（岩土工程专业论文）隧道围岩变形监测与围岩参数的反演分析.pdf

隧道围岩变形监测与围岩参数的反演分析 摘要 随着城市的不断发展扩大，出现了越来越多的城市公路交通隧道，而这些 隧道大多都面临着跨度大、埋深浅、地质情况复杂、施工环境要求高等困难。 本文以淮南市山南新区洞山隧道为研究载体，以现场量测数据为依据，建立了 一套隧道位移反分析方法和围岩稳定性分析方法，并将之应用于实际工程中， 对同类工程的设计、施工、监测都具有重要的指导意义。 本文主要内容与研究成果有： l 、在详细收集洞山隧道资料的基础上，合理制定监控量测方案，通过对监 控量测数据的处理，预测围岩变形趋势，分析围岩变形与时间以及开挖长度之 间的关系，变形的特点，并确定位移收敛趋于稳定的时间和总变形量，为二次 衬砌提供合理的支护时机分析了量测结果的主要影响因素，确定围岩反演参 数。 2 、简要介绍了f l a c ”的基本原理和发展，分析了它的优缺点。并对洞山 隧道的开挖与支护进行数值模拟，分析隧道施工过程中的受力与变形特点，验 证了该数值模型可作为隧道围岩参数反演的正算程序。 3 、设计不同的e 、k ，运用f l a c 3 d 程序建立b p 神经网络学习和训练样 本，对隧道围岩参数进行反分析。并与现场监测数据对比，验证其精度符合要 求，为后续隧道的设计、施工和监控量铡提供依据。 关键词：隧道，监控量测，围岩稳定性，反分折 d e f o r m a t i o nm o n i t o r i n go fs u r r o u n d i n gr o c ka n db a c k a n a l y s i so ns u r r o u n d i n gr o c km e c h a n i c s p a r a m e t e r sf o rt u n n e l a b s t r a c t w i t ht h ec o n t i n u o u sd e v e l o p m e n to fu r b a ne x p a n s i o n ，ag r o w i n gn u m b e ro fu r b a n h i g h w a y t r a f f i ct u n n e l b u t ，m o s to f t h e s et u n n e l sa r ef a c i n gd i f f i c u l t i e ss u c ha sl a r g e - s p a n ， s h a l l o w d e p t h ，c o m p l e xo fg e o l o g i c a lc o n d i t i o n s ，h i g h e rr e q u i r e m e n t o fc o n s t r u c t i o n b a s e do nt h ed o n g s h a n - t u u n e lo ft h es h a n n a nn e wa r e ai nh u a i n a nc i t yt ot h ec a r r i e ro f s t u d y , t ot h es c c l l em e a s u r e dd a t aa st h eb a s i s ，s e tu pam e t h o da b o u tt h et u n n e lb a c k a n a l y s i so fd i s p l a c e m e n ta n ds u r r o u n d i n gr e c ks t a b i l i t ya n a l y s i s ，i ti sa p p l i e dt oa c t u a l p r o j e c t ss i m i l a rt ot h ed e s i g n , c o n s t r u c t i o n ，m o n i t o r i n g i so f i m p o r t a n tg u i d i n gs i g n i f i c a n c e t h i sp a p e rc o n t e n ta n dr e s e n r e hr e s u l t sa r e ： 1 b a s i s c o l l e c t i n gt h et u n n e ld e t a i l e di n f o r m a t i o n , f o r m u l a t er e a s o n a b l ec o n t r o l m o n i t o r i n gp r o g r a m m o n i t o r i n go f d a t ap r o c e s s i n g , f o r e c a s tt h es u r r o u n d i n gr o c k d e f o r m a t i o nt r e n d ，a n a l y s i st h er e l a t i o n s h i po ft h es u r r o u n d i n gr e c kd e f o r m a t i o na n dr o c k e x c a v a t i o na n dt h et i m e , a n a l y s i sd e f o r m a t i o nc h a r a c t e r i s t i e s ，a n dt od e t e r m i n et h es t a b l e t i m ea n dt o t a ld e f o r m a t i o no f d i s p l a c e m e n tc o n v e r g e n c e ，p r o v i d ear e a s o n a b l es u p p o r tt i m e f o rs e c o n d - - l i n i n 昌a n a l y s i so f m e a s u r e m e n tr e s u l t so f t h em a i nf a c t o r st h a td e t e r m i n er e c k p a r a m e t e r si n v e r s i o n 2 ，f l a c 3 db r i e f l yi n t r o d u c e dt h eb a s i cp r i n c i p l 髂a n dd e v e l o p m e n t 。a n a l y s i so fi t s s t r e n g t h s a n dw e a k n e s s e s a n da n a l y s i st u n n e lp r o c e s so fs t r e s sa n dd e f o r m a t i o n c h a r a c t e r i s t i c st h r o u g ht h en u m e r i c a ls i m u l a t i o no ft h ed o n g s h a n - t u n n e le x c a v a t i o na n d s u p p o r ti nc o n s t r u c t i o n v e r i f i c a t i o no ft h en u m e r i c a lm o d e lc a nb eu s e da st h et u n n e l s u r r o u n d i n gr o c kp a r a m e t e r si n v e r s i o ni sa n a l y s i sp r o c e d u r e s 3 d e s i g no fea n dku s i n gp r o c e d u r e sf l a c 3 dt h eb pn e u r a ln e t w o r kl e a r n i n ga n d t r a i n i n gs a m p l e sa r eb u i l t ，p a r a m e t e r so fs u r r o u n d i n gr o c kt u n n e la r cc a l c u l a t e db yb a c k a n a l y s i s m o n i t o r i n gd a t aa n dc o m p a r e dt h es c e n et ov e r i f yi t sa c c u r a c yt o m e e tt h e r e q u i r e m e n t s ，p r o v i d ear e a s o n a b l eb a s i sf o rt h el a t e rd e s i g n ，c o n s t m e t i o n ，m o n i t o r i n g m e a s u r e m e n t so f t u n n e l k e yw o r d s ：t u n n e l , m o n i t o r i n gm e a s u r e m e n t , s u r r o u n d i n gr o c ks t a b i l i t y , b a c k a n a l y s i s 图1 一l 图2 _ l 图2 _ 2 图3 一l 图3 - 2 图3 _ 3 图3 - - - 4 图3 - - 5 图3 - - 6 图3 - - 7 图3 - - 8 图3 - - - - 9 图3 一l o 图3 1 l 图3 - - 1 2 图3 一1 3 图3 一1 4 图4 _ 1 图4 m 2 图4 - - 3 图4 _ 4 图4 - - 5 图4 - - - 6 图4 - 7 图4 _ 8 图 插图清单 反分析方法的分类6 多层前馈网络1 0 神经网络位移反分析过程示意图1 4 淮南市山南新区洞山隧道位置图1 6 淮南市山南新区洞山隧道南段工程地质平面图 1 7 周边位移测点布置图1 9 拱顶下沉测试示意图1 9 地表下沉测试布置图2 0 位移一时间监测曲线示意图2 1 岩体变形曲线与位移一时间曲线的相似2 3 位移变化速率的确定2 4 测试典型曲线2 5 k 1 + 3 1 0 断面地表下沉( 随时间变化) 2 6 k 1q - 3 1 0 断面地表下沉( 随测点号变化) 2 6 z k i + 3 8 0 周边位移收敛( 随时间) 2 7 z k i + 3 8 0 周边位移收敛( 随距离) 2 7 z k i + 3 8 0 拱顶下沉实测曲线与回归曲线2 8 四面体3 2 极限应力圆3 3 隧道网格模型3 6 模型中的网格单元组3 6 隧道前进3 0 m 处三个不同点位移历史3 7 开挖1 5 m 后的塑性区3 8 开挖2 7 m 后的塑性区3 8 开挖1 5 m 后的竖向位移等值线3 9 开挖2 7 m 后的竖向位移等值线3 9 图5 一l位移反分析隧道计算模型网格4 3 图- 2数值模拟和监控量测周边位移收敛值4 7 图s _ - 3数值模拟和监控量测拱顶下沉值4 7 表3 一i 表3 - _ 2 表3 3 表4 - 一1 表4 _ 2 表5 - - - i 表5 2 表5 _ 3 表格清单 隧道主要参数一览表 1 6 隧道监测数据采集频率表 z 0 洞周允许水平相对收敛值和开挖轮廓预留变形量2 2 隧道围岩材料参数 3 6 隧道衬砌材料参数 3 5 参数列表4 4 试验方案参数组合及各测点处位移f l a c 计算值4 5 测试方案参数组合及各测点处位移f l a c 计算值 4 5 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的 研究成果。据我所知，除了文中特别加以标注和致谢的地方外，论文中不包含 其他人已经发表或撰写过的研究成果，也不包含为获得 金壁王些太堂 或 其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所 做的任何贡献均已在论文中作了明确的说明并表示谢意。 学位论文作者签名：闱厚莨 签字同期； 口7 年占月f 同 学位论文版权使用授权书 本学位论文作者完全了解盒蟹王些太堂有关保留、使用学位论文的规 定，有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被 查阅和借阅。本人授权金月巴王些盍堂可以将学位论文的全部或部分内容编入 有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位 论文。 ( 保密的学位论文在解密后适用本授权书) 学位论文作者签名：闻鸟丧 签字同期：口 年b 月1 日 翩虢书价 签字日期：刀年参月r 7e t 耋嚣釜差，者毕业后去向：缛锣悴砘该锄馕靠：刚y 州 工作单位： 电话：，日s c iy 77 通讯地址： 邮编： 致谢 在此论文完成之际，我的硕士研究生生活也即将结束。在这里，首先要感 谢我的导师杨成斌教授。在这三年的学习、研究和生活期间，杨老师自始至终 给予我莫大的关怀和帮助。在文献检索、资料收集、论文选题和论文撰写过程 中，杨老师给予了悉心的指导，提出了许多宝贵的意见和建议。他严谨的治学 态度，理论联系实际的指导思想，兢兢业业的工作精神和平易近人的作风，使 我深受启迪，受益匪浅。在此谨向杨老师致以最诚挚的敬意和深切的感激之情! 在合工大岩土院实习期间，我有幸得到了何仕英高级工程师、李永奎工程 师的指导、鼓励和帮助以及其他同事的帮助和关心，在我毕业之际，在此向他 们表达诚挚的谢意l 在我论文撰写过程中，感谢合肥工大工程试验检测有限公司洞山隧道监控 量测组给予的大力支持，为我提供了大量的资料，在此向他们深表谢意l 在研究生的两年多生活中，我的师兄潘星、孙之芜、姚运昌、邬雷勇，同 学张政、张元连、苏文生等一直对我的学习、工作和生活帮助很多。在此向他 们表示感谢l 感谢父母和亲人多年来的支持和教诲。 最后。我还要由衷地感谢答辩委员会的全体老师以及莅临答辩现场的各位 老师和同学，感谢大家在百忙之中抽出时间参加和指导我的毕业论文答辩工作。 作者：周学良 2 0 0 7 年0 5 月 第一章绪论 1 1 研究背景及意义 交通是国家基础建设的重要组成部分，在国民经济发展中占有十分重要的 地位。世界各国的经济发展经验表明，快速畅通的交通网是经济发展必不可少 的条件。路面交通线一般由许多工程建筑物组成，其中包括路基、涵洞、桥梁 和隧道等，而隧道是交通线上的重要组成部分。所谓隧道是指一种修建在地层 中的地下工程建筑物【l 】。它被广泛地应用于公路、铁路、矿山、水利、市政和 国防等方面。随着我国经济的迅速发展以及国家经济实力和人民生活水平的大 幅度提高，对交通需求的不断增大，隧道建设新技术的不断出现，对隧道的优 先选择和建设日益引起重视，宁绕勿穿的观念得以改变，许多长大隧道不断建 成。据最新资料统计，我国现有8 6 0 0 多座铁路、公路隧道，总长度4 3 7 0 多公 里，居世界第一。 城市隧道一般指交通隧道，是连接公路、城市道路的重要节点，也包括水 运隧道与管线隧道等。城市隧道有着占地面积小，线形通畅，用途多，对用边 环境影响较小等优点，而且我国隧道施工技术的进步也大大缩短了建设周期。 随着城市经济的迅速增长，人口的大量涌入，城市规模的不断扩大，城市的交 通压力越来越大，特别是一些城市新老城区之间的交通往来形势严峻，综合考 虑工程造价、施工周期以及对周边环境的影响等因素，城市隧道的建设越来越 受到重视。例如，国内跨度最大的龙山隧道已经贯通投入使用，深港西部通道 深圳侧接线工程完工，全长4 4 8 公里，重庆嘉华大桥大坪隧道正式贯通，大坪 隧道以其开挖断面面积大，隧道横向跨度大，被称为“亚洲最大城市隧道”。苏 州在建的长约3 4 公里的跨独墅湖隧道，开启了该市隧道工程的先河。无锡第 一条穿越蠡湖的湖底隧道己经进入设计和建设前期准备阶段，长1 公里左右， 预计将于明年建成。南京过江隧道工程，将于2 0 0 7 年6 月开始掘进。南京目前 已建和规划中的过江通道共计l o 条。杭州首条穿越钱塘江的隧道也已正式动 工，该隧道长为4 8 公里。今年4 月，举世瞩目的上海崇明越江隧道工程全面 启动。该隧道长约8 5 公里，预计到2 0 1 0 年竣工。 但这些城市公路隧道大都面临着跨度大、埋深浅、地质情况复杂、施工环 境要求高等困难。对隧道的设计、施工、监测的技术要求也越来越高。 我国公路隧道大多根据新奥法原理进行设计和施工。新奥法施工是根据施 工过程中洞内外的地质调查、洞内观察、现场监控量测及岩土物理力学实验等 施工反馈信息，及时掌握围岩在开挖过程中的动态和支护结构的稳定状态，进 一步分析确定围岩的物理力学参数，以便及时调整支护参数，确定和修改隧道 施工方法和支护方式，从而确保隧道围岩的稳定和支护结构的安全，并尽可能 的降低工程造价，而监控工作及监控量测结果分析正是连接设计与施工之间的 桥梁。 由于岩体介质的复杂性和施工因素的影响，多数工程问题用解析法求解是 不可能的。随着计算机技术在岩体力学和岩土工程中的应用和推广，岩石力学 的数值理论和方法已得到迅速发展和应用。然而由于岩体材料的非均质和不连续性， 岩石力学计算的输入参数往往难以确定。工程中常采用的室内试验和局部现场试验， 也无法全面反映工程区域内的岩体性质，这将造成理论分析值与实际值相差较大。以 现场量测位移为基础的位移反分析法是确定数值计算输入参数的有效手段之一。根据 隧道工程的现场量测数据和观测资料，建立一套系统、方便实用的隧道围岩参数位移 反演方法和围岩稳定性分析方法，将对隧道工程的施工产生显著的技术经济效益，对 隧道工程的设计也有很好的借鉴和指导意义 本文结合目前正在兴建的淮南市山南新区洞山隧道，对城市公路隧道的围岩参数 反演与稳定性分析进行系统的研究。 1 2 隧道围岩稳定性的研究方法嘲 耳前，隧道围岩稳定性分析的方法主要有岩石力学的理论方法，监控量测 措施和工程类比法等。 1 2 1 岩石力学的理论计算方法 对隧道的围岩稳定性进行分析评价，首先要弄清隧道开挖后引起的围岩中 应力场和位移场的分布。岩石力学的理论计算方法是在测得岩体和支护结构的 力学参数的前提下，根据岩石力学特性建立数学模型，通过计算围岩的应力场 和位移场，从而最终确定支护参数和围岩稳定程度。它是基于岩石力学、隧道 力学的发展，考虑围岩与支护共同作用而逐渐形成的。其具体的力学模型和计 算方法主要根据岩体的力学性质和结构类型而定。当前有近似的解析法和有限 差分法、有限元法、边界元法、流行元法等数值分析方法。岩石力学的数值分 析方法因为能考虑弹塑性、粘弹塑性、各向异性、节理裂隙等多方面的因素， 而且髓着计算机技术的提高和岩石力学分形瑾论，损伤理论、动态施工力学等 的发展，现在己能考虑比较复杂的情况，随着基于现场量测的位移反分析方法 的提出，岩石力学的数值分析方法在隧道工程中得到了进一步的推广和应用。 但总体来讲，理论计算方法的发展尚不成熟，数值计算虽有较理想的计算模型， 但输入的参数如工程区域内的初始地应力和岩体物理力学参数等很难得到较为 合理的估计初值。这主要是因为围岩地质状况复杂多变，受岩体非均质、节理 裂隙等影响，其岩体力学参数不易测得，现场测试费用昂贵，加之目前对锚喷 支护的支护机理也不是很清楚，在计算中要反映施工方法、支护时机的影响亦 有一定难度。所以，目前数值计算的结果也仅是作为施工中的参考。 2 1 2 2 监控量测措施 现场量测是新奥法的三大支柱之一。信息化施工主要是以现场量测为主的 一种设计、施工方法，这种方法的最大特点是在施工时一边进行各种测量，一 边把量测的结果反馈到设计施工中去，从而最终确定支护参数。使设计、施工 更符合现场实际。由于这种方法以现场实测为依据，可以获取控制围岩稳定性 的宏观信息，故有助于人们进行科学判断，从而最大限度的实现安全性和经济 性的统一。而且它能适应复杂多变的地质条件和各种不同的施工条件，因而比 工程类比法以及理论方法更可靠，这也正是它在软弱地层的设计、施工中迅速 发展的主要原因。但由于这种方法其量测断面的选择，量测数据的分析与应用， 仍依赖于人们的经验，不少施工现场对量测工作不是很重视，量测手段及质量 很不理想。从量测信息的采集到量测信息的反馈，明显的表现出对基础地质信 息的重视不够。量测信息的反馈和应用还存在滞后问题，要使监测信息在实际 工程中得到普及应用，还需要做大量工作。 1 2 3 工程类比法 工程类比法主要依靠专家的经验划分围岩类别，然后结合已建类似工程的 实践经验直接确定支护参数和施工方法。工程类比法与决策者的实践经验关系 很大，它需要决策者有较高的素质和丰富的实践经验。对一个具体工程问题， 各个专家的看法可能不同，所以这种方法受人为因素的影响很大。 1 3 位移反分析历史发展与研究现状瞄” 岩土工程位移反分析是伴随着岩土工程的设计、施工的理论和实践逐渐发 展起来的。地下工程位移反分析自上个世纪7 0 年代问世以来，由于它具有很强 的实用性而受到国际岩石力学界的关注。 岩土工程位移反分析迄今为止主要经历了以下5 个重大发展阶段： 二维位移反分析的提出与发展。 根据工程开挖所测得的围岩位移来反算岩体初始应力场及力学参数的方法 称之为位移反分析方法。这一方法是1 9 7 t 年由k a v a n a g h 等( 1 9 7 1 ) 首先提出的， 利用有限元法根据位移测值计算岩体力学性质参数。1 9 7 4 年樱井春辅( 1 9 7 4 ) 用 解析法根据围岩蠕交位移计算岩体初始应力和粘弹性参数。1 9 7 6 年k i r s t e m ( 1 9 7 6 ) 用有限元法求影响系数代入到解析解中，然后按解析法确定岩体弹 性模量。1 9 8 0 年g i od a 通过位移测值来计算岩体的粘聚力、内摩擦角和初始地 应力。1 9 8 1 年杨志法假定平面问题的剪应力为零，然后用有限元法或利用有限 元图谱成果求地应力及弹性模量，文中有数值法和图解法两种求解模式( 杨志法 等，1 9 8 1 ) 。 、 非线性、弹塑性位移反分析的发展。 1 9 8 3 年樱井春辅用有限元法，根据位移测值求解平面问题的地应力及弹性 3 模量，文中考虑了衬砌的影响( 樱井春辅等，1 9 8 3 ) 。冯紫良、杨林德将地应力 分为均布构造应力和自重应力，用有限元法先求自重应力场产生的围岩位移的 差值反算岩体的均布构造应力。该方法是一个通用方法，可用于平面问题和空 问问题，既可用于线弹性，也可用于非线性弹性问题( 冯紫良、杨林德，1 9 8 3 ) 。 1 9 8 4 年久武胜保假定部分空间应力分量为零，用有限元法求解空间问题的初始 应力，该方法也考虑了村砌的影响( 久武胜保等，1 9 8 4 ) 。1 9 8 5 年杨林德使用边 界元法求解地应力及弹性模量( 杨林德，1 9 8 5 ) 。冯紫良将位移表示为岩体力学 参数e 和地应力的函数，然后根据实测位移最小的原则，同时求出初始地应力 和e ( 冯紫良，1 9 8 5 ) 。1 9 8 6 年樱井春辅使用边界元法根据围岩位移求解平面问 题的地应力及弹性模量，文中的主要思想类似于其1 9 8 3 年提出的有限元解法。 三维位移反分析的发展。 久武胜保针对自己1 9 8 4 年的方法中必须输入衬砌面全节点的位移等方面 的缺点，提出了一种新的三维反分析方法( 久武胜保，1 9 8 6 ) ，采用的是有限元 法。郑颖人( 1 9 8 6 ) 用边界元法和弹塑性本构关系，根据围岩位移反算初始应力 和弹性模量。该方法理论上可用于二维、三维问题。王建宇( 1 9 8 6 ) 用解析法和 简单的三单元流变模型求解平面问题圆形洞室的初始地应力和流变参数 ( 1 9 8 6 ) 刘允芳( 1 9 8 7 ) 用复变函数将非圆形洞室变为圆形洞室后按平面线弹性问 题求初始地应力。 粘弹性位移的发展。 杨林德( 1 9 8 8 ) 用边界元法和三单元流变模型反求岩体初始应力、瞬时弹性 模量及流变参数。杨志法等人进行粘弹性反分析的系列研究，分别建立了圆形 的洞室、平面应变问题五种常见流变模型的粘弹反分析，空间问题用马克斯威 尔模型的粘弹反分析( 杨志法等，1 9 8 7 ) 。该文圆形洞室用解析法，平面问题用 有限元法，初始应力的计算利用樱井春辅( 1 9 8 3 ) 法，重点研究流变参数的反求， 使用了单纯形法、回归法等多种方法。空间效应问题使用增加一个系数的方法 解决。空间问题的粘弹反分析在利用瞬时位移求应力时，假定只存在垂直应力 和水平应力，其他应力为零，初始应力求出后利用三维程序优选求出粘滞系数 n 。由于三维优选的大量耗时，杨志法研究了将平面问题的有限元图谱法推广到 三维问题，建立了空间问题的有限元图谱法，可以大大减少计算工作量。 多方法并用的位移反分析。 1 9 8 8 年樱井春辅( 1 9 8 8 ) 建立了推求隧洞围岩塑性区域的方法，该方法首先 按线弹性问题求出应变分布，然后视应变超过规定的区域为塑性区域。刘怀恒 ( 1 9 8 8 ) 针对位移丢失、空间效应问题提出一种方法：首先进行曲线拟合，然后 通过外延插值法来预测测点设置以前未能量测到的位移，并考虑空间效应。吴 凯华( 1 9 8 8 ) 贝u 根据灰色系统g m ( i ，1 ) 模型倒时问序列预测开挖前释放的位移， 进而结合罚函数法与边界元混合法直接反算岩体应力分量、等价弹模、等价泊 4 松比的绝对值。郑颖人( 1 9 8 8 ) 针对用有限元法反算时，弹性模量和泊松比不能 直接从刚度矩阵中提出来而将弹性矩阵分解为两常数阵，使e 都提出来进而同 时反算e 和k 。 冯紫1 是( 1 9 8 8 ) 提出了一种地应力估计的优化方法。文中初始应力用常数或 线性函数。考虑岩体的非线性和隧洞开挖前的位移，采用了有限元方法。和再 良( 1 9 8 8 ) 分别用线弹性、粘弹性和弹塑性本构关系和有限元法进行天生桥一级 电站实验洞的反分析，其中，粘弹性反分析用有限元和三单元流变模型，先通 过曲线拟合确定流变参数然后反求地应力及弹性模量。该文的陷线拟合公式考 虑了每次迸尺引起的瞬时弹性位移的突变。王芝银( 1 9 8 8 ) 用有限元法和三单元 流变模型通过短期观测资料反算地应力和流变参数，使用了单纯形优化方法。 徐谋进( 1 9 8 8 ) 用解析法反算圆洞条件下粘弹性平面问题的地应力和流变参数。 文中假定弹性位移与掘进进尺里某种关系，流变位移与时间和进尺呈某种关系， 然后先通过掌子面影响消失以后的位移定出流变参数，再通过掌子面影响期的 位移定出掌子面影响系数 马启超等( 1 9 9 0 ) 用位移回归分析法分析了鲁布革水电站原位试验洞的岩体 应力场。莫海鸿等( 1 9 9 0 ) 对广州从化抽水蓄能电站交通洞试验断面的反分析考 虑了初始地应力场竖向呈线性分布时的反分析方法。高延法等( 1 9 9 0 ) 对煤矿采 场底板位移的反分析中采用了三点最优搜索法得到待定参数的最优解。杨林德 等( 1 9 9 2 ) 在天荒坪抽水蓄能电站试验洞的位移反分析研究中，对三维问题的反 分析采用了弹性问题的正反分析法，而在二维反分析中采用粘弹性的逆算法。 人工智能算法的引进。 近几年来，以神经网络和遗传算法为基础的智能反演由于其独特的优点而 迅速发展起来。在国内，1 9 9 1 年弓长清教授首先将人工神经网络引入岩石力学。 1 9 9 6 年孙道恒等提出了力学反问题的神经网络分析方法。1 9 9 7 年李立新等利用 b p 网络模型，以岩体的粘弹性位移反分析为基础，反演得到岩体粘弹性力学参 数。1 9 9 8 年李端有等提出了基于人工神经网络的边坡位移反分析方法，取得了 三峡永久船闸开挖边坡多介质岩体的宏观等效弹性模量。1 9 9 8 年樊馄等基于人 工神经网络，建立了非线性力学反分析模型，求得了岩土工程计算中的邓肯参 数。1 9 9 9 年冯夏庭等提出了进化神经网络反分析思想，按正交设计方法获得了 样本进行学习，用遗传算法搜索最佳网络结构，并用最佳推广预测学习算法训 练网络，建立岩土体力学参数与位移的非线性关系，再用遗传算法从全局空间 上搜索，进行了岩体力学参数的最优辨识。 位移反分析方法是伴随着工程实践而不断发展、成熟的，然而位移反分析 法的系统性、实用性和规范化，以及解的唯一性、稳定性和收敛性等问题仍待 进一步研究和完善。 1 - 4 位移反分析分类 位移反分析法按照其采用的计算方法可分为解析法和数值法【4 - 6 】。解析法概 念明确，计算速度快，但只适用于几何形状和边界条件简单的问题反演，难于 为复杂的岩土工程所广泛采用。而数值方法则具有更普遍的适应性。数值方法 的分类如图l 所示。 逆解法是直接利用监测信息求解由正分析方程反推得到的逆方程，从而得 到待定参数( 力学特性参数和初始地应力分布参数等) 。其优点是计算速度快， 占用计算机内存少，可一次解出所有的待定参数，缺点是此法基于各点位移与 弹性模量成反比、与荷载成正比的基本假设，仅适用于线弹性等比较简单的问 题。 馏下 图i - i 反分析方法的分类 图谱法是杨志法 2 3 , 2 4 教授等提出的一种位移图解与图谱法。该法以预先通 过有限元计算得到的对应于各种不同弹性模量和初始地应力与位移的关系曲 线，建立简便的图谱和图表。根据相似原理，由现场量测位移通过图谱和图表 的图解反推初始地应力和弹性模量。此方法简便实用，对于线弹性反分析具有 较好的精度。 直接法又称为直接逼近法，也称优化反分析法，它把参数反分析问题转化 为一个目标函数的寻优问题，直接利用正分析的过程和格式，通过迭代计算， 逐步修正未知参数的试算值，直到获得“最优值”。其计算过程与正分析相似， 先给出一组参数试探值，利用正分析计算求解，然后比较计算值和实测值的误 差，通过优化方法( 如单纯形法、鲍威尔法、最小二乘法或模式搜索法等) ，修 正参数试探值，重复以上步骤直到计算值逼近实测值，即可认为此时的参数为 真实值。直接法的应用范围较广，可适用于线性及各类非线性问题，并能沿用 现成的正分析计算方法和程序。它的缺点在于：( 1 ) 分析过程受优化迭代方法的 控制。最优化方法是进行位移反分析的有力工具，如果优化迭代方法选择不当， 6 将导致迭代过程收敛缓慢、解的稳定性差、易陷入局部极小值等，特别是待定 参数的数目较多时，费时、费工，不能保证搜索收敛到全局最优解；( 2 ) 分析过 程受正向计算方法的控制。正向计算方法选取得是否得当，直接影响到优化迭 代的速度和最优解的可靠性：尽管如此，目前己有多种优化方法用于位移反分 析，如鲍威尔法、单纯形法、最小二乘法和改进牛顿法等，解决问题的范围也 日渐广泛，但其并没有完全解决上述两个缺点。 以遗传算法( g e n e t i ca l g o r i t h m ) 和人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k ) 为代表的智能反演方法近年来发展迅速，成为反分析领域中的又一重要方法 其中遗传算法克服了传统优化算法容易陷入局部极值的缺点，是一种全局优化 算法，特别适合多极值点的优化问题。人工神经网络则可以反映复杂的映射关 系，非常适宜用来表达岩士工程中岩体物性参数与岩体位移值之间的映射关系。 岩土工程所研究的系统是一个高度复杂的非确定系统，其施工过程势必会 引起周边岩土体的移动变形，但变形的大小是不确定的，它除了受到上述诸多 因素影响外，还受到施工工艺、施工参数等因素的影响。这些因素中不但包含 随机性，也包含模糊性，从而促成了岩土体变形的随机模糊特性。所以，采用 确定性模型难以概括复杂多变能岩土工程力学特性。这样，引入随机和模糊等 数学理论来处理岩土工程中的随机、模糊因素，也成为岩土工程研究发展的必 然趋势，因而形成了非确定性反分析。 非确定性反分析是指应用概率论、数理统计、随机过程、模糊数学、灰色 系统理论或分形几何等不确定性数学工具来分析量测信息的不确定性，反演模 型的非确定性，并考虑参数的先验信息等，建立不同的目标函数，以之来进行 不确定性参数的反分析。目前应用较多的是建立在随机理论基础上的极大似然 法、贝叶斯法、卡尔曼滤波法等【2 ”。 1 5 本文研究的主要内容和技术路线 1 5 1 主要内容 l 、在详细收集洞山隧道资料的基础上，合理制定监控量测方案，通过对监 控量测数据的处理，预测围岩变形趋势，分析围岩变形与时间以及开挖长度之 间的关系，变形的特点，并确定位移收敛趋于稳定的时间和总变形量，为二次 衬砌提供合理的支护时机。分析了量测结果的主要影响因素，确定围岩反演参 数。 2 、简要介绍了f l a c 3 d 的基本原理和发展，分析了它的优缺点。并对洞山 隧道的开挖与支护进行数值模拟，分析隧道施工过程中的受力与变形特点，验 证了该数值模型可作为隧道围岩参数反演的正算程序。 3 、设计不同的e 、k ，运用f l a c 如程序建立b p 神经网络学习和训练样 本，对隧道围岩参数进行反分析。并与现场监测数据对比，验证其精度符合要 7 求，为后续隧道的设计、施工和监控量测提供依据。 1 5 2 技术路线 l 、收集和调查资料，制定监控量测方案。处理监控量测数据，分析围岩变 形特征 2 、用f l a c 3 d 程序建立浅埋隧道洞口的数值计算模型，模拟其开挖与支护 过程。 3 、用f l a c 3 0 程序建立参数组合与位移计算值的对应关系，形成用于训练 和测试神经网络的样本。选择合适的网络结构后，用样本对神经网路进行训练， 建立参数组合与位移的映射关系。最后用最优化方法寻找目标函数的最小值， 找到与目标函数最小值对应的变量值，即为反演的参数结果 4 、将反演的参数结果。代入数值模型，模拟施工过程，计算出围岩收敛与 变形的位移，并与监控量测结果对比分析。 第二章基于人工神经网络的位移反演方法的基本理论 2 1 人工神经网络 2 1 。1 人工神经网络概述” 人工神经网络是通过模拟人脑的功能设计出来的，它由神经元组成，这些 神经元用于处理神经网络中传递的信息，并通过权值连结起来。一个神经元接 收与它连接的所有神经元输出的信息，作为它的输入，使用激活函数计算出相 应的输出，再将输出传递给其它的神经元。人工神经网络通常为分层的结构， 包括输入层，隐含层以及输出层，根据具体的情况各层神经元的个数会不同。 一个输入层有n 个神经元，输出层有m 个神经元的神经网络实现了这样一个映 射：f i 。- - o 。网络的隐含层是最灵活的部分，也是网络设计最关键最重要的 部分，如果隐含层设计的好，就可以使神经网络实现任何的映射关系。 神经网络的最大特点在于它具有学习的功能，通过各种学习算法来调整网 络中的权值，其方法就是使相似的输入有相似的输出，从而使得神经网络具有 泛化能力。网络学习的臣的是使鲠望输出值与实际输出值之间的误差达到最小。 人工神经网络的学习算法( 也称训练算法) 可以分为三类： ( 1 ) 监督学习( 有导师学习) ：它是指神经网络根据期望输出与实际输出的 误差来调整网络的权值。 ( 2 ) 非监督学习( 无导师学习) ：它是指网络完全按照外部提供数据的某些 统计规律来调节自身的参数或结构，以表示出外部输入信息的某些固有特性。 ( 3 ) 再激励学习：它是指外部环境对系统输出结果只给出评价信息( 奖励 或惩罚) ，而不是正确答案，系统通过强化那些受奖励的结果而学习。 2 1 2b p ( e r r o rb a c kp r o p a g a t i o n ) 神经网络” 现今的人工神经网络主要有三种：误差逆传播神经网络( 以下简称b p 网 络) 、竞争型( k o h o n e n ) 神经网络、h o p f i e l d 神经网络。其中b p 网络是世 界上发展较成熟、应用较广泛的一个神经网络模型。它是一个强有力的学习系 统，通过简单的非线性处理单元的复合映射( m a p p i n g ) 可获得复杂的非线性处理 能力。所以在本论文中选择使用了b p 神经网络模型，以下简要介绍b p 神经网 络。 b p 学习过程可以描述如下： ( 1 ) 工作信号正向传播：输入信号从输入层经隐单元，传向输出层，在输出 端产生输出信号，这是工作信号的正向传播。在信号的向前传递过程中网络的 权值是固定不变的，每一层神经元的状态只影响下一层神经元的状态。如果在 输出层不能得到期望的输出，则转入误差信号反向传播。 ( 2 ) 误差信号反传播：网络的实际输出与期望输出之间差值即为误差信号， 9 误差信号由输出端开始逐层向前传播，这是误差信号的反向传播。在误差信号 反向传播过程中，网络的权值由误差反馈进行调节。通过权值的不断修正使网 络的实际输出更接近期望值 目前，在人工神经网络的实际应用中，绝大部分的神经网络模型是采用b p 网络和它的变化形式，它也是前向网络的核心部分，体现了人工神经网络最精 华的部分。 图2 1 为目前应用较为广泛的前馈神经网络基本结构图，包括一个输入层、 一个输出层和一个隐含层( 对于某一给定问题，可有多个隐含层) 。这个网络的 学习过程由正向传播和反向传播两个过程组成。在正向传播过程中，输入信息 从输入层经隐含层逐层处理。然后传向输出层，每一层神经元的状态只影响下 一层神经元的状态。如果在输出层不能得到期望的输出则转向反向传播过程， 将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，使差信号最 小 n 网络的学习过程首先从给出一组随机 的权值开始，然后选取学习样本集中的一 个模式( 输入和期望输出对) 作为输入，接 着按前馈方式计算输出值。这时的计算输 出值和期望输出值之间的误差一般是相当 大的，这就迫使权值必须改变。利用反向 传播过程，计算所有的权值w i j 的改变量 w i i 。对所有的模式和所有的权值w i i 重 复计算a w 0 ，修正权值后又以前馈方式重 新计算输出值。实际输出和目标输出之阃 的偏差和权值改变量又一次在计算中产 生。对学习样本中的所有模式进行计算后 辕出层 戆古屡 x ：x ，x ? r 输入层 图2 - 1 多层前馈网络 得到一组新的权值，在接下来的前馈过程中使得到一组新的输出值，如此循环 下去。在一次成功的学习中，系统误差或单个输入模式的误差将随着迭代次数 的增加而减小，而过程将收敛到一组稳定的权值。 b p 算法是一个快速下降的方法，使用了最优化方法中最普通的一种沿梯度 下降算法，目的是使实际输出和预期的样本输出之间的均方差最小化。它要求 转换函数有连续可微分的非线性特性。一般使用s 型逻辑非线性函数f ( x ) = l ( 1 十e - , l ) 。 b p 神经网络( 以三层网络为例) 的实现步骤如下： ( 1 ) 初始化网络的权值和阙值，即将网络权值和阙值设置成随机数。 ( 2 ) 将第i 个样本的输入模式加到网络的输入层，即置( x i ) 一 x j l ，x i 2 ， x i 。 ，其中，i _ 1 ，2 ，n ，为样本个数，n 为输入参数的个数。 l o ( 3 ) 对隐层单元进行加权求和，得到该层的输入为： s i = 暇( x ，) r ( 2 1 ) 取输入输出关系为s i g m o d 函数f ( u ) = 1 ( 1 + e - - ) ，则隐含层的输出为： o i = f ( 墨) = ，( 暇( x ，) r ( 2 2 ) 此亦为输出层的输入。 ( 4 ) 计算输出层的输出，为 z = f ( ( q 妒 ( 2 3 ) ( 5 ) 求网络输出和期望输出之间的误差 屯= f ( ( o i ) 即( y ，一e ) = r , 0 一】i ：) ( 肼一i ) ( 2 4 ) 其中。z 为样本f 的期望输出。 ( 6 ) 计算隐含层的节点误差 元= f ( 墨) ( ( 既) 乃( 2 5 ) ( 7 ) 修正权值 = 町既( q ) ( 2 6 ) = 玎瓦( x i ) ( 2 7 ) ( 8 ) 返回到第( 2 ) 步，执行下一个样本。 对所有样本执行( 2 ) 一( 8 ) 步，全部执行完所有样本为一个训练步，当输出误 差小于给定的目标值时，训练停止，认为网络已经训练成功。 2 1 3b p 神经网络的优缺点与改进方法 多层前馈b p 网络是目前应用最多的一种神经网络形式，但它也不是非常 完美的。b p 神经网络能解决很多问题，但也存在一些目前难以克服的缺点。 多层前馈b p 网络的功能特点： ( 1 ) b p 网络实质上实现了一个从输入到输出的映射功能，而数学理论己 证明它具有实现任何复杂非线性映射的功能，这使得它特别适合于求解内部机 制复杂的问题。 ( 2 ) 网络能通过学习带正确答案的实例集自动提取“合理的”求解规则， 即具有自学习能力； ( 3 ) 网络具有一定的推广、概括能力 根据上述特点，b p 网络被广泛的用于函数逼近、模式识别、分类以及数据 压缩等方面的问题。 多层前馈b p 网络存在的问题： ( 1 ) 网络结构的选择尚无一种统一而完整的理论指导，一般只能由经验选 定。为此。有人称神经网络的结构选择为一种艺术。而网络的结构直接影响网 络的逼近能力及推广性质。因此，应用中如何选择合适的网络结构是一个重要 的问题； ( 2 ) 网络的