（岩土工程专业论文）基于人工神经网络的隧洞围岩分类与变形预测.pdf

中山太学硕士学位论文 基于人工神经网络的隧洞围岩分类与变形预测 专业：岩土工程 硕士生：黄显艺 导师：周翠英教授 摘要 众所周知，隧洞围岩是受各种性质的结构面切割而形成的地质综合体，影响 隧洞围岩稳定性的因素众多，其关系很难用一个精确的数学关系式来描述，属于 高度非线性映射问题。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 ，简称a n n ) 在 知识的自学习、非线性动态处理、自适应模式识别等方面的优越性，使其更适合 处理各种非线性问题。因此，利用人工神经网络方法研究隧洞围岩问题当是一条 值得探索的新途径。 本文以东深供水改造工程中隧洞围岩为研究对象，以人工神经网络方法为理 论，采用目前应用最广泛的b p 网络模型，建立了围岩分类的神经网络模型、位 移反分析岩性参数的神经网络模型和位移动态预测的神经网络模型，并应用于东 深供水改造工程走马岗隧洞和风岗隧洞某危险断面中。结果表明，模型的精度较 高，可满足工程实际要求。因此，本文开展的基于人工神经网络的隧洞围岩分类 及变形预测的研究，不仅为大型工程围岩分类及变形预测提供了较符合实际的结 果，供工程单位参考，而且为以后同类工程的围岩变形研究提供了一个新的方法。 关键词：围岩分类：位移反分析：人工神经网络方法；工程应用 基于人工神经网蝽的隧溯田岩分类与变形预刺董亚艺 t u n n e l s u r r o u n d i n g r o c k sc l a s s i f i c a t i o na n di t sd e f o r m a t i o n p r e d i c t i o nb a s e do na r t i f i e i a ln e u r a ln e t w o r k m a j o r ： g e o t e c h n i c a le n g i n e e r i n g s t u d e n t ：x i a n y ih u a n g s u p e r v i s o r ：c u i y i n gz h o u a b s t r a c t i ti sw e l lk n o w nt h a tt h ef a c t o r st h a ti n f l u e n c et h e d i s p l a c e m e n t o ft u n n e l s u r r o u n d i n gr o c k sa r ec o m p l e x t h e i rr e l a t i o n ，w h i c hc a n b eh a r d l yd e s c r i b e dw i t ha n e x a c tm a t h e m a t i c a l f o r m u l a ，b e l o n g s t oa n o n - l i n e a r i t ym a p p i n gp r o b l e m a s a r t i f i c i a ln e u r a ln e t w o r k s ( a n n ) h a sm o r e ：a d v a n t a g e si nk n o w l e d g es e l f - s t u d y i n g ， n o n l i n e a r i t yd y n a m i cd i s p o s i n ga n ds e l f - s u i tm o d e li d e n t i f y i n g , e s p e c i a l l ys u i t a b l e f o rc o m p l i c a t e de n 舀n e e r i n gp r o b l e m ss u c ha st u n n e l ，i te n i o y sg r e a tv a l u eo nt h e s t u d yo f t u n n e ls u r r o u n d i n gr o c k sc l a s s i f i c a t i o na n di t sd e f o r m a t i o n p r e d i c t i o n i nt h i sp a p e r o nt h eb a s i so fa n a l y z i n gt h ea c t u a ld a t u mo ft u n n e ls u r r o u n d i n g r o c k sa l o n gt h ed o n g s h e nw a t e r s u p p l yr e c o n s t r u c t i o np r o j e c ta n di nc o m b i n a t i o n w i t ht h et h e o r yo fa n n ，ar e v i s e db a c k p r o p a g a t i o n ( b p ) n e t w o r km o d e l ，t h em o s t w i d e s p r e a db r a n c ho fa n n ，i sp u tf o r w a r d b yb pm o d e l ，w ep a ym o r ea t t e n t i o nt o t h er e s e a r c ho nt h ec l a s s i f i c a t i o no ft u n n e l s u r r o u n d i n gr o c k s ，b a c ka n a l y s i s o f d i s p l a c e m e n t s a n dd e f o r m a t i o n p r e d i c t i o n o ft u n n e l s u r r o u n d i n g r o c k s i nt h e a p p l i c a t i o no fz h o um a g a n g t u n n e la n da r e p r e s e n t a t i v es e c t i o no ff e n g g a n gt u n n e l ， t h er e s u l t ss h o wt h a tt h em o d e lh a sv e r yh i g hp r e c i s i o na n dc o i n c i d e sw e l lw i t ht h e d a t ao fi n s i t um e a s u r e m e n t i n c o n c l u s i o n ，s t u d y o nt h ec l a s s i f i c a t i o na n d d e f o r m a t i o no ft u n n e ls u r r o u n d i n gr o c k sn o to n l yp r o v i d e st h ec r e d i b l er e s u l t s ，w h i c h m e e tt h ee n g i n e e r i n gr e q u i r e m e n t s ，b u ta l s op u t sf o r t han e wm e t h o df o rt h es t u d yo f o t h e rs i m i l a rp r o b l e m si nl a r g e - s c a l ee n g i n e e r i n gp r o j e e l s k e y w o r d s ：c l a s s i f i c a t i o n o f s u r r o u n d i n gr o c k s ，d i s p l a c e m e n t b a c k a n a l y s i s ， a r t i f i c i a ln e u r a ln e t w o r k , a p p l i c a t i o nt oe e l g i n e e f i n g n 中山大学硕士学住论文 第1 章绪论 众所周知，隧洞围岩是受各种不同性质的结构面切割而成的地质综合体。它 赋存于各种天然状态下的初始应力场中，加上围岩结构的非均质性、结构面的不 连续性、岩体介质自身的各向异性，以及各种外界因素( 如地下水、温度、人类 工程活动等) 的相互影响和耦合作用，使得隧洞围岩的性质表现出很强的非线性 特征。因而，隧洞围岩的变形破坏问题一直是地下工程领域的重要课题。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 ，简称a n n ) 具有自组织、自学习、非线性动 态处理等特征，具有联想推理和自适应识别能力，通过自学习来获得样本间的特 征和关系，特别适合处理各种非线性问题【”。因此，利用人工神经网络方法研究 隧洞围岩变形破坏问题当是一条值得探索的新途径。本文即是应用人工神经网络 方法开展的隧洞围岩分类及变形预测研究的新尝试。 1 1 隧洞围岩分类及变形预测的研究现状 1 1 1 关于围岩分类 围岩分类是进行地下工程设计和施工的基础，是评价围岩稳定性、设计断面 形状、施工方式和支撑、衬砌等的重要依据，在地下工程设计和施工阶段具有重 要的作用。因此，选取那些分类指标，采用何种围岩分类方案对围岩进行较为准 确的分类，一直是地下工程研究领域中的一个重要课题。迄今为止，国内外提出 的围岩分类方法达百种之多，我国的水电、冶金、煤炭、铁道、建设等部门都结 合本部门的特点，分别制定了适合本系统的分类方案。但到目前为止，国内外使 用较多的仍为d e e r e 的r q d 分类，b a r t o n 的q 系统分类、b i e n i a w s k i 的地质力 学分类系统( r m r ) 。结合各种岩体工程的特点，以定性和定量分析相结合，我国 在1 9 9 5 年还提出了地下硐室的岩体分类方案b q 公式，作为各类工程岩体分级的 国家标准推广执行。 隧洞围岩分类的方法有很多种，其原理基本上是采用工程经验类比法或根据 基于人工神经鹃络的隧洞围砉分莫与变形预测黄显艺 位移监测所获得的信息来判别其稳定性，进而进行分类。通常，在获得隧洞围岩 位移监测结果后，进行的数据处理过程中渗透了较多的人为因素，使得处理结果 带有较多的人为干扰。为尽可能消除处理过程中人为因素的影响，本文引入人工 神经网络方法，目的是尝试一种新的隧洞围岩分类方法。 1 1 2 关于围岩变形的分析方法 1 1 2 1 位移反分析法 所谓位移反分析是指利用开挖隧洞测得的位移，反推岩体的初始地应力和岩 体变形性质等物理力学参数，并用以作为输入信息对隧洞断面作围岩变形分析， 从而获得是否有必要修正支护参数与施工方法的输出信息。 反分析的基本思想最先由k a v a n a g h 2 l 提出，接着k i r s t e n 3 1 1 9 7 6 年在约翰内 斯堡的岩土工程勘测研讨会上提出了量测变形反分析法，然后经m a i e r ”、 g i o d a ”、s a k u r a i l 6 1 等许多学者的发展，反分析方法己成为目前解决岩土工程复 杂问题的主要方法之一。由于反分析得到的参数可作为在同模型下正分析的输 入参数，大大提高了分析结果的可靠性，因而受到工程界的欢迎，国内外许多学 者对此做了大量的工作，并发展了弹塑性、粘弹性等非线性反分析：在确定性反 分析的基础上发展了灰色系统、模糊数学等非确定性反分析；在有限元反分析的 基础上发展了边界元、离散元、半解析元等反分析法。国内代表性的工作有：杨 志法 7 l 提出了一种位移反分析方法图谱法，利用事先建立的图谱反演围岩地 应力分量及弹性模量，并提 a l 考虑隧洞开挖引起的松动圈对反演结果的影响和 如何不断提高位移反分析精度等问题；孙钧【9 】研究了“岩石力学参数弹塑性反演 问题的优化问题”，提出了局部最优解和全局最优解的概念，还在 1o i 提出在施工 过程中应加强施工监测，根据实测数据通过反演分析评价围岩的稳定性；刘怀恒 【1 i l 提出了一种监测分析一预报系统，其实质是在现场监测过程中，利用已获取的 量测数据反演参数，建立动态反演与预测模型；刘维宁【1 2 l 基于信息论的观点，提 出了“后验信息量( 未知信息量) = 先验信息量+ 观测信息量+ 理论信息量”表 达式；李世辉【1 3 1 提出了典型类比分析法隧道位移反分析技术，并编制了反分析程 中山赶擘硕士学位论丈 序。 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( 有限元法，边 界元法等) 。由于解析法只适用于简单几何形状和边界条件的问题的反演，难以 为复杂的岩土工程所采用。数值方法按实现反分析的过程不同又可以分为逆解 法、图谱法和直接法三类。这类方法的特点是可用于线性及一些非线性问题的反 分析，具有较宽的适用范围。其主要缺点：通常需要给出待定参数的试探值或 分布区间等，同时计算工作量大，解的稳定性差，易陷入局部极小值，不能保证 搜索收敛到全局最优解：由于岩土工程的复杂性，它所涉及的工程地质条件及 岩体特性参数是不完全定量的，难以用确定的数学模型加以描述【1 钔。 1 1 2 2 人工智能方法 反分析法虽然开辟了岩体力学参数和初始地应力研究的新途径，大大提高了 分析结果的可靠性，但是参数反演并未解决如何辨识与确定合理的模型的问题。 近年来，随着遗传算法、神经网络等人工智能学科的兴起，为解决此类问题提供 了一条新的途径。 基于k o h o n e nt 的定义【1 5 1 ：“人工神经网络就是由简单单元组成的广泛并行 互连的网络，它的组织能够模拟生物神经系统的真实世界物体所做出的交互反 映。”也就是说，人工神经网络是在人类对其大脑神经网络认识理解的基础上人 工构造的能够实现某种功能的神经网络。它是理论化的人脑神经网络的数学模 型，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。它实际上 是由大量简单元件相互连接而成的复杂网络，具有高度的非线性，能够进行复杂 的逻辑操作和非线性关系实现的系统。 人工神经网络具有很强的非线性映射能力，它不需要知道变形与所求力学参 数之间的关系，即不需要预先给出一定的模型，只需给定训练样本( 包括输入和 输出数据) 对其进行训练，从中确定输入数据与输出数据之间的关系；网络训练 完成后，通过网络的推广( 泛化) 能力来对新的输入数据进行处理。其计算过程 比位移反分析法方便快捷。 一3 一 基于人工神经网络的隧沸圉岩分兵与变形预洲黄豆艺 1 1 2 3 智能反分析方法 虽然神经网络等智能方法具有传统数值方法所没有的一些优点，但是需要 有样本数据对其进行训练，只有网络移l 练完成以后才能投入使用，而传统数值计 算是不存在这个问题的。基于以上考虑，可以把两者有机地结合起来，各取所长， 优势互补。智能反分析法就是一个明显的例子，它是人工智能方法与位移反分析 法的联合。 从岩土力学智能反分析所采用的手段来看，主要可分为3 类【1 6 1 ： 第一类方法是数值模拟与神经网络相结合进行位移反分析。该方法采用数值 模拟( 比如有限元) 计算给出计算参数( e ，1 1 ，c ，巾，) 条件下的计算结果 ( o ，u ，) 由这两者组成样本对用于训练神经网络；然后，把测得的实际位移 ( u ) 输入训练后的神经网络，神经网络模型则输出相应岩体的力学参数( e u + ，c ? 审，) 和初始地应力( o ) 。 第二类智能反分析方法是和用数值模拟与遗传算法的结合，在依据工程经验 给出待反演参数取值区间的情况下，首先随机地选择待反演参数的初始值群体， 接着对每组参数进行数值模拟，计算位移、应力，并与实测值比较，计算该组参 数的适应值，然后对上述各组参数的代码进行遗传杂交和变异，产生若干组新的 待反演参数；重复执行上述步骤，直到最小适应值被发现。最小适应值对应的一 组参数即为待反演的参数。 第三类是将遗传算法和神经网络有机地结合起来，提出一种用于位移反分析 的进化神经网络方法。进化神经网络方法既利用了神经网络的非线性映射、网络 推理和预测功能，又利用了遗传算法的全局优化特性，在处理变量与目标函数值 间无明显的数学表达式的复杂工程问题中，具有较高的应用价值。 1 1 2 关于围岩变形预测 随着变形分析研究的全面开展，人们认识到变形体的变形是在各种荷载( 力) 作用下的动态连续过程，变形体是具有惯性、记忆和时序的动态系统，其变形值， 即系统输出( 结果) 变量不仅依赖于同时刻的，而且还依赖过去输入的变量的值。 中山走擘硕士擘位论丈 比如在隧洞工程中，围岩的变形受其结构特征和赋存的环境带4 约，有其内在规律 性，反映在监测数据上是其观测序列随时间变化，前后不再独立而存在一定的依 存关系，前期观测数据的变化规律蕴含着后期位移的变化趋势，也就是说，围岩 变形的当前状态是过去状态的延伸。另一方面，隧洞开挖施工过程中往往受某些 因素的干扰，使得定期观钡| 的变形位移数据具有一定的随机性，表现为累加位移 曲线上其曲线具有一定的波动。因此，用监测到的历史位移值进行建模可以对岩 士结构的未来演化规律、发展趋势等进行预测，及时掌握岩土结构的变化规律， 在工程上具有十分重要的意义。 传统用于位移序列演化特征的建模方法主要是时间序列分析方法，该方法的 特点是利用观测到的位移数据直接建立预测用的统计模型而无需了解地下结构 ( 围岩) 中发生的力学过程。目前的时间序列分析方法有a r 法、a r m a 法、a r f m a 法和g m d h 法等f r 丌，其本质上仍属于回归分析，都是用一确定的模型( 函数 来表达 变量间的关系，有了这种函数关系后就能够预报变形。但由于回归分析中，选用 何种因子、用何种表达式有时只是一种推测，而且影响变形因子的多样性和某些 因子的不可测性，使得回归分析在某些情况下受到限制。同时，此方法用平均蓝 线进行拟合、预报，不足以准确地反映观测值的离散性和随机波动性。而且，回 归模型只是一种静态模型，没有体现变形观测序列的时序性、相互依赖性以及变 形的继续性。 神经网络与回归分析相比，具有三方面的优点【1 8 】：能避免数据的分析和建 模工作，它通过学习建立样本集的隐含知识库；不必假设方程模型，它自身具 有很强的逼近复杂非线性函数( 映射) 的能力；基于较强的容错性能，即使样 本中含有噪声或变形的输入模式，也并不影响网络的整体性能。因此，可利用人 工神经网络来预测围岩的变形。 1 2 人工神经网络在地下工程中的应用概述【1 9 j 2 0 1 人工神经网络吸取了生物神经网络的许多优点，具有高度的并行性、高度的 非线性全局作用、良好的容错性以及十分强的自适应、自学习功自皂等特点。这些 5 基于人工神经网络的隧洞田岩分类与变形预科董显艺 特点显示出人工神经网络在解决地下工程复杂问题中盼广阔应用前景。 虽然早在1 9 4 3 年美国心理学家w m c c u l l o c h 和数学家w p i t t s 2 1 就开创了对 神经网络的理论研究，但是直到2 0 世纪8 0 年代中期，人工神经网络才开始在岩 士工程中得到应用。1 9 8 4 年，美国麻省理工学院w s d e r s h o w i t z 与h h e i n s t e i n 首先发表了题为“人工智能在岩石力学中应用”的论文。 在我国，张清教授( 1 9 9 1 ) 率先将人工神经网络引入岩石力学与岩土工程， 进行岩石力学性态预测、基于试验数据的函数关系估计和某矿老顶初次来压步距 预测神经网络研究。近年来，神经网络在我国地下工程领域的研究得到了迅猛 发展，在许多方面取得了不错的研究成果。 1 2 1 围岩分类 北方交通大学的y y a n g a n dq z h a n g 2 3 l 利用b p 神经网络找出了影响围岩稳 定性的关键因素，建立了一种等级分析方法；杨朝晖等【2 4 】提出了地下工程围岩稳 定性分类的人工神经网络模型：胡建华等培用改进的m b p 神经网络进行围岩稳 定性的识别，建立了围岩稳定性的神经网络识别模型；雷学文等【2 6 l 运用人工神经 网络理论，建立了围岩稳定性分类的人工神经网络识别模型。 1 2 2 智能反分析 利用基于神经网络的智能反演方法，李立新等吲运用多层前馈神经网络模型 ( b p 网络) ，反演得到岩体粘弹性力学参数；樊琨等i 勰】也运用b p 网络模型反求岩 土工程计算中的邓肯参数，得到了满意的结果；李瑞有等【列基于b p 网络建立了 边坡位移反分析方法，得到了三峡永久船闸边坡多介质岩体的宏观等效弹性模 量，并利用该弹性模量进行了有限元正分析计算，预测了三峡永久船闸开挖边坡 下一开挖阶段的应力及变形发展趋势：冯夏庭p o 】根据g a 和a n n 的特点，将两者 有机地结合起来，提出一种用于位移反分析的进化神经网络方法：李晓红刚通过 对岩体力学参数、工程结构参数及位移量测资料b p 神经网络模型的学习和训练， 得到了隧道围岩稳定性分析所需等效弹性模量e 、初始地应力侧压系数x 及铅垂 中山大学硕士学位论文 地应力ov ： 1 2 3 变形预测 j i n s h e n gs h i 等【3 2 l 采用了模拟人工神经网络对软土隧道工程施工沉降进行了 预测与实测的对比分析研究；孙均1 3 3 噪用模糊神经网络对城市地下工程建设中结 构与土体的变形、稳定做了智能预测与控制的研究；孙海涛等【划提出了深基坑变 形预报的人工神经网络法，并洋细介绍了该方法的建模和应用实例；黄修云等【3 5 l 应用神经网络对大瑶山隧道水平收敛量测进行了预测；张治强等1 3 6 j 提出并分析了 一种用于隧洞位移演变预测预报的遗传神经网络方法；张玉祥【3 1 对岩土工程中的 时间序列预报问题进行了研究，指出神经元网络是解决岩土工程时间序列预报问 题的有效方法：周保生、朱维申【3 8 1 用人工神经网络预测了巷道围岩参数；袁金荣 等将神经网络技术应用于深基坑工程的变形预测，并用v c + + 语言加以实现； 高浪、谢康和i ”啉人工神经网络理论应用于深基坑土钉墙的变形预测，建立了变 形预报的神经网络模型。 1 3 本文的研究思路及主要内容 研究思路：首先，结合广东省东深供水改造工程代表性隧洞的围岩特征，尝 试采用人工神经网络法进行围岩分类，以探讨围岩分类的新方法；然后，根据隧 洞施工过程中的位移监测资料，将有限元法与神经网络法相结合，进行岩体参数 反演，形成一个动态反演分析过程，确定隧洞围岩参数；最后，根据神经网络具 有的推广泛化能力和所确定的参数，建立围岩变形分析模型并进行预测。 全文共分为五章论述，包括( 图1 - 1 ) ： 第l 章为绪论，首先，阐述了隧洞围岩变形的研究现状以及存在问题以及人 工神经网络方法在地下工程中的应用；提出了人工神经网络用于围岩分类及变形 预测研究的总体思路。第2 章为本文研究的工程背景东深供水改造工程，具 一7 基于人工神经网络的隧洞围岩分类与变形预测黄五艺 体介绍了工程概况、隧洞工程地质条件，包括地形地貌、各隧洞围岩岩性及构造 特征、水文地质条件等。第3 章是全文的重点。首先具体介绍了人工神经网络的 基本原理，包括神经元结构模型、b p 两络结构和b p 学习算法过程：接着对经 典b p 算法存在的问题进行了探讨，提出了b p 网络模型的改进，包括学习算法 的改进、传递函数的改进和网络结构的优化；最后在改进的b p 网络模型的基础 上，提出了位移反分析模型和位移预钡4 模型，前者是数值法与神经网络的结合用 于岩性参数的反演，同时为了减少数值计算量，提出了利用正交试验设计来安排 参数组合：后者采用时间窗口滚动技术建立了当前位移跟过去各历史位移值间的 关系，用于预测下一步的位移。第4 章为人工神经网络模型在东深供水改造工程 隧洞中的应用。通过在三个工程实例中的应用走马岗隧洞围岩分类、风岗隧 洞某危险断面位移反分析岩性参数和风岗隧洞某危险断面位移变形预测，进一步 对人工神经网络方法的适用性进行了分析，结果表明：其研究结果的精度高，适 于进行围岩变形问题的研究。第5 章为全文的总结和展望。 圈i - 1 研究内容框图 中山丈学硕士擘位论文 第2 章隧洞围岩分类及变形分析的工程背景 东深供水改造工程 2 1 工程概况 东深供水改造工程( 以下简称东改工程) 是改善香港、深圳和东莞三地用水 的重要水利枢纽，其经济和政治意义重大。隧洞工程是东深供水改造工程重要而 关键的组成部分，全程共有6 座引水隧洞，按桩号依次为走马岗隧洞、观音山隧 洞、笔架山隧洞、石山隧洞、窑坑隧洞及凤岗隧洞。其中走马岗隧洞、观音山隧 洞、笔架山隧洞、石山隧洞位于旗岭一塘厦输水段，窑坑隧洞及风岗隧洞位于塘 厦至上埔输水段。隧洞总长约1 2 9 k m 。各隧洞均为无压隧洞，断面为城门拱形， 高7 6 m ，底宽为6 5 m ，隧洞底板高程约2 2 3 0 m 。 2 2 隧洞工程地质条件4 2 1 【4 3 2 2 1 地形地貌及地层岩性 引水隧洞为低山丘陵地带，隧洞线地形起伏大，邋表高程2 0 2 6 0 m 。埋深 1 0 多米至2 0 0 余米，隧洞过沟浅埋段多。隧洞穿过不同岩相地层，主要有岩浆 岩，其次为变质岩，沉积岩。各隧洞地层岩性如表2 - 1 。其中，走马岗隧洞代表 性钻孔柱状图如图2 - 1 所示，风岗隧洞代表性钻孔柱状图如图2 2 所示。 走马岗隧洞岩性绝大部分为震旦系云母片岩、干枚岩、混合岩及碎裂岩等深 变质岩，仅近出口段为燕山四期花岗斑岩。另外，在桩号1 + 0 0 0 2 + 0 0 0 间，侏 罗系上统小坪组砂岩不整合于震旦系变质岩之上，沿洞线覆盖土层一般较厚。 观音山隧洞穿过的地层有：侏罗系中统塘厦群下亚群泥质粉砂岩、钙质粉细 砂岩及燕山三期粗粒花岗岩，沉积岩分布于前段( 桩号5 + 2 5 0 5 + 4 3 0 ) ，全风化 深厚，花岗岩风化一股较浅。 基于人工神经鹧蟮的隧鸿圃岩分类与变形预测黄显艺 笔架山隧洞穿过的岩性较单一，为燕山三期粗粒花岗岩，在近、出口段钻孔 揭露有后期的辉绿岩、煌斑岩脉侵入。 石山隧洞岩性单一，均为燕山三期粗粒花岗岩，在进口段风化较深厚，其余 风化较浅，尤其是中部，弱风化基岩大面积裸露。 窑坑隧洞穿过的地层为侏罗系上统钠长斑岩，属次火山岩类，沿洞线覆盖土 层厚2 7 m 。 风岗隧洞岩性有侏罗系中统塘厦群上亚群粉砂岩夹长石石英砂岩、石炭系下 统测水段炭质页岩、炭质粉砂岩及砂页岩、侏罗系上统钠长斑岩( 次火山岩) 。 钠长斑岩分布于整条隧洞线：侏罗系粉砂岩夹长石石英砂岩主要分布于前半段， 而石炭系侧分布于后半段。沿线覆盖层土层一般较厚。 柱状图及 钻孔结构地质描述 地层 屡屡 层 辇卸o j 燕j 螭 代层 裔深 厚 程 度 号序 ( ，k ( 束【，k ) ) 0 0 - 6 1 0 皿村瓜糟_ - 1 1 ， 上羹，士羹一膏灰色，糟性 簪其中4 0 - 4 3 5 m 为滚 旨 5 1 0 - 8 5 0a n 穗合岩压碎 p 6 - 1 0 - 】 燃 量，袈曩，获羹一棰红色， 2 铲 i 由化餐先垒。局蕾失膏 i l 4_ m1 a鼠亿群块。叠 h 笺缀 1 事0 一1 0 ，咀撮合岩压 i 序者，幕辱，冀摹督嚣黄 5 1 j 0 dt o 邑糟石软硬襄童发育 5 幢 钐彩 馈囊严重，者苓基块状 1 ，l o ，摹1 1 5 阳碎央长 多钐勿 1 0 3 彳一l2 o o 盈穗合奢压 4 1 41 2 1 “止 庠岩。冀母，岩石竖讴，较 乏钐彩 完整，囊膏有中曩囊曩嗷 基蕾充纂石美，庸蕾繁 啊3 - 4 条，m 。眷葚参量 名仍形 莨拄钕，步为曩柱凝和块 傲 t | o ，夕， l j 一z i i u 皿，百啊；目r ，1 7 b 射l 鞴1 口0 由磕亿者，角砾者组戚， 1 1 j 7 尹y 受糖精麓，克壤石羹胜， 虞角75-1口鹿，者巷聋曼 举桂状和婕状 圈2 1 走马岗隧洞代表性钻孔柱状图 中山大学硕士学位论文 柱状图及 钻孔结构地质描述 地层 屡 屡 层 【束i o o 底 膳 代层 高深 厚 程 度 号 序 f ，穑)( 洋)( 米) 一m 5 2 2 ，l黝 ，0 0 - - z 0 0 m 种霜梢土， t 灰色，墨 5 1 2 n o2 ，一 l l z 。0 ( i - 7 。0 0 m 石英砂岩， 必白，带瓣黄色。岩石较 蔓，裂馥发青以中隆饭 _ 自为主，理面f 橐，夹有 5 _ l o 一3 0 的弱风化岩， _ _臣度硅化岩芯呈块杭和 4 6 7 0 05 臣妖 87 0 0 - 9 7 0 m 石英砂者 。 6 褒自，带内红色。岩石坚 l 1 3 7 9 7 口2 柏 l匝，中，瞻两角襄璩较多 1 0 s 一4 条m ，轻度硅化 岩芯多呈柱状和半日柱 快 1 1 7 0 - 3 5 o o m 舳长麓岩 灰，岩石坚疆，疆昧宸 1 膏，以中惯角为主，裂酉 多被f - 采，中受4 - 6 豢 h ，鬟a 一2 裘m ，睦l 1 6 z 条m ，岩芍虽柱袄 i l f 块 ，| | 睫，有轻度硅化 幽2 2 风岗隧洞代表性钻孔柱状图 表2 1尔改 ：秽备隧洞嗣岩岩性及构造特征 隧桩譬 鎏 ( 段长。) 岩性主要断层及节理裂隙特征 078，04篱舞nb5es器z：85。n85es z 8 5 麓慧爱篓，囊罴2 + 巍5 8 0 三 ， ，宽3 5 m ，充填石英脉，张性，在隧洞桩号附近通 5 0 “3 7 2 勖蹙意7 当 过，与洞线交角约4 5 。 花岗斑岩节理：出口段主要裂隙n7 0 w sw 么8 2 。 n5 0 e sez 5 8 。，延伸匠 辩蒿雾蚕薰一兰 i , i5 5 w sw z 8 6 。2 条m 。 走马岗隧洞 基于人工神经网络的隧洞围岩分类与变形预洲黄显艺 笔 粗粒花岗 架6 + 9 5 0 8 + 岩及少量 超2 7 0 ( t 6 8 0 ) 辉绿岩、黄 嗣 斑岩脉 断层：f2 3 ，产捩n 4 0 5 0 w s w l 8 6 宽1 5 m ，充填硅他岩、角砾岩，段结较 好，与润线交夹角约3 0 。f3 4 ：n 3 0 w s w 6 5 4 7 0 宽约8 1 0 m ，精断 层带两侧蚀变，主要为高岭土化蚀变崩解现象不明显，岩芯呈强风化状，对隧 洞围岩影响较大，推测在桩号7 + 7 5 0 前后穿越 节理：n2 0 w s w 7 0 。，延伸约4 m 6 条m ：sn e l 8 5 。+ 延伸约i o m ，1 0 1 3 条m 。n 3 0 e se l 8 0 。 断层：f5 5 及f5 6 n 1 0 w s w l 7 5 8 0 9 ，宽o4 o6 m 充_ 嗄角砾岩、娃化 岩。胶结较差。在进洞r l 段穿越，断层与嗣线约成4 5 度交角，倾诵外，形成风亿深 槽对洞口影响较大。f5 8 ：n 4 5 e n w z 8 5 。宽约05 m ，由碎裂岩、角砾岩 ，等等竺组成，胶结差，断层与洞线约成正交，在桩号2 + 7 l o 前后通过。f 5 9 ：n5 0 6 0 e 为土，持有se 6 0 8 0 a 宽5 1 0 m 主要充填角砾岩，胶结较差，与洞线成正交在桩 竺! | ：掌苎号2 + 8 4 0 前后穿越f 6 0 ：n 4 5 e se z 6 7 。宽2 3 m ，充填角砾岩、麋棱岩， 婴芝拳胶结差，特征明显与洞线成正交，在桩号3 + 5 3 5 前后通过，对隧洞稳定影响较 质粉砂岩大必须及时支护。 节理：n7 0 w ne l 5 8 。，1 0 条m n 2 5 w ts w l 5 2 。8 条m ；n7 9 e se 8 么2 。3 条m 延伸长。 2 2 2 地质构造 隧洞区的主要构造为断层及节理裂隙。各隧洞断层及节理裂隙见表2 1 。 隧洞区主要发育2 组断层：q n 3 0 5 0 w s w ( n e ) 么6 5 8 5 。，断层带宽l 5 m ，充填硅化岩、角砾岩及断层泥，胶结较好或胶结差。发育于走马岗、观音山 及笔架山隧洞，与隧洞夹角一般4 5 5 0 。；n 4 0 6 0 e s e ( n w ) l 6 0 - - 8 5 。，断 层带宽0 5 5 m ，充填碎裂岩、角砾岩、糜棱岩，胶结较差，发育于风岗隧洞， 与隧洞线近于正交。 隧洞区发育的节理裂隙主要有以下几组：s m ( w ) 么3 0 8 5 。，延伸可达 l o r e ，4 1 3 条m ；n 4 0 7 0 w s w 么8 0 8 5 。，延伸可达3 0 m ，2 3 条m ； 1 2 三一卧 风岗隧洞 中山尢攀硕士学位论文2 0 0 4 n 2 0 3 0 w ，n e ( s w ) 么5 0 8 5 。，延伸约4 m ，6 1 2 条m ；n 3 0 5 0 e s e l 5 5 8 0 。，延伸可达2 0 m 。5 8 条m ：n 8 0 e s e 么8 5 。，延伸长，3 条m 。 节理裂隙发育特征表现为：一般表层较发育，向深部较少发育，且趋于闭合。同 一部位发育1 3 组节理裂隙，延伸几米至十几米，密度每米几条至十几条。 从已发现的断层来看：隧洞断层虽有发育，但发育频率及规模不大，且与隧 洞线夹角较大，一般大于4 5 。，对隧洞围岩稳定影响不大，但可能由于与节理 裂隙的不利组合而导致局部失稳。 2 2 3 水文地质条件 隧洞区地下水类型为覆盖层孔隙水及基者裂隙水，以潜水为主，局部沿断层 破碎带为脉状或薄层状承压水。据钻孔压( 注) 水试验，全风化带属弱透水性， 强风化带属弱中等透水性，弱微风化岩属微透水性。 基于人工神经网络的隧洞围岩分类与变形预测黄显艺 第3 章隧洞围岩变形分析的人工神经网络模型 人工神经网络( a n n ) 是对人脑结构及功能的抽象和模拟，由大量的非线性 单元广泛地互相连接而形成的复杂网络系统。a n n 采用类似“黑箱”的方法，通 过学习和记忆找出输入与输出的关系。 神经元是人工神经元网络的基本处理单元，网络的信息处理由神经元之间的 相互作用来完成。神经元具有以下特性： ( 1 ) 神经元是一个多输入、单输出元件； ( 2 ) 神经元是一个具有非线性输入、输出特性的元件： ( 3 ) 神经元具有可塑性： ( 4 ) 神经元的输出响应是各个输入的综合作用结果，即所有输入的累加作用。 x 1 石2 m x 图3 1 神经元结构模犁 根据以上这四个特性，一个神经元的基本结构模型如图3 - 1 所示。其输入输 出关系可描述为： i t = p i l x i e i ，o l y ；f ( i ；) 其中，z f ( _ ，一】，2 ，a ，_ ，1 ) 是从其它细胞传来的输入信号，只为阚值，w j i 表示 从细胞j 到细胞f 的连接权值，( ) 称为传递函数。 目前，人工神经网络有数十种模型，比较典型的有b p 网络、h o p f i e l d 网络、 c p n 网络、a r t 网络等。其中，反向传播神经网络( 又称b p 网络) 是应用最广泛、 效果最好的方法，它与其他传统模型相比，有更好的持久性和适时预报性。故本 文选用的网络模型为b p 网络模型。 中山太学硕士举位论文 3 1 人工神经网络的基本原理m 1 从数学的角度来看，神经网络是一组输入节点到输出节点的映射，这个映射 是一个高度非线性映射。如果输入节点数为n ，输出节点数为l u ，则网络是： f ：r 4 一r ”，y = f ( x ) 如果对于样本集合输入x 和输出y ，可以认为存在某一映射g ，使得 y f = g ，) ，i e l 2 ，a ，七 求解问题时，只要求出一映射f ，使得在某种意义下，f 是g 的最佳逼近。 本文提到的b p 神经网络( b a c kp r o p a g a t i o n ，误差反向传播多层前馈神经 网络) 是目前应用最广泛也是发展最成熟的一种神经网络模型，它是按层次结构 构造的，包含输入层、隐含层和输出层，隐含层可有一个或多个，每层由若干个 神经元组成；层与层之间多采用全互连方式，同层单元之间不存在相互连接( 如 图3 - 2 所示) 。 b p 算法属于6 算法，是一种建立在梯度下降法基础上的有教师指导训练的学 习算法。其主要思想为：对于坷个输入学习样本：p 1 ，p 2 ，a ，p t ，已知与其对应 的输出样本为r 1 ，r 2 ，a ，f 。学习的目的是用网络的实际输出4 1 ，4 2 ，a ，4 - 与目标 矢量f 1 ，f 2 ，a ，- 之间的误差来修改其权值，使a 7 ( f 一1 , 2 ，a ，窖) 与期望的? 。尽可 能地接近，即：使网络输出层的误差平方和达到最小。它是通过连续不断地在相 对于误差函数斜率下降的方向上计算网络权值和偏差的变化而逐渐逼近目标的， 每一次权僮和偏差的变化都与网络误差的影响成正比，并以反向传播的方式传递 到每一层的。 权修芷 屯 屯 ： 吒 输入层隐含层输出层 圈3 2 r p 网络樽犁结构 一1 5 期望输出 基于人工神经网络的隧潮田岩分类与变形预瞄量显艺 b p 算法的学习过程由两部分组成：信息的正向传递与误差的反向传播。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， 则计算输出层的误差变化值，然后转向反向传播过程，通过网络将误差信号沿原 来的连接通路返回，通过修改各层神经元的权值，使得误差信号最小。其实现的 具体步骤如下【4 5 1 m l ( 如图3 3 所示) ： ( 1 ) 网络初始化，设置网络结构( 即网络层数和每层节点数) 、学习步长玎、 允许误差f 等，用一组随机数对网络赋初始权值； ( z ) 为网络提供一组学习样本，输入向量 x ，( x 。z ：，a ，x 。) 7 ， 期望输出向量 y t ，y 2 ，a ，匕) 7 。 ( 3 ) 对每个学习样本进行( 4 ) ( 8 ) ； ( 4 ) 逐层正向计算网络各节点的输入和输 出：当输入第忍个样本时，对于网络中的第1 层第个神经元的输入、输出分别为 输入 m t ，( o 一艺赠，销枷 输出 d 簧一，0 酣笋) ( 5 ) 计算第n 个样本的输出误差e 。和网 络的总误差e ： 即三薹眠一圪) 2 e 一去弘 其中匕、瓦分别为输出层第个节 点的期望输出和实际输出。 ( 6 ) 当e 小于允许误差或者达到指定的 初始化权值和阈值 否 输入学习样本 计算随吉层输出 层的输入输出 皇 计算隐含层输出 层的谩差 主 修正权值和闻值 ! 学习样本更新 ，样本学习、 坐 更新学习砍数 ，谩差 - 3 算 去有关外，还跟神经兀传递醒f 效有 密切关系。传递函数的基本作用包括控制输入对输出的激活作用；对输入、输出 进行函数转换；将可能无限域的输入变换成指定的有限范围内的输出。经典b p 算法选用s i g m o i d 型函数作为神经元传递函数，原因有两条：它与生物神经元 的真实反映非常相似；它有一个非常简单的导数，。 ) 一， ) 【1 一，0 ) ，这对 开发学习算法非常有用。 常用的s i 鲫。i d 型函数为，g ) = - 1 - b 圭i ，本文尝试把它写成另外一种表达形b 。 式：，o ) 。专，( a 2 1 ，为表征收敛速度的常量) ，拟从以下三个方面对它们 的收敛性进行比较( 如图3 - 4 ) 。 ( 1 ) ，o ) = 五之：万比，g ) = i 七= 曲线更加陡( 如图3 - 4 ( a ) ) ，当i x o 时，前 者更快趋近于1 ：当x - 3 样本 1 【二二二二二= 二夏歪二二二= 二二二= 二二二j 圈 二= 太 序r q d k ，r wkk o iv 15 80 5 98 54 2 0 71 8 50i000 27 50 5 5 5 53 7 0 05300 100 34 50 5 55 53 7 0 01 0 400 100 46 20 4 65 53 6 9 51 0 40010 0 5 4 4 50 52 03 0 0 01l | 50 0010 66 10 5 22 03 9 5 93 5 3000l0 72 20 2 581 9 0 0i ，51 2 50 000l 88 60 6 8i 1 0 24 5 0 01 8 50l000 9 9 50 6 5i i 0 24 5 1 41 8 501000 1 06 40 5 35 9 54 0 0 01 0 400l00 3 0 中山大学硕士学位论文2 0 0 4 表4 - 2 归一化及变换处理后的学习样本 一3 1 ， 基于人工神经网络的隧洞固岩分类与变形预测黄显艺 4 1 3 计算结果与比较 应用表4 2 数据，对选定的b p 网络模型训练后可以得到一组权值和闽值。 用此训练后的模型对走马岗隧洞7 个不同桩段的围岩( 指标实测值如表4 3 所示) 进行分类识别，其分类结果见表4 4 。为了便于比较，表4 4 同时列出文献f 4 1 】 勘察报告给出的分类结果。从表4 4 可看出，神经网络法的输出结果与勘察报告 提供的结果完全一致，从而证明b p 网络模型精度很高，能很好地满足工程的应 用需要。 表舢3 待分级的走马岗隧洞围岩分类指标实测值 围喜冬段 岩性 评价指标实测值 r q d k 。 k d ，1、塑窒曹差曼垡雪凳主，洞顶 7 5o 5 78 2 04 1 4 51 04 ( 2 + 7