基于BP神經網絡的城市隧道爆破振速預測*

丁　宇　譚卓英

(北京科技大學土木與環境工程學院)

?

基于BP神經網絡的城市隧道爆破振速預測*

丁宇譚卓英

(北京科技大學土木與環境工程學院)

摘要針對城市淺埋隧道開挖面臨下穿天然氣管線、土巖混合介質、地表臨近建筑物等復雜環境條件下爆破振動對周圍建筑物的影響，用薩道夫斯基公式回歸分析預測法和常規的BP神經網絡模型對隧道開挖巖石區間工作面前方地表爆破質點振速進行對比分析。研究表明：受地震波傳播介質、掘進爆破技術、圍巖性質等條件影響，以及在爆破振動監測數據較少的情況下，BP神經網絡預測精確度較薩道夫斯基公式提高了20.1個百分點。BP神經網絡動態預測模型對復雜環境條件下淺埋隧道掘進爆破振動的預測更具有指導意義，但也有單次誤差過大現象，有待進一步優化訓練方案以得到更精確的預測結果。

關鍵詞淺埋隧道爆破振速BP神經網絡薩道夫斯基公式

在城市隧道開挖施工中，巖石區段常采用精密控制爆破作業，爆破振動對周圍環境條件產生不良影響，特別在建筑物密集和市政管網密布的復雜條件下，準確的爆破振動速度預測及控制是隧道安全施工的重要保障。目前常采用基于量綱分析獲得的薩道夫斯基公式。針對傳播介質和工程環境的復雜性，很多研究人員結合現場實際情況對薩式公式進行了修正，如唐海、李海波研究了反映高程放大效應的爆破振動公式[1]，傅洪賢、趙勇、謝晉水等對隧道近區爆破振動進行了測試研究[2]。爆破振動與爆破設計、巖性條件及地震波傳播介質有關，在土、巖混雜的情況下，薩道夫斯基公式預測城市淺埋土石隧道爆破振動的精度不高，難以滿足復雜環境精細爆破對振動控制的要求。

近年來，神經網絡算法越來越多地被用來實時預測爆破振動，預測精度較高，對于安全高效的爆破振動控制具有重要的意義。林麗群、林從謀等研究了隧道爆破振動的BP神經網絡預測[3]，趙華兵、龍源等研究了城市隧道爆破振動速度峰值預測神經網絡法[4]。目前，在神經網絡的各種模型中，應用較為廣泛的是靜態前饋反向(BP)神經網絡。對于城市淺埋巖石隧道復雜環境條件下掘進爆破，尋求更精準的質點振速預測方法尤為重要，本文對某隧道開挖工程復雜環境下爆破振動進行跟蹤監測，依托實測數據建立基于BP神經網絡的靜態前饋網絡模型，對爆破振動峰值速度進行預測，并和傳統經驗公式的預測精度進行對比和評價。

1爆破振動現場測定

1.1工程概況

某隧道爆破開挖頂端距地面18～20 m，距離爆破區間46.25 m處有一條東西走向的市政天然氣管線，左中線隧道距離最近的居民小區51.5 m，右中線隧道距離古建筑土地廟35.45 m，安全要求較高。該段沿線表層有沉積土層，其下部的第四紀沉積土層以黏性土和粉土為主(圖1)，局部夾砂土層。人工堆積的填土厚0.7～2.8 m，結構較松散，物理力學性質較差；下部為沉積的黏性土和粉土層，局部為砂層，密實程度不高，物理力學性質一般；再下層為第四紀沉積的黏性土、粉土、砂土互層，土質均勻，物理力學性質相對較好。沿線工程影響范圍內的地下水主要為第四紀松散沉積物孔隙水，本段上層滯水埋深一般小于8 m，含水層主要為人工填土或淺部沉積土層。潛水含水層主要為圓礫卵石土層，潛水埋深一般在12 m左右。

1.2測試方案

本工程屬于城市淺埋隧道掘進爆破，面臨下穿天然氣管線、臨近建筑密集區復雜環境，必須高度重視爆破產生的振動可能對既有建(構)筑物的影響。爆破掘進設計采用上下分臺階、梯段推進，楔形掏槽，數碼雷管逐孔短時間毫秒微差減弱爆破法；經專家論證，確定在管線處爆破引起的質點振動速度不超過1 cm/s，全程跟蹤監測爆破振速，消耗大量人力，借助神經網絡可減少測試工作量。

圖1　工程地質剖面圖及監測點布置

為提高監測數據準確度，采用中科TC4850型爆破振動監測儀，自帶嵌入式計算機模塊，具有液晶屏(128*64點陣)顯示,可在儀器上直接現場設置參數，配備三矢量傳感器，量程為0.001～35.4 cm/s,能完全涵蓋爆破振動所需全部量程；儀器頻響范圍為0～1 000 Hz,能完全覆蓋工程爆破所需的頻段。在隧道工作面上方及前方地表處每隔6 m布置一個監測點(圖1)，信號采集器用石膏固定在地表。監測點隨著隧道掘進而跟進，在工作面所處縱向平面接近天然氣管線處及時調整爆破方案，保證管線上方地表振速符合規定要求。

1.3爆破振動監測結果

對于神經網絡預測模型的輸入樣本需要綜合考慮代表性和易取性，對具體條件因素進行一定的取舍，一般影響爆破振動大小的因素可分為爆破振源特性、測點與爆區的空間關系(爆心距)、場地(傳播介質)條件等幾類。通過一段時間的監測和數據分析，考慮到淺埋隧道所處復雜環境條件，選擇以水平距離、爆心距、掏槽孔深、單段最大藥量、周邊孔最大藥量5個特征量作為影響爆破振動效應強弱的主要因素。

以30組數據為樣本(表1)，其中前20組作為訓練樣本，后10組作為測試樣本。進行訓練及測試前需對所有輸入、目標數據進行歸一化預處理。

2爆破振速預測

2.1BP神經網絡預測模型

BP神經網絡信息處理工作在數學意義上是利用映射訓練樣本點實現從n維歐氏空間的一個子集A到m維歐氏空間子集f[A]的映射(圖2)。選用只有一個隱層的BP前饋網絡，根據收集的數據樣本，按Kolmogorov定理[5]，給定任意連續函數f:Un→Rm，f(x)=y，U∈[0，1]，f可以精確地用1個3層前向網絡實現，此網絡的第一層(輸入層)有n個處理單元，中間層(隱層)有2n+1個處理單元，第三層(輸出層)有m個處理單元。根據BP定理，給定任意ε>0和任意L2函數f:[0，1]n→Rm存在1個3層BP網絡，它可在ε平方誤差精度內逼近f。此網絡的第一層有5個處理單元，中間層可以有5～15個處理單元，輸出層只有1個處理單元。為選擇更合適的隱含層神經元節點數，利用MATLAB循環語句分別測試不同隱含層節點數BP神經網絡模型預測精度，得知隱含層節點數為10時，預測值殘差最小。

表1　爆破監測數據

圖2　神經網絡拓撲結構

傳遞函數則選用非線性傳遞函數，構造非線性系統。在隱層使用雙曲正切S型函數，在輸出層使用S型對數函數，保證輸出的數值范圍為[0,1]。

網絡模型使用前20組數據作為訓練集，后10組數據作為檢驗集，選用traingdx函數對網絡進行訓練，最大訓練步數epochs為1 000，訓練目標誤差goal為10-2，顯示間隔show為200，經過512個周期的訓練，達到目標誤差的要求(圖3)。

圖3　BP神經網絡訓練函數隨訓練次數的收斂曲線

2.2薩道夫斯基公式回歸分析

薩道夫斯基公式為

(1)

式中，v為爆破震動速度，cm/s；Q為單段藥量，kg；R為測點到爆心的距離,m;k，α分別為場地、衰減系數,與爆破地形、地質條件以及爆破規模、藥包結構特征相關。

為了確定待定系數k和α，可進行回歸分析。由于k和α不具備線性回歸關系，通常將公式兩端取對數，然后做線性分析。利用MATLAB做三維回歸分析解決相關的非線性回歸問題，結果如下：

Results：

General model:

f(x,y) = K.*(x.^(a/3))./y.^α

Coefficients (with 95% confidence bounds):

K =296.8 (0, 500)

α =2.39 (0, 5)

Goodness of fit:

SSE: 52.6

R-square: 0.04542

Adjusted R-square: 0.02553

RMSE: 1.047

實測數據線性回歸分布散點見圖4。

圖4　實測數據線性回歸分布散點

2.3爆破振速預測結果與實測結果比較分析

應用上述訓練好的模型對測試數據進行預測，并同時用薩氏經驗公式回歸的參數k=296.8、α=2.39預測爆破振動峰值。表2為爆破實測數據與薩氏公式預測值及BP神經網絡模型預測結果對比?？梢钥吹接捎贐P神經網絡具有較強的非線性映射能力,能較好地模擬爆破振速預測問題，預測值擁有更好的精確度，預測精度較薩式公式提高了20.1個百分點，預測結果優于薩氏公式預測值。

表2　BP神經網絡與薩氏公式預測結果對比

3結論

(1)依據現場監測和BP神經網絡預測振速結果，及時優化最大裝藥量等爆破參數，在本工程下穿市政天然氣管線時，實測質點最大振速均未超過規定的允許值，滿足工程要求，取得了較好的經濟效益和社會效益。

(2)對比分析證明,提出的BP神經網絡方法在城市淺埋隧道爆破振速預測方面是一種比較實用、有效的方法，特別是在訓練樣本數據不多的情況下，預測精度高于薩道夫斯基公式。因此，運用BP神經網絡算法對城市淺埋隧道爆破振速預測是可行的，可以減輕繁雜的現場跟蹤測定。

(3)BP神經網絡預測結果與試驗實測振速還是存在一定的誤差，其原因主要是人工神經網絡模型的預測能力不但與神經網絡的結構有關,也與訓練時輸入因子是否與預報量密切相關，以及與訓練樣本的多少有關，因此,本文所建立的模型仍有待積累更多的資料進行驗證。

參考文獻

[1]唐海，李海波.反映高程放大效應的爆破振動公式研究[J].巖土力學，2011(3)：820-824.

[2]傅洪賢，趙勇，謝晉水，等.隧道爆破近區爆破振動測試研究[J].巖石力學與工程學報，2011，30(2)：335-340.

[3]林麗群，林從謀，蔡麗光，等.隧道爆破振動的BP神經網絡預測及應用研究[J].爆破，2009，26(4)：4-7.

[4]趙華兵，龍源，劉好全，等.城市隧道爆破振動速度峰值預測神經網絡法應用[J].工程爆破，2014(5)：23-27.

[5]韓力群.人工神經網絡理論、設計及應用[M].北京：化學工業出版社，2007.

(收稿日期2016-01-06)

*國家自然科學基金項目(編號：51574015，51174013)。

丁宇(1990—),男，碩士研究生，100083 北京市海淀區學院路30號。