拓扑结构包括输入层(input layer)、输出层

(output layer)和隐层(hidden layer)；其中，隐层可为一层或多层。图1为一个包含一层隐层的BP神经网络结构。

BP神经网络算法步骤如下：

1)网络初始化：给定(-1,1)区间内的随机数，设定误差函数e，计算精度ε的值和最大训练次数M。

2)随机选取第k个输入样本以及相应的期望输出。

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。

hoh(k)=f(hih(k))

(3)

(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)计算神经网络实际输出和期望输出。

(7)

(8)

(9)

5)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。

(15)

2 工程实例

2.1 工程概况

集呼高速金盆湾隧道为分离式特长隧道，隧道右线全长3 310 m，左线长3 375 m，最大埋深150 m左右。隧道断面形式为多心圆曲墙式断面，普通断面开挖面积约170.03 m2；紧急停车带加宽断面开挖面积约202.35 m2。依表1所给国际隧道协会(ITA)隧道大断面判别标准[7]，金盆湾隧道属于超大断面隧道。

表1 国际隧道协会(ITA)隧道大断面判别标准 m2

金盆湾隧道右线出口K158+020～K158+175段：长155 m，隧道埋深9.8 m～28.8 m，该段为Ⅴ级围岩，岩性主要为粉土、碎石、砾砂及砾岩。金盆湾隧道右线出口如图2所示。图3为金盆湾隧道右线出口洞内围岩。显见，隧道施工过程中围岩的变形监测和合理预测，是保障金盆湾隧道施工安全的重要手段之一。

2.2 隧道地表沉降神经网络模拟

基于金盆湾隧道右线出口K158+150断面地表沉降的监测数据，采用所构建的BP神经网络模型，研究隧道开挖施工过程对于地表沉降预测结果的影响，以及不同训练样本所得预测结果的可信度。金盆湾隧道右线出口K158+150断面地表沉降监测数据如表2所示。

表2 金盆湾隧道右线出口K158+150断面地表沉降

为了更加清晰的表达金盆湾隧道右线出口K158+150断面地表沉降的变化趋势，由表2中实测数据绘制图4。由图4可知，该断面地表沉降随时间变化基本上可以划分为5个阶段：1 d～13 d平稳变化阶段；14 d～18 d先加速上升段；19 d～27 d平稳变化阶段；28 d～39 d加速上升段；40 d～63 d缓慢上升段，其中又伴随着52 d～54 d的加速上升段。

隧道采用CD法开挖，K158+150断面地表沉降所呈现的随时间的变化趋势，归根结底是由于隧道开挖工艺的不断变化所引起的。因此，BP神经网络预测隧道沉降，必须考虑隧道施工过程的影响。

据图4中金盆湾隧道右线出口K158+150断面地表沉降趋势，制定具体计算方案如表3所示。

表3 计算方案

图5为不同施工阶段所得到的金盆湾隧道右线出口K158+150断面地表沉降预测结果。由图5可知，隧道施工阶段发生改变时(即图4中地表沉降趋势发生明显改变时)，采用既有监测数据所建立的BP神经网络预测模型得到的隧道地表沉降预测结果与实测数据差别较大，甚至完全失真(见图5a)和图5c))。因此，隧道施工阶段发生改变时，应注意加强现场监控量测工作。新的施工阶段所得监测数据越多，预测结果可信度越大。

图6为不同训练样本个数所得到的金盆湾隧道右线出口K158+150断面地表沉降预测结果。图6中结果显示，监测的数据走向和模拟的曲线基本重合，研究表明，当预测的时间较长时，利用BP神经网络预测的模型与实测数据的变形基本一致。所以，预测结果的可性度与预测长度相关联，当采用BP神经网络进行地表沉降观测数据的预测时，预测长度越长，预测结果的可信度越低。

3 结语

采用BP神经网络方法，以金盆湾隧道右线出口K158+150断面地表沉降的观测数据为基数，结合BP神经网络模型，研究结果表明了隧道地表沉降监测的预测精度与监测数据的准确性及预测长度相关；预测长度较长，预测结果的可信度降低，其次，预测精度也与隧道的施工方案相关，隧道开挖工艺发生改变时，应及时分析实时监测数据建立新的BP神经网络预测模型对地表沉降进行预测，以保障预测结果的可靠。

[1] 周志广.沈阳地铁开挖引发地面沉降的BP神经网络反分析[J].防灾减灾学报,2014,30(4):8-12.

[2] 杨 茜.BP神经网络预测方法的改进及其在隧道长期沉降预测中的应用[J].北京工业大学学报,2011,37(1):92-97.

[3] 冯宝俊,刘敦文.基于ANSYS-BP的隧道拱顶沉降预测研究[J].中国安全科学学报,2014,24(5):38-43.

[4] 龙 浩,高 睿,孔德新,等.基于BP神经网络—马尔科夫链模型的隧道围岩位移预测[J].长江科学院院报,2013,30(3):40-43,55.

[5] 黄惠峰,张献州,张 拯,等.基于BP神经网络与变形监测成果的隧道安全状态评估[J].测绘工程,2015,24(3):53-58.

[6] 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.

[7] 左清军.质板岩特大断面隧道施工期围岩力学效应研究[D].武汉:中国地质大学,2013.

Ground settlement predictionof the large-span tunnel with soft rock based on BP neural network

Peng Lijuan1Chen Fucheng2

(1.Xi’an Haitang Vocational College, Xi’an 710038, China;2.Shaanxi Feihong Bridge Survey & Design Academy Co., Ltd, Xi’an 710038, China)

Based on the monitoring ground settlement data of Jinpenwan tunnel, prediction model of BP neural network is established. Credibility of the predicted results with different number of training examples, and effect of tunnel construction process on the ground settlement prediction are studied in this paper. The result indicates that, prediction accuracy of BP neural network is related to both the monitoring data and the forecasting length, forecasting results are closely related to the construction process of tunnel. A new BP neural network model should be established by analyzing the real-time data when excavation processing of the tunnel changes, and thus to ensure reliability of the prediction results.

BP neural network， large-span tunnel with soft rock， ground settlement， prediction accuracy

1009-6825(2016)12-0148-03

2016-02-17

彭丽娟(1985- )，女，工程师； 陈福成(1983- )，男，工程师

U456

A