基于人工神经网络的隧道断层带突涌水风险评估

袁 青，于 锦，熊 齐 欢，张 子 平，陈 世 豪

(1.中交第二航务工程局有限公司，湖北 武汉 430040； 2.中交公路长大桥建设国家工程研究中心有限公司，北京 100088； 3.交通运输行业交通基础设施智能制造技术研发中心，湖北 武汉 430040； 4.长大桥梁建设施工技术交通行业重点实验室，湖北 武汉 430040)

0 引 言

随着基础设施建设向地质条件更加复杂、深度更大的地层推进，更多的工程地质问题亟待解决。深长隧道作为中国公路、高铁线路的重要组成部分，已然成为整个路线的控制性工程。但由于工程地质、水文地质条件复杂，当隧道穿越富水断层时，发生隧道涌水事故风险急剧增大，对施工安全造成重大影响。开展涌水风险评估已成为隧道穿越富水断层时的必备措施。

国内外学者在开展隧道涌水风险评估方面开展了大量研究。相比国外，国内工程风险管理起步较晚，但近年来发展迅猛。2007年《铁路隧道风险管理评估与管理暂行规定》《地铁及地下工程建设风险管理指南》以及2011年《城市轨道交通地下工程建设风险管理规范》相继颁布，标志着中国地下工程建设风险管理日趋规范。众多学者从多方面开展了工程风险管理研究。黄宏伟等[1]从工程建设的规划、设计、施工等多个阶段总结了隧道及地下工程风险管理。李利平等[2]以多个国内岩溶隧道突涌水案例为数据源，基于模糊层次评估法和综合赋权法建立了隧道勘察、设计、施工3个阶段的风险评估模型，并验证了基于风险评价的施工许可机制的可行性。蒋国云[3]在调查诱发深部岩溶隧道突水灾害诱因的基础上，采用层次分析法与专家调查法，建立了各风险因子比较矩阵，基于模糊数学理论建立了隧道岩溶突水安全性评价模型及评判标准。朱珍等[4]基于地层岩性、不良地质、地下水位、地形地貌、岩层产状及层间裂隙等6个影响因子，采用加权平均法建立了岩溶隧道突涌水风险评估模型。此外，许多学者基于传统分析方法，各取其长处进行了融合，建立了风险评估模型。侯东赛等[5]基于综合赋权TOPSIS，毛正君等[6]基于F-AHP法，侯守江[7]基于G1-GPR(灰度关联分析)模型，刘敦文等[8]基于云模型，周宗青等[9]基于改进的属性区间识别方法分别开展了岩溶隧道涌水风险评估研究。

从上述研究可知，目前隧道涌水风险评估研究主要是围绕岩溶地质隧道，以其他特殊地质环境为背景的隧道涌水风险评估研究比较有限。隧道穿越断层带不良地质体时，涌水风险的研究则更少。而且，对风险因子在总风险评级中的权重占比均未进行较深入的研究，主要采用专家调查法、事故树分析法等主观方法确定权重值，但主观方法受到经验判断的影响，对风险评估结果客观性影响较大。因此，本研究基于人工神经网络开展了隧道穿越断层带突涌水风险评估。该方法可有效评估断层涌水风险等级，克服人为赋权、主观判断影响等问题，进而提高评估结果的客观性、科学性。

1 人工神经网络原理及训练流程

1.1 神经网络原理概述

神经网络种类繁多，其中以人工神经网络应用最为广泛。人工神经网络是非线性映射方法的体现，在数据训练的基础上，通过设置的若干个非线性映射层即神经网络层，获得输入数据与输出数据之间的非线性映射关系[10]。通常所述神经网络为前馈型人工神经网络，采用误差反向传播算法进行训练，主要包括输入层、隐含层和输出层，层与层之间通过网络连接，其内涵是为输入数据配以权重值后的自动运算。应用实际数据进行网络训练，根据输出数据与标签数据之间的误差，采用误差反向传播算法不断调整层间权重值，直至输出数据的精度满足要求。通常根据特征因子的数量及数据复杂程度，设置一定数量的隐含层，使神经网络模型具有相适应的学习能力。

1.2 人工神经网络结构及训练流程

以单隐含层神经网络为例介绍神经网络的正向运算和误差反传算法，如图1所示。

图1 人工神经网络Fig.1 Artificial neural network

数据正向传输时，数据经过输入层到输出层输出，经过如下计算：

yj=f1[(wij)T×xi+bj]

(1)

隐含层至输出层的网络间计算过程与上述类似，如式(2)所示：

ok=f2[(wjk)T×yj+bk]

(2)

上述传递函数分别采用tanh函数和线性函数，如式(3)～(4)所示：

(3)

f2(x)=x

(4)

经过上述计算，即可得到网络输出值，再采用误差反向传播算法计算并传递误差，以动态调整各网络层之间的权重值和阈值，直至输出值与标准值之间的误差满足精度要求。误差计算函数，如公式(5) 所示：

(5)

输出层神经元误差项δk计算公式为

(6)

式中：zk为输出层净输入值。输入层与隐含层的误差项δj计算公式为

δj=f′(zj)⊙[(wk)T]δk

(7)

式中：zj为输出层净输入值。输出层与隐含层之间的连接权值与阈值更新计算公式为

wjk(n+1)=wjk(n)+ηδk(yj)T

(8)

bjk(n+1)=bjk(n)+ηδk

(9)

输入层与隐含层之间的连接权值与阈值更新计算公式为

wij(n+1)=wij(n)+ηδj(xi)T

(10)

bij(n+1)=bij(n)+ηδj

(11)

搭建及训练本文所述花岗岩断层涌水风险评估神经网络流程如图2所示。

图2 神经网络训练流程Fig.2 The training process of neural network

2 隧道断层带涌水风险评估指标体系

2.1 评价指标体系

隧道发生涌水事故通常与工程地质、水文地质具有密不可分的联系。在众多研究中，多数研究者主要基于水文地质、工程地质所包含的地质因素开展隧道涌水研究。杨卓等[11]基于不良地质、地层岩性、地下水位、地形地貌、岩层倾角、围岩裂隙5方面因素，应用神经网络开展了岩溶隧道涌水风险评估研究。所述因素中，不良地质因素表述不够具体，而且仅采用5个风险因素难以具有足够说服力。隧道施工时，合理有效的施工处置措施对施工安全具有重大意义，因此施工设计因素应当考虑其中。广泛阅读相关文献[8，12-13]和综合取舍后，本研究考虑工程地质、水文地质、施工设计3方面致灾因素，即断层岩性、断层充填物、断层性质、断层宽度、年均降雨量、地表水量、地下水量、含水层透水性、断层含水量、施工工法、隧道埋深、超前注浆、超前支护共13个独立风险评估指标，构建隧道断层带涌水风险评估指标体系。

参阅《铁路隧道风险管理评估与管理暂行规定》《地铁及地下工程建设风险管理指南》及《城市轨道交通地下工程建设风险管理规范》，划分上述13个评估指标致险评分，如表1所列。

表1 隧道断层带涌水风险评估指标评价标准

2.2 风险等级评估准则

基于上述规范、研究文献、专家评分、工程经验，建立综合考虑13个风险因子影响的隧道断层带涌水风险评估准则，如表2所列。

参考铁路隧道、城市轨道交通等领域关于风险评估与管理的规范与指南，本文所述4级风险具有如表2所列的工程指导意义。

表2 隧道断层带涌水风险评估准则

3 风险评估人工神经网络构建

本研究从董奉山隧道、新疆某隧道、各硕博论文案例实际工程中收集了97个样本，并根据表1所述特征状态评分方式，对所有样本进行了评分处理，建立了神经网络训练、测试数据集，随机摘取了部分样本，如表3所列。

根据风险因子数量，初设神经网络中三类网络层数均为一个，其中输入层神经元、隐含层神经元、输出层神经元分别为13，5，1，应用程序构建如图3所示的神经网络。值得指出的是，网络结构、训练数据等并非一成不变，在实际应用过程中，还可根据项目数据特点，调整网络结构，增加项目的数据，动态优化网络，增强网络计算能力。

表3 训练样本(部分)

图3 隧道断层带涌水风险评估神经网络Fig.3 The neural network of water gushing of tunnel fault zones

进一步采用收集的样本进行上述神经网络的训练。通常，在神经网络训练和测试的过程中，随机将数据集按8∶2划分为训练集和测试集[14-15]。本研究为确保样本数据随机性，应用生成的随机数为编号，随机从数据集中抽取80%的样本为训练数据集进行神经网络训练，训练误差变化如图4所示。

图4 神经网络训练误差变化Fig.4 The training error variance of ANN

由图4可知，在历经9次迭代训练后，训练误差迅速减小至3.596×10-5，低于程序预设误差值。此时，可判断神经网络训练精度达到要求，训练结束。

4 神经网络模型泛化能力测试

应用上述20%的测试样本，对已训练的模型进行泛化能力测试，即测试模型对新案例是否具有足够的预测准确性。20个测试样本的预测输出值与目标值的对比如表4所列。

表4 预测值与目标值对照

从预测值与目标值对比中可知，20个样本均获得极高精度的预测，每个样本的预测误差均在10-3数量级。经计算，整体预测精度达99.98%。神经网路的泛化能力测试结果表明，本文构建的神经网络模型在开展隧道断层带涌水风险评估时，具有较强迁移学习能力，对评估新工程案例中断层带涌水风险是可行、有效的。

5 结论与建议

(1) 应用神经网络评估断层涌水风险等级具有计算速度快、评估结果客观准确等优点。在本研究中达到了99.98%的预测精度，说明应用人工神经网络开展隧道断层带涌水风险评估是可行有效的，能够迁移于新工程评估。

(2) 本文提出的隧道断层带涌水风险评估方法，在获取上述13个涌水风险因子及评分后，即可快速预测得到涌水风险等级。因此，无论是在设计阶段，还是在施工阶段，都可根据勘察资料或施工现场情况，动态调整输入，多次预测涌水风险等级，为设计优化、下一步施工调整提供实时参考。

(3) 神经网络具有极强的非线性映射能力，能够适用于多种地质环境下构建各类地质因素之间的映射关系，是摆脱人工经验判断的有利工具。未来深度学习在边坡、隧道、地下空间等领域应用前景更加宽阔。

(4) 本研究中使用的数据集广度略显不足，因此在实际应用过程中，可能会出现精度下降、结果置信度偏低等情况，此时可根据现场情况，适当采集项目样本，微训练网络，优化网络参数，提升网络的泛化能力。