基于BP 神經網絡法的某公路隧道涌水量研究

文旭卿 胡赤兵 鄭會康 王昭根

(1.江西交通咨詢有限公司，江西南昌 330008; 2.江西省高速集團南昌西管理中心，江西南昌 330100)

1 概述

21世紀以來，經濟蓬勃發展，為了滿足日益增長的運輸需求，交通需要更加的快速與便利，公路隧道建設進入高速發展的時期。公路隧道施工過程中，對隧道涌水量進行合理的預測關系到施工安全以及工程質量，同時也是指導施工的重要依據［1］。本文基于BP神經網絡原理，為了預測隧道建設出現涌水的涌水量，建立了公路隧道涌水量預測模型，可以根據預測結果提前采取相關措施。

2 BP神經網絡模型

BP人工神經網絡是一種具有較強的聯想記憶以及推廣能力的反饋式全連接多層神經網絡。神經網絡示意圖如圖1所示。標準BP神經網絡模型由三部分組成(輸入層、隱層和輸出層)。BP模型輸入層的輸入和輸出滿足Oj=Xj。輸出層和隱層滿足下列等式:

其中，fj為神經元j對應的激發函數;現在使用次數最高的是Sigmoid函數:

其中，θj為神經元j的閾值;Xi為對神經元j的各個輸入;Wj為該神經元j與其對應輸入的連接權值。

圖1 神經網絡示意圖

BP網絡信息儲存主要依賴于體系結構和相鄰層節點之間的連接權值。體系結構包含網絡的輸出層，輸入層，隱含層的節點個數。把學習率η、隱含層的節點個數、系統誤差ε作為結構的主要參數。其中系統應用控制輸入層輸出層節點個數，用戶憑經驗控制隱含層節點個數。一般來說學習率取0.01～0.9之間，訓練次數和學習率大小成反比。但是，如果學習率太大，會影響網絡結構的穩定性。擬定誤差ε由輸出結果的要求控制，ε越小，要求的精度越高。

BP神經網絡算法的具體步驟如下:1)確定神經網絡的輸入向量X以及目標輸出向量T，同時將網絡權值初始化;2)進行神經網絡實際輸出計算;3)進行實際輸出向量和符合要求的目標輸出值的誤差計算;4)不斷進行權值學習，直至誤差到最小值。

重復上述流程，把系統誤差控制到最小。

3 工程應用

3.1 工程概況

本論文所研究的隧道是江西省境內某隧道，其所在區地勢整體南高北低，由西南向東北傾斜，成坐南朝北斜坡，垂直高差變幅較大，區內最高海拔712.10 m，最低海拔142.3 m，相對高差一般為60 m～150 m。標段線路經過復雜的地貌，包括山間凹地、剝蝕構造低山、沖洪積溝谷、丘陵等。地表水方面隧址區水系屬于贛江水系，地表水較不發育。地下水主要有風化帶孔隙裂隙水，基巖裂隙水以及構造裂隙水。

3.2 評價指標

通過分析隧道區域的地質信息及參考前人做過的研究和相關文獻，選擇地質構造、滲透率、降水量和水頭高度作為評價因子。其中將地質構造，依據發育程度和產狀的區別，分成5個等級，并對等級進行量化評定，如表1所示。

表1 地質構造量化等級

3.3 BP神經網絡學習樣本

根據實際現場考察和整理，同時考慮到樣本選取典型且全面，選取20個不同的有代表性的洞段的相關參數作為樣本，如表2所示。

表2 隧道涌水研究樣本

3.4 BP神經網絡模型

利用BP神經網絡對樣本進行學習，輸入節點為上述四個指標，輸出節點為涌水量值，隱含層節點控制在9個。考慮到量綱問題，為了保證不干擾網絡的收斂速度和訓練模型的可靠性，公式如下:

其中，xij為第i項指標第j個數據;xmax，xmin分別為原始數據中的最大值、最小值，歸一化后的值介于0～1之間。

經過對前8個具有代表性的樣本訓練學習，模型誤差在第78 213次學習后小于0.02，證明所建網絡模型收斂。

3.5 神經網絡模型檢驗

為了保證神經網絡的有效性和可行性，對后6個樣本進行檢驗，結果如表3所示。預測結果表明，BP神經網絡模型預測值與實測涌水量很接近，其中，相對誤差范圍在0.825% ～9.66%之間，平均為3.8%，是被允許的誤差值范圍;結果表明，利用BP神經網絡預測模型預測涌水量精度高，有一定的實用價值。

表3 利用BP神經網絡模型預測涌水量與實測涌水量的比較

4 結語

選取地質構造、滲透率、降水量和水頭高度作為評價因子，基于BP神經網絡提出了公路隧道涌水量預測模型，通過與工程實例對比表明，利用BP神經網絡模型對隧道內發生的涌水量進行預測是比較準確的。