基于BP神經網絡方法的巖溶隧道突涌水風險預測

楊 卓， 馬 超

(解放軍理工大學爆炸沖擊防災減災國家重點實驗室， 江蘇 南京 210007)

?

基于BP神經網絡方法的巖溶隧道突涌水風險預測

楊 卓， 馬 超

(解放軍理工大學爆炸沖擊防災減災國家重點實驗室， 江蘇 南京 210007)

為了準確預測巖溶隧道突涌水風險等級，以降低隧道施工過程中突涌水事故的風險，在參考相關文獻的基礎上，統計研究及綜合分析巖溶隧道水文地質條件，選取不良地質、地層巖性、地下水位、地形地貌、巖層傾角和圍巖裂隙6個主要因素作為巖溶隧道突涌水風險評價指標。在不同水文地質條件下，影響因素的權重有較大差異，為避開影響因素權重分析，運用BP神經網絡方法對巖溶隧道突涌水風險進行評估。在對突涌水風險評估基礎上，結合超前地質預報，優化隧道施工開挖支護方案。在工程應用中，運用BP神經網絡方法，對某隧道進行突涌水風險評估，結果與實際施工情況較一致，并結合超前預報提出合理的支護方案，避免了隧道突涌水事故的發生，以期為巖溶隧道突涌水風險預測提供借鑒。

巖溶隧道； 突涌水； BP神經網絡； 風險預測； 超前預報

0 引言

隨著絲綢之路經濟帶建設的大力推進，西部地區的基礎設施建設全面展開，深長巖溶隧道的修建將會越來越多。由于西部地區水文地質條件極其復雜，施工過程中極易發生突水、突泥災害，對施工的安全性及工期造成嚴重影響，突涌水風險評估與控制已成為巖溶隧道施工中必須考慮的關鍵問題。

國內外學者在巖溶隧道風險評價方面進行了許多研究。在工程風險評估研究中，國際隧協發布了隧道風險管理指南[1]，雖然國內風險評估起步比較晚，但也做了大量研究工作，并編寫了鐵建設[2007]200號《鐵路隧道風險評估與管理暫行規定》[2]和建質[2007]254號《地鐵及地下工程建設風險管理指南》[3]。毛邦燕[4]通過對具體工程案例的分析，結合深部巖溶發育的特點，總結出隧道突涌水的重要影響因素，并提取出深長隧道深部巖溶突涌水風險評價指標，利用綜合評判法建立了巖溶隧道突涌水災害風險評估模型。李利平等[5]收集大量巖溶隧道發生突涌水地質災害的相關工程案例資料，分析了隧道突涌水風險發生機制、孕險環境和致災因子的影響，并基于模糊綜合評價法建立了巖溶隧道突涌水風險評價模型。張慶松等[6]開展了高風險巖溶隧道突涌水風險評價機制及方法研究，提出了災害四色預警機制。周宗青等[7]根據對突涌水機制及控制性影響因素的研究，提取出了影響隧道突涌水的主要地質指標，基于屬性識別理論對突涌水風險評估進行了初步探討，并進行了相應的工程驗證。在上述研究成果中，均未對突涌水風險影響因素權值進行深入分析，且在不同水文地質條件下，影響因素的權重差異較大，不能一概而論。本文基于BP神經網絡方法，統計相關工程實例，避開影響因素權重的差異分析，基于水文地質條件建立訓練樣本，對隧道突涌水進行風險評級，并結合超前地質預報結果，進行施工支護方案設計，使得分析更加接近實際情況，確保施工安全。

1 突涌水風險評價的BP神經網絡模型

巖溶隧道突涌水風險評價是通過系統分析影響突涌水的因素，對隧道突涌水的風險進行預測。為了能夠客觀反映突涌水影響因素，通過統計分析的方法研究了相關工程案例，并參考文獻[5-9]，分析了突涌水的水文地質和工程地質環境，選取了突涌水的主要影響因素，其層次結構見圖1。

圖1 巖溶隧道突水突泥風險因素層次結構圖

Fig. 1 Hierarchical chart of water and mud inrush risk factors of karst tunnel

1.1 BP神經網絡原理

BP神經網絡主要依靠系統的復雜程度，來動態調整網絡內部節點的連接關系和連接強度，進而更好地反映系統的構造情況[10]。BP神經網絡的學習訓練過程由網絡輸入信號正向傳播和誤差信號反向傳播2部分組成，信號向前傳遞，誤差反向傳播。當正向傳播時，輸入信息從輸入層經隱含層逐層計算傳向輸出層，輸出層的各神經元輸出對應輸入模式的網絡響應；如果輸出層得不到期望輸出，則誤差轉入反向傳播，按減小期望輸出與實際輸出的誤差原則，從輸出層到中間各層，最后回到輸入層，修正各個連接權值。隨著誤差逆傳播訓練不斷進行，網絡對輸入模式響應的正確率也不斷提高，如此循環直到誤差信號達到允許的范圍之內為止[11]。

1.2 BP網絡結構及算法流程

以2層網絡為例，參考文獻[12]，分析網絡結構，網絡結構見圖2。

圖2 BP網絡結構圖

在圖2中，第1個神經元的凈輸入

第2層的輸出

對于具有2層的網絡，系統的輸出即為第2層的輸出。

使用MATLAB軟件實現的算法流程如圖3所示。

2 BP神經網絡評價指標體系分析

2.1 評價指標體系

巖溶突水涌泥實質上是地下水的儲存條件受外界干擾發生的動力失穩現象。本文針對水文和地質條件的影響因素進行評價。

2.1.1 不良地質

隧道施工中所遭遇的突水都與巖溶管道、含水斷層破碎帶和暗河等不良地質有關。按致災性強弱，參考文獻[9]，不良地質分級如表1所列。

圖3 BP算法流程

水平分級定義強致災性(Ⅰ) 隧道附近底板上方有大型含導水構造,或隧道附近底板下方有大型承壓含導水構造中等致災性(Ⅱ) 隧道附近底板上方有中型含導水構造,或隧道附近底板下方有中型承壓含導水構造弱致災性(Ⅲ) 隧道附近底板上方有小型含導水構造,或隧道附近底板下方有小型承壓含導水構造無(Ⅳ)隧道附近無可致突水的不良地質現象

2.1.2 地層巖性

隧道突水災害多發生在灰巖、白云巖等可溶巖地層中，地層巖性純度越高，單層厚度越大，巖溶越發育，越容易形成大型巖溶管道[13]。本文根據可溶巖所占比例將突水風險分為4個級別，具體見表2。

表2 地層巖性等級劃分表

2.1.3 地下水位

地下水在突水過程中扮演著物質載體和源動力的雙重角色，是影響突水的重要因素[5]。由于地下水主要以孔隙水、裂隙水和巖溶水等形式存在，使得其有較強的致災能力，高程不同的隧道所處的巖溶水垂直動力分帶也不同，綜合考慮，地下水位與隧道底板的高程差很大程度上表征突水的危險程度，參考文獻[5]中的實例統計資料，基于高程差h將地下水位劃分4個水平: h<0 m，0 m≤h<30 m，30 m≤h≤60，h>60 m。

2.1.4 地形地貌

地下工程突水與地形地貌密切相關，地表巖溶洼地、落水洞使降水進入地下，成為地下水的補給源，直接影響地下巖溶的發育。參考文獻[9]，將地形地貌等級劃分為4個等級，見表3。

2.1.5 巖層傾角

巖層傾角對地下水的流動有重要影響，傾角過大或過小都不利于巖溶發育。巖層傾角過大，匯水面積小，水循環較弱；巖層傾角過小，不利于地表水的滲入，巖溶發育也受到影響。參考文獻[5]，將巖層傾角分為4個等級，見表4。

表3 地形地貌等級劃分表

Table 3 Classification of topography and geomorphology for water inrush

等級劃分具體描述大型負地形(Ⅰ) 匯水能力強,地下巖溶系統中地下水常具有大水量、高壓力的特點,且巖溶發育正反饋強烈,巖溶強發育中型負地形(Ⅱ)匯水能力次之,巖溶發育程度一般也次之小型負地形(Ⅲ)匯水能力差,地下巖溶發育程度一般也較差無負地形(Ⅳ) 地下水活躍程度低,一般而言,突水突泥致災能力很弱

表4 巖層傾角等級劃分表

2.1.6 圍巖裂隙

隧道圍巖裂隙發育情況很大程度影響涌水量的大小，裂隙含水介質滲透具有不均勻性，與裂隙平行方向的滲透性最大，與裂隙垂直方向的滲透性最小[14]。圍巖裂隙分類標準如表5所示。

表5 圍巖裂隙等級劃分表

2.2 突涌水風險分級

基于上述分析，隧道突涌水評價指標風險分級可通過經驗判定或專家評分，基于BP神經網絡訓練樣本而得，具體評分見表6。

表6 巖溶隧道突水風險因素專家評分表

2.3 BP神經網絡樣本分析

統計隧道突水事故相關水文地質資料，并參考相關巖溶隧道工程實例，如八卦山隧道、大桑園隧道、大支坪隧道、馬鹿箐隧道、大瑤山隧道、沙木拉達隧道、南嶺隧道、軍都山隧道、圓梁山隧道、錦屏引水隧洞、華鎣山隧道、紫荊山隧道、鄭家埡隧道和雞公嶺隧道等得到統計樣本，將得到的統計樣本進行BP神經網絡訓練，作為訓練樣本。在隧道突水事故中，根據突水量或造成的災害損失進行風險分級，具體分級見表7。訓練樣本相關數據樣本見表8，參考文獻[9]，綜合評分在[80,100]為Ⅰ級，[50,80)為Ⅱ級，[20,50)為Ⅲ級，[0,20)為Ⅳ級。

表7 隧道突水風險等級劃分表

表8 訓練樣本數據表

3 超前地質預報方案

地質預報方法一般分為地質分析法和物探分析法。地質分析法有工程地質調查法、超前水平鉆孔法、超前導洞法和經驗法等；物探分析法包括TSP隧道地震探測法、地質雷達探測法、瞬變電磁法、激發極化法和陸地聲納法等。巖溶隧道超前地質預報方案就是在不同風險等級基礎上，參考水文地質條件選取與之相適應的地質預報方法，對其掌子面前方地質情況進行預測。參考文獻[15-17]，當風險等級為Ⅰ、Ⅱ時，采用TSP加超前鉆孔方法進行預測； 當風險等級為Ⅲ、Ⅳ時，采用TSP進行預測。由于TSP對水預測的準確性比較差，應結合隧道的水文地質條件，采取輔助預報手段對水進行預測。當巖溶發育、地表存在大面積匯水區時，輔助手段為陸地聲納法或瞬變電磁法；當斷層發育、裂隙發育時，輔助手段為地質雷達法或瞬變電磁法。

4 工程應用

4.1工程概況

某隧道采用雙線分修，左線長19 974.3 m，右線長20 044.0 m，隧道為單面上坡，隧道普遍埋深較大，埋深超過500 m的約為15.5 km，約占全線總長的77%，最大埋深達1 445.5 m，屬深埋特長隧道。其3#斜井全長2 025 m，最大埋深872 m，隧址區屬剝蝕深切割中高山峽谷地貌，自然坡度30～75°，地層巖性主要為砂巖、泥灰巖、板巖、硅質巖和千枚巖等，巖體破碎，地下水豐富，賦存形式為基巖裂隙水、巖溶水及孔隙水，巖溶發育，地下水位高于隧道底板約150 m，施工中易發生突水突泥地質災害。

4.2 風險評級

隧道XJ3K1+366～+249為泥盆系中統觀霧山組灰巖，巖溶中等-強烈發育，斜井總體位于地下水水平徑流帶，水量較大，巖層傾角20°，可溶巖含量約為90%，圍巖等級Ⅴ級，負地形面積比約為65%，巖體比較破碎，節理裂隙發育且裂隙水從掌子面各處裂隙涌出，呈現雨淋狀。經過專家評分得評分向量[D1，D2，D3，D4，D5，D6]=[87，89，93，77，69，76]，通過BP神經網絡計算得綜合分值為85，風險等級為Ⅰ級。

4.3 超前地質預報

由于突水、突泥風險高，在施工過程中，結合超前地質預報，選取施工方法及支護方案，首先采用TSP進行地質預報。為了進一步確定是否有水，采用地質雷達法進行短期超前預報，預報成果如圖4所示。由圖4可以看出在預報范圍內，雷達信號較強，反射波同相軸凌亂，說明該段可能含水量較大，節理裂隙、溶蝕裂隙強烈發育。

圖4 地質雷達探測剖面

4.4 開挖支護

根據風險等級并結合超前地質預報，在XJ3K1+366～+249段采用臺階法施工，開挖后掌子面圍巖破碎，裂隙發育，穩定性差，與風險評估等級和超前預報結果較符合，掌子面開挖情況如圖5所示。結合設計資料和現場情況，襯砌采用Ⅰ&Ⅴ錨噴襯砌，拱墻采用Ι16型鋼鋼架加強支護，間距1.0 m，局部采用超前小導管支護，環向間距0.4 m，每3 m一環，每根長4.5 m。

圖5 掌子面照片

5 結論與討論

1)基于BP神經網絡，進行了巖溶隧道風險評估。根據隧址區水文及地質條件并參考相關文獻，選取不良地質、地層巖性、地下水位、地形地貌、巖層傾角和圍巖裂隙等作為隧道突水的風險評價指標。

2)應用BP神經網絡模型對隧道突水風險進行了評價，避開了對影響因素權重這一復雜情況的分析，并結合超前地質預報進一步詳細預測，開挖結果與預報結果相吻合，根據現場情況進行了施工支護方案的設計，避免了突水災害，確保了施工安全。

3)在BP神經網絡構建中，統計樣本的數量、網絡訓練參數、神經元個數、訓練函數和學習函數的選擇都會對結果產生影響，如何得到穩定一致的輸出結果值得深入探討。

4)巖溶突水這一災害的影響因素較多，本文僅考慮了水文地質因素對其影響，沒有考慮工程因素的影響。因此，有必要結合工程因素對巖溶突水風險進行進一步研究。

[1] Eskesen S D,Tengborg P,Kampmann J,et al. Guidelines for tunnelling risk management: International tunneling association，working group No．2[J]．Tunnelling and Underground Space Technology，2004，19(3): 217- 237.

[2] 鐵路隧道風險評估與管理暫行規定： 鐵建設[2007]200號[S].北京: 中國鐵道出版社,2007.(Interim provisions for railway tunnel risk assessment: Tie Jian She[2007] No.200[S]. Beijing: China Railway Publishing House, 2007.(in Chinese))

[3] 地鐵及地下工程建設風險管理指南： 建質[2007] 254號[S].北京: 中國建筑工業出版社，2007.(Guideline of risk management for construction of subway and underground works: Jian Zhi [2007] No. 254[S]. Beijing: China Architecture & Building Press, 2007.(in Chinese))

[4] 毛邦燕.現代深部巖溶形成機理及其對越嶺隧道工程控制作用評價[D].成都: 成都理工大學，2008.(MAO Bangyan. Modern deep karst formation mechanism and evaluation of control action on cross-mountain tunnel [D].Chengdu: Chengdu University of Technology，2008.(in Chinese))

[5] 李利平，李術才，陳軍，等. 基于巖溶突涌水風險評價的隧道施工許可機制及其應用研究[J].巖石力學與工程學報，2011,30(7)：1345-1355.(LI Liping，LI Shucai，CHEN Jun，et al. Construction license mechanism and its application based on karst water inrush risk evaluation[J].Chinese Journal of Rock Mechanics and Engineering,2011,30(7)： 1345-1355.(in Chinese))

[6] 張慶松，李術才，韓宏偉，等. 巖溶隧道施工風險評價與突水災害防治技術研究[J].山東大學學報(工學版)，2009,39(3)：106-110.(ZHANG Qingsong，LI Shucai，HAN Hongwei，et al. Study of risk evaluation and water inrush disaster preventing technology during construction of karst tunnels[J].Journal of Shandong University(Engineering Science),2009,39(3)：106-110.(in Chinese))

[7] 周宗青，李術才，李利平，等. 巖溶隧道突涌水危險性評價的屬性識別模型及其工程應用[J].巖土力學，2013,34(3)： 818-826.(ZHOU Zongqing，LI Shucai，LI Liping，et al. Attribute recognition model of fatalness assessment of water inrush in karst tunnels and its application[J].Rock and Soil Mechanics, 2013,34(3)：818-826.(in Chinese))

[8] 葛顏慧. 巖溶隧道突水風險評價與預警機制研究[D].濟南: 山東大學，2010.(GE Yanhui. Study of water inrush risk and early warning mechanism of karst tunnel [D].Jinan: Shandong University, 2010.(in Chinese))

[9] 許振浩，李術才，李利平，等. 基于層次分析法的巖溶隧道突水突泥風險評估[J].巖土力學，2011,32(6)： 1757-1766.(XU Zhenhao，LI Shucai，LI Liping，et al. Risk assessment of water or mud inrush of karst tunnels based on analytic hierarchy process[J].Rock and Soil Mechanics, 2011,32(6)： 1757-1766.(in Chinese))

[10] 翁小杰.基于灰色理論和神經網絡的預測方法研究與應用[D].武漢: 中南民族大學，2009.(WENG Xiaojie. Research and application of prediction method based on gray theory and neural network[D].Wuhan: South-Central University for Nationalities, 2009.(in Chinese))

[11] 蘇博，劉魯，楊方廷. GM(1，N)灰色系統與BP神經網絡方法的糧食產量預測比較研究[J].中國農業大學學報，2006,11(4): 99-104.(SU Bo，LIU Lu，YANG Fangting. Comparison and research of grain production forecasting with methods of GM (1，N) gray system and BPNN [J].Journal of China Agricultural University, 2006,11(4): 99-104.(in Chinese))

[12] 何逢標. 綜合評價方法MATLAB實現[M].北京： 中國社會科學出版社，2010.(HE Fengbiao. Synthetic evaluating method and actualization of MATLAB[M]. Beijing： China Social Sciences Press, 2010.(in Chinese))

[13] 李術才，張慶松. 隧道及地下工程突涌水機理與治理[M].北京： 人民交通出版社，2014.(LI Shucai，ZHANG Qingsong. Mechanism and treatment of water inrush of tunnel and underground projects [M].Beijing: China Communications Press,2014.(in Chinese))

[14] 劉瑋. 基于BP神經網絡下的深長隧道突水預測分析與數值模擬研究[D].長沙： 中南大學，2014.(LIU Wei. Research on prediction of water inrush in deep-long tunnel under BP neural network and numerical simulation [D].Changsha: Central South University, 2014.(in Chinese))

[15] 葛顏慧，李術才，張慶松，等. 基于風險評價的巖溶隧道綜合超前地質預報技術研究[J].巖土工程學報，2010,32(7): 1124-1130.(GE Yanhui，LI Shucai，ZHANG Qingsong，et al. Comprehensive geological prediction based on risk evaluation during tunneling in karst area[J].Chinese Journal of Geotechnical Engineering, 2010,32(7): 1124-1130.(in Chinese))

[16] 李天斌，孟陸波，朱勁，等. 隧道超前地質預報綜合分析方法[J].巖石力學與工程學報，2009,28(12): 2429-2436.(LI Tianbin，MENG Lubo，ZHU Jin，et al. Comprehensive analysis method for advanced forecast of geology in tunnels[J].Chinese Journal of Rock Mechanics and Engineering, 2009,28(12): 2429-2436.(in Chinese))

[17] 張慶松，許振浩，李術才. 巖溶隧道綜合超前地質預報方法與工程應用[J].山東大學學報(工學版)，2009,39(4)： 7-12.(ZHANG Qingsong，XU Zhenhao，LI Shucai. Integrated advanced geological prediction methods and engineering application of karst tunnels[J].Journal of Shandong University(Engineering Science), 2009,39(4)： 7-12.(in Chinese))

Risk Prediction of Water Inrush of Karst Tunnels Based on BP Neural Network

YANG Zhuo， MA Chao

(State Key Laboratory of Disaster Prevention and Mitigation of Explosion and Impact, PLA University of Science and Technology, Nanjing 210007, Jiangsu, China)

The hydrogeological conditions of karst tunnel is statistically studied and comprehensively analyzed; and the main factors for the risk evaluation of water inrush of karst tunnel, i.e. geology, ground lithology, groundwater level, topography, strata inclination and surrounding rock fracture, are selected, so as to evaluate the water inrush risk of karst tunnel precisely and further reduce the water inrush risk. Due to the great difference among influencing factors under different hydrogeological conditions, the risk prediction of water inrush of karst tunnels based on BP neural network is adopted. The application results of above-mentioned risk prediction method coincide with the actual situation. The above-mentioned method is rational and can be used for reference.

karst tunnel; water inrush; BP neural network; risk prediction; advanced geological prediction

2016-01-12;

2016-05-30

國家重點基礎研究發展計劃(973計劃)項目(2013CB036005)

楊卓(1989—)，男，河南平頂山人，2016年畢業于解放軍理工大學，結構工程專業，碩士，從事地下工程防災減災研究工作。E-mail： yangzhuo_2014@163.com。

10.3973/j.issn.1672-741X.2016.11.008

U 45

A

1672-741X(2016)11-1337-06