BP神经网络在隧道工法设计中的应用
基于BP神经网络的公路隧道交通量预测
输入 期望输出 进行预测
输入
预测值
480
430
514
492
505
486
539
430
514
492
505
486
539
511
514
492
505
486
539
511
552
492
505
486
539
511
552
566
552
621
566
621
输入 期望输出 进行预测
表 3 9: 00- 10: 00 交通量样本 单位: 辆
二、基于 BP 神经网络的交通量预测系统的结构原理
交通量是社会、经济、政治、技术发展对交通需求的具体反应, 无论采用何种预测方法, 首先考虑的是与
交通量生成的交通需求因子的选者。Kolm ogo rov 等人从理论上证明了三层网络模型对于非线性系统有较
好的建模能力, 任一连续函数或者映射都可以由一个三层神经网络实现, 所以本次设计的 BP 神经网络采用 三层网络结构, 即一个输入层, 一个隐含层, 一个
Abstract: Accurat e short -t erm for ecast ing t o t he vo lum e of tr af f ic of t he highw ay tunnel, can make t he t unnel vent ilating syst em obt ain go od contr olling result , and the goo d t unnel v ent il at ing sy st em of co nt rol can make t he harm ful gas in t he t unnel discharg e in t ime. T here ar e import ant meanings in prot ect ing t he personal securit y and reducing t he operat ion co st o f the t unnel.
BP神经网络与模糊控制在隧道施工中的预测与应用
文 。 李怀 国 （ 贵州省 交通规划勘察设计研 究院 贵 阳）
函
工 进 度的 需 要 ，为 隧 道 的施 工 提供 准 确 可 靠 的地 质 资料 ；Ｏ 位移 监 测 ，包括 周 边 ３ 收 敛和 拱 顶 下沉 位 移 监 测 ，拱 顶 下沉 测 线 布 置 ，测 线 布 置和 数 量 与地 质 条件 、开 挖 方 法 、位 移 速度 有 关 。 根据 设 计 文件 提 供 的 信 息 ，确 定采 用 下 图所 示 测 线布 置 。 项 糊 控 制 技 术 对 隧 道 的 掘 进 过 程 进 行 施 工 控 目开 展后 再 依情 况 调 整 。 周边 收 敛一 般 地 制 。 通 过 对 比 ， 发 现 用 本 文 的 方 法 进 行 预 段应 采用 ２～３条测 线 ，但拱脚 处必须 有一 测 与 实际 情 况 基本 吻合 ，研 究成 果 为 隧道 条 水 平 测 线 。若 位 移 值 较 大 或 偏 压 显 著 ， 掘 进过 程 中的施 工控 制 和 预测 预 报提 供 了 可 同时 进 行 绝 对 位移 量测 。 新 的 思路 。 四 、隧 道 施 工 前 期 的 数据 分析 关键 词 ：隧道 ；拱 顶 下沉 ；１Ｐ神 经 网 ３ 根 据 现场 施 工 条件 及 地 质 条件 ，该 工 络 ； 模 糊 逻 辑 控 制 程 采 用新 奥 法施 工 ，对 地 质条 件 复杂 、稳 引 言 定 性极 差 的 岩 层地 段 进 行重 点监 测 ，选 择 Ｂ Ｐ 神 经 网络 是 使用 最 为广 泛 的人 工 此 范 围 内的 断 面 ｚ Ｋ ２ ＋ ８ ３ ０ 、 ｌ ６ ６＋８ ４０、 ＺＫ ２１ ６＋８ ５０、 ＺＫ２１ ＋８６ ６ ０、 神 经 网络 之一 ，它具 有 较 强的 非 线性 动 态 ＺＫ２ｌ 处 理能 力 ，无 需 知道 变 形 与 力学 参数 之 间 Ｚ Ｋ ２ １６＋ ８ ７ ０ 重 点进 行 研 究 。断 面 的 关 系 ，可 实现 高 度非 线性 映 射 ，其较 强 Ｚ １ ＋ Ｋ２ ６ ８ ０处拱顶下沉 的时 间曲线 比较典 ３ 的 学 习 、存储 和 计算 能 力 ，特 别 是 较强 的 型 ，拱 顶 测 点随 着 时 间 的增 长 ，累计 拱 顶 容 错 特 性 ，适 用 于 从 实 例 样 本 中提 取 特 下 沉量 逐 渐 增大 （ 顶 向下 沉 降位 移 值 小 拱 征 ，获 取 知识 ，从而 较 好 地表 达 位移 和 力 干 零 ，本 文 将神 经 网 络 与模 糊控 制 器 技 术 学 参数 间 的隐 式非 线 性 映射 关 系 ，人工 神 结 合起 来 ，通过 模 拟 训 练 ，得 到 理想 的 神 经 网络 近 年来 在土 建 方 面应 用 较 多 ，其 主 经 网络 参 数 和模 糊 逻辑 准则 ，然 后用 于 位 要优 点 是 无须 建 立输 入 值 与输 出值 之 间 具 移 预 测 和 施 工监 控 。 体 的数 学 力学 关 系式 ，只 需通 过 对 样本 值 五 、神 经 网 络 计 算 原 理 的 训练 和 学 习得 到 网络 的 最佳 连接 权 值 和 ＢＰ 神 经 网络 模型是 当前应 用最广 泛 闽值 ，并 通过 新 的样 本 值对 上 述模 型进 行 也 是发 展 最 成熟 的 一 种 网络 模 型 ，通 常 由 检验 ，若 检验 合格 ，便 成 功得 到 了 预期 的 输 入 层 、输 出 层和 隐 含 层构 成 。 层与 层 之 人 工神 经 网络 模 型 ，并 可 以用 来 进行 下 一 间 的神 经 采 用全 互 连 的连 接 方式 ，通 过 相 步 的 预测 预 报 。 应 的网络 权 系数 ｗ 相互 联 系，每 层内 的神 二 、工 程 概 况 经 元之 问没 有连 接 。 网 络结 点 作 用 函数 有 全长 ５９公里的攀 田高速 公路 ，北接 西 很 多 ，本文 采 用较 常用 的 Ｓ 型逻 辑非 线性 昌至 攀 枝 花 高 速 公路 ，南 接 云 南 省 永 仁 函数 。 （ 川滇界 ）至 元谋高 速公 路 ，被誉 为 “ 南方 通 过训 练 和 学 习 ， 可确 定 网络 的 连接 丝 绸 之路 ”贸 易通 道 ，为 交 通部 规 划 的 ８ 权 值和 阈 值 等参 数 ，这样 ，也 就 确定 了输 条西 部 大通 道 之一 的 甘肃 兰州 至 云 南 入 向量 与输 出 向量 的映 射 关 系 然后 ，将 磨憨 口岸 公路 的核心路段 ，总投资 ２ ８亿 新 的输 入 输 出样 本 值代 入 上述 神 经 网络 ６． 元人民币 。其中全长 ２ ８米的望江 岭隧道 模 型进 行 验证 。验 证 合格 的 神 经 网络 模 型 ８４ 洞身 最大埋 深约 ３ ，为 全线 最长 的一 即 为 所 需 。 ０ｍ ２ 条 隧 道 ，是 四 川 与 云 南 接 壤 处 的 最 大 隧 六 、控 制 器 的 实 时 控 制 道 ，该 隧道 下穿 ｌ ８国道 ，全线 范 围内地 ０ 人 工神 经 网 络 与模 糊 控制 理 论 的结 合 质 条件 极其 复 杂 ：软 质 岩受 地 质 卸荷 影 响 延 伸 了传 统 模糊 控 制理 论 和 神 经 网络 技术 较重 、陡倾 状 裂 隙岩 体破 碎 、岩 层稳 定 性 的 功能 ，使 得模 糊 控 制理 论 的应 用 范 围得 极差 等 复 杂的 地 质地 貌特 征 ，施 工难 度 最 到 拓展 ，本 文应 用 模糊 逻 辑 控制 理 论 进行 为艰 巨 ，被列 入重 点 控制 性 工 程进 行 科技 实 际隧 道 工程 的 施 工控 制 。 将总 位 移 值 和 攻关。 位移 变化 量 （ 后 两次 总位 移差 值 ） 为输 前 作 三 、 隧道 施 工 过 程 中 的监 测 项 目 入 变量 ，通过 模 糊 控制 器可 推得 相 应 的施 隧道 掘 进过 程 中 的监 测项 目主 要有 以 工控 制 方案 ，从 而 达 到控 制 隧洞 变 形 的 目 下几 项 ：Ｃ ｌ隧道 初 期 支护 背后 回填质 量 的 。隶 属 度 函数 的 确定 是 模 糊控 制 器 处理 监 测 ，针对 Ｉ 、Ｉ Ｉ类围岩的 初期 支护背后 问题的关键步骤 ，本文采用 ＭＡＴＬＡＢ６．１ Ｉ Ｉ 回填 质量 ，采 用地 质 雷达 技 术 按三 条纵 线 模糊 逻 辑 工具 箱 提 供的 中间 对称 型 隶 属度 进行 背后 空 洞情 况 检 测 ， 同时 采用 该 技 术 函 数 ： 按每 ５ ｍ 一 个断面 （ ０ 布置 ７个 点 ）检测 喷 射 混凝 土 厚度 及其 背 后空 洞情 况 ；ｏ 按 ２ ｕ （ Ｉｋ ｌ ａ 。，ｂ （＞ ， ＞ 为正 照施 工设 计 条 件和 国 家及 交通 部 现 行 的物 探 、勘查 等 技 术标 准 、规 范 进 行地 质超 前 偶数 ） （） ７ 预 报 工作 ，探 明隧 道 掌子 面 前 方是 否有 断 本 文以 大 量的 隧 道 监测 资 料 和施 工 经 层、 暗河及煤 层等不 良地 质 ，满 足隧道施 验 为依 据 ，并 重 点 总结 了隧 道前 期 的监 测
改进的BP神经网络在隧道岩爆预测中的应用
岩 石质 量 的优劣 直接 影 响着岩 体 的变形 特性 和
ｍｏ ｅ ｉ ｅｔｂｉｈ ｄ Ｔ ｋｎ ｔ ｅ ｅ ｉｔ ｇ ｒｃ ｂ ｒｔ ｄ ｔ ａ ｔａｎｎ ｓ ｔｈ． ｔｅ ｉｔｎ ｉ ｏ ｒ ｃ ｄ ｌ ｓ ｓａ ｌ ｅ ． ａ ｉ ｇ ｈ ｘｓｉ ｏ ｋ ｕ ｓ ｓ ｎ ａａ ｓ ｒｉ ｉｇ ｗａｃ ｈ ｎｅ ｓｔ ｆ ｏ ｋ ｙ
通过对 国 内外 曾经 发生 岩爆 的一些工 程概 况 的
脉 、断层 以及 岩层 的突变 等等 。特别 是 向斜 的轴 部
岩 层 存 在 较 大 的地 应 力 ，聚积 有 大 量 的弹 性 变 形
￣
Ｓ Ｒ Ｎ Ａ Ｄ Ｏ Ｐ Ｔ ＤＲ
， ｌ（ ２４ ｌ） ２ ０№ ｌ／ ６ ０ ２
体 破坏 时转 化为较 大 的动能 ，使其 弹射 、抛 出形成 岩 爆 ；反之 ，在岩 性复 杂的破 碎岩层 ，构 造变 动强 烈 ，构造 影 响严 重 ，接 触 和挤 压 破 碎带 、风 化 带 ，
的人工 神经 网络 方法 正适 合解决 此类 问题 ，它不 要
求 岩爆 与各影 响 因素 间有 明确 的函数关 系 ，可作 为 预测 岩爆 的一条 有效 的研究 途径 。采用 改进 的人工 神 经 网络方 法预 测 岩爆 的关键 在 于 。选 取 必要 的 、 容易确定 的影 响岩爆 的主要 因素 。进行 正确 的预测 。
岩 爆是指 在 高地应力 地 区洞室 开挖后 ，由于洞
室 围岩 的应力 重分 布和应 力集 中 ，储存 于 岩体 的弹 性 应变 能突然 释放 ，由此 产生爆 裂松脱 、剥 落 、弹
MATLAB与BP神经网络技术在隧道工程中的应用研究
（ 河南省博 爱县 交通局 ，河南 博 爱 ４ ４ ５ １ ５４ ０；２ ．西南交通 大学 土木 学院 ，四川 成都 ６ ０３ ； １０ １
３ ．河 南省 焦 作 市 房 产 管 理 局 ，河 南 焦 作 ４４ ０ ） ５ ００
摘
要 ：隧道岩 土是一 个复杂 的综合 系统 ，各 种参 数具 有很 大的不确 定性 ，这给 我
句就可完 成编 程工作 ．
２ 基 本 原 理
Ｂ Ｐ神 经网络 由输人节 点 、输 出节点 、一层 或 多 层 隐含 节 点 组成 ．网络 学 习 的指 导思 想 是对 网络 的 权值 （ ｔ）和阀值 ０ Ｗ 进行 修正 ，使误 差 函数 Ｅ沿 梯 度下 降．Ｂ Ｐ神经 网络三层 节点 表示 为 ：输 不 十分 明确 ，而且 力 学行 为 十 分 复杂 的系 统 ，整个 系统 的受力 状 态 和 围岩 的
力学特性 不清楚 ，但可 以通过 建立数 学模 型对实 体 的特征 和变化 做一 种抽象 表示 ．数 学模 型不 等 同于实
体系统 ，他只表示和反映实体 中人们感兴趣 的特征 ，但一个好的数学模型可以正确反映出真实系统 的
输人 、输 出和状 态之 间的关 系．
神经网络恰好满足了这些特性． 与经典算法相 比神经 网络并没有优越性 ，但 当常规方法无法解决或 效果不佳时，神经网络就具有了明显 的优越性 ，尤其在对问题的机理和规律不甚 了解或不能用数学公 式表达 的系统 中，神经网络往 往是有 效的 工具 ．神 经 网络可 以通过 对样本 的学 习和分 析来发 现样 本所 蕴 涵的规律 ，借助 Ｍ Ｔ Ａ Ａ Ｌ Ｂ提供的面向专业领域的工具箱 ，可以使用户专注于算法 ，通过几行简单的语
维普资讯
BP神经网络在隧址区初始地应力场计算中的应用
设的成败及运营效益 ， 而地下工程 的稳定性与岩体
的初始应 力状 态 紧 密相 关 。 因此 ， 利 用 的初 始 地 应 力 场是 否可靠 ， 将 直接 影 响 地下 工 程设 计 与施 工 的 可 靠性 与安全 性 。 长期 以来 ， 人们 对 初 始地 应 力 场 的计 算 一 直 在
岩体初始地应力场之间的关系。
１ ． １ Ｂ Ｐ神经 网络输 入与 输 出项 目的确 定
初始地应 力场计算 目的是得 到整个工程 区域
・ ３ ４ ・
徐彦举
Ｂ Ｐ神 经 网络 在 隧址 区初 始地应 力 场计 算 中的应 用
边 界条件究 竟是 多 大是 事先 无 法确 定 的 。如果 将 边 界 条件 的范围选取 的过小或过 大 ， 均会影 响 网络 的精 度 。因此 ， 如何 得 到 与实 际情 况 接 近 的训 练样 本 ， 是
内的地应 力场 分布 情 况 ， 而 现有 的资 料 主要 局 限于
空 间位置 参 数 、 岩体力学参 数 ， 还 有 就 是 实 测 点 的
复杂 的地质 条 件 也 为它 们 的发 展 提 出 了 巨 大 的 挑 战， 特别 是地 下洞 室 的稳 定 与否 将 直 接 影 响工 程 建
应力值 、 埋深等。因此 ， Ｂ Ｐ神经网络就要利用这些
测点的埋深和测点处岩体质量指标 （ Ｒ Ｑ Ｄ ） 两个参 数作为人工神经 网络的输入 ， 测点 的应力分量作为
输出， 以此 来训 练 网络 ［ ３ ］ ， 或 是用测 点 的空 间坐标 作 为输 入 ， 测 点应 力 分 量 作 为输 出［ ４ Ｊ 。这 两 种 方 法 都 有其 片面性 ， 并没 有得 到广泛 运用 。 通过文 献 Ｌ ５ ， 发 现 可 选 取 区域 场 的 边 界 条 件 （ 水平 方 向的构造 运 动 、 水 平 面 内 的剪 切 、 垂直面 内
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 Ｂ Ｐ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３ ４卷 第 ４期
・
３４ ・ ６
２００ ８年 ２月
山 西 建 筑
Ｓ ＨＡＮＸＩ ＡＲＣＨＩ ＴＥ（ ｒ ｖ ＿ ＵＲＥ
Ｖ０ ＿４ Ｎｏ． Ｉ３ ４ Ｆ ｂ． ２ ０ ｅ ０８
文章编号 ：０ ９６ ２ （０ ８ ０ ３４０ １０ —８ ５２ ０ ）４０ ６ —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 ， （ ） ｆ ｉ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 Ｂ Ｐ神 经 网络 １ １ 标准 Ｂ ． Ｐ算 法
输 否则转 ３ 。 ） ｓｕｒｄｒ ｒＲ Ｅ） ｑ ａｅｅ ｏ ， ＭＳ 最小 。关于 Ｂ ｒ Ｐ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 。
１ ２ 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。
BP神经网络在隧道工程中的应用研究
关键词
１ 引言
Ｂ Ｐ神 经 网络
泛 化 能 力 隧道 工 程
由于岩土工程 中的时间序列数据 中蕴涵 着系统 的
确 各 节 数 立 络 定层点建网）
初 始 化 连 接 权 值 和 阈 值
Ｔ
演化信息 ，所 以许 多科技工作者希望能从这 些数据 中 找出所蕴涵的规律 。同时也希望利用 已知 的数据来预 测未来的动态 ，于是 Ｂ Ｐ神 经网络作 为少信 息建模 的 有效工具 被广泛应用 。但是 网络对学习样本 的泛化能 力提高往往被忽视 ，甚 至有 的单纯把对 已知样本 的拟 合程度作 为评定 网络优 劣的标准 ，这是没有 认真考虑 岩土工程特性 的结果 。泛化能力是指训练过 的神经 网 络对测试样本或 工作样本做 出正确反 映的能力 ，或推 广能力…。在 Ｂ Ｐ神经 网络 中，当网络 的训 练误差 很 小的时候 ，一个带有噪音 的输入可 以使得 网络的训练 误 差大大增加 ，便是 由于神经 网络记忆 了已被训练 的 样 本的无 关本质 的冗余信息 ，对新的输入 没有 良好的 泛化能力造成 的。由于隧道 围岩 一 支护 系统 具备钱学 森概括的开放 的复杂巨系统 的四个特 征 ，属 于地理建 设和国防建设 中的一种 复杂 巨系统 。复杂 巨系统 的子 系统众 多 ，因此产生 的噪音也就多 。一个泛 化能力不 好 的网络 受 噪音 的影 响就 大 ，如果 对 噪音 也 进行 学 习 ，神经 网络 的实用性会大大降低 。因此在 隧道工程 中应用时提高 网络 的泛 化能力 ，即网络学 习时不盲 目 追求对 已知 样本 （ 括 系统输 出和 噪音 影响 ） 的精 包 确拟合并进行滤 波处理是非 常重要 的。
摘 要 隧道 工程是一 个本构 关系十分复杂 的系统 ，而神经 网络 系统正是处理复杂 系统的一种 比 较有效的工具 。通过对 多层神经 网络的运行机制和 隧道工程特点的分析 ，认为 由于在岩土工程 中样本 的影响 因素众 多，样本 的噪音不可避免 ，带噪音的样本会严重影响神经 网络泛化能力 ，因此在应 用时 必须提 高神 经网络 的泛化能 力。着重从神经 网络结构和 网络训练方面探 讨 了隧道工程 中提 高网络泛化
遗传算法BP神经网络在隧洞围岩分类中的应用
关 键 词 ： 工 神经 网络 ， 人 围岩 ， 类 分
中图分类号 ： Ｐ ８ Ｔ １３
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． ｏａ ｄ ． Ｈ ｌｎ 教授提 出的ｌ 。Ｇ ｌ ２ Ａ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 １０ ０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
隧道施工中BP神经网络预测应用
隧道施工中BP神经网络预测应用1引言人工神经网络[1]（Artificial Neural Network，缩写ANN），简称神经网络（Neural Network，缩写NN），从上世纪80年代末开始，就一直广受学者的关注。
人工神经网络是一种应用类似于人类大脑神经突触联接的结构进行信息处理的数学模型。
具有类似人脑的复杂思维方式，同时兼具联想、推理和记忆的功能，是目前用以解决部分复杂问题的有力工具，可以弥补传统方法的不足。
尤其是在缺乏工程资料和影响因素不确定的情况下，将人工神经网络应用于工程变形预测中，实用性是比较明显的。
2 BP神经网络技术在人工神经网络的发展中，Romelhart和Meclelland提出误差反向传播算法[2]（Error Back Propagation Algorithm，简称BP算法）。
由于多层前馈网络的训练经常采用误差反向传播算法，故常把多层前馈网络称为BP网络。
BP神经网络能够通过对现有样本的学习、记忆，提炼出样本输入、输出之间复杂的非线性关系，从而能够对未知情况进行预测。
特别适合应用在参数变量和目标函数之间没有确定表达式的复杂工程问题中。
该方法一直是隧道工程领域预测位移沉降的有力手段。
BP神经网络的主要特点，突出表现在其网络具有大规模并行处理和信息分布式存储能力，具有容错性和鲁棒性，同时具备很强的自学能力和较强的非线性动态处理能力。
BP算法的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。
正向传播时，输入样本从输入层传入，经各隐含层逐层处理后，传向输出层。
若输出层的实际输出与期望的输出不符，则转入误差的反向传播阶段。
误差反向传播是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号作为修正各单元权值的依据。
信号正向传播与误差反向传播的各层权值调整过程，是周而复始进行的。
此过程一直进行到网络输出的误差减少到可接受的程度，或进行到预先设定的学习次数为止。
特大断面隧道开挖中拱顶沉降的BP神经网络预测
图１ Ｂ Ｐ神 经 网 络 结 构 图
模 糊分析 的能力解决 了诸 多基于 目标决 策 、模 式 识别、 函数模 型构 建的问题 ｌ ４ ｌ 。特别 是 Ｂ Ｐ神经 网 络， 具有前 向和反馈 的能力 ， 结果精度得 到了进一 步提高 ， 在 诸 多 领 域 得 到 了应 用 ［ ５ ＿ ７ 】 。本文将 Ｂ Ｐ神 经 网络方法 用到牛寨 山隧道拱顶 沉降 预测 中 ， 并 采 用分析 一 验证 的步骤首先确定其可靠性 ，然后 再 用 于 工 程 问题 分 析 ，从 而 保 证 了结 果 的 科 学 性
中图分 类 号 ： Ｕ４ ５ ５ 文 献 标 志 码 ：Ａ 文 章编 号 ： １ ０ ０ ９ — ７ ７ １ ６ （ ２ ０ １ ５ ） ０ １ — ０ １ ４ ５ — ０ ６
０ 引 言
特 大 断 面 隧 道建 设 中 ， 为 了增 加 隧 道 空 间 的利 用率 ， 一 般 设 计 较 小 的扁 平 率 ， 由此 会 导 致 隧 道 顶 部 岩 体 松 动 范 围增 加 ， 松弛应力增 大 ， 围 岩 自稳 能 力下 降 ， 拱 顶严 重沉 降 ， 拱脚 等部位应 力集 中 ， 隧 道 的安 全 系数 减 ｄ ， ｔ ， ｌ 。
示。
１ 基 本 原 理
Ｂ Ｐ神 经 网 络一 般 由输 入 层 、隐 藏 层 和 输 出 层
收稿 日期 ： ２ ０ １ ４ — １ １ － ｏ ６ 作者简 介 ： 刘旭东 （ １ ９ ７ ５ 一） ， 男， 陕西宜川人 ， 工程师 。 注册 一级 建造师 ， 从 事道路 桥梁隧道工 程施工 管理工作 。
利用BP神经网络预测隧道周边位移
利用BP神经网络预测隧道周边位移摘要：介绍了利用神经网络技术的基本原理；并以隧道周边位移为例，说明应用matlab实现bp神经网络的预测。
abstract: this paper introduces the basic principles of using neural network technology and illustrates to realize the prediction of bp neural network by using matlab, taking tunnel border displacement for example.关键词：神经网络；matlab；预测key words: neural network；matlab；prediction0 引言隧道岩土是一个复杂的综合系统，各种参数具有很大的不确定性，这给我们判定其工程性质和参数带来了困难。
bp神经网络则是处理复杂系统的有效工具，它具有广泛的适用性，不但能较好地拟合已知数据，而且还具有良好的预测功能。
借助matlab的实用工具箱，用户可以不再考虑复杂的编程过程而更专注于算法。
以下将通过具体例子介绍基于matlab的bp神经网络在隧道工程等差时间序列的数据处理和预报中的应用。
1 bp神经网络技术前馈反向传播网络（back-propagation-network，简称bp网络）是目前应用最广泛的神经网络模型之一。
在人工神经网络的实际应用中，80%～90%的人工神经网络模型都是采用bp网络或它的变化形式。
它也是前向网络的核心部分，并且是人工神经网络最精华的部分。
如今，网络在模式识别、图像处理与分析、控制等领域有着广泛的应用。
从结构上讲，bp网络是一种分层型的典型多层网络。
具有输入层、隐含层和输出层，层与层之间多采用全连接的方式。
同一层单元之间不存在相互连接。
图1给出了一个典型的3层bp神经网络结构。
bp网络可被看成是一个从输入到输出的高度非线性映射，即f:rm →rn，y=f（x）。
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。
BP神经网络在隧道稳定性分析中的应用
隐含 层
围岩接触带 、 断层带
５ ０
砂砾岩、 砾岩
３ ０
分值
图 １ 神经网络模型
隧道服务年 限
分值 地下水 分值
主线
３ ０ 纸房沟下部 ２ ０
车、 人行横洞
３ ０ 纸房沟周边 １ ０
标准 Ｂ Ｐ算法是一种误差 反 向传播法 ， 建立 在梯度 下 降的基 础上 ， 其主要 算法过程 如下 Ｌ ： １ ］ １给定误差 ｅ ， ） ＞０ 学习速率 叩 ， ＞０ 选定初始权值 ￣ｋ Ｔ； ． Ｕ ２ 计算 网络输 出 ， ） 若所有模 式 目标输 出与 网络实际输 出之差 小于 ｅ则结束 ； ，
４ 节 理产状 ： ） 造成 大面积 隧道垮 冒的地 区 ， 一般 为断层及 节 由输入层 、 隐含层 和输 出层组成 ， 图 １ 如 所示 。其最大 特点是仅 理裂隙发育地段 。特别 是地 下水受 开采扰 动后 改变 了作用力 的 借助于样 本数 据 ， 就可 以实现 由 Ｒ 空 间 （ 为 输入层节 点数 ） 到 分布 ， 且地下水 的流动 冲刷 软 弱夹层 和断层 破碎带 ， 降低 了断 层
Ｂ Ｐ神 经 网络在 隧道 稳 定 性 分 析 中 的应 用
王灿 刚 张 云
摘 要： 结合工程概况 ， 绍 了Ｂ 介 Ｐ神经网络的基本 原理 ， 通过调 查分析 ， 出影响 隧道稳定 性 的因素， 出支护 方案和 找 提
支护形式的选择， 并利用 Ｂ Ｐ神经 网络预测漫川关隧道 的稳定 性及支 护等级 ， 以推广 Ｂ Ｐ神经 网络 的应用。 关键词 ： 神经 网络 ， 隧道 ， 稳定性 ， 应用
中 图分 类 号 ： Ｐ ８ Ｔ １３ 文献标识码 ： Ａ
近年来在隧道支 护 中， 普遍采 用 喷锚支 护相结 合 的原则 ， 虽 主要 因素有 以下几 个方 面 ： 然效果 良好 ， 但是在对 于特殊 地质段 ， 喷锚 支护就显示 出其 不足 ，
BP神经网络在隧道围岩稳定性分类中的应用
－０ ２ ． ００ ０ 】 ０００ ．０ 一Ｏ ２ ８ ６ ． ２ Ｏ ５ ４３ ． １ — ９ ５７ ０． ８ Ｏ ５ １４ ． ７ ０ ６ ７１ ， ５ －０ ９ ５ ７ ． ６
－ ９１ ０． ４ ３
— ５ ８６ ０． ４ １ ０ ００ ．０ － ６ ７５ ０． ８ — ２ ６１ ０． ８ － ９ ７５ ０． ８ 一 ３ ９７ Ｏ． ５ － ２ ８】 ０． ６ 一１ ０ ０ ０ ．０
Ｏ １ Ｏ Ｏ Ｏ Ｏ Ｏ ０
Ｏ
０ Ｏ Ｏ １ ０ １ １ Ｏ
Ｏ
１ ０ １ ０ Ｏ ０ Ｏ ０
Ｏ
Ｏ ０ ０ ０ ０ ０ Ｏ ８ ２７
Ｏ
Ｏ
Ｏ
Ｏ
ｌ
３ ４ 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
０ Ｏ Ｏ
０
－０ ８ ６ ４ ２ 一 ８ ６４ Ｏ． ２ —０． ６¨ １
一 ８１ Ｏ． ２ ５
—０． ５ ８ ５５ － ８ ７３ ０． ４ －０ ８ ０ １ ． ８
—０． ５ ７ ７０
５ ６ ７ ８ ９ １ ０ １ １ １ ２
中图 分 类 号 ： Ｕ ５ Ｔ ４７
文献 标 识 码 ： Ｂ
Ｂ Ｐ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 １６ ２ ） ０ １ １ 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TBM掘进效率预测
基于BP神经网络的TBM掘进效率预测基于BP神经网络的TBM掘进效率预测摘要：TBM（隧道掘进机）是一种用于地下隧道建设的机械设备，其掘进效率对于隧道工程的进展和成本控制至关重要。
本文基于BP神经网络，针对TBM掘进效率进行预测建模，以提高隧道建设的效率和质量。
一、引言地下隧道建设是现代城市建设不可或缺的一部分，隧道工程的进展和成本控制对于城市基础设施建设的顺利进行具有重要意义。
而TBM作为一种先进的隧道掘进机械设备，其掘进效率对于隧道工程的进度和成本有着直接的影响。
因此，提高TBM掘进效率成为了隧道施工过程中的一项重要任务。
二、BP神经网络BP神经网络是一种常用的人工神经网络算法。
它由输入层、隐藏层和输出层构成，通过不断调整权值和阈值来实现对样本数据的学习和预测。
BP神经网络具有非线性映射能力、自适应学习能力和泛化能力强等优点，适用于复杂的数据建模和预测问题。
三、TBM掘进效率的影响因素TBM掘进效率受到多个因素的影响，包括土体物理特性、岩层结构、机械设备参数、施工工艺等。
通过对这些影响因素进行深入分析和研究，可以建立相应的预测模型，帮助提高掘进效率。
四、基于BP神经网络的TBM掘进效率预测模型建立1. 数据采集：收集与TBM掘进效率相关的数据，包括土体物理特性、岩层结构、机械设备参数和施工工艺等信息。
2. 数据预处理：对采集到的数据进行筛选、清洗和归一化处理，保证数据的准确性和一致性。
3. 网络结构设计：根据数据特点和建模需求，确定BP神经网络的输入层、隐藏层和输出层的节点数和连接方式。
4. 参数设置：设置BP神经网络的学习率、动量因子和迭代次数等参数，以及隐藏层数和各层的节点数。
5. 网络训练：利用已处理的数据对BP神经网络进行训练，不断调整权值和阈值，提高预测精度。
6. 模型验证：使用独立的数据集对训练好的模型进行验证，评估预测效果。
7. 模型应用：将预测模型应用于TBM掘进效率的预测，提供参考依据和决策支持。
BP神经网络在隧道稳定性分析中的应用
BP神经网络在隧道稳定性分析中的应用
王灿刚;张云
【期刊名称】《山西建筑》
【年(卷),期】2007(033)023
【摘要】结合工程概况,介绍了BP神经网络的基本原理,通过调查分析,找出影响隧道稳定性的因素,提出支护方案和支护形式的选择,并利用BP神经网络预测漫川关隧道的稳定性及支护等级,以推广BP神经网络的应用.
【总页数】2页(P361-362)
【作者】王灿刚;张云
【作者单位】中交隧道工程局有限公司,北京,100011;中交隧道工程局有限公司,北京,100011
【正文语种】中文
【中图分类】TP183
【相关文献】
1.改进BP神经网络模型在隧道变形分析中的应用 [J], 郭松;陆金平;邹瑜
2.基于遗传算法的BP神经网络在隧道围岩参数反演和变形预测中的应用 [J], 周冠南;孙玉永;贾蓬
3.BP神经网络在露天矿边坡稳定性分析中的应用 [J], 程纬华;乔登攀;张磊;陈偶;侯国权
4.BP神经网络在隧道工法设计中的应用 [J], 宋华君
5.BP神经网络在隧道工法设计中的应用 [J], 宋华君[1]
因版权原因，仅展示原文概要，查看原文内容请购买。
BP神经网络在隧道基坑工程中的实际运用
BP神经网络在隧道基坑工程中的实际运用丁杨【摘要】依据昆明轨道交通三号线东标段二工区省博物馆站在施工过程中基坑开挖所产生的深层水平位移问题,基于MATLAB神经网络工具箱仿真并建立BP神经网络模型,预测位移曲线可以通过输入已知数据建立.在实际工程中对该模型的合理性进行检测,实测数据表明,此BP神经网络模型对于深层水平位移问题有很好的预测能力.【期刊名称】《河北工程大学学报（自然科学版）》【年(卷),期】2016(033)002【总页数】4页(P30-33)【关键词】基坑工程;地下深层水平位移;BP神经网络;MATLAB分析;昆明;轨道交通【作者】丁杨【作者单位】华东交通大学土木建筑学院,江西南昌330013【正文语种】中文【中图分类】TU4地铁地下施工具有技术交叉性，风险隐蔽性、复杂性和施工环境恶劣性、特殊性、无序性、动态性的特点，其大规模、高速度的建设必然导致地铁施工高风险的存在[1]。
据初步统计：从2001年起，我国共有126起地铁事故，其中地铁施工事故就有101起以上[2]。
事故的发生必将造成巨大的经济、人力损失和不良社会影响。
可见，在施工过程中如何采取有效的方法进行监测与预测是极为重要的。
随着现代技术的发展，BP神经网络孕育而生，目前BP神经网络预测分析在地下工程、岩石工程、桥梁工程中取得了很好的效果[3-8]。
但在基坑监测中还尚未采用，由于基坑工程的风险性较高，并且需要考虑环境效应，所以在施工过程中需要密切注意基坑的变形，而地下连续墙水平位移可以反映基坑的安全性和判断周边环境[9]。
所以应该在基坑开挖过程中引用BP神经网络这一现代技术[10]。
由于BP神经网络在其他地下工程中有着很好的效果，所以本文对高度复杂和高度非线性的隧道基坑开挖引发的深层水平位移进行模拟与预测计算。
省博物馆站为昆明地铁3号线与5号线的换乘站，为地下三层岛式车站。
车站主体总长144 m，标准段外包宽度23.3 m，扩大段宽度27.50 m。
GA-BP神经网络在隧道监测数据处理中的应用
GA-BP神经网络在隧道监测数据处理中的应用∗方晓【期刊名称】《兰州工业学院学报》【年(卷),期】2015(000)002【摘要】Deformation monitoring of the surrounding rock in tunnel construction is directly related to safety and engineering quality of the tunnel construction. The tunnel deformation monitoring is an essential link in modern tunnel construction. So reasonable method of processing the data is particularly important. The genetic algorithm ( GA) to optimize the traditional BP neural network solves the local extremum, slowly convergence speed, de⁃pendence on initial value selection of traditional BP network. The optimized GA⁃BP neural network is applied to process tunnel horizontal convergence time series. Compared with traditional data processing method, it has better generalization ability and higher prediction precision.%隧道施工中围岩的变形监测直接关系到隧道施工安全和工程质量，隧道变形监测是现代隧道施工中必不可少的环节，选择合理数据处理方法对现场所测到的数据进行处理显得尤为重要。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
83收稿日期:2019-01-10作者简介:宋华君(1985—),男,汉族,陕西商洛人,本科,工程师,主要从事工程项目管理方面工作。
0 引言随着我国交通工程的不断发展,隧道建设过程中的施工技术得到了极大的进步,隧道施工方法日益增多。
每年新建隧道与建成隧道的数量不断增大,传统的隧道工法选择受到多方面复杂因素的影响,包括围岩级别、隧道断面、施工条件、隧道埋深等。
一方面需要丰富的隧道建设经验,同时又需要耗费相当的精力物力进行方案的比选,难以满足隧道工程大幅发展的时代要求。
人工神经网络具有自学习能力、联想存储大数据功能已经快速寻找优化解的能力,能够较好的解决目前隧道施工方法选择方面的效率低下问题。
运用BP神经网络原理,引入隧道施工工法选择中考虑的多种参数,模拟人脑的学习、分析、决策过程,计算出较为合适的隧道施工方法,随后再由设计人员进行复核验算,可极大提高其工作效率。
1 隧道工法选择1.1 隧道工程特征BP 神经网络在隧道工法设计中的应用宋华君(中铁二十局集团第四工程有限公司,山东青岛 266061)摘要:将BP神经网络应用到隧道在施工工法设计的过程中,以围岩级别、地质构造、隧道所在地形环境、水文特征等为影响因素,建立隧道工法设计方案数据库。
在隧道工程快速发展的背景下,向智能化方向转变能够高效、可靠的完成设计工作,本文中将探究BP神经网络在隧道工法设计中的应用。
关键词:B P 算法；神经网络；隧道施工；工法比选中图分类号:TP39文献标识码:A文章编号:1007-9416(2019)02-0083-03应用研究DOI:10.19695/12-1369.2019.02.48表1 隧道工程特征图1 基本施工方法与影响因素工程特征 具体内容隧道等级 短隧道、中隧道、长隧道、特长隧道 隧道结构型式 分离式、分岔式连、小净距、拱式地形地貌 山坡形态、坡度地形岩性 地层时代、岩石风化程度等、岩性特征、岩层厚度地质构造 皱褶、节理、断层、软弱结构面水文情况 地形水类型、地下水侵蚀性、含水层的分部范围、水量等围岩级别 Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ、Ⅵ 气象环境 地区温度、气压、降雨量、降雪量不良地质岩堆、泥石流、崩塌、冻土、岩溶、滑坡、湿陷性黄土等84第 37 卷 数字技术与应用 隧道施工设计阶段要综合考虑隧道公路功能、等级、围岩级别、地质构造、隧道所在地形环境、水文特征等,各因素对隧道结构的安全性具有重大影响,如工法选择不当,则可能造成成本过高甚至隧道失稳问题。
因此,在隧道设计前应对隧道选址所在地形环境、岩层信息、围岩情况、水文条件、不良地质等进行分析,并在此基础之上选用合适的隧道施工工法,表1为隧道工程特征。
1.2 隧道工法分类隧道施工工法的选择需根据隧道工程特征确定,隧道施工方法可分为基本、辅助施工方法以及支护措施。
基本施工方法决定施工开挖的形式,以山岭隧道开挖为例,主要包含台阶法、多部法和全断面开挖法,每种基本施工方法可根据施工具体参数分为多个小类,受隧道工程特征影响,如图1所示。
因设计过程中考虑的角度不同,施工方法也有所差异,如果施工环境良好、从造价和工期考虑,应选择全断面法开挖;如果围岩环境较差,以施工安全角度考虑,则应选用双侧壁导坑法施工。
1.3 隧道工法设计方案数据库已建隧道设计施工方案具有一定的学习借鉴价值,通过搜集大量已完成的隧道工程设计设计方案和设计资料,将这些资料进行整理和分析,建立隧道工法设计方案数据库,为新建隧道项目提供参考,从而提高设计方案的科学性,图2为数据库建设的流程。
2 隧道工法比选模型2.1 BP神经网络算法BP神经网络是按照误差逆传播算法训练出来的一种多层前馈网络,其以对信息分布式存贮和并行处理为基础,具有自学习、自组织的能力,在不需要知道数据分布形式和变量关系的情况下,通过积累线性学习,建立各影响因素之间的高度非线性映射关系,对残缺不全和突变数据的处理有很强的容错能力,基于大量的测试结图4 BP神经网络拓扑图序号 长度（m） 围岩 地下水地质情况工法1117833.1 -1全断面287031.5-1全断面33544 1.11全断面 4 218 3 2.8 1 全断面 5 762 3 1.3 -1 全断面 6 263 4 0 -1 台阶法 7 155 4 2.9 -2 台阶法 8 812 5 0 -1 台阶法 9 193 3 2.1 0 台阶法 10 600 4 1.5 -1 台阶法 11 400 5 0 -1 分部法 12 727 5 0 -1 分部法 13 310 4 1.0 0 分部法 14608 4 0 0 分部法 151875-2分部法表2 BP神经网络学习样本图3 BP神经网络拓扑图图2 数据库建设流程852019年第 02 期Application of BP Neural Network in Tunnel Engineering DesignSONG Hua-jun(NO.4 Engineering Corporation Limited of CR20G, Shandong Qingdao 266061)Abstract:BP neural network is applied to the tunnel in the process of construction method design. The surrounding rock grade, geological structure, tunnel location environment and hydrological characteristics are taken as the influencing factors, and the tunnel construction scheme database is established. Under the background of the rapid development of tunnel engineering, the transformation to the intelligent direction can complete the design work efficiently and reliably. In this paper, the application of BP neural network in tunnel engineering design will be explored.Key words:BP algorithm; neural network; tunnel construction; engineering method comparison果,对未来发展规律有较高的预测精度,图3为包含一个隐层的BP神经网络拓扑图。
以MATLAB为程序平台,借助其内部函数及工具箱,建立基于BP神经网络算法的隧道工法选择比选模型,根据影响因素确定网络中的输入层、两个隐含层以及输出层分别由四个神经元、十个隐含单元、三个隐含单元、三个输出单元组成,如图4所示。
2.2 确定学习样本将类似工程中已建山岭隧道工程信息作为学习样本,用以对类似工程中应选用哪种隧道开挖方法进行预测。
表2为已建隧道项目类似工程信息构成的学习样本,对表格中数据的值进行归一化处理并输入matlab程序,输出结果(x,y,z)中的x,y,z分别代表全断面法、台阶法和多部法对应的优选度。
将统计样本进行归一化处理导入已经编写好的BP神经网络中使用net=train( net ,input ,output')命令开始训练,设置最大训练次数epochs为5000,目标误差为0.6*10^(-6),10轮回显示一次结果,学习速率lr=0,05。
2.3 实例分析新建崇礼铁路新兴堡隧道位于张家口市下花园区定方水乡崔家庄北侧,隧道起止里程为DK10+548.00～DK12+680,全长2132m,Ⅲ级长度710m,Ⅳ级长度490m,Ⅴ级长度794m,明洞138m。
地层岩性主要为湿陷性黄土、弱风化砂砾岩、强风化砂砾岩等。
将该隧道应用到建立的隧道工法选择BP神经网络中,已有15组隧道信息作为训练样本,本项目暗挖段作为检验样本,用以验证该隧道工法比选模型的预测能力,表3为神经网络输出结果。
由表可知,该隧道根据区段特征宜分别选用分步法、台阶法两种开挖方法,表3 神经网络输出结果序号 长度 围岩 地下水 地质 全断面 台阶法 分部法 16 710 3 0 -1 0.136 0.0974 0.7949 17 490 4 0 -1 -0.199 1.0192 0.2465 187945-1-0.13860.3250.9139实际设计施工方案中综合采用了三台阶七步开挖法、分部法进行分段施工,具有一致性。
表3为通过15组类似工程数据样本训练的BP神经网络所计算的结果,其分析结果与实际开挖方案具有较高的一致性,通过补充学习样本,增加更多相关参量可进一步提高该模型预测的精准性。
3 结语本文采用BP神经网络的方法,基于MATLAB程序平台,收集处理了15个相似已建隧道的工程信息为学习样本,以新兴堡隧道建设项目隧道开挖方法的预测与实际设计工法对比,研究结果表明基于BP神经网络的隧道工法比选模型具有一定的可靠度,随着数据样本的补充,其精度可进一步提升,对辅助隧道工法初步设计,选择合理开挖方案具有积极意义。
参考文献[1] 罗学东,范新宇,代贞伟,梅年峰,闫苏涛.BP神经网络模型在露天矿爆破振动参数预测中的应用及修正[J].中南大学学报(自然科学版),2013,44(12):5019-5024.[2] 陈滨掖.RBF神经网络在低压导线截面选择中的应用[J].数字技术与应用,2018,36(11):115-117+121.[3] 李强,张海涛.复杂环境下地铁隧道工法比选[J].江西建材,2016(22):140-141.[4] 刘晓庆.高速公路隧道设计方案三维智能优化方法研究[D].石家庄铁道大学,2018.[5] 张俊峰.基于BP神经网络隧道施工岩爆预测研究[J].路基工程,2013(03):200-203.宋华君:B P 神经网络在隧道工法设计中的应用。