文旭卿 胡赤兵 鄭會康 王昭根

(1.江西交通咨詢有限公司，江西南昌 330008; 2.江西省高速集團南昌西管理中心，江西南昌 330100)

1 概述

21世紀以來，經(jīng)濟蓬勃發(fā)展，為了滿足日益增長的運輸需求，交通需要更加的快速與便利，公路隧道建設(shè)進入高速發(fā)展的時期。公路隧道施工過程中，對隧道涌水量進行合理的預(yù)測關(guān)系到施工安全以及工程質(zhì)量，同時也是指導(dǎo)施工的重要依據(jù)［1］。本文基于BP神經(jīng)網(wǎng)絡(luò)原理，為了預(yù)測隧道建設(shè)出現(xiàn)涌水的涌水量，建立了公路隧道涌水量預(yù)測模型，可以根據(jù)預(yù)測結(jié)果提前采取相關(guān)措施。

2 BP神經(jīng)網(wǎng)絡(luò)模型

BP人工神經(jīng)網(wǎng)絡(luò)是一種具有較強的聯(lián)想記憶以及推廣能力的反饋式全連接多層神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)示意圖如圖1所示。標準BP神經(jīng)網(wǎng)絡(luò)模型由三部分組成(輸入層、隱層和輸出層)。BP模型輸入層的輸入和輸出滿足Oj=Xj。輸出層和隱層滿足下列等式:

其中，fj為神經(jīng)元j對應(yīng)的激發(fā)函數(shù);現(xiàn)在使用次數(shù)最高的是Sigmoid函數(shù):

其中，θj為神經(jīng)元j的閾值;Xi為對神經(jīng)元j的各個輸入;Wj為該神經(jīng)元j與其對應(yīng)輸入的連接權(quán)值。

圖1 神經(jīng)網(wǎng)絡(luò)示意圖

BP網(wǎng)絡(luò)信息儲存主要依賴于體系結(jié)構(gòu)和相鄰層節(jié)點之間的連接權(quán)值。體系結(jié)構(gòu)包含網(wǎng)絡(luò)的輸出層，輸入層，隱含層的節(jié)點個數(shù)。把學習率η、隱含層的節(jié)點個數(shù)、系統(tǒng)誤差ε作為結(jié)構(gòu)的主要參數(shù)。其中系統(tǒng)應(yīng)用控制輸入層輸出層節(jié)點個數(shù)，用戶憑經(jīng)驗控制隱含層節(jié)點個數(shù)。一般來說學習率取0.01～0.9之間，訓(xùn)練次數(shù)和學習率大小成反比。但是，如果學習率太大，會影響網(wǎng)絡(luò)結(jié)構(gòu)的穩(wěn)定性。擬定誤差ε由輸出結(jié)果的要求控制，ε越小，要求的精度越高。

BP神經(jīng)網(wǎng)絡(luò)算法的具體步驟如下:1)確定神經(jīng)網(wǎng)絡(luò)的輸入向量X以及目標輸出向量T，同時將網(wǎng)絡(luò)權(quán)值初始化;2)進行神經(jīng)網(wǎng)絡(luò)實際輸出計算;3)進行實際輸出向量和符合要求的目標輸出值的誤差計算;4)不斷進行權(quán)值學習，直至誤差到最小值。

重復(fù)上述流程，把系統(tǒng)誤差控制到最小。

3 工程應(yīng)用

3.1 工程概況

本論文所研究的隧道是江西省境內(nèi)某隧道，其所在區(qū)地勢整體南高北低，由西南向東北傾斜，成坐南朝北斜坡，垂直高差變幅較大，區(qū)內(nèi)最高海拔712.10 m，最低海拔142.3 m，相對高差一般為60 m～150 m。標段線路經(jīng)過復(fù)雜的地貌，包括山間凹地、剝蝕構(gòu)造低山、沖洪積溝谷、丘陵等。地表水方面隧址區(qū)水系屬于贛江水系，地表水較不發(fā)育。地下水主要有風化帶孔隙裂隙水，基巖裂隙水以及構(gòu)造裂隙水。

3.2 評價指標

通過分析隧道區(qū)域的地質(zhì)信息及參考前人做過的研究和相關(guān)文獻，選擇地質(zhì)構(gòu)造、滲透率、降水量和水頭高度作為評價因子。其中將地質(zhì)構(gòu)造，依據(jù)發(fā)育程度和產(chǎn)狀的區(qū)別，分成5個等級，并對等級進行量化評定，如表1所示。

表1 地質(zhì)構(gòu)造量化等級

3.3 BP神經(jīng)網(wǎng)絡(luò)學習樣本

根據(jù)實際現(xiàn)場考察和整理，同時考慮到樣本選取典型且全面，選取20個不同的有代表性的洞段的相關(guān)參數(shù)作為樣本，如表2所示。

表2 隧道涌水研究樣本

3.4 BP神經(jīng)網(wǎng)絡(luò)模型

利用BP神經(jīng)網(wǎng)絡(luò)對樣本進行學習，輸入節(jié)點為上述四個指標，輸出節(jié)點為涌水量值，隱含層節(jié)點控制在9個?？紤]到量綱問題，為了保證不干擾網(wǎng)絡(luò)的收斂速度和訓(xùn)練模型的可靠性，公式如下:

其中，xij為第i項指標第j個數(shù)據(jù);xmax，xmin分別為原始數(shù)據(jù)中的最大值、最小值，歸一化后的值介于0～1之間。

經(jīng)過對前8個具有代表性的樣本訓(xùn)練學習，模型誤差在第78 213次學習后小于0.02，證明所建網(wǎng)絡(luò)模型收斂。

3.5 神經(jīng)網(wǎng)絡(luò)模型檢驗

為了保證神經(jīng)網(wǎng)絡(luò)的有效性和可行性，對后6個樣本進行檢驗，結(jié)果如表3所示。預(yù)測結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測值與實測涌水量很接近，其中，相對誤差范圍在0.825% ～9.66%之間，平均為3.8%，是被允許的誤差值范圍;結(jié)果表明，利用BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型預(yù)測涌水量精度高，有一定的實用價值。

表3 利用BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測涌水量與實測涌水量的比較

4 結(jié)語

選取地質(zhì)構(gòu)造、滲透率、降水量和水頭高度作為評價因子，基于BP神經(jīng)網(wǎng)絡(luò)提出了公路隧道涌水量預(yù)測模型，通過與工程實例對比表明，利用BP神經(jīng)網(wǎng)絡(luò)模型對隧道內(nèi)發(fā)生的涌水量進行預(yù)測是比較準確的。