基于BP神经网络的城市隧道爆破振速预测*

2016-06-02谭卓英

现代矿业 2016年2期

关键词：夫斯基公式神经网络

丁　宇　谭卓英

(北京科技大学土木与环境工程学院)

基于BP神经网络的城市隧道爆破振速预测*

丁宇谭卓英

(北京科技大学土木与环境工程学院)

摘要针对城市浅埋隧道开挖面临下穿天然气管线、土岩混合介质、地表临近建筑物等复杂环境条件下爆破振动对周围建筑物的影响，用萨道夫斯基公式回归分析预测法和常规的BP神经网络模型对隧道开挖岩石区间工作面前方地表爆破质点振速进行对比分析。研究表明：受地震波传播介质、掘进爆破技术、围岩性质等条件影响，以及在爆破振动监测数据较少的情况下，BP神经网络预测精确度较萨道夫斯基公式提高了20.1个百分点。BP神经网络动态预测模型对复杂环境条件下浅埋隧道掘进爆破振动的预测更具有指导意义，但也有单次误差过大现象，有待进一步优化训练方案以得到更精确的预测结果。

关键词浅埋隧道爆破振速BP神经网络萨道夫斯基公式

在城市隧道开挖施工中，岩石区段常采用精密控制爆破作业，爆破振动对周围环境条件产生不良影响，特别在建筑物密集和市政管网密布的复杂条件下，准确的爆破振动速度预测及控制是隧道安全施工的重要保障。目前常采用基于量纲分析获得的萨道夫斯基公式。针对传播介质和工程环境的复杂性，很多研究人员结合现场实际情况对萨式公式进行了修正，如唐海、李海波研究了反映高程放大效应的爆破振动公式[1]，傅洪贤、赵勇、谢晋水等对隧道近区爆破振动进行了测试研究[2]。爆破振动与爆破设计、岩性条件及地震波传播介质有关，在土、岩混杂的情况下，萨道夫斯基公式预测城市浅埋土石隧道爆破振动的精度不高，难以满足复杂环境精细爆破对振动控制的要求。

近年来，神经网络算法越来越多地被用来实时预测爆破振动，预测精度较高，对于安全高效的爆破振动控制具有重要的意义。林丽群、林从谋等研究了隧道爆破振动的BP神经网络预测[3]，赵华兵、龙源等研究了城市隧道爆破振动速度峰值预测神经网络法[4]。目前，在神经网络的各种模型中，应用较为广泛的是静态前馈反向(BP)神经网络。对于城市浅埋岩石隧道复杂环境条件下掘进爆破，寻求更精准的质点振速预测方法尤为重要，本文对某隧道开挖工程复杂环境下爆破振动进行跟踪监测，依托实测数据建立基于BP神经网络的静态前馈网络模型，对爆破振动峰值速度进行预测，并和传统经验公式的预测精度进行对比和评价。

1爆破振动现场测定

1.1工程概况

某隧道爆破开挖顶端距地面18～20 m，距离爆破区间46.25 m处有一条东西走向的市政天然气管线，左中线隧道距离最近的居民小区51.5 m，右中线隧道距离古建筑土地庙35.45 m，安全要求较高。该段沿线表层有沉积土层，其下部的第四纪沉积土层以黏性土和粉土为主(图1)，局部夹砂土层。人工堆积的填土厚0.7～2.8 m，结构较松散，物理力学性质较差；下部为沉积的黏性土和粉土层，局部为砂层，密实程度不高，物理力学性质一般；再下层为第四纪沉积的黏性土、粉土、砂土互层，土质均匀，物理力学性质相对较好。沿线工程影响范围内的地下水主要为第四纪松散沉积物孔隙水，本段上层滞水埋深一般小于8 m，含水层主要为人工填土或浅部沉积土层。潜水含水层主要为圆砾卵石土层，潜水埋深一般在12 m左右。

1.2测试方案

本工程属于城市浅埋隧道掘进爆破，面临下穿天然气管线、临近建筑密集区复杂环境，必须高度重视爆破产生的振动可能对既有建(构)筑物的影响。爆破掘进设计采用上下分台阶、梯段推进，楔形掏槽，数码雷管逐孔短时间毫秒微差减弱爆破法；经专家论证，确定在管线处爆破引起的质点振动速度不超过1 cm/s，全程跟踪监测爆破振速，消耗大量人力，借助神经网络可减少测试工作量。

图1　工程地质剖面图及监测点布置

为提高监测数据准确度，采用中科TC4850型爆破振动监测仪，自带嵌入式计算机模块，具有液晶屏(128*64点阵)显示,可在仪器上直接现场设置参数，配备三矢量传感器，量程为0.001～35.4 cm/s,能完全涵盖爆破振动所需全部量程；仪器频响范围为0～1 000 Hz,能完全覆盖工程爆破所需的频段。在隧道工作面上方及前方地表处每隔6 m布置一个监测点(图1)，信号采集器用石膏固定在地表。监测点随着隧道掘进而跟进，在工作面所处纵向平面接近天然气管线处及时调整爆破方案，保证管线上方地表振速符合规定要求。

1.3爆破振动监测结果

对于神经网络预测模型的输入样本需要综合考虑代表性和易取性，对具体条件因素进行一定的取舍，一般影响爆破振动大小的因素可分为爆破振源特性、测点与爆区的空间关系(爆心距)、场地(传播介质)条件等几类。通过一段时间的监测和数据分析，考虑到浅埋隧道所处复杂环境条件，选择以水平距离、爆心距、掏槽孔深、单段最大药量、周边孔最大药量5个特征量作为影响爆破振动效应强弱的主要因素。

以30组数据为样本(表1)，其中前20组作为训练样本，后10组作为测试样本。进行训练及测试前需对所有输入、目标数据进行归一化预处理。

2爆破振速预测

2.1BP神经网络预测模型

BP神经网络信息处理工作在数学意义上是利用映射训练样本点实现从n维欧氏空间的一个子集A到m维欧氏空间子集f[A]的映射(图2)。选用只有一个隐层的BP前馈网络，根据收集的数据样本，按Kolmogorov定理[5]，给定任意连续函数f:Un→Rm，f(x)=y，U∈[0，1]，f可以精确地用1个3层前向网络实现，此网络的第一层(输入层)有n个处理单元，中间层(隐层)有2n+1个处理单元，第三层(输出层)有m个处理单元。根据BP定理，给定任意ε>0和任意L2函数f:[0，1]n→Rm存在1个3层BP网络，它可在ε平方误差精度内逼近f。此网络的第一层有5个处理单元，中间层可以有5～15个处理单元，输出层只有1个处理单元。为选择更合适的隐含层神经元节点数，利用MATLAB循环语句分别测试不同隐含层节点数BP神经网络模型预测精度，得知隐含层节点数为10时，预测值残差最小。

表1　爆破监测数据

图2　神经网络拓扑结构

传递函数则选用非线性传递函数，构造非线性系统。在隐层使用双曲正切S型函数，在输出层使用S型对数函数，保证输出的数值范围为[0,1]。

网络模型使用前20组数据作为训练集，后10组数据作为检验集，选用traingdx函数对网络进行训练，最大训练步数epochs为1 000，训练目标误差goal为10-2，显示间隔show为200，经过512个周期的训练，达到目标误差的要求(图3)。

图3　BP神经网络训练函数随训练次数的收敛曲线

2.2萨道夫斯基公式回归分析

萨道夫斯基公式为

(1)

式中，v为爆破震动速度，cm/s；Q为单段药量，kg；R为测点到爆心的距离,m;k，α分别为场地、衰减系数,与爆破地形、地质条件以及爆破规模、药包结构特征相关。

为了确定待定系数k和α，可进行回归分析。由于k和α不具备线性回归关系，通常将公式两端取对数，然后做线性分析。利用MATLAB做三维回归分析解决相关的非线性回归问题，结果如下：

Results：

General model:

f(x,y) = K.*(x.^(a/3))./y.^α

Coefficients (with 95% confidence bounds):

K =296.8 (0, 500)

α =2.39 (0, 5)

Goodness of fit:

SSE: 52.6

R-square: 0.04542

Adjusted R-square: 0.02553

RMSE: 1.047

实测数据线性回归分布散点见图4。

图4　实测数据线性回归分布散点

2.3爆破振速预测结果与实测结果比较分析

应用上述训练好的模型对测试数据进行预测，并同时用萨氏经验公式回归的参数k=296.8、α=2.39预测爆破振动峰值。表2为爆破实测数据与萨氏公式预测值及BP神经网络模型预测结果对比。可以看到由于BP神经网络具有较强的非线性映射能力,能较好地模拟爆破振速预测问题，预测值拥有更好的精确度，预测精度较萨式公式提高了20.1个百分点，预测结果优于萨氏公式预测值。