人工神经元网络在公路隧道围岩判别中的应用

特稿2003年第4期第28卷总第106期广西交通科技GUANGXICOMMUNICATIONSCIENCE&TECHNOLOGY收稿日期:2003-06-10作者简介:裘军良(1978-),男,浙江绍兴人,硕士,主要从事桥梁、隧道管理与研究;夏永旭(1953-),陕西武功人,教授,博导,主要从事工程结构数值计算方法、隧道结构理论、公路隧道通风与防灾救灾以及公路隧道工程质量检测研究。专家信息:夏永旭,博士生导师,长安大学公路学院教授、全国加权残值法及工程应用协作组副组长、陕西省力学学会常务理事。主要从事工程结构数值计算方法、公路隧道结构理论与运营环境、公路隧道通风与防灾救灾以及公路隧道工程质量检测的研究。指导研究生研制公路隧道通风软件两套,公路隧道工程质量检测管理软件一套。先后发表科研论文69篇,被EI收录十多篇,出版专著两部,编写教材两本。获交通科学技术进步二等奖两项,中国公路学会技术三等奖一项。近年来主要从事的科研项目有:“长大公路隧道防救灾对策研究”、“秦岭终南山公路隧道通风方案研究”、“门关公路隧道通风方案研究”、“公路隧道通风数值模拟研究”、“公路隧道工程质量检测研究”、“公路双连拱隧道开挖方法及施工过程数值模拟研究”、“道路结构疲劳特性研究”等,在公路隧道通风与防灾救灾、公路隧道工程质量检测研究方面取得了一定的成果。文章编号:1004-051X(2003)04-0015-04人工神经元网络在公路隧道围岩判别中的应用裘军良,夏永旭(长安大学公路学院,陕西西安710064)摘要:基于人工神经元网络原理,结合公路隧道围岩判别的工程实际资料,通过BP神经网络模型的有师学习记忆和预测功能,对公路隧道围岩判别预测进行了研究。通过实例预测检验,证明了人工神经元网络在公路隧道围岩判别中的可行性和实用性。关键词:BP神经网络;公路隧道;围岩判别;预测;应用中图分类号:U451.2文献标识码:ATheApplicationofArtificialNeuralNetworkinHighwayTunnelsRockMassesClassificationQIUJun-liang,XIAYong-xu(HighwayCollege,ChanganUniversity,Xianshanxi710064,China)Abstract:Basedontheartificialneuralnetworktheory,combiningthefactualprojectdatumofhighwaytunnelsclassificationofrockmasses,usingtheBPneuralnetworksmodelwithteacherstudyandpredictingfunction,theclassificationofrockmassesinhighwaytunnelisstudied.Withtheactualexamples,thefeasibilityandpracticabilityintheclassificationofrockmasseswithartifi-cialneuralnetworkaredemonstrated.Keywords:BPneuralnetwork;highwaytunnel;theclassificationofrockmasses;prediction;appli-cation.准确的围岩分类是公路隧道设计成功与否的关键。然而,由于隧道围岩复杂多变,隧道勘察人员很难把握围岩地质的全面资料,评定过程中具有很大的随机性。本文应用人工神经元网络来进行围岩分类,可以很好的描述影响围岩类别的因素,经过加权分析,得到很好的与实际吻合的围岩类别。1人工神经元网络原理及BP算法人工神经元网络(ArtificialNeuralNetwork,简称ANN)又称神经元网络、神经网络,它是人们通过模拟15生物神经系统,在计算机上实现的一种复杂网络,是现代科技发展的新技术,它具有并行运行、容错、自适宜、自学习及集体运算等特点。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的结果,即所有输入的累加作用。根据以上这四个特性,一个神经元的基本结构模型如图1。Rumelhalt等人于1986年提出的三层BP神经网络,其模型见图2所示。图1一个神经元的基本结构图图2三层BP神经网络结构图BP算法的基本思想是,其学习过程由信号的正向传播与误差的反向传播两个过程组成。因此,BP算法原理归纳起来为:模式顺传播-误差逆传播-记忆训练-学习收敛。2围岩判别影响因素的确定通过在设计院大量调研,归纳分析,围岩分类主要是从地质因素考虑的,所以,认为围岩分类中考虑的主要的因素有:岩石岩性、岩石风化程度、受地质构造影响程度、节理(裂隙)发育程度、地应力影响结构面产状影响、岩体弹性纵波波速、岩体结构完整性程度、地下水、地震烈度、地应力场等。根据各影响因素的重要性、得到的难易性,以及在以往各设计资料中的普遍性,最后本文在公路隧道围岩判别的人工神经元网络方法影响因素的选取确定如下7个参数:(1)岩石等级:主要反映岩体岩性及物理力学性质,它是影响围岩稳定性的主要因素,作为一个主要特征信息抽取。(2)风化程度:岩石的风化影响岩石的强度及完整性,也是影响围岩稳定性的主要因素,作为一个主要特征信息抽取。(3)岩体结构:岩体结构反映了岩体的完整性,结构面的发育程度,也是影响围岩稳定性的主要因素,作为一个主要特征信息抽取。(4)岩体弹性纵波波速:综合反映了岩体的破碎程度和岩性,定性地反映了围岩的真实情况,它是确定围岩分类的一个重要因素,作为一个主要特征信息抽取。(5)受地质构造影响程度:反映了岩体的完整性、地应力状况,信息容易获取,作为一个主要特征信息抽取。(6)节理(裂隙)发育程度:反映了岩石的完整性,信息容易获取,作为一个主要特征信息抽取。(7)地下水情况:由于地下水对岩体特别是较差的岩体的稳定性影响显著,故将地下水影响作为一个主要特征信息抽取。3样本归一化处理为了使网络训练更加有效,因为BP训练函数在[-1,1]区间函数值变化最显著,从而可以保证神经元网络的非线形作用,需在训练前可对样本进行归一化处理,即将输入输出数据映射到[-1,1]之间。训练结束后,将仿真输出再反射到原数据范围。对样本数据采用了归一化处理,归一化处理的原则是:对于定性指标采用半定量化,其取值为0·1~0·9之间,各影响因素的变化趋势保持一致,同一因素的取值与影响围岩稳定性的好坏趋势一致;对于定量指标如岩体弹性纵波波速可以采用实际值除以最大值的方法,使其归一化后的值在[0,1]之间。所以围岩稳定稳定分级的归一化如表1。16广西交通科技表1围岩稳定分级定性和半定量化指标岩石等级极硬岩硬质岩软质岩极软岩—分值0.90.60.30.1—岩体结构整体状结构块状结构层状结构碎裂结构散体结构分值0.90.70.50.30.1地下水状况干燥渗滴流涌分值0.90.70.50.30.1地质构造影响程度轻微较重严重很严重—分值0.90.60.30.1—节理发育程度不发育较发育发育很发育—分值0.90.60.30.1—围岩风化程度未风化微风化弱风化强风化全风化分值0.90.70.50.30.1岩体纵波波速VP(km/s)VP/VP(max)其中,VP(max)=5由于公路隧道围岩类别在工程实际中极少有Ⅵ类,取公路隧道围岩类别为Ⅰ类到Ⅴ类。在人工神经元网络进行围岩类别训练中,训练结果输出5个数,其中期望输出(0·9,0·1,0·1,0·1,0·1)代表Ⅰ类围岩,(0·1,0·9,0·1,0·1,0·1)代表Ⅱ类围岩,(0·1,0·1,0·9,0·1,0·1)代表Ⅲ类围岩,(0·1,0·1,0·1,0·9,0·1)代表Ⅳ类围岩,(0·1,0·1,0·1,0·1,0·9)代表Ⅴ类围岩。在围岩类别预测结果中,可以根据上述规则,来判断围岩预测类别。4公路隧道围岩类别判定的学习样本按上述规定归一化处理原则,我们所搜集到的用作神经网络训练的判定围岩稳定性的样本如表2。表2中的样本均来自工程实际,其中训练样本为20组,检验样本为10组。5围岩判别的人工神经元网络实现本文采用从例子中学习的BP神经网络方法。该学习方法是先给神经网络提供一个输入模式,通过期望输出估计,对它响应,然后教师给出正确的模式。当期望输出与实际输出之间的误差不能满足要求时,进行网络权值调整。权值调整采用剃度下降法。对应于BP神经网络思想,利用MATLAB程序设计语言,编制人工神经元网络训练程序,将量化后的影响变量矩阵和围岩类别矩阵分别作为输入输出送给神经网络程序,在经过试算以后,主要是调节隐含层接点单元的个数,确定逼近效果最佳。采用6-15-5的BP结构形式,所能反映神经网络经过20000次训练,最后误差达到0·0240,训练误差曲线和学习率变化曲线如图3所示,同时得到一批权值和阈值,从训练效果检验图4中可以看出,经过训练,除极个别有误差外,神经网络给出的结果和原来的实际检测结果很好的吻合,可见学习后的神经网络很好地反映了围岩等级随影响因素的变化规律,很好地反映了学习样本中的特性。表2用作神经网络训练的判定围岩稳定性的样本集样本类型样本编号输入特征向量岩石等级风化程度Vp/5(m/s)岩体结构状态地质构造影响程度节理发育程度地下水状况期望输出等级训练样本10.90.30.380.30.30.30.5220.90.50.470.30.30.30.5330.90.20.290.30.10.10.5240.90.50.740.30.30.30.5350.90.70.960.70.60.60.9460.90.70.820.90.60.60.9570.10.40.390.50.30.30.1280.10.60.640.50.60.60.5390.90.60.830.90.60.60.94100.90.80.800.90.60.60.75110.90.30.490.50.60.60.53120.90.40.810.70.60.60.54检验样本130.10.30.110.30.60.60.52140.90.80.760.90.90.90.55150.50.80.610.70.90.90.54160.50.30.390.50.60.60.62170.50.50.640.50.60.60.53180.10.10.50.10.10.10.31190.10.10.60.10.30.30.31200.90.70.850.90.90.60.35210.90.80.760.90.90.60.75220.90.40.720.50.60.60.73230.90.50.760.90.60.60.74240.90.50.80.50.60.60.74250.50.30.390.50.60.60.62260.50.50.640.50.60.60.53270.10.10.10.10.10.10.31280.10.40.390.70.60.60.12290.10.60.640.50.60.60.53300.90.70.850.90.90.60.35注:1-片岩,2-硅质岩,3-花岗闪长岩,4-花岗闪长岩,5-花岗闪长岩,6-花岗闪长岩,7-石英片岩,8-石英片岩,9-石英片岩,10-灰岩,11-灰岩,12-灰岩,13-粘性土夹泥灰岩,14-灰岩,15-灰岩、角砾状泥灰岩,16-泥质白云岩夹页岩,17-泥质白云岩夹页岩,18-断层破碎带,19-卵石层沙土填充,20-凝灰熔岩,21-灰岩,22-灰岩,23-灰岩,24-泥质灰岩,25-泥质白云岩夹页岩,26-泥质白云岩,27-断层破碎带,28-角砾状泥灰岩,29-角砾状泥灰岩,30-凝灰熔岩,图3训练误差收敛及学习率变化图172003年