复杂地质条件下的隧道大变形组合预测研究

查 政 中交第四公路工程局有限公司

1 引言

随着我国道路交通网络逐渐向西部山区扩展，公路隧道的结构多样化，地质条件复杂，施工难度大大增加。软岩是典型代表之一，根据国内外建造软岩隧道的实践，在软臂结构上建造隧道时，经常会发生较大的变形和破坏现象，如喷水层裂缝，扭曲的钢拱或格栅以及支护渗透极限，它对施工安全和施工进度有严重影响。

由于中国交通建设的飞速发展，隧道工程的数量和规模日益增加，工程问题也日益增多。其中，大的隧道变形已成为隧道形成中的难题，分析隧道变形的趋势非常重要。变形预测可以为以后的安全配置提供指导。许多学者在这一领域进行了相应的研究。例如，高宁等人建立了深埋隧道的应变预测模型，有效地克服了王开阳在数值模拟和现场测量以及预测的破坏模式和位置的基础上预测应变的复杂性和随机性。隧道大变形，为合理确定支护方案提供科学依据；评估隧道安全性。上述研究在隧道变形预测中取得了相应的结果，但较大的隧道变形是具有随机性和模糊性的非线性过程。单个模型很难获得有效的预测。组合预测模型不但降低了预测的风险，而且可以提高预测的准确性，因此将其介绍给隧道中的大变形预测过程。

2 算法介绍

神经网络例如RBF 神经网络、BP 神经网络等方法可以广泛适用于复杂地质条件下的隧道大变形组合预测研究，首先需要现阶段隧道大变形地一些数据，然后可以通过预测获得未来复杂地质条件下的隧道大变形。神经网络是通过连接众多简单组件而形成的。与动物神经网络类似，它具有很强地非线性，可以实现此类地关系并执行更加难以理解地运算。信息处理算法模型。具体功能包括以下几点。

（1）非线性问题解决：大脑思考活动需要通过大量地神经元，但是神经单元基于一般情况下有两种状态：状态除以抑制态和受激态。神经单元构成了一个人工神经网络。同时，神经元的阈值可以进一步提高人工神经网络的容错能力和存储能力。

（2）情景信息处理：神经网络不仅可以记住过去输入的信息，还可以预测与人脑机制处于相同未来状态的信息。

（3）反映证据的能力：人工神经网络可以根据不同的模式提供和选择特定的模式信息，并且还包括决策信息源的可靠性。通过分类生成的难以确保地情况也可以通过以下信息消除，以便于再次遇到此类问题是可以轻松解决。

（4）一致性。这种网络基于改变突触权重来适应不同情况下地变化。基于某一种情形下，可以更轻松地训练神经网络来处理实际工作条件中的细微变化，这充分证明了神经网络的强大适应性。

径向基本功能网络是三层前向网络。第一层是输入层，节点数与输入维数相同。第二层是隐藏层，节点数取决于问题的复杂性。第三层是输出层。节点数与输出数据的维数相同。 径向基本网络不同于多层感知器，每层都有不同的功能，隐藏层是非线性的。 径向基函数用作将输入矢量空间转换为隐藏层空间的基函数。线性不可分离的问题变得线性可分离，并且输出层是线性的

常见的高斯函数是径向基是一种径向基函数。通常，径向基函数被编写为Φ(x,y)=φ(‖ x-y ‖)，‖ x ‖代表欧几里得标准。E.M.根据Stein 和G.Weiss 的定义，径向基函数必须：如径向基函数是‖ x1‖=‖ x2‖，所定义：‖ x1‖=‖ x2‖，函数值仅与自变量的标准有关。

本文采用Moody 和Darken 提出的RBF 神经网络进行预测。与其他神经网络相比，RBF神经网络仅由输入层，隐藏层和输出层组成，并且是局部近似的，从而可以更快地进行训练和收敛。

输入层节点将输入信号发送到隐藏层。隐藏层节点由类似于高斯函数的径向函数组成，基于函数的函数响应本地输入信号。换句话说，当输入信号接近基本功能的中心时，导致有隐藏信号，输出层节点一般是一个类一次函数。其中：

x ={x1,x2,x3,⋅⋅⋅,xp}

包括网络输入向量，隐藏层基本函数：

c ={c1,c2,c3,⋅⋅⋅,cp}

中心和输出层偏移θ0以及权重向量：

θ ={θ1,θ2,θ3,θ4,⋅⋅⋅,θq}

p和q是网络输入层的维数和隐藏层神经元的数量。

依照此类模型地建立，采用了高斯函数视作隐藏节点函数：

3 应用

在施工过程中，为实时掌握隧道大变形规律，施工方在大变形段进行了变形监测。堡镇隧道是分离式特长隧道，位于构造侵蚀、剥蚀中山区，左线长11.563km，右线长11.595km，最大埋深630m。该隧道紧邻318国道，南部岩溶地貌发育，北部尖棱状山脊发育。隧址区岩性以碎屑岩、泥灰岩和页岩为主，并以单斜构造为主，断裂构造不发育，但节理构造普遍发育，走向主要为东北向。区内地表水较发育，主要发育有两条河流，具常年流水; 地下水以岩溶水和裂隙水为主，受隔水层作用，两者相对较独立。其中，某一个断面的拱顶沉降数据较为完整，可作为组合预测思路的验证数据源。在此部分中，总共有30 个监视数据周期，并且监视频率每天执行一次。数据表明，某一个断面的拱顶沉降固定达到331.31mm，远远超过了保留的应变，早期的应变明显高于后期的应变。根据组合预测思想，首先使用RBF神经网络来预测螺栓沉降，训练样本是从第一个周期到第24个周期，而验证样本是从第25个周期到第30 个周期。根据预测，RBF 神经网络预测模型对降低预测风险具有积极作用，并验证了组合预测的必要性。RBF 神经网络的最大和最小相对误差分别为3.54%和2.81%，平均相对误差为3.10%。使用RBF的神经网络构成了复杂条件地址模型的非线性组合预测模型。综上所述可以分析得到，把这种算法运用到处理这些数据，有效地保证了精度，而且建立了此类问题地模型，得到了良好地发展。另外，RBF神经网络的非线性组合预测模型建立复杂条件地质模型的加权方法的相对误差为2.25%。取得了良好地效果。

图1

4 结论

通过基于RBF神经网络算法，对其进行了研究，并用于验证隧道的组合变形。RBF神经网络预测模型对降低预测风险具有积极作用，验证了组合预测的必要性，RBF神经网络的最大、最小误差依次是3.54%和2.81%，其他误差是3.10%，对其预测具有积极作用，可以获得良好的效果。