基于BP 神经网络的隧道参数反演模型研究

2021-05-20重庆科技学院周义舒刘春黄富禹

交通建设与管理 2021年1期

文／重庆科技学院周义舒刘春黄富禹

关键字:BP 神经网络模型、参数反演、隧道施工

0 引言

在隧道的建设过程中，由于爆破震动与开挖施工的影响，周围岩体原有静力平衡条件和物理参数数值将发生改变，使得隧道围岩产生变形，若未得到有效控制将进一步发展为塌方冒顶等灾害事故[1]。因此，岩体物理力学参数的确定对设计科学的开挖工法与支护措施具有重要意义。现如今神经网络理论日渐成熟，BP 神经网络被广泛运用于各个学科之中。本文以某实际隧道工程作为案例，通过数值模拟技术构造预测样本，利用MATLAB 数学软件搭建BP 神经网络模型对实际工程岩体参数进行反演，并将反演结果与工程实测数据进行对比，检验其可靠性。研究成果对隧道稳定性评价、信息化施工等具有一定实用价值。

1 预测样本构造

1.1 数值模型建立

某高速公路隧道位于我国西南典型岩溶地貌地区，地势起伏大，地质条件复杂。本文选取隧道ZK109+420~ZK109+460区段为研究对象，该区段围岩为T1m 中风化灰岩，平均埋深约400 米。隧道洞高9.3 米，洞跨13.2 米，采用台阶法开挖。考虑到模型大小，建模时仅取隧道中心上方100 米为上边界，隧道中心下方40 米为下边界，隧道开挖方向取42 米，左右方向各取60 米，监测点布置在隧道Y ＝20 米断面拱顶及拱底处。模型四周和底部为法向约束，顶部施加岩体地应力荷载，采用Morh-Coulomb 本构模型，模型网格使用四面体和六面体混合网格，开挖区域局部加密。案例隧道开挖方式为上下台阶法两步开挖，上台阶开挖一个进尺后再开挖下台阶，依次循环，开挖进尺为3m。模型开挖一个进尺后立即施加支护，支护模拟采用等效刚度原则将工字钢弹性模量折入初支壳体单元中，由于二衬施加时应力基本释放完毕，暂不考虑二衬影响，模型网格如图1 所示。

图1 网格模型

1.2 训练样本数据获取

本文隧道围岩为T1m 中风化灰岩，考虑到并不是所有的参数都会对开挖变形起重要影响，在参考了前者工程经验后[2-4]，选取弹性模量E、泊松比μ、内摩擦角φ 三个隧道围岩位移敏感性较高的物理参数作为神经网络的训练输出数据，即反演对象。通过查阅邻近工程现有资料后得出上述物理力学参数建议取值范围，并将每个参数取值范围划分为4 个水平。若要全面测试得到的3 因素4 水平样本需进行64 次试验，因此利用正交试验的方法离散化处理将实验次数减少到16 次且不影响试验的可靠性。将16 组不同物理参数分别在已构建好的数值模型中，其余参数使用地勘报告中的数值，计算得到16 组断面监测点围岩位移数据作为神经网络训练输入数据。数值模型计算所用参数如表1 所示，神经网络模型训练所用数据如表2 所示。

表1 数值模拟参数

表2 神经网络训练样本数据

2 BP 神经网络模型结构参数

本文BP 神经网络模型采用3 层式设计，输入层节点数取3，输出层节点数取2，隐含层节点数取6。开始训练前先使用最大最小归一化法对训练数据进行归一化处理，数据迭代次数上限设为500；期望精度设置为0.995。神经网络模型输入层与隐含层、输出层与隐含层之间的激活函数均采用S 型函数（Sigmoid function）。16 组数据中随机选取12 组作为训练样本，剩余4 组作为检测样本。传统神经网络学习函数采用梯度下降函数，但梯度下降法存在收敛速度慢、局部极小值问题[5]，因此本文采用LM算法（Levenberg-Marquardt）作为学习函数来控制权值的修正。

3 训练效果及结果分析

神经网络模型训练完成后，通常通过观察训练样本误差变化曲线来分析模型训练效果的好坏，本文误差曲线如图2 所示。模型误差随着训练次数增加不断减小，在训练次数为0 至60 次区间上误差值以某稳定速率快速下降，在此区间模型误差收敛较快，训练效果良好；在60 至132 次区间上误差曲线接近水平，误差缓慢收敛，最终达到最小误差为0.00276，小于0.005，满足训练期望精度。

导出神经网络模型，将地勘报告给出的隧道拱顶拱底实际竖向位移输入其中，输出反演结果，进行反归一化后，即可得到隧道物理力学参数反演值。三个参数的反演值与监测报告中的监测值如表3 所示，表中三个参数的反演值和监测值符合度分别为91.5%、92.6%、94.6%，均高于90%，符合程度良好，反演所得参数可用于工程实际。