BP神经网络在隧道围岩稳定性分类中的应用

刘刚

(大连市勘察测绘研究院有限公司，辽宁大连 116021)

BP神经网络在隧道围岩稳定性分类中的应用

刘刚∗

(大连市勘察测绘研究院有限公司，辽宁大连 116021)

将BP神经网络应用于隧洞围岩分类，BP神经网络通过学习记忆建立输入和输出变量之间的非线性关系。利用淮南洞山隧道围岩分类样本进行模拟检验，BP神经网络模型性能良好，对隧道围岩分类的精度较高，是一种值得推广和应用的围岩智能分类方法。

围岩稳定性；BP神经网络

1 引 言

隧道围岩分类是隧道工程中的重要研究内容。合理的围岩分类，对于客观反映岩体的固有属性、深入认识岩体力学特性和合理选取参数、制订岩体工程设计和施工方案、采取合理的工程处理措施是十分重要的。由于岩体的复杂性，围岩分类中存在大量的非确定因素，这大大限制了我们对围岩类别的认识。神经网络方法从模拟人脑的形象思维入手，具有非线性、并行性等特点，对于处理具有强噪声、模糊性、非线性的地质体信息。目前广泛应用的神经网络主要是BP网络，本次通过自适应的学习记忆过程，建立了分类模型，为地下工程围岩分类提供了新的途径。

2 影响隧道围岩稳定性因素分析

2.1 内在因素

影响隧道围岩稳定性的内在因素主要有:围岩体的结构及优势结构面组合特征、围岩的岩性特征地下水及天然应力场状况等。围岩的结构特征主要表现在地质构造对围岩岩石质量指标和完整性的影响，统计表明围岩的失稳往往是由于围岩中优势结构面所致。围岩的岩性特征主要表现在不同的岩性具有不同的抗压、抗剪和抗拉强度。地下水文地质条件主要表现在地下水的软化作用使得围岩岩体强度和结构面强度降低，特别是对于膨胀性岩土体(如粘土岩、页岩、黄土等)的强度和性质具有显著的影响，动水压力、静水压力及渗流场的作用往往也是导致围岩失稳的重要原因[1～3]。

2.2 外在因素

影响隧道围岩稳定性的外在因素主要有温度、地震、降雨及人类工程活动。由于外在因素的突发性和不确定性，在研究其影响方式和影响程度时我们通常采用概率统计的分析方法加以处理，本模型不予考虑。

3 隧道围岩稳定性识别BP网络模型

3.1 分级指标的选取

在以上分析基础上，根据对水工隧道影响围岩稳定性的因素分析，本模型选取了如下输入、输出信息作为围岩体的分级指标。

(1)输入信息

A为岩石质量指标(RQD)；B为岩土单轴饱和抗压强度Rc(MPa)；C为完整性系数Kv；D为结构面强度系数Kf；E为地下水渗流量W/(l/min)。

(2)输出信息

围岩质量等级，输出层结果(00001)，(00010)，(001O0)，(01000)，(10000)分别表示第V，Ⅳ，Ⅲ，Ⅱ，I围岩体。

3.2 样本的规一化处理

当输入样本中存在奇异样本时，网络训练时间将大为延长，为了消除训练时间对奇异样本的敏感性.我们通常需对输入样本进行规一化处理。收集到的训练资料共19个样本，表1是训练样本，表2是训练样本进行归一化处理的结果。16个样本用于网络训练，3个样本用于网络检验。

围岩分类神经网络学习样本 表1

7 50.0 35.0 0.32 0.35 10.0 Ⅲ8 76.0 63.9 0.65 0.62 10.0 Ⅱ9 23.5 13.4 0.15 0.16 120 Ⅴ10 78.0 58.6 0.57 0.55 10.5 Ⅱ11 81.0 65.2 0.56 0.65 6.0 Ⅱ12 24.2 12.5 0.13 0.18 125.0 Ⅴ13 26 28 0.25 0.30 15 Ⅴ14 85 64 0.36 0.42 12 Ⅳ15 91 48 0.57 0.55 5 Ⅲ16 65 54 0.23 0.51 13 Ⅳ17 87 42 0.58 0.66 12 Ⅲ18 46 38 0.28 0.32 6 Ⅳ19 23 25 0.28 0.17 14 Ⅴ

3.3 模型的建立

笔者在文中建立了三层BP网络模型(见图1)，输入神经元数为5个，隐层单元数为11，输出层神经元数为5个。根据水工隧道围岩分类的标准，对样本数据进行规一化处理后得到的数据(表1)作为样本来训练网络。训练结束时网络的目标误差函数——均方误差值为0.000 000 204，误差已经达到了目标误差(0.000 001)。而且只用了14次循环就达到误差要求(图2)，训练过程只用了几秒钟，说明网络的效率是很高的。

图1 围岩稳定性分类系统的BP神经网络

图2 网络训练过程中的误差记录

归一化处理后的围岩分类神经网络学习样本 表2

3.4 网络的检查

学习完成后即建立辨识模型，然后选取3个样本对网络进行检验，检验结果如表3所示。从表3的检验结果看，围岩分类神经网络模型的辨识正确率较高，具有准确、简便等特点。

神经网络检验结果 表3

4 应用实例

洞山隧道工程为左右分离式单向行车隧道，隧道全长约930 m，属中隧道。隧址区地层隶属华北地层区、淮河地层分区，淮南地层小区。隧址所在区域内，为一走向近东西的淮南倒转单斜构造，舜耕山东西向区域性断裂从隧道北部穿过。隧址区发育的主要地层有:寒武系下统馒头组、中统毛庄组、徐庄组、张夏组，上统崮山组、土坝组；奥陶系下统贾汪组、萧县组、马家沟组；第四系上更新统(Q3)。前第四系地层总体走向100°，倾向南，倾角75°。

用训练好的隧道围岩稳定性分类BP神经网络对洞山隧道进行分类分类结果如表4所示。

富溪隧道围岩分类结果 表4

上述围岩分类结果与专家意见基本一致，这说明运用BP神经网络模型对围岩进行分类是可行的，结果的准确性是可靠的。因此，BP神经网络用于隧道围岩分类的方法值得进一步完善和推广。

5 结 论

BP网络能够解决传统计算方法难以解决的工程技术问题。网络以其高度的非线性映射功能，将各种影响围岩稳定性的因素进行学习记忆，克服用单一敏感性指标和模糊主观判断，使经验决策定量化、科学化。在现场识别中，只要训练样本及输入参数选取得当，都可以提供较为满意的输出结果。且一旦模型建立好后，便可简洁、方便、快速地应用于相应领域，因此利用人工神经网络来研究隧道围岩稳定性具有非常广阔的应用前景。

[1] 于学馥，郑颖人，刘怀恒等.地下工程围岩稳定分析[M].北京:煤炭工业出版社，1980

[2] 林银飞，郑颖人.弹塑性有限厚条法及工程应用[J].工程力学，1997，14(2):108～112

[3] 朱素平，周楚良.地下圆形隧道围岩稳定性的粘弹性力学分析[J].同济大学学报，1994，22(3):329～333

[4] 胡建华，王福寿，张世雄等.地下工程围岩稳定性的MBP神经网络识别[J].岩土工程界，2001，4(12):63～64

[5] 丛爽.面向对象MATLAB工具箱的神经网络理论与应用(第二版)[M].合肥:中国科技大学，2003

[6] 闻新，周露，李翔等.MATLAB神经网络仿真与应用[M].北京:科学出版社，2003

[7] 周志华，曹存根.神经网络及其应用[M].北京:清华大学出版社，2004

[8] 刘刚.基于BP神经网络的隧道围岩稳定性分类的研究与工程应用.合肥工业大学，2007

The BP Neural Network in the Surrounding Rock′s Stability of the Application of the Classification

Liu Gang
(Dalian Academy of Reconnaissance and Mapping Co.，Ltd.Dalian 116021，China)

Application of BP neural networks to classification of surrounding rock of tunnel，established through the learning and memory of BP neural nonlinear relationship between the input and output variables.Use of HUAINAN cave mountain tunnel surrounding rock classification samples for simulation test，BP neural network model has good performance，high precision of tunnel surrounding rock classification，Is a worthy of promotion and application of surrounding rock intelligent classification method.

The stability of surrounding rock；BP neural network

2011—12—07

刘刚(1981—)，男，注册土木工程师(岩土)，主要从事工程地质和岩土工程等方面的研究与工作。

1672－8262(2012)02－167－03

TU457

B