基于RBF神經網絡的長距離引水隧洞涌水量預測

韓強

（新疆額爾齊斯河流域開發工程建設管理局，新疆烏魯木齊830000）

1 工程概況

長距離輸水隧洞的突涌水問題對隧洞施工安全、施工效率以及隧洞建成后的運營質量會產生嚴重影響，因而為保證隧洞安全、高效的施工，對隧洞涌水量進行準確預測是十分有必要的。以新疆某大型調水工程為研究背景，該工程線路總體走向由西北至東南，地貌為低山丘陵。總地勢南高北低，東高西低，地形較為起伏，同時沿線沖溝較發育。海拔最低值為730 m，海拔最高值為1 400 m，洞室最大埋深為668 m，設計坡度1/3 000。引水隧洞基巖巖性為奧陶系黑云母石英片巖，淺灰色～深灰色，中厚層狀，層面中等發育，裂隙面起伏，絹云母化強烈，巖石中石英含量一般50%。洞內地下水主要為基巖裂隙水，洞內地下水主要為基巖裂隙水，洞段主要出現滲水到滴水，隧洞進口、過溝線埋段及斷層破碎帶洞壁會發生線狀流水，部分洞段會發生股狀涌水。本論文研究標段隧洞采用TBM 法施工，圍巖級別為Ⅲ～Ⅴ級。

引水隧洞在前期施工過程中多次出現較大突涌水現象，對現場施工造成了較大的干擾，對施工工期形成較大的影響。該工程水害現象較為頻繁，對隧洞涌水量進行合理的預測，關系到隧洞施工安全以及工程質量，同時也是指導TBM 施工的重要依據[1-4]。為此本文利用RBF 神經網絡，建立引水隧洞涌水量預測模型，預測隧洞建設過程中可能出現的涌水量，以便提前指導TBM 引水隧洞施工。

2 RBF 神經網絡模型

RBF神經網絡是包含輸入層、隱層和輸出層的前向分析網絡，設n 為輸入維數，k 為隱層單元數，m 為輸出維數，圖1為RBF神經網絡拓撲結構。

圖1 RBF 神經網絡拓撲結構

RBF 神經網絡輸入層與輸出層均為簡單線性函數，而網絡隱層是非線性的，隱層徑向基函數包括有高斯(Gauss)函數、Reflected sigmoid 函數等，本文徑向基函數選擇高斯函數。

RBF 神經網絡的映射關系包括兩部分：從輸入層至隱層的非線性變換為第一個部分。第i 個隱單元為：

式中：‖ ? ‖表示范數，‖X-Ci‖表示X 與隱層中心Ci的徑向距離，φi( x )在Ci處有最大值，‖X-Ci‖與φi( x )呈負相關關系；X 表示n 維輸入向量，即X=[ x1，x2，…，xn]T；Ci表示第i個非線性變換單元的中心向量，Ci與X 具有相同維數，即Ci=；σi表示第i 個徑向基函數的寬度，徑向基函數的寬度越小，基函數的選擇性就越強。

從隱層到輸出層的線性相加為第二部分。第j 個輸出單元為：

式中：wij表示連接第i 個隱層和第j 個輸出層單元的權值。RBF 神經網絡學習目的是為了確定Ci，σi，wij，隱層的中心Ci和寬度σi代表樣本空間模式及各中心的相對位置，實現了采用將輸入向量非線性映射到隱含層空間；另外，輸出層的權值wij實現將隱層空間線性映射到輸出向量[5,6]。

3 工程應用

3.1 評價指標

隧洞突涌水的發生不僅取決于隧洞的工程地質條件，還受地下水循壞條件的影響。本文根據新疆某大型調水工程的實際情況，結合國內外一些隧洞涌水量預測判據和工程案例，選取下列因素作為隧洞涌水量的評價指標：地質構造、滲透率、上覆含水體富水性和水頭高度。其中地質構造主要考慮圍巖的巖性條件和節理裂隙的發育情況，根據構造的發育程度劃分為7個等級，如表1所示。

表1 地質構造量化等級

3.2 RBF 神經網絡學習樣本

為了保證樣本的典型性和全面性，根據現場施工反饋，選取該工程區有代表性的12 個不同洞段的相關評價參數構成樣本集，如表2 所示。前10 組樣本為學習樣本，后2 組樣本為檢驗樣本。

表2 隧道涌水研究樣本

3.3 RBF 神經網絡模型

將前文選擇的4 個指標定義為神經網絡的輸入向量，涌水量定義為輸出向量，采用RBF 網絡進行學習。由于各指標量綱不同，會影響網絡的收斂速度和訓練模型的可靠性，需進行各指標的無量綱化處理，可按如下公式進行。

式中：xij為第i 項指標第j 個數據；xmax為原始數據中的最大值；xmin為原始數據中的最小值。歸一化后的值介于0 和1 之間。

首先，將前10 組樣本進行歸一化處理，然后利優化后的RBF 神經網絡模型對樣本進行學習，訓練達到誤差ε=0.01 的要求僅需158 步，證明RBF神經網絡的學習收斂速度較快。

3.4 RBF 神經網絡模型檢驗

為進一步驗證RBF 神經網絡訓練出的模型在實際工程應用中的可行性和有效性，將第11 號和第12 號樣本作為檢驗樣本，利用訓練完成的RBF神經網絡進行檢驗。針對12 號樣本的預測結果，可能出現較大的出水量，施工單位采用激發極化水量探測設備進行了地下水發育情況探測，探測結果如圖2 所示。預報結果表明，前方電阻率較低，可能出現股狀水。TBM 護盾后方出現多處股狀出水點，現場開挖情況和RBF 神經網絡預測情況基本一致。預測結果與現場實際測量的涌水量相比如表3 所示，11 號樣本和12 號樣本相對誤差為11.2%和9.2%，均在15%以下，在允許誤差值范圍內。綜上所述，本文提出的RBF 神經網絡模型在TBM 施工的引水隧洞水量預測方面，具有很強的實用性。

表3 預測涌水量與實測涌水量對比表

圖2 地下水發育情況激發極化探測結果

4 結語

長距離輸水隧洞的突涌水問題對隧洞施工安全有著較重要的影響，論文選取地質構造、滲透率、上覆含水體富水性和水頭高度作為評價因子，采用RBF 神經網絡建立了隧洞涌水量預測模型，并將該預測模型成功應用于新疆某大型水利工程引水隧洞中。

在工程案例對比分析中，將RBF 神經網絡模型、激發極化超前預報、現場開挖情況進行比較。應用結果表明，RBF 神經網絡模型能夠有效地預測隧洞涌水量，從而減少突涌水災害的影響，保證施工的順利進行。對于其它隧洞可以根據具體情況對預測模型做適當調整，使預測結果更加接近于實測值。