（环境工程专业论文）青岛地铁3号线暗挖段地表变形bp神经网络预测研究.pdf

进行分析，得知围岩级别与地下水情况的敏感性较大。 本文创新点在于将基于神经网络的函数逼近问题与时间序列预计问题两大变 形预测问题结合起来进行预测。预测结果初步表明，网络模型只要有可靠有效的 先验性数据，预测的结果是能够满足要求的。 最后，本文指出了存在的问题和进一步可能的研究工作，通过本次的研究学 习工作，结果表明，利用神经网络建立预测模型是可以达到较为理想的预计精度， 实时指导信息化施工的。 关键词：地表沉降地质条件b p 神经网络 t h ep r e d i c t i o nr e s e a r c hb a s e do nb pn e u r a ln e t w o r ko f q i n g d a om e t r ol i n e 3g r o u n ds u r f a c ed e f o r m a t i o nb y h i d d e n d i g g i n gm e t h o d a b s t r a c t i nr e c e n ty e a r s ，a l o n gw i t ht h ec i t yp o p u l a t i o ng r o w t h ，t h es e v e r et r a 伍cp r o b l e m s ， t h ec i t yu n d e r g r o u n de n g i n e e r i n gd e v e l o p i n gr a p i d l y b u tt h ef o r m a t i o nl o s sa n d s t r e s sr e d i s t r i b u t i o na n dm a n yo t h e r sc a u s e st h es t r a t am o v e m e n ti nt h eu n d e r g r o u n d e n g i n e e r i n gc o n s t m c t i o n ， w i l lr e s u l ti nd i f f e r e n t d e g r e e o fs e t t l e m e n ta n d d i s p l a c e m e n t w h e ng r o u n ds e t t l e m e n ta n dg r o u n ds u r f a c ed e f o r m a t i o no v e rac e n a i n l i m i t ，“c a nc a u s et h eg r o u n ds u b s i d e n c e ，f o u n d a t i o np i tc 0 1 l l p s e ，a n do t h e rd a m a g e s t ot h et u n n e l ，s u r r o u n d i n gb u i l d i n g sa n dt h eu n d e r g r o u n du t i l i t i e s a tt h es a m et i m e ，i t w i l la 色c tt h en o m a lu s ea n ds a f e l yo p e r a t eo ft h et u n n e la n dt h eb u i l d i n g so nt h e e a r t h ss u r f a c e w h e ns e r i o u sa c c i d e n th a p p e n e d ，i te v e nc a nc a u s es t a f fc a s u a l t y b a d i n n u e n c ei n s o c i e t yw i l lb et h ec a u s e db yt h es e r i o u se c o n o m i cd a m a g ea n ds t a f f c a s u a l t y s oi ti sn e c e s s a r yt oc o r r e c t l yp r e d i c tt h es u r f a c em o v e m e n ta n dd e f o n n a t i o n w h i c hc a u s e db yc i t yt u n n e lc o n s t m c t i o na n dp u t sf o n a r dp r a c t i c a lp r e d i c t i n ga n d c o n t r o l l i n gm e t h o d ，i no r d e rt og i v ei n f o r m a t i z a t i o nd y n a m i cc o n s t m c t i o ng u i d a n c e t h i sp a p e rf i r s t l ya n a l y s e sa n dd i s c u s s e sv a r i o u sc a l c u l a t i o na n df o r e c a s t i n g m e t h o d st ol a n dd e f o r m a t i o nc a u s e db yt h et u n n e le x c a v a t i o n ，s u c ha se x p e r i e n c e f o r m u l am e t h o d ，s t o c h a s t i cm e d i u mt h e o r y ， a n dn u m e r i c a ls i m u l a t i o nm e t h o d s ， s t a t i s t i c a l a n a l y s i s m e t h o da n dt i m es e r i e s a n a l y s i s m e t h o da n da r t i 而c i a ln e u r a l n e t w o r km e t h o de t c t h ep a p e ra l s oi n t r o d u c e st h ep “n c i p l ea n dt h ea p p “c a b l e c o n d i t i o n so ft h e s em e t h o d s ，a n dl i s t st h ev a r i o u so fp r o j e c ta p p l i c a t i o ne x a m p l e s ， p o i n t so u tt h ea d v a n t a g e sa n dd i s a d v a n t a g e so fe a c hm e t h o d a tt h es a m et i m e ，t h e w a y sh o w t or e s e a r c ht h el a n dd e f o r m a t i o nw e r eb r i e n yi n t r o d u c e da n dp oi n t so u tt h e d e v e l o p m e n tt r e n do ff o r e c a s t t h i sa r t i c l e t h r o u g ht h es t u d ya n da n a l y s i st ot h er e l a t e dg e o l o g i c a ld a t aa n d m o n i t o r i n gd a t ac 0 1 l e c t e di nq i n g d a os u b w a y ，i nt h es t u d yo fa r t i f l c i a ln e u r a ln e t w o r k t h e o r y ，d e e p l ya n a l y s e dt h es t i r 【j c t u r eo fa r t i 俞c i a ln e u r a ln e t w o r k ，i n c l u d i n gt h en e u r a l m o d e l ，t h en e t w o r ko fe x c i t a t i o n 向n c t i o n ，c h a r a c t e “s t i c so ft h en e t w o r ka n d1 e a r n i n g ( 1 e a r n i n g m e t h o d sa n d r u l e s ) ， c o m b i n e st h e t h e o r ya n de n g i n e e r i n gp r a c t i c e ， e s t a b l i s h e sb pn e r v en e t w o r km o d eo fp r e d i c t i o na b o u tt h es u r f a c ed e f o r m a t i o n d e g r e e c a u s e d b y i n t e r v a lt u n n e le x c a v a t i o n m a k e st h e p r e d i c t i o n s u r f a c e d e f o m a t i o nd e g r e ec a u s e db yi n t e r v a lt u n n e le x c a v a t i o n c o m p a r e dw i t ha c t u a l m o n i t o r i n gd a t a ，i tp r o v e dt h a ti nt h ed i f f e r e n tg e o l o g i c a lc o n d i t i o n s ，t h ep r e d i c t i o nt o t h es u r f a c ed e f o r m a t i o nc a u s e db yi n t e r v a lt u n n e le x c a v a t i o nh a v eah i 曲a c c u r a c y t 1 1 r o u 曲p r o c e s s i n gt h eo b s e r v a t i o n a ld a t at o t h eb a o h e s3 7m a i nm o n “o r i n g s e c t i o n s ( 3 0t r a i n i n gs a 1 p l e s ，7a st e s ts a n 】p l e s ) ，a n dt h ep r e l i m i n a r i l ya n a l y z e do f g r o u n ds u r f a c ed e f o r m a t i o nd e g r e ei nd i f 佗r e n tg e o l o g i c a lc o n d i t i o n sa n dd i l ! e ：。r e n t s e c t i o n s ，b yu s i n gb pn e r v en e t w o r km o d e li nt h em a t l a bn e u r a ln e t w o r kt 0 0 1 b o x m a k em o d e la n dp r e d i c t e dt h a t ，s e c t i o nt u n n e lg r o u n ds u r f a c ef o m a t i o ni s c l o s e l y r e l a t e dt ot h es u r r o u n d i n gr o c k1 e v e l s i ft h es u r r o u n d i n gr o c kp o o ra r e ae v e ni ft h e a d v a n c e dc o n s t m c t i o nt e c h n o l o g yi s a p p l i e d ，t h es u r f a c ed e f o r m a t i o ni ss t i l lm o r e t h a na n yo t h e ra r e a i ts h o w st h a tg e 0 1 0 9 i c a lc o n d i t i o n sp l a y sad e c i s i v er o l e i nt h e s u r f a c ed e f o r m a t i o ns i z e d i f f e r e n t q u a l i t yo fs u r r o u n d i n gr o c k ，d i f k r e n ts u r f a c e d e o n n a t i o ni s 0 v e r a l l ，h i g h e rt h el e v e lo f s u r r o u n d i n gr o c ki s ( t h ep o o r e ri n t e g r i t y ) ， b i g g e rt h es u r f a c ed e f o r m a t i o n i n c l u d i n g 丘o mt h en e t w o r kl e a r n i n ga n dt r a i n i n g p r o c e s s ，a n a l y z i n gt h em a i ni n f l u e n c ef a c t o r si nt h et u n n e le x c a v a t i o na n ds u r 矗c e d e f o m a t i o n ，t h a ts u r r o u n d i n gr o c k s1 e v e la n dg r o u n d w a t e rs i t u a t i o nh a v e 1 a r g e r s e n s l t l v l t y t h i sp a p e ri n n o v a t i o np o i n t si sc o m b i n e dt h e 如n c t i o na p p r o x i m a t i o na n dt i m e s e r i e s p r e d i c t i o nf o rt w ol a r g ed e f o r m a t i o np r e d i c t i o np r o b l e mb a s e do nn e u r a l n e t w o r k 。 p r e l i m i n a r yr e s u l t sb yt h ef o r e c a s ts h o wt h a t ，a sl o n ga st h en e t w o r km o d e l c a np r o v i d er e l i a b l ea n de f f e c t i v ep r i o r i t yd a t a ，t h ep r e d i c t i o nr e s u l to fw h i c hc a n s a t i s f yt h er e q u i r e m e n t f i n a l l y ，t h ep a p e rp o i n t so u tt h ee x i s t i n gp r o b l e m sa n dt h ef u i r t h e rp o s s i b l er e s e a r c h w o r k t h r o u g ht h er e s e a r c ha n ds t u d y ，t h er e s u l ti n d i c a t e st h a te s t a b l i s h i n gp r e d i c t i o n m o d e lu s i n gt h en e u r a ln e t w o r kc a ng e ta ni d e a le x p e c t e da c c u r a c y ，w h i c hc a ng u i d e i n f o r m a t i o nc o n s t m c t i o n k e yw o r d s ：g r o u n ds u r f a c ed e f o m a t i o ng e o l o g i c a lc o n d i t i o n b pn e u r a ln e t w o r k 青岛地铁3 号线暗挖段地表变形b p 神经网络预测研究 1 绪论 1 1 选题目的与意义 近些年来随着城市的人口的增长，交通问题的日益严峻，城市地下工程迅速 发展，而地下工程的施工势必会由于地层损失和应力重分布等众多原因从而引起 地层的变形移动，引起不同程度的沉降和位移，当地层的移动量和地表变形量超 过一定的极限值的时候就会造成地面沉陷、隧道破坏、周边建筑物倾斜等损害、 地下管线断裂损害等事故，影响到隧道和地表建筑物的正常使用和安全运营，造 成严重的经济损失，严重时候还会造成工作人员的伤亡，从而产生不良的社会影 响。在城市中进行地铁隧道开挖时，需要协调与保护城市中有重大的历史意义和 经济、社会效益的公共基础设施，根据地表安全保护的标准和要求，根据标准和 要求采取有效的措施来减小地变的变形，进而保证地表建筑、道路、地下管线等 不至于造成破坏，生态及生活环境不受破坏性影响，这就迫切需要研究隧道开挖 施工所引发的地表沉降量。找到适用的方法正确预测城市地铁隧道开挖施工引起 的地表移动及变形显得十分必要，并提出较为可靠实用的预计和控制方法，进行 信息化动态指导。 对隧道施工引起的地表沉降问题的研究，最早的研究起源于对煤矿等矿山巷 道上方地表沉降现象的分析 1 。从地表变形的研究预测理论来看方法主要有经 验公式法、随机介质理论和基于有限元数值分析方法，人工智能神经网络等。目 前对于隧道施工引起的地表沉降研究以随机介质理论为主，随着计算机技术的发 展，最近十几年再次兴起的人工智能神经网络由于其具有的并行分布式处理，非 线性处理，自学习、白组织和自适应能力在处理信息复杂，不确定性因素多的岩 土工程的非线性问题中能快速寻找优化解而得以广泛应用。特别是其中的b p 神 经网络模型，结构简单、可操作性强、能模拟任意的非线性输入与输出关系，被 广泛用于函数逼近、模式识别、分类和数据压缩等领域，已经成为目前应用最广 泛的神经网络学习算法 2 。 青岛市地质条件特殊，与北京、深圳等其他城市建设地铁的地质条件相比， 青岛地质具有自己的特点，总体上隧道通过地段多为花岗岩地层，只是围岩级别 青岛地铁3 号线暗挖段地表变形b p 神经网络预测研究 有所不同，一般多数采用矿山法( 钻爆法) 施工，但是也存在沙土层和粘土层地 段，施工难度大，而改用其他施工方法。总体来说由于青岛地层上土下岩，上软 下硬的特点使得地表变形规律与其他地方有所不同。不同地质状况条件下的地表 变形规律研究较少，为了进一步的研究不同地质条件下地表的变形特点，本文尝 试采用m a t l a b 神经网络工具箱中b p 神经网络建立网络模型进行沉降预测，利 用人工神经网络，建立隧道开挖地表沉降的b p 神经网络预计模型，用工程实例 证明b p 神经网络用于预测是可行的，对于实时的信息化施工有进一步的理论及 实际指导意义。 1 2 隧道开挖引发地表变形国内外研究评述 1 2 1 隧道开挖引发地表变形的预测研究的国内外研究现状 对隧道施二 所引起的地表变形及沉降问题的研究，经过长期的研究发展，主 要应用的有经验公式法、随机介质理论、数值模拟方法和近期兴起并广泛采用的 人工神经网络方法。 ( 1 ) 经验公式法 地铁隧道施工对了二近地表周边各环境问题的影响广大学者进行了大量的研 宄，目前多数集中在探讨地层变形和地表沉降对邻近各建( 构) 筑物和地下管线 的破坏影响，国内外众多学者已经取得了不少的研究进展与成果。1 9 6 9 年，p e c k 在当时大量隧道开挖施工引起的地表沉降实测资料的基础上，系统地提出了地层 损失概念和估算隧道开挖地表下沉的实用方法，即p e c k 公式。此后，不少学者和 工程技术人员作了大量工作，使之成为目前应用最为广泛的预计隧道施工开挖地 表沉降的方法。预计沉降的计算中经典、常用的公式就是p e c k 公式。他认为隧道 开挖不排水情况下所形成的地表沉降槽的体积应等于地层损失的体积，地层的损 失在整个沿线隧道长度上呈均匀分布，隧道施工所产生的地表沉降量横向分布时 候近似地为正态分布曲线口】，即距隧道轴线越远，沉降量越小，并给出了地面沉 降横向分布估算公式。 近地表地层的变形规律随着地质条件的不同( 如对于黏性土和砂类土来说， 两种情况下的深层位移规律有很大差别) 而有较大地变化，对此长期以来只有定 性的认识。在这方面研究取得重要成果的是英国学者m a i r 4 等人( 1 9 9 3 年) ，根 青t 尚地铁3 号线暗挖段地表变形b p 神经网络预测研究 据在黏土中的有限的实际所得资料，在p e c k 公式的基础上考虑了沉降槽宽度随 深度的变化，得出了预估地表以下地层竖向位移的方法。 在长期的城市隧道施工中，日本积累了丰富的工程经验，由于国家地理条件 特殊性和环境的影响问题，因而对隧道开挖引起的地表沉降及变形问题十分关 注。f u j i t a ( 1 9 8 2 ) 从事在软弱地层隧道工程中不同的施工方法对地层影响差别的 研究，提出了基于地层条件、辅助工法、隧道直径及埋深、盾构形式等因素有关 的最大沉降量预测值。 在总结我国上海等地区软土隧道开挖工程的经验，刘建航( 1 9 7 5 ) 依据p e c k 公式基本原理，推导了盾构正常施工引起地面沉降的纵向分布计算公式。 结合上海地区饱和软土和饱和软粘土中试验段盾构施工工程数据进行计算分 析，并与现场测试结果对比，同济大学候渊等( 1 9 8 7 ) 提出了考虑时效( 即士体 扰动后固结) 的修正p e c k 公式。 韩煊，李宁，j a m i er s t a n d i n g 【5 1 在m a i l 等人对地表以下沉降槽研究成果 的基础上，对沉降槽宽度参数随地层深度的变化趋势进行着重的讨论，并提出了 相关的修正计算公式。 对于经验公式法，是鉴于工程实际沉降情况进行研究，对结果分析总结出的 经验公式，在实际施工过程中，再通过实际测量的数据结果进行数据拟合，优点 在于方便实用，但是由于缺乏定的理论依据，也存在有不少缺点不足的地方。 ( 2 ) 随机介质理论 波兰学者李特威尼申( j l i t w i n i s z ) 基于砂箱模型的实验研究，提出了五大公 理，应用严密的数学方法，建立了随机介质理论来研究采煤岩层与地表移动问题。 自上世纪9 0 年代以来，矿山工程中研究开采矿石对地表影响的随机介质理论和 方法，开始被广泛应用于地铁工程( 北京及深圳等地) ，刘宝琛等 6 1 在随机介质 概念的基础上建立了横向和纵向地表沉降槽预测公式，应用随机介质理论对近地 表开挖引起的地表移动及变形问题进行了大量的研究工作。 在此基础上，我国的专家学者刘宝深、廖国华、阳军生等人经过长期的研究 发展，其理论已逐步完善，理论的应用领域从最开始的煤矿地下开采引发地表移 动预计，发展到由露天开采，金属矿地下开采、近地表开挖及地层疏水所引起的 地表变形移动预计问题，发展形成并提出了较为实用的概率积分法。即将开挖 青岛地铁3 号线暗挖段地表变形b p 神经网络预测研究 过程引起的地表移动过程当成随机过程，用概率论的方法建立由地下单元体开 挖所引起的围岩及地表单元下沉盆地表达式，经迭加计算从而建立地表沉降的剖 面方程表达式【7 1 。 刘大刚，陶德敬，王明年 8 1 以随机介质理论为基础，对预测公式进行了改进， 实现了双孔平行隧道施工引起的地表沉降、水平位移、水平变形、倾斜、曲率预 测，研发了城市隧道开挖引起的地表沉降及变形预测系统。 高盼，郭广礼 9 】针对隧道开挖过程中岩土体的形态结构特征，分析了随机介 质理论在隧道开挖中的适用性，在此基础上建立了基于随机介质理论的独岩隧道 开挖引起的地表沉降模型，选取了相应的模型参数，并编程实现模型。 伍振志 1 0 】基于随机介质理论基本原理，推导了隧道开挖断面均匀收敛模式及 底部土体位移为o m m 的非均匀收敛模式下单孔及平行双孔椭圆断面隧道开挖引 起的地表位移与变形计算公式，并采用模拟退火遗传算法求解了该模型对应参数 识别的复杂的非线性优化问题，使随机介质理论方法更加趋于合理，适用范围更 大。 ( 3 ) 数值模拟方法 数值模拟法，最开始依赖于有限元，有限元的不断发展使其逐渐成为求解复 杂的岩石力学及工程问题有力：【：具，岩土工程数值模拟的方法得以迅速的发展， 基于连续和非连续介质力学，数值模拟研究岩土体的力学性质的方法主要基于连 续介质力学和非连续介质力学两方面研究。有限差分法、有限单元法、边界元法、 加权余量法、半解析元法和无界元法( 有限元法的推广) 是基于连续介质力学 的数值模拟方法。基于非连续介质力学的方法，主要包括离散单元法，刚体元法， 非连续变形分析法掣 。 有限差分法，目前工程常用的f l a c 、f l a c 一3 d 数值模拟软件就是基于有限 差分原理开发的。贾晓云，林宝龙 j 2 1 用f l a c 一3 d 对南水北调工程线下穿高速公 路段暗涵施工过程进行了模拟，研究地表变形规律，从而有针对性的采取措施。 有限单元法则是把连续体离散为通过节点瓦连的许多单元体，并且以位移函 数来描述单元的变形，使位移、应力等物理量得以求解的一种数值计算方法【1 3 ， 能灵活地模拟岩土工程中复杂的施工过程，适合于较复杂的地质条件。国际比较 常用有限元程序有a b a q u s ，a n s y s ，a d i n a 等。多种数值方法中，有限元法的应用较 4 青岛地铁3 号线暗挖段地表变形b p 神经网络预测研究 为普及和成熟。应用有限元法对隧道施工进行研究的国内外文献很多。2 4 1 。 边界元法是以b e t t i 互等定理为基础，求解边值问题的数值方法，分为直接法 和间接法两种。较适合在半无限域或无限域问题求解，尤其是地下工程在等效均 质围岩中问题。 加权余量法也是一种求解微分方程的数值法，其独特的优点是得到结果同时 也给出余量的大小，而余量的大小又直接反映出解答问题精确程度。 半解析元法是也是基于变分原理的，是解析方法和数值手段结合而成的，兼 备两者的优点，应用于许多工程领域分析中。半解析元法利用部分已有的解析结 果，选择适当的位移函数，用适当的函数来模拟远场问题，将三维问题降为一维 问题，因此自由度和计算量大大降低。这类方法适用于求解高维、无限域及动力 场等较复杂的问题。柳厚祥，潘旭东，余志江等【2 5 1 基于弹性力学m i n d l i n 解，假 定隧道围岩为均质弹性体，给出了用于预测隧道施工引起的地表变形的半解析 法。 c u n d a l l 于1 9 7 1 年提出的离散单元法是一种专门用于解决非连续介质问题的 有效方法，其最大的特点是允许单元之间的相对移动，不需要满足位移连续和变 形协调条件。 此外还有大量国内外学者用数值分析方法对隧道开挖引起的地表变形及沉降 进行了研究，但是数值方法的不足之处在于： a 、隧道开挖所引起的地层变形问题不是一个简单的岩土工程加载问题，而是加 载及卸载同时进行作用的复杂问题，工程进行中隧道周围土体所产生的应力路 径、应力状态都比较复杂。此问题对土的本构关系要求较高，所以很难选择较为 合理的数值模型来分析。若采用了复杂的本构关系，难以给予准确的计算参数值。 另外，各种施工器械工具和辅助加固措施等产生的力学效应在数值模拟计算中也 难以体现。 b 、对地层变形及沉降位移的模拟过程，实际上是对隧道开挖造成的岩土体应力 释放过程的模拟，本质上是对初始应力场的模拟。然而，其中关键的水平方向初 始应力的研究目前尚不足够，特别是对超固结土地区，侧向土压力系数k 又是一 个影响很大、但是又难以给予确定值的计算参数。 c 、真实的土体本来是一种不能承受拉力的散体介质或弱承拉介质，当土体在简 青岛地铁3 号线暗挖段地表变形b p 神经网络预测研究 单受压情况下，采用一定的数值模型可以模拟得到较为符合实际情况的结果。但 是若采用连续介质的数值分析方法模拟隧道开挖，在多数情况下拱顶及其以上各 土层中不同程度地产生一定的拉应力，这与实际的土层( 特别是拱顶) 的受力状 态是不尽相同的。 ( 4 ) 人工神经网络在地铁施工地表变形中的应用研究 人工神经网络理论的发展高潮使得神经元网络理论成为一门迅速兴起的非线 性科学，它试图最大程度将人脑的一些基本特性与功能进行模拟，如自组织、自适 应、容错性等，特别在处理信息十分复杂、背景知识不清楚、推理规则不明确的 问题时，更能显示其独特的优越性。 隧道周围土体的变形及隧道上方地表沉降，是一个复杂的非线性动态系统， 地表沉降涉及的因素众多。近年来，作为一种函数映射和预测工具，人工神经网 络己成功应用于岩土工程领域。j i n gs h e n gs h i 2 6 】( 1 9 9 8 ) 利用b p 神经网络对巴西利亚 6 5 k m 的盾构隧道地表沉降进行了分析预测，在分析了该隧道施工的特点基础上， 总结出了l l 条影响地层移动的主要因素。s u c h a t v e es u w a n s a w a t 、h e r b e r th e i n s t e i n 【2 7 】 在收集了大量的实测数据和盾构施工的相关资料后利用人工神经网络对曼谷地 铁工程的最大的地表沉降量进行了研究。o 7 d i oj s a n t o s j r 、t a r c l7 s i ob c e l e s t i n o l 2 8 对巴西圣保罗地铁2 号线也采用了人工神经网络的方法对地表的变化进行了预 测，并对网络模型的有关参数的选取进行了讨论分析。国内学者张清教授最早讲 神经网络引入岩石力学与岩石工程【 9 1 ，随后把这一方法用于岩石力学行为预测和 巷通分类指标聚类分析，近年来又把它应用于岩石工程系统和岩石工程参数重 要性分析，接着东北大学在人工神经网络方面进行了大量研究，由冯夏庭等提 出了智能岩石力学的新提法 30 1 。在此后的近十年里，人工神经网络在岩石力学 研究中得到了广泛的应用，几乎涉及到了岩石力学研究的各个方面。 孙钧 3 1 等( 2 0 0 1 ) 讨论了地铁区间隧道盾构掘进过程中对土体的施工扰动及引 起地层变形和沉降的力学机理，并采用了人工智能神经网络技术对地表沉降进行 了预测，通过对比分析，论证了利用神经网络预测的可行性和实用性。高玮，郑 颖人 3 2 从神经网络理论及实践方面研究了目前岩土工程位移预测神经网络建模 的几个问题。同济大学潘国荣【3 3 1 基于神经网络处理非线性问题的优势，探讨了神 经网络法用于地铁隧道变形预测中影响网络收敛的各技术参数的选择问题，提 青岛地铁3 号线暗挖段地表变形b p 神经网络预测研宄 出了防止网络训练过拟合及局部最小的方法。在神经网络应用于预测隧道开挖引 起地表变形研究过程中，大批学者根据实测数据资料建立网络进行了预测，都得 到了较好的效果，利用较多的是b p 神经网络模型及其改进优化的b p 网络模型。王 穗辉等 3 4 1 ( 2 0 0 1 ) 对上海地铁2 号线盾构推进中隧道上方的地表变形用改进的b p 神 经网络算法作了趋势预报，并将其与其它预测方法作了比较，结果表明采用b p 网络算法预计效果优于其它方法。其中利用人工神经网络进行研究，目前最大 的优势还在于m a t hw o r k s 公司推出的m a t l a b 软件包本身自带有神经网络工具箱， 可以大大方便网络的训练，减小训练程序的工作量，有效地提高工作效率。 1 2 2 隧道开挖地表变形预测的研究发展趋势 隧道开挖引起地表变形的研究，经过不断的发展研究，主要形成了以p e c k 理论为主的并不断发展、完善、改进的理论计算法和基于有限元理论为主的数值 模拟等方法。p e c k 通过对隧道开挖地表沉降槽的形状观察和分析，研究大量的实 测数据资料，首次提出地表沉降曲线大致呈概率正态分布曲线，并给出了地表沉 降横向分布的估算式。a t t e w e l l 于1 9 8 1 年提出最大地表沉降预测量，同济大学岩 土工程系对某试验段隧道进行计算分析，再与现场测得结果相比较，提出考虑 固结因素的p e c k 修正计算式。】9 8 2 年，0 r e i l1 y n e w 根据英国粘土和7 沙性地层 的实测数据，提出两种地层情况下的值的计算公式，然后利用p e c k 经验公式： 一 d t l l a x 一赢( 1 一1 ) 上式中：瓯。一地表最大沉降量( 舢) ；杉一沿隧道中线单位长度的地层损失 ( m 3 m ) ；i 一沉降槽宽度系数。 可计算出地表最大沉降量。以上都是在研究横向的地表变形预测问题，我国 专家学者刘建航等基于p e c k 理论，在研究了上海地铁隧道纵向沉降分布的般 规律的基础上进行总结并提出了负地层损失的公式，得出地面沉降量的纵向分 布的估算公式。随机介质理论最早应用于矿山开采对地表变形的影响，我国学者 刘宝琛在随机介质概念的基础上建立了横向和纵向地表沉降槽预测公式，研究了 地表移动及变形问题。此后，大批学者应用随机介质理论进行了大量的有关开挖 及开采地下岩土体对地表变形的影响研究，取得了很多研究成果与进展。 随着计算机技术的不断发展与应用，加上不断发展与完善的有限元理论，有 7 青岛地铁3 号线暗挖段地表变形b p 神经网络预测研究 限元已逐步成为求解复杂的非线性的岩土力学及工程等问题的强有力工具，两 者的有机结合使得岩土工程数值模拟的方法得以迅速发展，基于连续和非连续介 质力学，数值模拟也主要从这两方面进行研究。目前工程常用的f l a c ，f l a c 3 d 数值模拟软件就是基于有限差分的原理，在国际上比较有名的有限元程序 a b a q u s ，a n s y s ，a d i n a 等，数值模拟方法中，有限元的应用较为普及和成熟。 以工程实际测得的数据为基础，用所得到的影响因素的数据等资料，利用回 归分析来建立因变量与自变量两者之间的函数关系的统计分析方法( 回归分析) 也是广泛应用的变形成因的分析法。统计分析的方法对观测资料的数量和质量要 求较高，因为只有观测资料愈丰富、高质量，预计结果才能趋于可靠可用。但 实际上在回归分析中，变形影响因子的多样性和某些因子的不可测性，使得选 用表达式有时只能靠推测，因而某些情况下受到限制。此方法由于曲线拟合原因 不能准确地反映观测值的随机波动性和离散性，所用的回归模型属于一种静态模 型。随着深入全面开展的变形分析研究，根据地表沉降的实际监测所得数据可以 得到一个离散的随机时间序列。因此，基于实测数据的所发展的时间序列分析理 论与方法可以来分析、预测地层变形沉降的规律【3 引。 传统的位移序列演化规律研究通常是利用时间序列分析法建模，本质上仍是 回归分析，都是用一个确定的模型函数来表达各个变量之间的关系，但是岩土 体结构复杂性使其所涉及岩土特性参数通常是不完全定量的，多数情况下甚至 是随机的、模糊的，各要素之间又有复杂的关系，所以力学参数和位移之间难 以用简单的代数方程或数学表达式来体现。近些年来再次兴起的人工神经网络 研究，使得神经网络在岩土工程领域得以有广泛的应用。由于其具有的并行分布 式处理、非线性处理、自学习的功能和神经网络的硬件实现等主要特点，在人工 智能、自动控制、信息处理与模式识别等方面有着重要的应用。作为一种函数映 射和预测工具，有着处理复杂非线性问题的极大优势，人工神经网络己成功应用 于岩土工程领域，国内外学者进行了大量的研究，国内学者张清教授最早将神经 网络应用于岩土工程领域，此后大批岩土工程方面的专家学者将神经网络发展应 用，利用应用较多的b p 神经网络及其改进模型的实例很多，将其用于隧道开挖引 起的地表变形的研究预测，取得了理想的预计效果。 从经验公式法、随机介质理论、岩土工程数值模拟的方法，统计分析方法和 青岛地铁3 号线暗挖段地表变形b p 神经网络预测研究 时间序列分析法，以及到最近几十年兴起的神经网络方法，从应用研究方面来看， 单靠任何单一公式和研究方法难以准确地预测沉降变形的大小。多种理论和方法 的有机结合与综合比较将是正确分析和研究预测地表变化的有效途径与方法。 1 3 本文主要研究内容及研究方法思路 1 3 1 本文主要研究内容 通过对青岛地铁3 号线现有的各种地质资料及监测数据的学习归纳，总结抽 取有效信息，结合青岛地铁部分区间工程实例，总结归纳不同地质条件下地层变 化规律，并利用m a t l a b 人工神经网络模型工具箱建立适用的模型，建立合理 的隧道开挖引起地表沉降的b p 神经网络预测模型，用实测数据进行训练和仿真， 验证其可适用性及有效性。通过验证，初步得出利用b p 神经网络模型进行沉降 预测具有可行性。研究表明，b p 神经网络用于隧道开挖引起的地表变形预测是 可行的。 1 3 2 论文所做的具体工作 ( 1 ) 收集和整理青岛地铁3 号线部分区间隧道工程的数据资料，包括地形资料、 地质勘察资料、监测点数据资料、工程地质条件等资料，为建立人工神经网络模 型提供基础。 ( 2 ) 学习了解预测隧道开挖引起地表变形的各种方法，总结出影响影响地表变 形的主要因素。通过现场监测，得到地表沉降等的监测数据，并进行处理利用。 ( 3 ) 依据研究问题特点，确定人工神经网络模型，最后通过对网络进行训练、 仿真、检验网络的性能是否满足要求。 ( 4 ) 网络的训练过程包括网络参数的选择( 确定网络输入输出神经元数目) 、训 练模式的确定，包括选择合理的训练算法、确定合适的训练步数、指定适当的训 练目标误差以获得较好的网络性能。 ( 5 ) 最后用所建立的模型，对一些地表沉降测点进行预测。证明模型的可用性 及有效性。 1 3 3 研究思路 青岛地铁3 号线暗挖段地表变形b p 神经网络预测研究 图1 一l 研究思路框图 2 隧道开挖引发地表沉降的预测方法的理论研究 2 1 隧道开挖引发地表沉降的主要因素 伴随着城市地铁工程的大规模建设和快速发展，地铁隧道施工对周边环境的 影响不容忽视。地层的移动和地表沉降是施工环境影响的根本原因，地表沉降是 地层移动传递到地表的体现，主要与工程地质条件、隧道埋深、跨度及施工质量 等因素有关，急需进行相关的研究。 浅埋暗挖法( 矿山法施工) 隧道地表沉降主要原因有以下几个36 1 ： 青岛地铁3 号线暗挖段地表变形b p 神经网络预测研究 ( 1 ) 开挖时因岩土体应力释放产生的位移； ( 2 ) 支护结构封闭成环前，上方土体和支护结构的整体下沉； ( 3 ) 中隔墙拆除引起的支护变形； ( 4 ) 施工中因地层失水引起的土体固结。 影响暗挖隧道开挖中地表沉降的原因十分复杂，受到隧道围岩种类、支护结 构形式、隧道开挖方式等多种因素的作用 3 7 。 影响隧道施工地表沉降的因素众多，地表变形和移动的程度不仅与隧道埋 深、洞径大小、支护方式、施工方法等有关，而且一般情况下受工程地质条件 的影响比较大。而工程地质条件是指工程建筑物所在地区地质环境各项因素的 综合。这些因素包括： ( 1 ) 地层的岩性：是最基本的工程地质因素，包括它们的成因、时代、岩性、 产状、成岩作用特点、变质程度、风化特征、软弱夹层和接触带以及物理力学性 质等。 ( 2 ) 地质构造：也是工程地质工作研究的基本对象，包括褶皱、断层、节理构 造的分布和特征、地质构造，特别是形成时代新、规模大的优势断裂，对地震等 灾害具有控制作用，因而对建筑物的安全稳定、沉降变形等具有重要意义。 ( 3 ) 水文地质条件：是重要的工程地质因素，包括地下水的成因、埋藏、分布、 动态和化学成分等。 ( 4 ) 地表地质作用：是现代地表地质作用的反映，与建筑区地形、气候、岩性、 构造、地下水和地表水作用密切相关，主要包括滑坡、崩塌、岩溶、泥石流、风 沙移动、河流冲刷与沉积等，对评价建筑物的稳定性和预测工程地质条件的变化 意义重大。 ( 5 ) 地形地貌：地形是指地表高低起伏状况、山坡陡缓程度与沟谷宽窄及形态 特征等：地貌则说明地形形成的原因、过程和时代。平原区、丘陵区和山岳地区 的地形起伏、土层厚薄和基岩出露情况、地下水埋藏特征和地表地质作用现象都 具有不同的特征，这些因素都直接影响到建筑场地和路线的选择。 对于浅埋暗挖隧道施工引起的地表变形因素，可以主要归纳为以下几点：地 层因素、施工技术和设计因素三方面等。 地层因素主要包括： 青岛地铁3 号线暗挖段地表变形b p 神经网络预测研究 ( 1 ) 地层的岩性；包括它们的成因、时代、岩性、产状、成岩作用特点、变 质程度、风化特征、软弱夹层和接触带以及物理力学性质等。 ( 2 ) 地质构造；包括褶皱、断层、节理构造的分布和特征等。 ( 3 ) 水文地质条件；包括地下水的成因、埋藏、分布、动态和化学成分等。 施工技术方法方面主要指由于不同的施工方法对地表变形的控制作用影响不 同，然而施工方法的选取又通常是根据地层因素条件来考虑决定的，当然，不同 方法的施工质量又决定于施工技术和部分人为等其他客观因素。 设计因素主要指设计者对于地层的判别情况，从而制定不同的设支护类型。 由以上分析说明可以看出，地层的情况是隧道开挖地表变形的主要决定因素。 地质情况的好坏直接决定了后续的一切，并最终决定地表变形量的大小。 在搞清楚了地表变形的因素后，很多的研究者也着手开始探讨研究了一些来