基于改进BP神经网络的地下工程围岩分类

合集下载

基于人工神经网络的巷道围岩分类与支护参数优化研究的开题报告

基于人工神经网络的巷道围岩分类与支护参数优化研究的开题报告1. 研究背景和意义在现代矿山工作中，巷道是一个非常重要的组成部分。

然而，在巷道开采过程中，巷道围岩的稳定性和安全性往往存在很大的挑战。

因此，矿山工程在巷道支护设计和施工过程中必须精细、全面，以确保矿山的安全性和经济效益。

现有的巷道围岩分类和支护参数优化方法依赖于人工经验和站点试验，存在资源浪费、效率低下和结果不稳定等问题。

人工神经网络技术作为一种自适应的方法，可以利用大量的数据并自动进行学习和优化，因此被广泛应用于巷道围岩分类和支护参数优化研究中。

本研究旨在利用人工神经网络技术，发展一种基于巷道围岩分类和支护参数优化方法，提高巷道工程的效率、安全和经济性。

2. 研究内容和方法本研究的研究内容和方法主要包括以下几个方面：2.1 巷道围岩分类利用采集的巷道围岩的相关特征，建立巷道围岩分类人工神经网络模型，实现对围岩分类的自动化。

2.2 支护参数优化建立巷道支护参数优化人工神经网络模型，以优化设计参数和支护方案的可靠性和经济性。

2.3 模型测试和验证采用实采数据进行巷道围岩分类和支护参数优化人工神经网络模型的测试和验证，评估模型的性能和可靠性。

2.4 结果分析和应用根据模型预测结果，分析巷道围岩的工程特性和支护方案的经济性，并实现模型的工程应用。

3. 预期成果和意义本研究预期成果包括：（1）建立一种基于人工神经网络的巷道围岩分类和支护参数优化方法；（2）开发一种自适应、智能、高效的巷道围岩支护设计工具；（3）提高矿山巷道工程的效率、安全性和经济性，减少资源浪费，提高生产效率。

本研究对于国内外矿山工程领域的巷道设计和支护有直接的应用价值，也为人工神经网络技术在工程领域的应用提供了一个成功的案例。

基于神经网络公路隧道围岩分级

基于神经网络的公路隧道围岩分级【摘要】以十天高速汉中东段大包梁公路隧道为例，通过分析隧道围岩稳定性的各项影响因素，采用bp神经网络建立隧道围岩分级模型，并对模型进行了优化设计，将训练好的分级模型运用到该隧道，为公路隧道围岩分级提供了一种有效方法和参考价值。

【关键词】公路隧道围岩分级神经网络1 引言我国正处于公路交通运输事业高速发展的时期，伴随了设计水平和施工技术的提高，越来越多的高速公路在山岭重丘区展线，公路隧道的长度和埋深都较以往有较大增加，围岩分级对隧道的安全和造价的影响也越来越大。

目前用于隧道围岩稳定性分级的方法大致有以岩石强度为代表的分级方法、与地质勘探手段相联系的分级方法、以多种因素进行组合等方法[1～2]。

围岩分类方法先后经历了从定性到定量、从单一指标到复合型指标的发展。

但这些方法都是在隧道工程实践的基础上逐步发展起来的，具有较浓的人为因素。

随着人们对隧道工程、地质环境以及这两者间相互关系的了解，围岩分级方法亦在不断地深化和提高。

神经网络是一种具有自己组织与学习能力的网络系统，从模拟人脑的形象思维人手，具有并行性、非线性等特点，对于处理具有强噪声、模糊性、非线性的复杂地质体信息，应用神经网络技术是一种新的途径。

2 围岩稳定性影响因素影响隧道围岩稳定性主要有两个方面，一方面是围岩的内在因素，即围岩体的结构类型、围岩体结构面组合特征、岩性特征及风化程度、地下水等因素。

另一方面是外在因素，即隧道的方位、规模、施工工艺、支护形式以及地震、降雨等因素的影响。

要对隧道围岩稳定性进行分级，就需要考虑各影响因素之间的相互关系。

由于外在因素存在不确定性，本模型不予考虑。

为尽可能降低或消除人为因素对判别结果的影响，选取一种简单实用并且可靠的隧道围岩分级的评价方法是很有必要的。

本文拟采用bp神经网络方法对隧道围岩稳定性进行分级，既能消除判别过程中人为因素的影响，又可减少人工手动计算产生的误差，从而提高工作效率与计算的准确性。

神经网络技术在隧道围岩变形预测中的应用

神经网络技术在隧道围岩变形预测中的应用
何国华王先义张
摘
颖
要：详细地介绍了基于遗传算法改进的ＢＰ神经网络，据围岩变形量的时序变化特性，根对上马基隧道围岩变形进
行了进化神经网络预测，出了用Ｇ－Ｐ神经网络建立的模型分析方法是隧道变形预测中的可行、易、得ＡＢ简有效的方法的
维普资讯
第３４卷第４期
・
３４・６
２００８年２月
山西建筑
ＳＨＡＮＸＩＡＲＣＨＩＴＥ（ｒｖ＿ＵＲＥ
Ｖ０＿４Ｎｏ．Ｉ３４Ｆｂ．２０ｅ０８
文章编号：０９６２（０８０３４０１０ —８５２０）４０６ —２
全局搜索能力，容易找到全局最优解或性能很好的次优解，以所对其按从大到小进行排序。
其中，（）ｆｉ为第个染色体的适应值；为种群。进化时采Ｍ用最优保存策略，即当前群体中适应值最大的染色体直接进入下
一
１基于遗传算法改进的ＢＰ神经网络１１标准Ｂ．Ｐ算法
输否则转３。）ｓｕｒｄｒｒＲＥ）ｑａｅｅｏ，ＭＳ最小。关于ＢｒＰ网络的详细介绍可参见有关化，出结果，达到所要求的性能指标后，最终群体中的最优个体解码即将文献，此处不再重述。
１２遗传算法．
可得到优化后的网络连接权系数。
法的上述缺点。文中将二者结合起来，成一种混合训练算形法——Ｇ — Ｐ算法，ＡＢ达到优化神经网络的目的。

基于BP神经网络法某公路隧道围岩稳定性研究

基于BP神经网络法某公路隧道围岩稳定性研究隧道围岩的稳定性是公路建设工程中的重要问题之一、传统的研究方法主要基于经验公式和数值模拟，但这些方法在对于复杂的岩体力学问题进行分析时存在着一定的局限性。

为了提高对于隧道围岩稳定性的研究精度和预测能力，本文将基于BP神经网络法进行隧道围岩稳定性的研究。

首先，需要收集与隧道围岩相关的数据。

这些数据可以包括岩石的物理力学性质、地质结构、地下水情况等。

同时，还需要获取现场监测数据，如围岩位移观测数据、地下水位数据等。

这些数据可以用来构建BP神经网络的输入和输出。

接下来，需要对收集到的数据进行预处理。

这包括数据的归一化、去噪处理等。

归一化可以使得不同维度的数据在同一尺度上进行比较，去噪处理可以提高数据的质量。

然后，需要确定BP神经网络的结构和参数。

BP神经网络由输入层、隐藏层和输出层组成。

输入层的神经元数目由输入的数据维度决定，输出层的神经元数目由输出的数据维度决定。

隐藏层的神经元数目可以通过试验选择，并通过交叉验证方法进行优化。

此外，还需要设置学习速率、动量因子、迭代次数等参数。

然后，需要将数据分为训练集和测试集。

训练集用于训练BP神经网络，测试集用于评价网络模型的性能。

通常将数据分为70%的训练集和30%的测试集。

接下来，使用训练集对BP神经网络进行训练。

训练过程中，通过反向传播算法不断调整网络的权值和阈值，以最小化网络的误差。

训练直至网络的误差收敛或达到预设条件。

最后，使用测试集评价BP神经网络模型的性能。

可以使用均方根误差（RMSE）、决定系数（R2）等指标来评价模型的拟合能力和预测能力。

如果模型的性能不满足要求，可以通过调整网络结构和参数，重新训练网络。

综上所述，基于BP神经网络法进行隧道围岩稳定性研究可以提高对围岩稳定性的预测能力和分析精度。

通过收集相关数据、预处理、训练和评价模型等步骤，可以建立一个能够预测和评估隧道围岩稳定性的BP神经网络模型。

这对于隧道工程的安全和可靠性有着重要的意义。

基于概率神经网络的地下工程围岩稳定性预测

ＤＩ１．９９ｊｉｓ．０９８１２１．２０８Ｏ：３６／．ｓｎ１０－８．０００．１０４
基于概率神经网络的地下工程围岩稳定性预测
张天军，任树鑫，鸿杰许
（安科技大学理学院，西陕西西安７０５）１０４
ＡｂｔａｔＷｉｅｉｃｅｓｆｍｉｉｇｄｐ，Ｆｃｏｓｔａｆｃｅｓｂｌｙｏｕｒｕｄｎｏｋｍｏｅａｄｍｏｅｓｒｃ：ｔｔｎｒａｅｏｎｎｅｔｈｈｈａｔｒｈｔｅｆｔｔｔｉｔｆｓｒｎｉｇｒｃｒｎｒｅｈａｉｏ
ｃｍｐｅ．Ｉｒｅｃｒｙｏｔｆｃｉｅｃａｓｃｔｎｆｒｓｂｌｆｓｒｕｄｎｏｋ．Ｔｉｋｎｂｕｅｅｅｔｅｏｌｘｎｏｄｒｔａｒｕｅｔｌｓｉａｏ０ｔｉｔｏｕｒｎｉｇｒｃｏ’ ｅｖｆｉａｉｙｏｈｎｉｇａｏｔｔｆｃｖｈｉ
ｆｃｏｓＰｏａｉｓｉ，ＥｓｂｉｈｎｈｔｂｌｙｏｕｒｕｄｎｏｋｔｅｅｍｉｅｔｅＰａｔｒ’ ｒｂｌｔｂｉｃｔｌｉｇｔｅｓｉｔｆｓｒｎｉｇｒｃｏｄｔｒｎｈＮＮｅｒｌｎｔｏｋｍｏｅ，ａｓａｉｏｎｕａｅｗｒｄｌＡｎｔｉｉｇＭＡＴＡＢｔｃｉｖｔｒｃｇｉｏｒｃｓ．Ａｃｏｄｎｏｓｍｐｅｄｔｎｔｅｍｏｅｏａｎｎ，ｗｌｄｕｌｎｉｚＬｏａｈｅｅｉｅｏｎｔｎｐｏｅｓｓｉｃｒｉｇｔａｌａａｏｄｌｆｒｔｉｉｇｉｈｒｌ

遗传算法BP神经网络在隧洞围岩分类中的应用

ＡｂｔａｔＦｕｉｓｉｃｕｅＡＰＳａｄｐｅｒａｍｅｔｔｏｓｆｒｄｇｔｌａｉｎａｅｉｔｏｕｅ．Ｔｈｅｅａｉｎｍｅｈｓｆｌｅｒａａｄｓｒｃ：ｏｒｆｌｌｄｄｉＭｅｎｎＧＩｎｒｔｅｔｎｈｄｉｉｉｔｒｎｒｄｃｍｅｏａｚｏｄｅｇｎｒｔｔｏｎ．ａｅｏｄｏｉｎＩｎｉｅｅｂｒｔｓｗｅｌｓｐｒｔｎｍｅｈｆａｅｔｒｕｅｉｒｅｅｅｏｈｐｌａｉｎｏＡＰＳａｄｉｄａｔｇｐｍｉｔｆｅａｌｏａｅａｌａｅａｉｔｏｏｒａｔｂｔｏｄｒｔｄｖｌｐｔｅａｐｉｔｆｌｒｓａｄｏｏｄａｉｎＯｃｏＭＧＩｎｓａｖａｅｉｍａｔｎｓｎ
关键词：工神经网络，人围岩，类分
中图分类号：Ｐ８Ｔ１３
文献标识码：Ａ
人工神经网络（ＮＮ）Ａ具有非线性、高维性、大规模并行处理、ＪＨ．ｏａｄ．Ｈｌｎ教授提出的ｌ。Ｇｌ２Ａ在寻优过程中，以在高维可行可信息分布、联想、记忆和容错等特征，在预测高复杂度的非线性时解空间随机产生多个起始点并同时开始搜索，以适应度函数来指
逻辑余
逻辑并
次方
逻辑否
包含某一字段
素叠加产生一个新的要素层的操作，在制图时一般只用到其中的
区空间分析，、线点空间分析也是大同小异。
例如要把所有属性中“ 面积” 小于１００的区块标为红色，０只需在表达式输入“ 面积＜１００，后在弹出的对话框中“ ０”然填充颜

基于BP神经网络隧道施工岩爆预测研究

张俊峰：基于ＢＰ神经１可知，影响岩爆的因素可分为三种：应力、强度、能量Ｊ。就具体工程而论，由于工程背景不同，则影响到应力（初始地应力、二次应力）、
误差反传（学习算法）
个循环过程，每一循环主要由两步组成。第一步，输入信息由输入层经过隐含层并逐层处理计算
・
２０ｏ・
路基工程ＳｕｂｇｒａｄｅＥｎｇｉｎｅｅｒｉｎｇ
２０１３年第３期（总第１６８期）
基于ＢＰ神经网络隧道施工岩爆预测研究
张俊峰
（中国建筑西南勘察设计研究院有限公司，成都６１００３１）
的应力集中，致使岩石中应力超过其强度或积聚足够大的能量。不同岩爆因素及经验判据，如表１。
表１不同岩爆因素判据及相应计算方法
挖方式和断面形式等。仅凭一种因素对岩爆进行判
断，显然不太合理，结果也不太准确，获得的影响
岩爆是硬岩在高地应力下发生的一种地质灾害，
在隧道工程施工中，直接危及操作工人和挖掘设备
的安全，常致使工程进度滞后。如何准确预测岩爆的发生及其严重程度，提前采取预防措施减轻岩爆发生带来的灾害，已被工程界列为世界性难题之一。国内外许多专家学者虽做了大量研究，但就岩爆发生机制、预测方法、防治办法，均没有形成一个科学的体系。影响岩爆的因素众多，有初始地应力场、二次应力场、岩石岩性、完整性、地下水、施工方法等。影响隧道围岩开挖后的二次地应力的因素也很多，如围岩中原始地应力的大小和方向，隧道开

基于BP神经网络的回采巷道围岩稳定性分类

巷道埋深
／ｍ
护巷煤柱宽度采动影响系数围岩完整眭／Ｗｌ刀姒Ｌ— Ｌ指１＾围岩类别 ‘ 口／拄ｌ１１数Ｌ５咒口７
２１，７
ｍｍ
／ｍ０．０４０．０４１５．４
０．０４
０．０４１１．Ｏ３．Ｏ６２．０４
７Ｏ
博 ¨
５Ｏ
１ —２．８８ｍ
３类顶板（中等稳定顶板）顶板岩性一般砂质页：
５护巷煤柱宽度（）．巷煤柱宽度是指工作）』护面机巷（风巷）侧留设煤柱的宽度，位是ｍ．决一单它
碎，强度低，围岩属于复杂多变软岩，巷道压力大、自稳时间短、围岩变形量大、变形速度快、持续时间长，道巷维护困难，两淮矿区巷道最难支护的矿井之一，为目
指标能够定量表示；３为了方便现场工作人员的使（）
１２亚分类的影响因素分析．
岩、质泥岩，煤线或薄层泥岩等软弱夹层，理裂砂有节隙不发育，厚一般在０３—１０ｍ，理间距一般在层．．节
５５
铝
７
８
０４～１０ｍ．接顶平均初次垮落步距一般在８～．．直
图中直接量取直接顶厚度，应注意根据具体条件分但析直接顶的范围．接顶是直接位于煤层或伪顶之上，直强度小于６０～８ａ一般随移架冒落的岩层．０ＭＰ，当

基于BP神经网络法某公路隧道围岩稳定性研究

基于BP神经网络法某公路隧道围岩稳定性研究发表时间：2019-10-30T09:40:15.053Z 来源：《基层建设》2019年第22期作者：苏子龙刘辉[导读] 摘要：怎样简单而高效地、准确地去针对工程岩体来实施分类是一个极具挑战性的课题，值得深入研究，同时它还是现场施工的最为急迫的一个需求，尤其是某一些特殊性的地下工程。

山东高速路桥集团股份有限公司山东济南 250021 摘要：怎样简单而高效地、准确地去针对工程岩体来实施分类是一个极具挑战性的课题，值得深入研究，同时它还是现场施工的最为急迫的一个需求，尤其是某一些特殊性的地下工程。

我们针对某省某公路隧道来展开具体的研究，同本区域的真实的地质环境加以结合，选定了不连续结构面的状态以及充填情况、岩石的单轴抗压强度以及岩石质量指标、地下水渗水量、洞轴线和层状岩石醋在的夹角这五大指标来当作评价因子，构建了以BP神经网络为基础的公路隧洞围岩的分类模型，对公路隧道围岩的等级展开了成功的评级，得到了较佳的评价效果，并且为公路隧道围岩的合理分类提供了相应的依据。

关键词：BP 神经网络；围岩分级；公路隧道 0 引言隧道围岩分类其实是个比较古老的课题，科学的围岩分类能够为公路隧道设计给以合理的指导，对施工作业起到较关键的作用。

基于对地下工程的岩体特性的考量，大部分的围岩分级方法已相继被提了出来，目前的各式的岩体分级方法能够划分成三大类，定性分析以及定量分析、定性与定量分析。

关于定性分级，实际上即是要在现场来对能够给岩体的质量带来影响的众多因素加以判别，对某部分指标要能够给出评判、为其打分，能够由总体上来把握，切实地运用工程实践经验。

比如说 Barton N就于1974年明确提出了Q分类。

关于定量而施行的分级，可以监理明确的量的概念，许多的非线性的算法，不过需着重强调的一点是，因为岩体性质以及赋存条件是极为复杂的，所以准确性的指标体系显然极其的关键，并且相应的，指标权重本身的准确性也会影响到、甚至于决定围岩等级的定量分级。

基于BP神经网络的围岩质量分类研究

基于BP神经网络的围岩质量分类研究
刘学军;高玉峰;贺一凡;姜兆东
【期刊名称】《水力发电》
【年(卷),期】2022(48)9
【摘要】围岩质量是影响隧道安全的重要因素。

以新疆东天山隧道工程为研究对象,采用隧道地震波法、TSP物探指标敏感性分析法和BP神经网络关联分析理论,对影响隧道围岩质量的因素进行分析,并对围岩质量进行预测。

结果表明,在TSP物探众多指标中,波速V、纵横波速比V/V、泊松比μ和密度ρ是围岩质量的主控因素;BP神经网络预测围岩质量方法是可靠准确的,且预测结果可根据技术和数据的完善进一步改善;提高纵波速V、横波速V和泊松比μ的预测精度,可有效控制TSP物探指标整体预测结果。

【总页数】5页(P51-55)
【作者】刘学军;高玉峰;贺一凡;姜兆东
【作者单位】新疆建筑科学研究院(有限责任公司);新疆大学建筑工程学院
【正文语种】中文
【中图分类】TU457
【相关文献】
1.基于改进BP神经网络的地下工程围岩分类
2.基于BP神经网络的回采巷道围岩稳定性分类
3.基于BP神经网络的隧道围岩分类
4.巷道围岩稳定性分类的MBP神经网络预测研究
5.基于BP神经网络的隧洞围岩分类
因版权原因，仅展示原文概要，查看原文内容请购买。

基于改进BP神经网络的围岩自稳能力评估模型

遗传算法优化bp
1)染色体表示。先将神经网络权阈值矩阵变形成一维矩阵，按单隐层围岩稳定性评估bp n，输出为l，隐层节点为m，则形成遗传算法实数编码的染色体长度为n ×m+m×l+m+l，前n×m为评估网络输入到隐层权值矩阵v，后续m ×l为隐层到输出层的权值矩阵w，后续m为输入到隐层阈值向量b
定的操作次数为止。按照以上的选择、交叉、变异遗传操作，以适应度函数值最大对应的变量为最优解，即评估网络的初始权值和阈值，达到优化权值和阈值的目的。 1.5 评估bp网络的函数选择
1）网络的传递函数选择。本文隐层和输出层之间传递选择logsig函数，可将神经元的输入范围为整个实数集映射到区间（0，1）上。对训练样本映射处理后，使训练样本输入值在（-1，1），输入与隐层之间选择tansig 函数。
china;
2. unit 66081 of pla, huailai hebei 050083, china; 3. china satellite maritime tracking and controlling department, jiangyin jiangsu 214431, china abstract: command protection engineering is the important component of national protection engineering system. to raise the level of construction of command protection engineering, the back propagation (bp) neural network is improved to give research on self-stability evaluation of its’ surrounding rock. firstly, the network topology is devised，based on the point of surrounding rock . secondly, the model is improved according to its disadvantages, by introducing the momentum, self-adaptive adjusting learn rate, variable hidden nodes and steep factor, furthermore, genetic algorithm(ga) is imported to seek its best initial weight and threshold value. finally, be used to a certain command protection engineering，the model is proved to be credible and precise. command protection engineering is the important component of national protection engineering system. to raise the level of construction of command protection engineering, the back propagation (bp) neural network was improved to give research on self.stability evaluation of its surrounding rock. firstly, the network topology was devised，based on the characteristics of surrounding rock. secondly, the model was improved according to its disadvantages, by introducing the momentum, self.adaptive adjusting learn rate, variable hidden nodes and steep factor; furthermore, genetic algorithm(ga) was imported to seek its best initial weight and threshold value. finally, an instance was given to validate the algorithm. the results show that the model is scientifically reliable and of better value in engineering.key words: back propagation (bp) neural network; genetic algorithm (ga); evaluation; surrounding rock; self.stability; command protection engineering

地下工程围岩稳定性分类的人工神经网络模型

地下工程围岩稳定性分类的人工神经网络模型
由于时常出现路基围岩稳定性较差等质量问题，通常在进行路基挖掘前是需要认真分
析路基围岩稳定性评价的，而本文将提出一种利用人工神经网络（ANNs）技术来评价地下
工程围岩稳定性的方法。

首先，基于实际情况，对围岩稳定性评价要求设定5个等级 : 优秀、良好、中等、
较差、不良。

通过与专家的讨论，根据现实围岩稳定性的信息，包括了围岩节理网络状况、围岩类型、围岩强度及其分布度等要素，确定了路基围岩稳定性等级分类模型，并对
它们进行了不同程度的加权分配，确定了具体的输入参数。

其次，将上述参数应用于人工神经网络模型，使用BP神经网络算法构建围岩稳定性
分类模型，该算法可以有效地根据输入数据提取特征，提高模型精度。

最后，将这个模型应用于深水平井施工实体基坑边坡围岩的稳定性评价，结果表明：
该模型具有很好的准确性，有助于提供准确的围岩稳定性信息。

本文的研究结果表明，构建的人工神经网络模型能够有效地评价地下工程围岩稳定性，准确、快速地提供深水平井施工实体基坑边坡围岩的稳定性信息，对于对路基挖掘质量具
有重要应用价值。

但是，也有需要提高的地方，如围岩应力条件模型等，以便进一步提高
模型准确性和实用性。

同时，在稳定性分类模型方面，应该引入新的数据要素，以满足现
实评价的需要。

利用主成分分析法优化BP神经网络模型在砂砾岩岩性识别中的应用

利用主成分分析法优化BP神经网络模型在砂砾岩岩性识别中的应用作者：潘拓马鑫谢安来源：《新疆地质》2020年第03期摘要：准噶尔盆地玛湖凹陷JL57井区上乌尔禾组发育块状砂砾岩储层，砂砾岩可以细分为粗砾岩、中砾岩、细砾岩、中粗砂岩和粉细砂岩5类岩性，有效储层为中砾岩、细砾岩和中粗砂岩3种岩性，如何识别出有效储层岩性，是油田生产试油选层亟待解决的问题。

传统利用测井曲线与岩性间简单线性关系的交会图法无法满足油田生产对岩性识别的要求，而传统利用非线性关系的BP神经网络模型岩性识别方法，虽然能识别部分砂砾岩种类，但该方法需要输入参数多，运算量大，识别结果准确率一般。

本文探索性利用主成分分析法先从自然伽马、自然电位、地层电阻率、声波时差、密度、补偿中子6种测井曲线中计算出主成分特征值X、Y、Z三个参数，然后用三个特征值参数替代传统BP神经网络模型中6个油气参数作为新的输入参数，与传统BP神经网络模型对比，简化了BP神经网络模型的网络结构，减少了模型计算量，而且岩性识别准确率得到了有效提高，有效地解决了研究区测井识别岩性问题。

关键词：上乌尔禾组;主成分分析法;BP神经网络模型;砂砾岩;岩性识别近年来新疆油田在玛湖凹陷发现10×10-8 t规模储量，其中二叠系上乌尔禾组为主要目的层之一。

二叠系上乌尔禾组发育厚层状-块状砂砾岩，单层砂砾岩厚度普遍在10～100 m，砂砾岩可细分为粗砾岩、中砾岩、细砾岩、中粗砾岩和粉细砂岩5类，其中有效储集层为中砾岩、细砾岩和中粗砾岩3类。

因砂砾岩单层厚度普遍较大，层内岩性变化较快，如何识别有效储层岩性，是油田生产试油选层亟待解决的问题。

传统的利用常规测井曲线交会图法和地质统计学法等线性关系类方法无法准确识别出有效储集层岩性。

而传统利用非线性关系的BP神经网络模型岩性识别方法，虽然能识别部分砂砾岩种类，但该方法需要输入参数多，运算量大。

如何快速准确识别研究区的岩性，本文探索性地利用主成分分析法对BP神经网络模型进行优化。

BP神经网络在隧道围岩稳定性分类中的应用

１３
－０２．０００】０００．０一Ｏ２８６．２Ｏ５４３．１ — ９５７０．８Ｏ５１４．７０６７１，５－０９５７．６
－９１０．４３
— ５８６０．４１０００．０－６７５０．８ — ２６１０．８－９７５０．８一３９７Ｏ．５－２８】０．６一１０００．０
Ｏ１ＯＯＯＯＯ０
Ｏ
０ＯＯ１０１１Ｏ
Ｏ
１０１０Ｏ０Ｏ０
Ｏ
Ｏ０００００Ｏ８２７
Ｏ
Ｏ
Ｏ
Ｏ
ｌ
３４网络的检查．学习完成后即建立辨识模型，后选取３个样本然
验结果看，围岩分类神经网络模型的辨识正确率较高，
１
Ｖ
０ＯＯ
０
－０８６４２一８６４Ｏ．２ —０．６¨ １
一８１Ｏ．２５
—０．５８５５－８７３０．４－０８０１．８
—０．５７７０
５６７８９１０１１１２
中图分类号：Ｕ５Ｔ４７
文献标识码：Ｂ
ＢＰ神经网络在隧道围岩稳定性分类中的应用
刘刚
（大连市勘察测绘研究院有限公司，辽宁大连摘１６２）０１１要：Ｂ将Ｐ神经网络应用于隧洞围岩分类，Ｐ神经网络通过学习记忆建立输入和输出变量之间的非线性关系。Ｂ

基于BP神经网络的隧洞围岩参数反演

西北水电•2021年•第2期55文章编号:1426—2910(2291)09—0255—04基于BP神经网络的隧洞围岩参数反演张争2马杰2刘永智3,石广斌2,"新宇3(1.中国电建集团西北勘测设计研究院有限公司，西安72265；2.西安建筑科技大学，西安72255)摘要:隧洞开挖后为了得到准确的围岩参数来指导支护设计,利用现场隧洞收敛监测数据，采用Phaser联合MATLAB的BP神经网络工具箱进行围岩参数反演。

结果表明:神经网络训练误差较小，有限元反演方法得到的参数能较好地反应围岩开挖后位移变化的规律，变化规律与实测收敛数据一致，利用BP神经网络反演隧洞围岩参数方法可行。

关键词：开挖;蠕变;收敛观测；围岩稳定;BP神经网络中图分类号:TU45；TP183文献标志码：A DOI：12.3969/jPqx.226-262.2223.02.213Bak Analysit on Snrromdinn Rock Parameters for TTnnel by BP NecraO Netword MethodZHANG Zheng1，LIS Yongzhi1，SHI Guangbix3，FAN Xixyy1(1.PowerChina Northwest Engixeeeng Corporation LimiteP，Xi'an71065,China；9.Xi'an UZversity oh Architecture and Techxology,Collepo oh Civil Engixeeeng,Xifu71055,China)Abstract:After timyel excavation,ix order te ohtaic acchete sureunding roch parameters te guide the support desigx.Phase2combixeP with MATLAB's BP xearal xetwora toolbox is useP te cairy out the bach angysis of surrounding roch parameters baseP on the on-site tux-xel converaence mohitoring data.The esuits show that the training orroe of the nearal xetwora is low,and the parameters ohtaixed by the finite element bach analysis methoh can eOect the law of the displacement change Pter the excavation of the sureunding roch,and the vpiation is consistent with the measueP converaence datu.The bach analysis of sureunding roch paemetee with BP xexel xetwore is tentnboe2Key words：excavation；creep;converaence momtoring；sureunding ech stPility；BP neuiul xetwore meUioho引言隧洞开挖破坏了原岩应力状态,受赋存现场的地下水、节理、断层等复杂地质条件的影响，引起应力重程化。

基于关联分析和遗传算法优化BP的隧道围岩变形预测

基于关联分析和遗传算法优化BP的隧道围岩变形预测引言随着交通事业迅速发展，隧道工程被广泛应用在交通基础设施建设领域。

隧道工程凭借缩短线路距离、避免高路堑等优势，建设比例不断增加。

为确保运营和施工安全，其变形预测研究具有重要的意义[1-2]。

隧道施工时，由于各种地质灾害给隧道施工带来很大的难度。

近些年来，很多国内外学者对于围岩质量、稳定性进行了研究和综合探索。

吴波等[3]通过有限元数值计算对上软下硬地层隧道围岩稳定性量化评价标准进行了详细的分析和系统的研究，从而建立围岩稳定量化评价体系。

刘明才[4]采用Monte Carlo方法，计算了岩体结构的可靠性，并分析了结构面参数的不确定性对块体稳定性的影响。

涂瀚[5]对水平层状砂质板岩隧道的稳定性及破坏机理进行研究，为水平层状围岩隧道的建设提供参考。

黄志平[6]通过RFPA方法考虑岩石材料的细观非均匀特性，对深埋硬岩隧洞全断面一次开挖和分断面多次开挖进行数值模拟分析，研究多个特征方面对围岩稳定性的影响及其破坏机制。

张露晨等[7]利用关键块体理论矢量分析方法分析隧道围岩的稳定性。

XIAO R Y, ZHU W, HE MC等[8-10]通过对滑坡进行监测，对滑坡下隧道围岩稳定性进行了一定的研究。

同时，围岩稳定性研究中，隧道围岩位移预测预报也是一项重要的内容，对施工决策有非常重要的意义。

在现场测试中，多种因素的影响，监测数据存在偶然误差且具有离散性。

在实际应用中，必须进行数学处理，找出量测位移在不同因素的影响下，随时间、空间变化的规律，同时预测其发展变化趋势，以科学地评价围岩的稳定性[11]。

叶超[2]提出以粒子群算法对GM(1，1)模型参数进行优化，然后以BP 神经网络为基础，建立误差修正模型，旨在进一步提高预测精度。

张可能等[11]采用时空统一Kriging插值预测模型和DGM(1，1)灰色预测模型，预测隧道施工过程中掌子面前方一定范围内任意时刻的拱顶沉降。

基于DE-BP模型隧道围岩的动态分级

第４３卷第１期２０２１年１月沈　阳　工　业　大　学　学　报ＪｏｕｒｎａｌｏｆＳｈｅｎｙａｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙＶｏｌ４３Ｎｏ１Ｊａｎ２０２１收稿日期：２０１８－０１－１１．基金项目：国家自然科学基金项目（５１６７８１０１）；中央高校基本科研业务费专项基金项目（３１３２０１４３２６）．作者简介：张峰瑞（１９９０－），男，江苏连云港人，博士生，主要从事地下工程蠕变等方面的研究．本文已于２０１９－１０－２１１６∶５８在中国知网优先数字出版．网络出版地址：ｈｔｔｐ：∥ｋｎｓ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅｔａｉｌ／２１．１１８９．Ｔ．２０２０１２２１．１１１８．０２０．ｈｔｍｌｄｏｉ：１０．７６８８／ｊ．ｉｓｓｎ．１０００－１６４６．２０２１．０１．１８基于ＤＥＢＰ模型隧道围岩的动态分级张峰瑞１，姜谙男１，赵　亮２，陈　维２，郭　阔２（１大连海事大学道桥研究所，辽宁大连１１６０２６；２吉林省交通规划设计院，长春１３００２１）摘　要：针对隧道施工期间的围岩分级问题，根据地质超前预报获得围岩分级指标，提出了基于ＤＥＢＰ模型的隧道围岩分级方法，并结合ＶＴＫ技术、三维地质建模方法及数据库技术编写隧道围岩分级软件，将此方法应用于板石隧道的围岩分级中，进行围岩等级可视化显示与施工方案的调整．结果表明：ＤＥＢＰ模型的均方差明显小于ＢＰ神经网络，分级精度显著提高；ＤＥＢＰ模型围岩分级结果与勘查设计等级基本相同，验证了该模型的合理性，更加适用于隧道围岩动态分级．关　键　词：隧道；围岩分级；地质超前预报；回弹强度；差异进化ＢＰ神经网络模型；可视化；工程应用；方案调整中图分类号：ＴＵ４５文献标志码：Ａ文章编号：１０００－１６４６（２０２１）０１－０１０５－０８ＤｙｎａｍｉｃｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｔｕｎｎｅｌｓｕｒｒｏｕｎｄｉｎｇｒｏｃｋｂａｓｅｄｏｎＤＥＢＰｍｏｄｅｌＺＨＡＮＧＦｅｎｇｒｕｉ１，ＪＩＡＮＧＡｎｎａｎ１，ＺＨＡＯＬｉａｎｇ２，ＣＨＥＮＷｅｉ２，ＧＵＯＫｕｏ２（１．ＨｉｇｈｗａｙａｎｄＢｒｉｄｇｅＩｎｓｔｉｔｕｔｅ，ＤａｌｉａｎＭａｒｉｔｉｍｅＵｎｉｖｅｒｓｉｔｙ，Ｄａｌｉａｎ１１６０２６，Ｃｈｉｎａ；２．ＪｉｌｉｎＰｒｏｖｉｎｃｉａｌＣｏｍｍｕｎｉｃａｔｉｏｎＰｌａｎｎｉｎｇ＆ＤｅｓｉｇｎＩｎｓｔｉｔｕｔｅ，Ｃｈａｎｇｃｈｕｎ１３００２１，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇａｔｔｈｅｐｒｏｂｌｅｍｓｏｆｓｕｒｒｏｕｎｄｉｎｇｒｏｃｋｃｌａｓｓｉｆｉｃａｔｉｏｎｄｕｒｉｎｇｔｕｎｎｅｌｃｏｎｓｔｒｕｃｔｉｏｎｐｅｒｉｏｄ，ｉｎｔｅｒｍｓｏｆｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｉｎｄｅｘｅｓｏｆｓｕｒｒｏｕｎｄｉｎｇｒｏｃｋｏｂｔａｉｎｅｄｂｙｔｈｅｇｅｏｌｏｇｉｃａｌａｄｖａｎｃｅｄｐｒｅｄｉｃｔｉｏｎ，ａｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｆｏｒｔｕｎｎｅｌｓｕｒｒｏｕｎｄｉｎｇｒｏｃｋｂａｓｅｄｏｎＤＥＢＰｍｏｄｅｌｗａｓｐｒｏｐｏｓｅｄ．ＣｏｍｂｉｎｅｄｗｉｔｈＶＴＫｔｅｃｈｎｏｌｏｇｙ，３Ｄｇｅｏｌｏｇｉｃａｌｍｏｄｅｌｉｎｇｍｅｔｈｏｄａｎｄｄａｔａｂａｓｅｔｅｃｈｎｏｌｏｇｙ，ａｃｌａｓｓｉｆｉｃａｔｉｏｎｓｏｆｔｗａｒｅｆｏｒｔｕｎｎｅｌｓｕｒｒｏｕｎｄｉｎｇｒｏｃｋｗａｓｃｏｍｐｉｌｅｄ．ＴｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｗａｓｕｓｅｄｆｏｒｔｈｅｓｕｒｒｏｕｎｄｉｎｇｒｏｃｋｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆＢａｎｓｈｉｔｕｎｎｅｌ，ａｎｄｔｈｅｖｉｓｕａｌｄｉｓｐｌａｙｏｆｓｕｒｒｏｕｎｄｉｎｇｒｏｃｋｇｒａｄｅａｎｄｔｈｅａｄｊｕｓｔｍｅｎｔｏｆｃｏｎｓｔｒｕｃｔｉｏｎｐｌａｎｗｅｒｅｃａｒｒｉｅｄｏｕｔ．ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｍｅａｎｓｑｕａｒｅｅｒｒｏｒｏｆＤＥＢＰｍｏｄｅｌｉｓｏｂｖｉｏｕｓｌｙｓｍａｌｌｅｒｔｈａｎｔｈａｔｏｆＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ，ａｎｄｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｇｅｔｓｓｉｇｎｉｆｉｃａｎｔｌｙｉｍｐｒｏｖｅｄ．ＴｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｓｏｆｓｕｒｒｏｕｎｄｉｎｇｒｏｃｋｏｂｔａｉｎｅｄｗｉｔｈｔｈｅＤＥＢＰｍｏｄｅｌｉｓｂａｓｉｃａｌｌｙｓａｍｅａｓｔｈａｔｏｂｔａｉｎｅｄｂｙｅｘｐｌｏｒａｔｉｏｎｄｅｓｉｇｎ，ｄｅｍｏｎｓｔｒａｔｉｎｇｔｈｅｒａｔｉｏｎａｌｉｔｙｏｆｐｒｏｐｏｓｅｄｍｏｄｅｌ．Ｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｉｓｍｏｒｅｓｕｉｔａｂｌｅｆｏｒｔｈｅｄｙｎａｍｉｃｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｔｕｎｎｅｌｓｕｒｒｏｕｎｄｉｎｇｒｏｃｋ．Ｋｅｙｗｏｒｄｓ：ｔｕｎｎｅｌ；ｓｕｒｒｏｕｎｄｉｎｇｒｏｃｋｃｌａｓｓｉｆｉｃａｔｉｏｎ；ｇｅｏｌｏｇｉｃａｌａｄｖａｎｃｅｄｐｒｅｄｉｃｔｉｏｎ；ｒｅｂｏｕｎｄｓｔｒｅｎｇｔｈ；ＤＥＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌ；ｖｉｓｕａｌｉｚａｔｉｏｎ；ｅｎｇｉｎｅｅｒｉｎｇａｐｐｌｉｃａｔｉｏｎ；ｐｌａｎａｄｊｕｓｔｍｅｎｔ隧道工程地质条件复杂，为了确保施工安全，合理进行施工预算，在勘查设计阶段需结合物探、波速测孔和岩土体物理力学参数等资料对围岩进行分级．施工期间隧道掌子面围岩性质往往与设计的围岩级别有所差别，需要进行设计变更，从而耽误施工进度和影响隧道安全．因此，选用合理的方法进行施工期间隧道围岩动态分级具有重要意义［１－２］．关于隧道围岩分级众多学者已经做了大量的研究．监控量测是反馈围岩信息、确保施工安全的一个重要手段，黄锋、邓洪亮和张长亮等［３－５］基于现场监控量测获得围岩信息，并对围岩进行分级，指导现场施工．超期地质预报能够获得隧道掌子面前方一定距离内的围岩信息，张云冬、张新柳和韩永琦等［６－８］采用超前地质预报方法对隧道围岩进行分级，提出基于超前地质预报的围岩分级方法，并通过实际工程验证了该方法的合理性．近年来，随着许多新方法诸如ＢＰ神经网络方法［９］、模糊综合评判法［１０］、Ｍａｍｄａｎｉ模糊推理方法［１１］、可拓学理论方法［１２］的不断发展，使得围岩分级更加科学高效，且取得了一些成果［１３－１５］．但是，目前隧道施工期间围岩分级还存在以下问题：１）需要进行大量室内外试验，消耗时间较多，与施工进度形成矛盾；２）现有的理论模型学习收敛速度慢，而且易陷入局部最优值；３）围岩分级信息不方便管理等．差异进化ＢＰ神经网络模型（ＤＥＢＰ模型）是将ＢＰ神经网络模型与差异进化算法相结合，具有收敛速度快，稳定性高等特点，适用于隧道围岩分级．本文根据地质超前预报获得围岩动态分级指标，提出了基于ＤＥＢＰ模型的隧道围岩动态分级方法，并将此方法应用于板石隧道的围岩分级．结合ＶＴＫ技术、三维地质建模方法及数据库编写隧道围岩分类软件，为隧道现场施工及设计变更提供了可靠支持．１　基于地质超前预报围岩分级指标利用地质超前预报技术可以获得隧道掌子面前方的地质和水文情况，首先在洞壁一侧水平布置多个炮孔，远离掌子面方向布置一个检波孔，检波孔距最近一个炮孔距离为２０ｍ，离检波孔最远的炮孔尽量靠近掌子面．采用瞬发电雷管进行炸药引爆，爆破时产生的地震波在隧道围岩中以球面波形式传播，当遇到不良地质体和地下水时，一部分地震波继续向前传播，另一部分被反射回来，通过分析反射回来地震波的传播速度、波形、频率和强度等特征，处理提取掌子面前方围岩的波速、泊松比和反射系数等数据，从而预报隧道掌子面前方围岩情况．图１为地质超前预报原理图．基于地质超期预报信息，将回弹强度、岩体完整性、节理延展性、地下水、结构面走向和地应力状态作为隧道围岩分级指标，并进行定量化处理．图１　地质超前预报原理图Ｆｉｇ１　Ｐｒｉｎｃｉｐｌｅｄｉａｇｒａｍｏｆｇｅｏｌｏｇｉｃａｌａｄｖａｎｃｅｄｐｒｅｄｉｃｔｉｏｎ１）回弹强度Ｒｈｔ单轴抗压强度在施工现场难以测定，为此采用回弹强度代替单轴抗压强度，研究表明，回弹强度与单轴抗压强度存在如下关系：Ｒｃ＝１４４７８５（１－ｅ－００１０８６Ｒｈｔ）　（１）２）岩体完整性指标ｋｖ岩体完整程度用ＢＱ法中的岩体完整性指标ｋｖ表示，即ｋｖ＝ＶｐＶ()ｓ２　（２）式中：Ｖｐ为岩体的纵波波速；Ｖｓ为岩石的纵波波速．３）节理延展性Ｊｙｚ图２为隧道掌子面素描图．将掌子面内的节理进行定量化处理，作为节理延展性指标，如表１所示．图２　隧道掌子面素描图Ｆｉｇ２　Ｓｋｅｔｃｈｄｉａｇｒａｍｏｆｔｕｎｎｅｌｆａｃｅ表１　节理延展性Ｔａｂ１　Ｊｏｉｎｔｅｘｔｅｎｓｉｂｉｌｉｔｙ类型贯通半贯通非贯通数值００５１４）地下水影响ｗ在施工现场进行地下水观测，根据表２按其流量和状态进行定量化处理．６０１沈　阳　工　业　大　学　学　报第４３卷表２　地下水状态Ｔａｂ２　Ｇｒｏｕｎｄｗａｔｅｒｓｔａｔｅｓ状态流量数值干燥０９～１０潮湿０８～０９滴漏０６～０８状态流量数值线状０４～０６股状０２～０４突水＜０２５）结构面和隧道走向λ根据ＲＭＲ分级体系将结构面和隧道走向关系分为垂直、平行、任意３种情况，如表３所示．表３　结构面走向分布Ｔａｂ３　Ｓｔｒｕｃｔｕｒａｌｐｌａｎｅｄｉｒｅｃｔｉｏｎ结构面走向开挖方向结构面倾角工程效应分数垂直走向平行走向任意顺倾角开挖反倾角开挖－－４５°～９０°非常有利１２０°～４５°有利０８～０９４５°～９０°一般０５～０７２０°～４５°不利０２～０４４５°～９０°非常不利０～０１２０°～４５°一般０５～０７０°～２０°一般０５～０７６）地应力状态ＧＳ按照《工程岩体分级标准》，将隧道分为高地应力区、中地应力区和低地应力区，并根据岩体状态进行打分，如表４所示．表４　地应力状态分布Ｔａｂ４　Ｄｉｓｔｒｉｂｕｔｉｏｎｏｆｇｅｏｓｔｒｅｓｓｓｔａｔｅｓ地应力状态主要现象分数高地应力区有岩爆、剥离、岩芯饼化现象０～０３中地应力区可能有岩爆、掉块、岩芯饼化现象０３～０７低地应力区无岩爆、岩芯饼化等现象０７～１２　ＤＥＢＰ模型本文将ＢＰ神经网络与差异进化算法相结合，充分运用ＤＥ算法良好的优化性能，替代了ＢＰ神经网络中的梯度下降算法．建立的ＤＥＢＰ模型采用三层ＢＰ神经网络，三层ＢＰ神经网络不仅能以任意精度逼近任意函数，还能逼近其各阶导数．将三层ＢＰ神经网络累积预测误差标准差作为ＤＥ算法的适应度函数，计算步骤如下：１）确定ＢＰ网络拓扑结构，包括输入层节点数ｎ、隐含层节点数ｐ与输出层节点数ｑ．２）计算并设置ＤＥ算法参数，对输入层至隐含层的连接权值ｗｉｊ、隐含层至输出层的连接权值ｖｊｔ、隐含层各单元的输出阈值θｊ与输出层各单元的输出阈值γｊ进行赋值．３）产生初始种群，设定ＤＥ算法中种群规模Ｎｐ、交叉因子ＣＲ、变异因子Ｆ和差异策略．４）基于产生的初始种群对ｗｉｊ、ｖｊｔ、θｊ和γｊ进行初始化，然后逐一将ｍ组输入和目标样本Ｐｋ＝（ｘｋ１，ｘｋ２，…，ｘｋｎ）、Ｔｋ＝（ｙｋ１，ｙｋ２，…，ｙｋｑ）提供给网络．采用式（３）～（７）对输出层的各单元标准差σｋ进行计算，根据标准差求取目标函数σ，如式（８）所示．ｓｊ＝∑ｎｉ＝１ｗｉｊｘｉ－θｊ　（ｊ＝１，２，…，ｐ）　（３）ｂｊ＝ｆ（ｓｊ）　（ｊ＝１，２，…，ｐ）　（４）Ｌｔ＝∑ｐｊ＝１ｖｊｔｂｊ－γｔ　（ｔ＝１，２，…，ｑ）　（５）Ｃｔ＝ｆ（Ｌｔ）　（ｔ＝１，２，…，ｑ）　（６）σｋ＝∑ｑｔ＝１（ｙｋｔ－Ｃｔ）２　（７）σ＝１ｍ∑ｋ＝１ｍσ槡ｋ　（８）式中：ｓｊ为隐含层各单元的输入；ｂｊ为隐含层各单元的输出；ｆ为传递函数；Ｌｔ为输出层各单元的输出；Ｃｔ为输出层各单元的响应；ｋ＝１，２，…，ｍ．５）反复进行变异、交叉、目标函数计算、选择等操作，当最大种群迭代数或目标函数达到设定值时结束计算．ＤＥＢＰ模型计算流程如图３所示．图３　计算流程图Ｆｉｇ３　Ｆｌｏｗｃｈａｒｔｏｆｃａｌｃｕｌａｔｉｏｎ选取交叉因子ＣＲ＝０９、变异因子Ｆ＝０９、差异策略为ＤＥ／ｂｅｓｔ／１，对ＤＥＢＰ模型的训练结果与ＢＰ神经网络的训练结果进行比较．表５为ＤＥＢＰ模型和ＢＰ模型训练对比结果，从表５中可以看出，ＤＥＢＰ模型的训练均方差明显小于ＢＰ神经网络，分级精度明显提高．７０１第１期张峰瑞，等：基于ＤＥＢＰ模型隧道围岩的动态分级表５　对比结果Ｔａｂ５　Ｃｏｍｐａｒｉｓｏｎｒｅｓｕｌｔｓ算法ＢＰＤＥＢＰ均方差０００１３１８６３７５３８×１０－６ＶＴＫ（ｖｉｓｕａｌｉｚａｔｉｏｎｔｏｏｌｋｉｔ）是一个开放源代码、跨平台和支持并行处理的图形应用函数库，其内核是用Ｃ＋＋编译的，主要用于图像处理、３Ｄ计算机图形学以及可视化开发．ＶＴＫ以灵活性和方便性为主要原则，具有强大的三维图形渲染功能、丰富的数据类型、支持多种着色和成图快的特点．结合ＶＴＫ技术、三维地质建模方法及数据库技术编写隧道围岩分级软件，该软件能够高效、准确地管理隧道围岩分级信息，便于现场施工人员进行施工期间隧道围岩快速分级，确保施工进度和安全．隧道围岩分级软件具有围岩快速分级、分级结果储存和分级结果三维可视化等功能．软件包含ＤＥＢＰ和ＢＱ两种分级方法，可根据需要进行选择．首先确定隧道断面的桩号，输入围岩分级指标，选择分级方法进行预测．预测完成后，可将隧道断面信息、围岩分级指标和分级结果进行储存，方便以后查询和管理，软件界面如图４所示．图４　围岩分级软件Ｆｉｇ４　Ｃｌａｓｓｉｆｉｃａｔｉｏｎｓｏｆｔｗａｒｅｆｏｒｓｕｒｒｏｕｎｄｉｎｇｒｏｃｋ３　工程应用３１　工程概况板石隧道位于吉林省白山市，分为左右两幅，左幅１６６８ｍ，右幅１６８３ｍ．隧道为低山地貌，岩性主要为片麻岩，断裂构造发育，受其影响岩体破碎，局部风化强烈．隧道区域内无大的地表水体，地下水类型较为简单，分为第四系孔隙水和基岩裂隙水，属地下水贫乏区域，隧道内涌水量估算值为５９９４ｍ３／ｄ．气候属北温带大陆性季风区，夏季温热多雨而短促，冬季寒冷干燥而漫长．年平均气温５℃，最低气温－４２２℃，最高气温３６５℃，如图５所示．图５　板石隧道Ｆｉｇ５　Ｂａｎｓｈｉｔｕｎｎｅｌ隧道按新奥法原理组织施工，施工中坚持监控量测（地质雷达、ＴＳＰ、超前探孔），各工作面均采用钻爆法开挖，洞内出碴均采用无轨运输．Ⅲ级围岩采用全断面开挖施工，Ⅳ级围岩采用台阶法施工，Ⅴ级围岩采取微台阶预留核心土法、ＣＲＤ开挖法、ＣＤ法．３２　超前地质预报应用为了解施工期间板石隧道掌子面前方围岩地质和地下水情况，确保施工安全，采用瑞士安伯格公司ＴＳＰ２０３型超前地质预报系统对隧道进行了检测，预报范围为掌子面前方０～１５０ｍ．以板石隧道左幅出口掌子面ＬＫ６７＋０４０为例，对超前预报结果进行分析，如图６、７所示．图６　掌子面岩性照片Ｆｉｇ６　Ｉｍａｇｅｏｆｆａｃｅｌｉｔｈｏｌｏｇｙ图７表明，隧道掌子面前方ＬＫ６７＋０４０～ＬＫ６６＋９７０范围内有多组反射界面，纵波波速减小、横波波速整体变化不大但较为波动，泊松比先增大后减小，动态杨氏模量变化不大但波动较大，８０１沈　阳　工　业　大　学　学　报第４３卷图７　地质超前预报结果Ｆｉｇ７　Ｇｅｏｌｏｇｉｃａｌａｄｖａｎｃｅｄｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓ推断该段围岩节理裂隙较发育，局部破碎，裂隙水较不发育，局部渗漏滴水，围岩稳定性较差，易发生失稳掉块脱落．３３　隧道围岩动态分级图８为隧道围岩动态分级流程，首先根据勘查和设计资料对隧道不良地质断面进行初步判断；然后采用ＴＳＰ超前地质预报确定掌子面前方围岩岩体具体情况，并进行定量化处理得到围岩分级指标；最后根据所建立的模型进行隧道围岩分级，并与勘查设计和现场观测结果进行比较，验证模型的准确性，最终确定围岩级别．选取板石１号隧道３０个具有代表性的掌子面，根据地质超前预报确定隧道围岩分级指标，进行板石一号隧道围岩动态分级．表６为板石一号隧道典型断面的围岩分级指标．表６中共有３０组数据，将前２５组数据进行训练计算，建立ＤＥＢＰ模型，后５组数据对模型进行测试，验证模型的准确性．ＤＥＢＰ模型参数为：种群规模５００，迭代步数６００，隐含层节点数１５个，选用Ｓｉｇｍｏｉｄ函数为激活函数．为了加快收敛速度，对Ｓｉｇｍｏｉｄ函数进行归一化处理，即ｘ′＝０１＋０８ｘ－ｘｍｉｎｘｍａｘ－ｘ()ｍｉｎ　（９）图８　围岩分级流程Ｆｉｇ８　Ｆｌｏｗｃｈａｒｔｏｆｓｕｒｒｏｕｎｄｉｎｇｒｏｃｋｃｌａｓｓｉｆｉｃａｔｉｏｎ式中：ｘｍａｘ为输入分量最大值；ｘｍｉｎ为输入分量最小值．所建立的ＤＥＢＰ模型经过测试满足准确性后，基于地质超前预报信息将隧道施工期间围岩分级指标代入计算，进行围岩分级．选取隧道５个典型断面围岩的ＤＥＢＰ分级结果与勘查设计的围岩级别进行比较，结果如表７所示．从表７中可以看出，ＤＥＢＰ模型计算的隧道围岩等级与勘查设计等级基本相同，证明该算法可以有效地用于隧道现场围岩动态级别判定．将隧道围岩动态分级指标作为ＤＥＢＰ算法训练样本，可以节省后续围岩分级的繁杂计算工作，更加高效、快捷．采用围岩分级软件对隧道进行三维地质体建模，通过ＶＴＫ技术实现模型的三维可视化显示，将围岩分级结果与三维可视化模型相结合，用不同颜色表征隧道围岩级别，最终实现了隧道围岩分级结果的三维可视化．将施工期间和勘查设计期间隧道围岩级别在同一画面进行显示，方便查看和管理，如图９所示．４　施工方案调整从上述分析得知，隧道ＬＫ６６＋２５７～ＬＫ６６＋２８５区域，ＤＥＢＰ模型的围岩级别为Ｖ级，勘查设计的围岩级别为ＩＶ级．根据现场勘查和围岩揭露信息，隧道围岩为中风化混合片麻岩，受断裂挤压作用，岩体节理裂隙极发育，岩体破碎松散，形成碎裂岩，局部泥化，顶板不稳定，无支护将发生重大坍塌，属于Ⅴ级围岩．研究表明，基于ＤＥＢＰ模型计算的围岩等级比勘查设计确定的围岩等级更加精确，为了确保施工安全，需要进行设计变更和施工方案的调整．９０１第１期张峰瑞，等：基于ＤＥＢＰ模型隧道围岩的动态分级表６　典型断面围岩分级指标Ｔａｂ６　Ｃｌａｓｓｉｆｉｃａｔｉｏｎｉｎｄｅｘｅｓｆｏｒｓｅｃｔｉｏｎｓｏｆｔｙｐｉｃａｌｓｕｒｒｏｕｎｄｉｎｇｒｏｃｋ序号桩号Ｒｈｔ／ＭＰａｋｖＪｙｚｗλＧＳ１ＲＫ６５＋７９１１０５０３６０　０７０６０８２ＲＫ６５＋９８０２４５０３８０５０７０６０９３ＲＫ６６＋０７０３７２０６６１００８０７０９４ＬＫ６５＋９４５９６０３５０５０７０６０８５ＬＫ６６＋１００２７８０４５０５０８０５０７６ＬＫ６６＋２０４３５６０７４１００８０６０８７ＬＫ６６＋２７７２５８０４９０５０７０７０９８ＲＫ６６＋３８６２７４０５５０５０６０５０８９ＲＫ６６＋４４０３３１０７２１００８０６０９１０ＬＫ６６＋７００１３８０３７００５０７０８１１ＲＫ６６＋６７０２２９０５４０５０７０６０８１２ＬＫ６６＋５２５１８２０３３０５０８０７０７１３ＲＫ６６＋４９５１６４０３８００７０４０８１４ＬＫ６６＋４１５２４３０５９０５０８０６０９１５ＬＫ６７＋４０６２２８０６２１００８０５０８１６ＲＫ６７＋１０５１１３０３７００７０７０７１７ＲＫ６７＋０９０１５４０３６０５０８０７０７１８ＬＫ６６＋９００１９７０５６０５０７０６０８１９ＬＫ６７＋０３７３６１０７０１００８０５０９２０ＲＫ６７＋４５０１３８０３９００７０６０８２１ＬＫ６７＋１１７２０３０４１０５０８０７０８２２ＲＫ６６＋７４８２７２０５１０５０８０７０８２３ＲＫ６６＋６６０２３５０５８１００７０６０９２４ＬＫ６６＋７８７１４９０３３００８０６０８２５ＬＫ６６＋６５２３３５０６２１００８０７０９２６ＲＫ６６＋６３５２９６０７１１００７０６０９２７ＬＫ６６＋３００２３３０６００５０７０４０８２８ＲＫ６６＋３５４２６６０５９０５０６０７０８２９ＬＫ６５＋９００１８６０３２００７０５０７３０ＬＫ６７＋４７６１２７０３６００８０６０８表７　围岩级别对比结果Ｔａｂ７　Ｃｏｍｐａｒｉｓｏｎｒｅｓｕｌｔｓｏｆｓｕｒｒｏｕｎｄｉｎｇｒｏｃｋｇｒａｄｅｓ桩号ＤＥＢＰ结果勘查设计Ｒｈｔ／ＭＰａｗλＪｙｚｋｖＧＳＲＫ６６＋６５０ⅣⅣ２２５０５３０５０７０６０８ＬＫ６７＋１１４ⅤⅤ２０８０３８０５０８０７０８ＬＫ６６＋２００ⅢⅢ３４８０７２１００８０６０８ＲＫ６７＋１００ⅤⅤ１２８０３６００７０７０７ＬＫ６６＋２５７ⅤⅣ２２３０４１０５０７０７０９将隧道ＬＫ６６＋２５７～ＬＫ６６＋２８５段围岩级别变更为Ｖ级，采用型钢钢架配合４２ｍｍ超前小导管预注浆超前支护，ＣＲＤ法施工，初期支护在开挖完成后及时施工，紧跟开挖面，拱部系统锚杆采用２２ｍｍ中空注浆锚杆，边墙采用２２ｍｍ砂浆锚杆，施工中加强监控量测，及时反馈监测信息，保证施工安全．施工方法和支护参数调整如表８所示．０１１沈　阳　工　业　大　学　学　报第４３卷图９　围岩分级可视化显示Ｆｉｇ９　Ｖｉｓｕａｌｄｉｓｐｌａｙｏｆｓｕｒｒｏｕｎｄｉｎｇｒｏｃｋｃｌａｓｓｉｆｉｃａｔｉｏｎ５　结　论本文通过分析得出如下结论：１）根据地质超期预报信息，将回弹强度、岩体完整性、节理延展性、地下水、结构面走向和地应力状态作为隧道围岩分级指标，并进行定量化处理．２）将ＢＰ神经网络与差异进化算法相结合，建立基于ＤＥＢＰ模型的隧道围岩分级方法，并与表８　施工方法和支护参数Ｔａｂ８　Ｃｏｎｓｔｒｕｃｔｉｏｎｍｅｔｈｏｄｓａｎｄｓｕｐｐｏｒｔｐａｒａｍｅｔｅｒｓ围岩类型施工方法初期支护锚杆长度ｃｍ锚杆间距及类型ｃｍ喷层位置厚度ｃｍ钢筋网ｃｍ二次衬砌及仰拱混凝土厚度ｃｍ超前支护措施Ⅴ级ＣＲＤ法３５０１００×６０（中空注浆锚杆）拱、墙、仰拱２６８＠２０×２０双层钢筋混凝土５０型钢钢架配合小导管注浆，钢架间距６０ｃｍ；根据需要设长管棚Ⅳ级台阶法３００１００×８０（中空注浆锚杆）拱、墙２２８＠２０×２０钢筋混凝土４５型钢钢架配合小导管注浆，钢架间距８０ｃｍＢＰ神经网络训练结果进行比较，分级精度明显提高．结合ＶＴＫ技术、三维地质建模方法及数据库开发了隧道围岩分级软件，软件包含围岩等级预测和结果信息管理的功能，实现了隧道围岩分级结果的三维可视化，为施工及设计提供了有力的分析工具．３）对板石隧道围岩进行分级，ＤＥＢＰ模型分级结果与勘查设计等级基本相同，证明该算法的合理性，且更加高效、快捷．基于ＤＥＢＰ模型的隧道围岩级别进行设计变更和施工方案的调整，确保施工安全．参考文献（Ｒｅｆｅｒｅｎｃｅｓ）：［１］张顶立，台启民，房倩．复杂隧道围岩安全性及其评价方法［Ｊ］．岩石力学与工程学报，２０１７，３６（２）：２７０－２９６．（ＺＨＡＮＧＤｉｎｇｌｉ，ＴＡＩＱｉｍｉｎ，ＦＡＮＧＱｉａｎ．Ｓａｆｅｔｙｏｆｃｏｍｐｌｅｘｓｕｒｒｏｕｎｄｉｎｇｒｏｃｋｏｆｔｕｎｎｅｌｓａｎｄｒｅｌａｔｅｄｅｖａｌｕａｔｉｏｎｍｅｔｈｏｄ［Ｊ］．ＣｈｉｎｅｓｅＪｏｕｒｎａｌｏｆＲｏｃｋＭｅｃｈａｎｉｃｓ＆Ｅｎｇｉｎｅｅｒｉｎｇ，２０１７，３６（２）：２７０－２９６．）［２］丛宇，郭徽，郑颖人，等．岩石地铁工程的围岩分级方法研究［Ｊ］．现代隧道技术，２０１６，５３（３）：３３－４１．（ＣＯＮＧＹｕ，ＧＵＯＨｕｉ，ＺＨＥＮＧＹｉｎｇｒｅｎ，ｅｔａｌ．Ｏｎｔｈｅｒｏｃｋｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｆｏｒｍｅｔｒｏｅｎｇｉｎｅｅｒｉｎｇ［Ｊ］．ＭｏｄｅｒｎＴｕｎｎｅｌｌｉｎｇＴｅｃｈｎｏｌｏｇｙ，２０１６，５３（３）：３３－４１．）［３］黄锋，王星星，魏源泉，等．基于监控量测的隧道围岩分级方法及其应用研究［Ｊ］．铁道建筑，２０１５（６）：５０－５３．（ＨＵＡＮＧＦｅｎｇ，ＷＡＮＧＸｉｎｇｘｉｎｇ，ＷＥＩＹｕａｎｑｕａｎ，ｅｔａｌ．Ｓｔｕｄｙｏｎｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｏｆｔｕｎｎｅｌ’ｓｓｕｒｒｏｕｎｄｉｎｇｒｏｃｋｂａｓｅｄｏｎｓｕｐｅｒｖｉｓｉｏｎｍｅａｓｕｒｅｍｅｎｔａｎｄｉｔｓａｐｐｌｉｃａｔｉｏｎ［Ｊ］．ＲａｉｌｗａｙＥｎｇｉｎｅｅｒｉｎｇ，２０１５（６）：５０－５３．）［４］邓洪亮，周世生，高文学，等．基于监控量测的围岩分级修正方法研究［Ｊ］．施工技术，２０１６，４５（５）：１２９－１３３．（ＤＥＮＧＨｏｎｇｌｉａｎｇ，ＺＨＯＵＳｈｉｓｈｅｎｇ，ＧＡＯＷｅｎｘｕｅ，ｅｔａｌ．Ｓｔｕｄｙｏｎｃｌａｓｓｉｆｉｃａｔｉｏｎｃｏｒｒｅｃｔｉｏｎｍｅｔｈｏｄｏｆｔｈｅｓｕｒｒｏｕｎｄｉｎｇｒｏｃｋｂａｓｅｄｏｎｔｈｅｍｏｎｉｔｏｒｉｎｇｍｅａｓｕｒｅｍｅｎｔ［Ｊ］．ＣｏｎｓｔｒｕｃｔｉｏｎＴｅｃｈｎｏｌｏｇｙ，２０１６，４５（５）：１２９－１３３．）［５］张长亮，蒋树屏，林志，等．基于现场监控量测的隧道围岩分级方法［Ｊ］．公路，２００７（１２）：２０４－２０８．（ＺＨＡＮＧＣｈａｎｇｌｉａｎｇ，ＪＩＡＮＧＳｈｕｐｉｎｇ，ＬＩＮＺｈｉ，ｅｔａｌ．Ｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｏｆｔｕｎｎｅｌｓｕｒｒｏｕｎｄｉｎｇｒｏｃｋｂａｓｅｄｏｎｆｉｅｌｄｓｕｐｅｒｖｉｓｉｏｎａｎｄｍｅａｓｕｒｅｍｅｎｔ［Ｊ］．Ｈｉｇｈｗａｙ，２００７（１２）：２０４－２０８．）［６］张云冬，王浩，张国华．山岭隧道围岩分级超前预报新方法研究［Ｊ］．武汉理工大学学报（交通科学与工程版），２０１６，４０（１）：１３１－１３５．（ＺＨＡＮＧＹｕｎｄｏｎｇ，ＷＡＮＧＨａｏ，ＺＨＡＮＧＧｕｏｈｕａ．Ｎｅｗｆｏｒｅｃａｓｔｍｅｔｈｏｄｏｆｓｕｒｒｏｕｎｄｒｏｃｋｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｍｏｕｎｔａｉｎｔｕｎｎｅｌ［Ｊ］．ＪｏｕｒｎａｌｏｆＷｕｈａｎＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ（ＴｒａｎｓｐｏｒｔａｔｉｏｎＳｃｉｅｎｃｅ＆Ｅｎｇｉｎｅｅｒｉｎｇ），２０１６，４０（１）：１３１－１３５．）［７］张新柳．基于超前预报信息的隧道围岩分级及工程应用研究［Ｊ］．西安建筑科技大学学报（自然科学版），２０１６，４８（５）：６４８－６５３．（ＺＨＡＮＧＸｉｎｌｉｕ．Ｓｔｕｄｙｏｎｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄａｐｐｌｉｃａｔｉｏｎｏｆｔｈｅｔｕｎｎｅｌｓ’ｓｕｒｒｏｕｎｄｉｎｇｒｏｃｋｂａｓｅｄｏｎｇｅｏｌｏｇｉｃａｌｉｎｆｏｒｍａｔｉｏｎｆｏｒｅｃａｓｔ［Ｊ］．ＪｏｕｒｎａｌｏｆＸｉ’ａｎＵｎｉｖｅｒｓｉｔｙｏｆＡｒｃｈｉｔｅｃｔｕｒｅ＆Ｔｅｃｈｎｏｌｏｇｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ），２０１６，４８（５）：６４８－６５３．）［８］韩永琦．用ＴＳＰ预报数据划分铁路隧道围岩级别１１１第１期张峰瑞，等：基于ＤＥＢＰ模型隧道围岩的动态分级［Ｊ］．铁道工程学报，２０１７，３４（２）：７１－７５．（ＨＡＮＹｏｎｇｑｉ．ＲｅｓｅａｒｃｈｏｎｔｈｅｒａｉｌｗａｙｔｕｎｎｅｌｓｕｒｒｏｕｎｄｉｎｇｒｏｃｋｇｒａｄｅｕｓｉｎｇＴＳＰｐｒｅｄｉｃｔｉｏｎｄａｔａ［Ｊ］．ＪｏｕｒｎａｌｏｆＲａｉｌｗａｙＥｎｇｉｎｅｅｒｉｎｇＳｏｃｉｅｔｙ，２０１７，３４（２）：７１－７５．）［９］蔡广奎．围岩稳定性分类的ＢＰ网络模型的研究［Ｄ］．南京：河海大学，２００１．（ＣＡＩＧｕａｎｇｋｕｉ．ＳｔｕｄｙｏｆｔｈｅＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｏｎｔｈｅｓｔａｂｉｌｉｔｙｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｓｕｒｒｏｕｎｄｉｎｇｒｏｃｋｓ［Ｄ］．Ｎａｎｊｉｎｇ：ＨｏｈａｉＵｎｉｖｅｒｓｉｔｙ，２００１．）［１０］林琳，冯?．空管自动化系统软件可靠性的模糊综合评价［Ｊ］．沈阳工业大学学报，２０１４，３６（６）：６９４－７００．（ＬＩＮＬｉｎ，ＦＥＮＧＺｈｅ．Ｆｕｚｚｙｉｎｔｅｇｒａｔｅｄｅｖａｌｕａｔｉｏｎｆｏｒｓｏｆｔｗａｒｅｒｅｌｉａｂｉｌｉｔｙｏｆａｉｒｔｒａｆｆｉｃｃｏｎｔｒｏｌａｕｔｏｍａｔｉｃｓｙｓｔｅｍ［Ｊ］．ＪｏｕｒｎａｌｏｆＳｈｅｎｙａｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，２０１４，３６（６）：６９４－７００．）［１１］张琦，朱合华，黄贤斌，等．基于Ｍａｍｄａｎｉ模糊推理的山岭隧道围岩ＲＭＲ１４分级［Ｊ］．岩土工程学报，２０１７，３９（１１）：２１１６－２１２４．（ＺＨＡＮＧＱｉ，ＺＨＵＨｅｈｕａ，ＨＵＡＮＧＸｉａｎｂｉｎ，ｅｔａｌ．ＡｎｅｗｒｏｃｋｍａｓｓｒａｔｉｎｇｍｅｔｈｏｄｂａｓｅｄｏｎＭａｍｄａｎｉｆｕｚｚｙｉｎｆｅｒｅｎｃｅｆｏｒｒｏｃｋｔｕｎｎｅｌｓ［Ｊ］．ＣｈｉｎｅｓｅＪｏｕｒｎａｌｏｆＧｅｏｔｅｃｈｎｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，２０１７，３９（１１）：２１１６－２１２４．）［１２］张延年，柳成林，李玉兵，等．基于可拓学的混凝土双曲拱桥上部结构可靠性评价［Ｊ］．沈阳工业大学学报，２０１５，３７（３）：３３５－３４１．（ＺＨＡＮＧＹａｎｎｉａｎ，ＬＩＵＣｈｅｎｇｌｉｎ，ＬＩＹｕｂｉｎｇ，ｅｔａｌ．Ｒｅｌｉａｂｉｌｉｔｙａｓｓｅｓｓｍｅｎｔｆｏｒｓｕｐｅｒｓｔｒｕｃｔｕｒｅｏｆｃｏｎｃｒｅｔｅｄｏｕｂｌｅｃｕｒｖｅｄａｒｃｈｂｒｉｄｇｅｂａｓｅｄｏｎｅｘｔｅｎｉｃｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＳｈｅｎｙａｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，２０１５，３７（３）：３３５－３４１．）［１３］王佳信，周宗红，赵婷，等．基于Ａｌｐｈａ稳定分布概率神经网络的围岩稳定性分类研究［Ｊ］．岩土力学，２０１６，３７（增刊２）：６４９－６５７．（ＷＡＮＧＪｉａｘｉｎ，ＺＨＯＵＺｏｎｇｈｏｎｇ，ＺＨＡＯＴｉｎｇ，ｅｔａｌ．ＡｐｐｌｉｃａｔｉｏｎｏｆＡｌｐｈａｓｔａｂｌｅｄｉｓｔｒｉｂｕｔｉｏｎｐｒｏｂａｂｉｌｉｓｔｉｃｎｅｕｒａｌｎｅｔｗｏｒｋｔｏｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｓｕｒｒｏｕｎｄｉｎｇｒｏｃｋｓｔａｂｉｌｉｔｙａｓｓｅｓｓｍｅｎｔ［Ｊ］．Ｒｏｃｋ＆ＳｏｉｌＭｅｃｈａｎｉｃｓ，２０１６，３７（Ｓｕｐ２）：６４９－６５７．）［１４］李一冬，阮怀宁，朱珍德，等．基于改进ＢＰ神经网络的地下工程围岩分类［Ｊ］．人民黄河，２０１４（１）：１３０－１３３．（ＬＩＹｉｄｏｎｇ，ＲＵＡＮＨｕａｉｎｉｎｇ，ＺＨＵＺｈｅｎｄｅ，ｅｔａｌ．ＣｌａｓｓｉｆｉｃａｔｉｏｎｏｆｕｎｄｅｒｇｒｏｕｎｄｅｎｇｉｎｅｅｒｉｎｇｓｕｒｒｏｕｎｄｉｎｇｒｏｃｋｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ［Ｊ］．ＹｅｌｌｏｗＲｉｖｅｒ，２０１４（１）：１３０－１３３．）［１５］薛晓辉，张军，姚广．基于可拓学理论的黄土隧道围岩分级方法研究［Ｊ］．地下空间与工程学报，２０１７，１３（３）：６５１－６５７．（ＸＵＥＸｉａｏｈｕｉ，ＺＨＡＮＧＪｕｎ，ＹＡＯＧｕａｎｇ．Ｓｔｕｄｙｏｎｌｏｅｓｓｔｕｎｎｅｌｓｕｒｒｏｕｎｄｉｎｇｒｏｃｋｃｌａｓｓｉｆｉｃａｔｉｏｎｍｓｅｔｈｏｄｂａｓｅｄｏｎｅｘｔｅｎｓｉｏｎｔｈｅｏｒｙ［Ｊ］．ＣｈｉｎｅｓｅＪｏｕｒｎａｌｏｆＵｎｄｅｒｇｒｏｕｎｄＳｐａｃｅ＆Ｅｎｇｉｎｅｅｒｉｎｇ，２０１７，１３（３）：６５１－６５７．）（责任编辑：钟　媛　英文审校：尹淑英）２１１沈　阳　工　业　大　学　学　报第４３卷。

基于GA-BP神经网络的软岩隧道围岩力学参数反演分析

D IJI Y U JI C H U９２０㊀«工程与建设»㊀２０２０年第３４卷第５期收稿日期:２０２０Ｇ０４Ｇ２１;修改日期:２０２０Ｇ０５Ｇ０６基金项目:国家自然科学基金项目(项目编号:１１６７２２１５).作者简介:罗昂治(１９９６－),男,湖南邵阳人,硕士研究生在读;邱红胜(１９６６－),男,湖北孝感人,博士,教授．基于G A ＧB P 神经网络的软岩隧道围岩力学参数反演分析罗昂治,㊀邱红胜,㊀熊㊀剑,㊀周子煜(武汉理工大学交通学院,湖北武汉㊀４３００６３)摘㊀要:为研究变形较大的松散软岩隧道围岩参数问题,以湖北省某高铁隧道为例,利用MA T L A B 平台的神经网络工具箱和北卡罗来纳大学的G A O T 工具箱,建立G A ＧB P 神经网络位移反分析模型.通过M I D A SG T SN X 三维隧道正分析模型㊁正交试验和均匀试验设计方法,构造神经网络的训练样本与测试样本.依据断面实测拱顶沉降和水平收敛值及G A ＧB P 神经网络位移反分析系统,仿真预测出围岩力学参数.最后将参数预测值代入隧道正分析数值模型中计算相应的围岩位移,对比分析位移计算值与实测值,验证了本次位移反分析法的可靠性与正确性,为类似工程提供参价值.关键词:位移反分析;遗传算法;B P 神经网络;正交试验;松散软岩中图分类号:U ４５１＋．２㊀㊀㊀文献标志码:A㊀㊀㊀文章编号:１６７３Ｇ５７８１(２０２０)０５Ｇ０９２０Ｇ０３０㊀引㊀㊀言实际工程中主要通过室内试验和现场原位测试来确定围岩力学参数,若围岩较破碎㊁质软㊁强度低,岩体整体力学性质复杂时,室内试验取样困难,试验结果受样本和环境影响随机性较大,原位试验也只能反映局部岩石的特性,不能整体反映围岩的性质,导致参数分析结果与真实情况存在较大误差,隧道支护参数设计不合理.针对上述问题,利用现场量测数据反分析计算围岩等效参数的方法成为有效的解决手段[１].文辉辉等[２]依托珠藏洞隧道,采用指数函数对监测数据进行回归分析,预测出围岩的最终位移值,利用A N S Y S 建立隧道开挖有限元模型,利用MA T L A B 自带的神经网络工具箱建立B P 神经网络模型,对弹模㊁黏聚力㊁内摩擦角３个参数进行了位移反分析,最终的正分析位移结果与实测值基本一致,反演可靠.王小杰等[３]依托云岭隧道,根据软弱围岩段的围岩量测数据,对隧道围岩参数进行了反分析,证明F L A C 程序与B P 神经网络相结合的反演模式是可行的,根据反分析结果对原勘测资料的参数做出了改进,具有一定的指导意义.张秋彬等[４]采用位移反分析法,借助M I D A SG T S 和B P 神经网络,得出南京地铁４号线某段隧道的围岩力学参数,由于因此段隧道岩体破碎质软,通过试验的方式难以测定,采用反分析法适用性更强.可见,位移反分析法理论已较为完整且成熟,反分析计算精度可满足工程需求,在岩土工程中的应用已经非常广泛,尤其在隧道工程中较普及.因此,本文以湖北省某高铁隧道为例,利用D １K ４７１＋９７５断面的实测数据,用位移反分析方法计算出围岩力学参数,此方法简单有效,得出的参数综合了复杂地质与施工环境的影响,更能反映真实情况,且其数值模拟适用性强,可实现设计与施工间的信息动态反馈.１㊀工程概况本工程为单洞双线高铁隧道,全长７８２７．２７９m ,最大埋深２０９．４m .隧道地处荆山山脉,属构造侵蚀剥蚀低山地貌区,隧址区内地势总体上呈现中间高两侧低的态势,山峦纵横,沟壑交错,地形复杂.主体山势呈北西－南东向延展,地形切割较深,连绵起伏,峰谷相间.区测范围内,最高山峰标高８５８．６m ,地形最低点为隧道起点,最低标高约３８０m ,地形高差约４７８．６m ,地势起伏较大.洞身穿越地层为志留系下统罗惹坪组砂质页岩,呈灰黑色㊁青灰色㊁灰色,泥质结构,页理构造,节理裂隙发育,岩质较软,矿物成分以黏土矿物㊁石英为主,局部含炭质,裂面见黄铁矿.隧道右侧发育区域性断裂大断层,线路平行于该断层前行,间距１００~３００m ,受该断层影响,隧道范围内岩层产状紊乱,节理裂隙发育,岩体挤压破碎严重,局部地段岩体遇水软化严重,呈泥状,开挖后局部易发生小范围滑塌现象,整体稳定性差.隧道所穿山体南侧斜坡上有多条冲沟为干沟,雨时有水,雨过即止.地下水主要类型有第四系孔隙潜水㊁基岩裂隙水,主要为大气降水及地表水补给.全隧预测正常涌水量９３９５m ３/d ,最大涌水量１８７９０m ３/d.２㊀基于G A －B P 神经网络的围岩力学参数反演通过位移反分析法理论及其实现方法,采用B P 神经网络对围岩的弹性模量㊁黏聚力㊁内摩擦角三个力学参数进行反演,并用遗传算法优化B P 神经网络的初始权值和阈值,建立三维０２９D IJI Y U JI C H U㊀«工程与建设»㊀２０２０年第３４卷第６期９２１㊀隧道正分析模型,基于正交试验[１－４]与均匀试验设计原理构造神经网络的训练样本与测试样本,借助M A T L A B 的神经网络工具箱和载入的G A O T 工具箱反分析计算得到围岩力学参数.２．１㊀数值模型基于当前的围岩量测数据和施工情况,本模型以距掌子面１８m 的D １K ４７１＋９７５断面为研究对象,模型沿Y 轴方向,即隧道的纵向长度取３０m .由于岩土工程的特殊性,数值模型的边界尺寸不可能取无限大,边界效应造成的误差能满足工程需求即可.根据圣维南原理[１０],隧道开挖的影响范围为洞室开挖宽度的３~５倍,因此,模型沿X 轴方向,隧道左㊁右洞壁两边各取６０m ;Z 轴方向,洞底往下取５０m ,洞顶往上取５０m ,此段隧道埋深１５０m ,其余１００m 按土体自重折算成均布荷载的形式加载在模型顶部.模型如图１所示.图１㊀隧道网格模型围岩采用实体单元模拟,计算本构为摩尔Ｇ库仑准则;喷混采用板单元模拟,本构为弹性准则.本次模拟开挖长度为２７m ,施工方法为三台阶法,并未挖透㊁未进行预加固,上台阶长度为６m ,中台阶长度为１５m ,下台阶长度为６m ,开挖进尺为一榀钢架的距离即０．６m .根据围岩的量测资料及施工进度,选取D １K ４７１＋９７５(Y ＝９m 处)断面为研究对象.该断面从开挖起到第３０d 时,下台阶还未开挖,上㊁中台阶的初支已完成,此时的拱顶沉降值为０．０９m ,中台阶的水平收敛值为０．３０８３m ,监测点如图２所示.图２㊀监测点示意图２．２㊀计算参数此段围岩为Ⅴ级,采用Ⅴc 型复合式衬砌,初支参数见表１,钢拱架的支护作用通过刚度等效到喷混中[５],忽略钢筋网的作用,锚杆的作用等效到围岩参数中,计算参数见表２.表１㊀初期支护参数衬砌类型喷射混凝土位置厚度/c m 锚杆长度/m 间距/(mˑm )钢架位置规格钢筋网间距/(c mˑc m )V a 拱墙仰拱２８２８４．０１．２ˑ１．０全环I ２０b ２０ˑ２０V b 拱墙仰拱２８２８４．０１．２ˑ１．０全环I ２０b ２０ˑ２０V c拱墙仰拱２９２９４．０１．０ˑ１．０全环I ２２a２０ˑ２０表２㊀材料计算参数表材料E /G P a 泊松比容重/(k N /m３)黏聚力/M P a 内摩擦角/(ʎ)围岩０．５~１．１０．３９２６．５０．１７~０．２３２４~３０喷混３０．４０．２０２３．０－－２．３㊀构造网络样本将每个因素划分为４个水平,选用L １６(４５)正交设计表构造参数方案(表３);将每个因素划分为５个水平,选用U ５(５４)均匀试验设计表构造参数方案(表５).将其代入M I D A S 模型计算位移值,得出网络训练样本见表４,检测样本如表６.表３㊀正交试验因素水平划分表编号E /G P a C /M P a ϕ/(ʎ)１０．５０．１７２４２０．７０．１９２６３０．９０．２１２８４１．１０．２３３０２．４㊀训练与仿真B P 神经网络参数:输入层节点数为２,隐含层为１层,节点数为１０,输出层节点数为３,学习速率为０．０１,训练误差为０．０００１,训练函数为t r a i n l m ,隐含层传递函数为t a n s i g (x ),输出层传递函数为P u r e l i n .１２９D IJI Y U JI C H U９２２㊀«工程与建设»㊀２０２０年第３４卷第５期表４㊀神经网络训练样本表编号E /G P a C /M P a ϕ/(ʎ)拱顶沉降/m水平收敛/m１０．５０．１７２４０．１２７７７９０．８２３５９６２０．５０．１９２６０．１０９５２２０．５１９９５９３０．５０．２１２８０．０９７５９２０．３５６０５５４０．５０．２３３００．０８８１２１０．２３３５８０５０．７０．１７２６０．０８３０６５０．４６５３８０６０．７０．１９２４０．０９１３２７０．５４７２３３７０．７０．２１３００．０６４０９５０．１８７２６６８０．７０．２３２８０．０６６９７７０．２１６７９６９０．９０．１７２８０．０５９６６５０．２７８４１８１００．９０．１９３００．０５１６３４０．１７１０１５１１０．９０．２１２４０．０６３６１８０．３１９９１０１２０．９０．２３２６０．０５７８６８０．２２８３５３１３１．１０．１７３００．０４４５３６０．１６８３４３１４１．１０．１９２８０．０４６８６００．１９２１４２１５１．１０．２１２６０．０４９７１３０．２１９８８９１６１．１０．２３２４０．０５１３０２０．２３１８９０㊀㊀遗传算法参数:交叉概率为０．９,变异概率为０．００５,种群规模为１００,遗传代数为２００,染色体采用浮点编码.网络训练１１次后已达到精度要求;遗传算法部分,在１５０代后进入平稳阶段.对G A ＧB P 神经网络进行测试,检查神经网络的仿真情况,预测结果及误差见表７.表５㊀均匀试验因素水平划分表编号E /G P a C /M P a ϕ/(ʎ)１０．５００．１７０２４．０２０．６５０．１８５２５．５３０．８００．２００２７．０４０．９５０．２１５２８．５５１．１００．２３０３０．０表６㊀神经网络测试样本表编号E /G P a C /M P a ϕ/(ʎ)拱顶沉降/m水平收敛/m１０．５００．１８５２７．００．１０６６９３０．４８５６９９２０．６５０．２１５２４．００．０８９３１２０．４３７３３６３０．８００．１７０２８．５０．０６２３２３０．２５９９５５４０．９５０．２００２５．５０．０５９３９００．２８３５５１５１．１００．２３０３０．００．０４１００７０．１０８７９７表７㊀结果对比及误差E /G P a真实值预测值误差％C /M P a真实值预测值误差％ϕ/(ʎ)真实值预测值误差％０．５００．４８５２．９１０．１８５０．１９０２２．８０２７．０２６．９１０．３４０．６５０．６５２０．２８０．２１５０．１８８０１２．５８２４．０２６．１６９．０１０．８００．８７０８．７２０．１７００．２０５０２０．６０２８．５２７．０５５．０７０．９５０．９３１１．９５０．２０００．１９８７０．６４２５．５２６．４２３．６２１．１０１．０３４５．９８０．２３００．２１０５８．５０３０．０２８．１９６．０３表８㊀现场实测值与反分析数值计结果对比项目实测值/m 围岩参数反分析值E /G p a C /M P a ϕ/(ʎ)计算值/m 误差％拱顶沉降水平收敛０．０９０．３０８３０．５２３０．２１３３２８．４９０．０９０９９０．３１２１６１．１０１．２５２．５㊀反分析结果将D １K ４７１＋９７５断面的拱顶沉降值和水平收敛值作为输入量,网络输出值即为围岩参数,将得到的力学参数预测值代入G T SN X 模型中正演分析,提取计算位移值与现场实测值对比,结果如表８所示.３㊀结㊀㊀论从反分析结果可知,D １K ４７１＋９７５断面的拱顶沉降实测值与数值计算值误差为１．１０％,水平收敛实测值与数值计算值的误差为１．２５％,两者误差基本相当,说明本次围岩参数位移反分析的结果是可靠的,符合工程现场实际情况,反演参数可用于预测后续隧道施工的围岩位移,为施工方法和支护参数的优化提供一定的理论依据和参考价值.参考文献[１]㊀刘靖．小仟隧道围岩参数智能反分析及施工应用研究[D ]．北京:北京交通大学,２０１８．[２]㊀文辉辉,尹健民,秦志光,等．B P 神经网络在隧道围岩力学参数反演中的应用[J ]．长江科学院院报,２０１３,３０(２):４７－５１,５６．[３]㊀王小杰,张世飙,陈勇,等．云岭隧道围岩物理力学参数正演反分析[J ]．华中科技大学学报(城市科学版),２００７,２４(２):７８－８０．[４]㊀张秋彬,李俊才,徐建鹏．破碎软岩隧道围岩参数反演分析[J ]．公路,２０１９,６４(１２):２９３－２９７．[５]㊀赵俊杰,贾斌,张东,等．基于B P 神经网络的阿拉套山隧道围岩物理力学参数反演分析[J ]．隧道建设(中英文),２０１９,３９(z １):２２０－２２６．[６]㊀周建春,魏琴,刘光栋．采用B P 神经网络反演隧道围岩力学参数[J ]．岩石力学与工程学报,２００４,２３(６):９４１－９４５．[７]㊀国家铁路局．铁路隧道设计规范:T B１０００３－２０１６[S ]．北京:中国铁道出版社,２０１７．[８]㊀张德丰．MA T L A B 神经网络编程[M ]．北京:化学工业出版社,２０１１．[９]郁磊,史峰,王辉,等．MA T L A B 智能算法３０个案例分析[M ]．２版．北京:北京航空航天大学出版社,２０１５．[１０]㊀刘光明．软弱破碎围岩隧道大变形机理及控制措施研究[D ]．长沙:中南大学,２０１２．２２９。

基于BP神经网络的深部巷道围岩力学参数反分析

基于BP神经网络的深部巷道围岩力学参数反分析
李坤铎
【期刊名称】《湖北工业大学学报》
【年(卷),期】2024(39)2
【摘要】基于BP神经网络算法原理,借助matlabR2021b神经网络工具箱建立深部巷道围岩力学参数位移反分析模型,利用正交试验和Flac 3D数值模拟软件建立
神经网络的学习训练样本,对深部巷道的四个围岩力学参数粘聚力C、内摩擦角φ、泊松比ν、弹性模量E进行反演计算。

结果表明:将参数反演结果代入Flac 3D有
限元数值模拟软件,计算出的巷道拱顶沉降和两帮收敛值与实际监测值相比非常接近,相对误差小、精度高。

通过这种方法获取的围岩力学参数是有价值的,可以较为
精确地获取深部巷道的围岩力学参数,从而为深部巷道的稳定性分析及巷道支护设
计提供科学依据。

【总页数】5页(P116-120)
【作者】李坤铎
【作者单位】湖北工业大学土木建筑与环境学院
【正文语种】中文
【中图分类】TQ320.6
【相关文献】
1.基于BP神经网络的隧道围岩力学参数反分析方法
2.基于BP网络的采矿巷道围
岩力学参数反分析3.基于BP网络的深部软岩巷道围岩力学参数反演研究4.化学腐
蚀对巷道围岩的影响与安全控制——评《化学腐蚀下深部巷道围岩力学响应与安全控制》
因版权原因，仅展示原文概要，查看原文内容请购买。