基于BP的地下硐室围岩位移预测方法及应用

贾 涛 杜 飞 赵 洋

(山东黄金矿业(莱州)有限公司三山岛金矿)

基于BP的地下硐室围岩位移预测方法及应用

贾 涛 杜 飞 赵 洋

(山东黄金矿业(莱州)有限公司三山岛金矿)

以某工程实例为背景，建立基于人工神经网络的硐室围岩收敛位移预报模型，对已开挖的3个硐室围岩最终位移量进行检测，并将硐室围岩最终位移量与围岩坚固性系数的关系进行拟合，得到相应的关系函数，应用该函数对本分段内即将开挖的硐室D4的最终位移量进行了预测，预测值与实测结果吻合度较高,为后续施工过程中对围岩位移监测提供了重要的技术参考。

硐室 BP网络预测 围岩收敛 坚固性系数

由于地下工程受力极其复杂，难以准确掌握地下工程围岩变形情况[1-2]。自20世纪50年代起，地下硐室的量测在国内外兴起，人们期望从量测数据中找出变形规律，预测未来的发展动态，甚至预测不同时空的隧洞围岩变形情况，并产生了很多预测方法，如灰色预测、回归分析等[3-4]。20世纪80年代以来，神经网络理论有了巨大的进展，日前已广泛并且成功应用于图像处理、模式识别、自动控制、信号处理、经济预测等领域，近年来人工神经网络在岩土工程中也得到了广泛的应用[5-8]。本文运用人工神经网络，对3个已开挖硐室的围岩随时间变形进行记录，预测未来的变形，证实了该BP神经网络的可行性后，再通过BP神经网络所预测的已开挖的硐室围岩最终变形量及其坚固性系数拟合得到一函数，利用该函数计算本分段处于类似围岩中未开挖硐室的坚固性系数，得到该硐室围岩的最终变形量。经后续工程开挖及实际测量，验证BP网络预测结果及拟合所得函数的可靠性。

1 BP神经网络预测法

1.1 BP网络原理

人工智能研究中包含一个人工神经网络分支，以其在复杂的非线性系统中较高的建模能力及对数据良好的拟合能力，在预测及优化领域得到广泛的应用。神经网络的特征有自组织、自学习，以及联想推理等，能够解决各种非线性问题。从结构上讲，BP网络是典型的多层网络，分为输入层、隐含层、输出层，层与层之间多采用全互联方式，同一层单元之间不存在相互连接，每一层连接权值都可通过学习来调节。鉴于此，BP模型(back propagation)即误差后向传播神经网络成为神经网络模型中使用最为广泛的一类[9]。

1.2 硐室变形预报的BP网络模型

硐室围岩位移的时间序列预报模型描述如下：

x(t)=φ[x(t-1),…,x(t-S)] ,

(1)

式中，φ(*)为非线性作用函数;S为模型阶数。

时间序列预报模型建立的工程就是寻找φ(*)的过程[10]。通过前文分析可知，在观测数据序列噪声较小的情况下，选取了合理的神经网络结构参数，使用神经网络即可精确地反演出φ(*)。基于此，对式(1)进行离散处理可得：

xi+p=φ(xi,xi+1,…,xi+p-1,h) ,

(2)

式中，i=1,2，…，n；l=N-p-m；N为观测点个数；p为模型输入层的节点数；l，m分别为训练模型的样本个数和测试模型的样本个数；h为时间步长。

以前l个实测数据为输入层,输入模型中获得一个唯一的预测值，然后将上一次的输入序列去掉最老的那个值，在最新的位置添加本次所得的预测值，新序列即为下一次的输入序列进行下一步预测。以此类推可以得到围岩稳定时的位移值，如表1所示。

表1 N组用于建模与测试模型的数据

2 工程实例

2.1 工程概述

山东黄金某矿山在-200 m中段开挖3个硐室，分别为D1、D2、D3，D4硐室滞后开挖。硐室处在黄铁绢英岩等蚀变岩中，裂隙不发育，岩石较完整，其他地质条件基本一致，坚固性系数f不同:D1～D4分别为8.12,8.10,7.50,7.82。以硐室D1～D3断面顶板下沉数据为例，对BP网络的预测步骤及效果进行说明。

2.2 硐室围岩收敛变形BP神经网络

对已开挖的3个硐室断面围岩收敛变形进行监测，监测数据如表2所示。

表2 D1～D3断面收敛位移监测数据

通过前文的分析，采用三层神经网络，输入层5节点，隐含层8节点，输出层一个节点,对表2中的数据进行训练与预测。具体实施步骤如下：①由于数据都是隔天采集，时间上是等间距的,用表2中前5个数据作为输入层的第一组数据，输出值为第6个数，将第2～6个数据作为第二组输入数据，第7个数据作为第二组的输出数据,依次进行到倒数第6个数据，给定控制误差为0.02，进行约7 000次的训练，得到稳定的网络结构;②利用上一步训练好的网络对第31个数进行预测;③将得到的第31个数据做为输入层的第5个输入数据，同时删除上一次输入层的第一个数据，以此进行第32个数据的预测;④以此类推，对变形的后续发展进行预测。

2.3 网络预测结果可靠性验证

随机抽取3个断面的变形预测值若干，将预测结果和实测结果列表对照，如表3所示。

表3 各断面变形计算值与实测对比 mm

断面监测时间84d95d120d154d187d207dD1D2D3预测值3.8093.8253.8373.8493.8583.841实测值3.8563.8673.8223.8743.8683.742预测值1.1631.1671.1551.1611.1711.172实测值1.1811.1611.1671.1431.1041.137预测值1.1321.1261.1371.1581.1971.201实测值1.1511.1721.1791.1811.1801.194

由表3可以看出，神经网络模型的预测误差很小，能比较真实地预测围岩位移变化情况。同时，将BP神经网络预测所得结果与其他预测结果对比，以第84d的数据为例，实测数据和各种预测方法所得的预测数据见表4。

表4 第84 d各预测方法预测值及实测值 mm

断面BP网络预测灰色预测指数函数回归预测实测值D13.8093.7264.1013.857D21.1611.0821.3401.180D31.2411.1571.4761.260

由表4可以看到，较其他两种方法，BP网络预测与实测数据更为接近。

通过以上比较分析，认为BP网络预测结果更与实际接近，与实际值偏差度相当小。因而在地下工程中，BP网络预测是一种行之有效的方法。

2.4 硐室D4围岩变形预测

基于BP网络预测值与围岩坚固性系数f拟合方程对硐室D4围岩变形进行预测。由于已开挖3个硐室及后续开挖的第4个硐室所处工程地质环境基本相似，不同的是围岩坚固性系数f，希望通过研究最终变形量与f间的规律，为之后开挖硐室的围岩变形提供理论依据。将BP网络预测所得3个硐室围岩的最终变形量和f系数列于表5。

通过对数据的处理和分析，发现在该工程段，硐室围岩最终变形量S与坚固性系数f成线性关系，拟合得到线性方程：

表5 预测结果与f关系

S=-4.333f+36.36 .

(3)

由式(3)可以得到D4的f值为7.82，硐室开挖的围岩最终变形量为2.476 mm。该硐室开挖后进行围岩变形监测，变形量为2.490 mm，已趋于稳定，再次说明了上述BP网络预测值的可靠性，同时也证实了该拟合方程的可靠性。

3 结 论

(1)应用BP神经网络建立硐室围岩变形预测模型，并基于已有的样本数据经过训练，对将要开挖的围岩变形值进行预测，与硐室开挖后监测数据进行比较，验证了该预测模型的可行性。

(2)通过3种理论建立的预测模型对开挖硐室围岩变形的预测值比较，可知BP网络与实测值吻合度更好，更具有实用性。

(3)建立了围岩变形的预测值与围岩坚固系数f的关系，并通过拟合得出围岩变形量跟坚固系数f的关系式，通过工程实践验证了该关系的可行性，为工程施工提供一定的技术参考。

[1] 张子新,孙 钧.块体理论赤平解析法及其在硐室稳定分析中的应用[J].岩石力学与工程学报,2002,21(12):1756-1760.

[2] 冯夏庭,马平波.基于数据挖掘的地下硐室围岩稳定性判别[J].岩石力学与工程学报,2001,20(3):306-309.

[3] 赵国彦,吴 浩.未确知聚类方法及其在松动圈厚度预测中的应用[J].科技导报,2013,31(2):50-55.

[4] 赵国彦,王 珊,王 江.Fisher判别法在综放回采巷道支护形式选择中的应用[J].科技导报,2013,31(4):28-31.

[5] 张钦礼,李谢平,杨 伟.基于BP网络的某矿山充填料浆配比优化[J].中南大学学报：自然科学版,2013,44(7):2867-2874.

[6] 温继伟,陈 晨,陈宝义,等.基于GMS的地层三维结构可视化模型及神经网络预测[J].科技导报,2013,31(15):44-51.

[7] 周国祥,许锦洲,韦晓萍.基于BP网络与DS证据理论的态势估计问题研究[J].舰船电子工程,2013,33(8):50-52.

[8] 刘 庆,张光权,吴春平,等.基于BP神经网络模型的爆破飞石最大飞散距离预测研究[J].爆破,2013(1):114-118.

[9] 杨保安,季 海,徐 晶,等.BP神经网络在企业财务危机预警之应用[J].预测,2001(2):49-54.

[10] 王 旭,王 宏,王文辉.人工神经元网络原理与应用[M].沈阳:东北大学出版社,2000.

Displacement Prediction Method of Surrounding Rock in Chamber Based on BP Neural Network and Its Application

Jia Tao Du Fei Zhao Yang

(Sansandao Gold Mine, Shandong Gold Mining Industry (Laizhou) Co., Ltd.)

Taking a engineering example as the research background, the convergence displacement prediction model of chamber surrounding rock based on artifical neural network is established so as to monitor the final displacement of thess chambers that are already excavated, and the relationship between the final displacement of chamber surrounding rock and sturdiness coefficient of surrounding rock is fitted so as to obtain the corresponding relationship function. The relationship function is used to predict the final displacement of D4 chamber that will be excavated in this section. The research results show that, the consistency of prediction value and measured results is good. Therefore, the research method in this paper can provide technical reference for the monitoring the displacement of surrounding rock in the process of subsequent construction.

Chamber, BP network prediction, Convergence of surrounding rock, Sturdiness coefficient

2014-09-12)

贾 涛(1987—)，男，助理工程师，261442 山东省莱州市。