復雜地質條件下的隧道大變形組合預測研究

查 政 中交第四公路工程局有限公司

1 引言

隨著我國道路交通網絡逐漸向西部山區擴展，公路隧道的結構多樣化，地質條件復雜，施工難度大大增加。軟巖是典型代表之一，根據國內外建造軟巖隧道的實踐，在軟臂結構上建造隧道時，經常會發生較大的變形和破壞現象，如噴水層裂縫，扭曲的鋼拱或格柵以及支護滲透極限，它對施工安全和施工進度有嚴重影響。

由于中國交通建設的飛速發展，隧道工程的數量和規模日益增加，工程問題也日益增多。其中，大的隧道變形已成為隧道形成中的難題，分析隧道變形的趨勢非常重要。變形預測可以為以后的安全配置提供指導。許多學者在這一領域進行了相應的研究。例如，高寧等人建立了深埋隧道的應變預測模型，有效地克服了王開陽在數值模擬和現場測量以及預測的破壞模式和位置的基礎上預測應變的復雜性和隨機性。隧道大變形，為合理確定支護方案提供科學依據；評估隧道安全性。上述研究在隧道變形預測中取得了相應的結果，但較大的隧道變形是具有隨機性和模糊性的非線性過程。單個模型很難獲得有效的預測。組合預測模型不但降低了預測的風險，而且可以提高預測的準確性，因此將其介紹給隧道中的大變形預測過程。

2 算法介紹

神經網絡例如RBF 神經網絡、BP 神經網絡等方法可以廣泛適用于復雜地質條件下的隧道大變形組合預測研究，首先需要現階段隧道大變形地一些數據，然后可以通過預測獲得未來復雜地質條件下的隧道大變形。神經網絡是通過連接眾多簡單組件而形成的。與動物神經網絡類似，它具有很強地非線性，可以實現此類地關系并執行更加難以理解地運算。信息處理算法模型。具體功能包括以下幾點。

（1）非線性問題解決：大腦思考活動需要通過大量地神經元，但是神經單元基于一般情況下有兩種狀態：狀態除以抑制態和受激態。神經單元構成了一個人工神經網絡。同時，神經元的閾值可以進一步提高人工神經網絡的容錯能力和存儲能力。

（2）情景信息處理：神經網絡不僅可以記住過去輸入的信息，還可以預測與人腦機制處于相同未來狀態的信息。

（3）反映證據的能力：人工神經網絡可以根據不同的模式提供和選擇特定的模式信息，并且還包括決策信息源的可靠性。通過分類生成的難以確保地情況也可以通過以下信息消除，以便于再次遇到此類問題是可以輕松解決。

（4）一致性。這種網絡基于改變突觸權重來適應不同情況下地變化。基于某一種情形下，可以更輕松地訓練神經網絡來處理實際工作條件中的細微變化，這充分證明了神經網絡的強大適應性。

徑向基本功能網絡是三層前向網絡。第一層是輸入層，節點數與輸入維數相同。第二層是隱藏層，節點數取決于問題的復雜性。第三層是輸出層。節點數與輸出數據的維數相同。 徑向基本網絡不同于多層感知器，每層都有不同的功能，隱藏層是非線性的。 徑向基函數用作將輸入矢量空間轉換為隱藏層空間的基函數。線性不可分離的問題變得線性可分離，并且輸出層是線性的

常見的高斯函數是徑向基是一種徑向基函數。通常，徑向基函數被編寫為Φ(x,y)=φ(‖ x-y ‖)，‖ x ‖代表歐幾里得標準。E.M.根據Stein 和G.Weiss 的定義，徑向基函數必須：如徑向基函數是‖ x1‖=‖ x2‖，所定義：‖ x1‖=‖ x2‖，函數值僅與自變量的標準有關。

本文采用Moody 和Darken 提出的RBF 神經網絡進行預測。與其他神經網絡相比，RBF神經網絡僅由輸入層，隱藏層和輸出層組成，并且是局部近似的，從而可以更快地進行訓練和收斂。

輸入層節點將輸入信號發送到隱藏層。隱藏層節點由類似于高斯函數的徑向函數組成，基于函數的函數響應本地輸入信號。換句話說，當輸入信號接近基本功能的中心時，導致有隱藏信號，輸出層節點一般是一個類一次函數。其中：

x ={x1,x2,x3,???,xp}

包括網絡輸入向量，隱藏層基本函數：

c ={c1,c2,c3,???,cp}

中心和輸出層偏移θ0以及權重向量：

θ ={θ1,θ2,θ3,θ4,???,θq}

p和q是網絡輸入層的維數和隱藏層神經元的數量。

依照此類模型地建立，采用了高斯函數視作隱藏節點函數：

3 應用

在施工過程中，為實時掌握隧道大變形規律，施工方在大變形段進行了變形監測。堡鎮隧道是分離式特長隧道，位于構造侵蝕、剝蝕中山區，左線長11.563km，右線長11.595km，最大埋深630m。該隧道緊鄰318國道，南部巖溶地貌發育，北部尖棱狀山脊發育。隧址區巖性以碎屑巖、泥灰巖和頁巖為主，并以單斜構造為主，斷裂構造不發育，但節理構造普遍發育，走向主要為東北向。區內地表水較發育，主要發育有兩條河流，具常年流水; 地下水以巖溶水和裂隙水為主，受隔水層作用，兩者相對較獨立。其中，某一個斷面的拱頂沉降數據較為完整，可作為組合預測思路的驗證數據源。在此部分中，總共有30 個監視數據周期，并且監視頻率每天執行一次。數據表明，某一個斷面的拱頂沉降固定達到331.31mm，遠遠超過了保留的應變，早期的應變明顯高于后期的應變。根據組合預測思想，首先使用RBF神經網絡來預測螺栓沉降，訓練樣本是從第一個周期到第24個周期，而驗證樣本是從第25個周期到第30 個周期。根據預測，RBF 神經網絡預測模型對降低預測風險具有積極作用，并驗證了組合預測的必要性。RBF 神經網絡的最大和最小相對誤差分別為3.54%和2.81%，平均相對誤差為3.10%。使用RBF的神經網絡構成了復雜條件地址模型的非線性組合預測模型。綜上所述可以分析得到，把這種算法運用到處理這些數據，有效地保證了精度，而且建立了此類問題地模型，得到了良好地發展。另外，RBF神經網絡的非線性組合預測模型建立復雜條件地質模型的加權方法的相對誤差為2.25%。取得了良好地效果。

圖1

4 結論

通過基于RBF神經網絡算法，對其進行了研究，并用于驗證隧道的組合變形。RBF神經網絡預測模型對降低預測風險具有積極作用，驗證了組合預測的必要性，RBF神經網絡的最大、最小誤差依次是3.54%和2.81%，其他誤差是3.10%，對其預測具有積極作用，可以獲得良好的效果。