基于BSA-BP神经网络方...隧洞围岩参数反演模型及应用_张忠义.pdf

第4 1卷第5期2023年5月水 电 能 源 科 学W a t e r R e s o u r c e s a n d P o w e rV o l.4 1 N o.5M a y 2 0 2 3D O I:1 0.2 0 0 4 0/j.c n k i.1 0 0 0-7 7 0 9.2 0 2 3.2 0 2 2 2 6 1 0基于B S A-B P神经网络方法的引水隧洞围岩参数反演模型及应用张忠义(中铁十一局集团第四工程有限公司,湖北 武汉 4 3 0 0 7 4)摘要:针对地下工程围岩参数取值,提出将回溯搜索优化算法(B S A)与B P神经网络相结合的混合网络(B S A-B P)方法,对隧道围岩参数进行反演研究。通过建立隧道有限元开挖模型,利用反演参数计算监测断面的位移并与现场实测值进行对比,最终对围岩稳定性进行分析预测。结果表明,经B S A算法优化的B P神经网络相对于GA-B P神经网络,具有更快的反演速度与计算效率。利用B S A-B P神经网络反演参数得到的位移计算值与现场实测值相对误差均在5%以内,表明该模型具有较高的反演精度,合理性可行,为地下工程参数反演提供了一种新方法。关键词:断层破碎带;参数反演;B P神经网络;回溯搜索技术中图分类号:TV 6 7 2+.1;TU 4 5 7 文献标志码:A 文章编号:1 0 0 0-7 7 0 9(2 0 2 3)0 5-0 1 1 3-0 4收稿日期:2 0 2 2-1 2-1 9,修回日期:2 0 2 3-0 1-2 4作者简介:张忠义(1 9 7 3-),男,高级工程师,研究方向为隧道工程,E-m a i l:2 6 5 6 6 3 9 7 9 7q q.c o m1 引言围岩参数取值是隧道设计和施工阶段不可或缺的一部分。通过勘察获取的围岩参数直接用于支护设计具有一定的局限性,特别是对埋深大、断面大、结构破碎的地下工程影响尤为显著1-3。为此,快速有效地获取符合实际的围岩力学参数对于支护设计和优化尤为重要,也是岩土工程研究的热点和难点问题4。围岩参数取值通常较为复杂,采用传统的反分析方法难以有效解决位移与围岩参数之间的非线性关系。随着人工智能的不断发展,可借助计算机及机器学习来间接获取更加符合实际的围岩参数,其中比较典型的是B P神经网络5。根据现有对围岩参数的研究6-8,利用B P神经网络对围岩物理性质的研究已得到广泛应用,但B P神经网络存在权值阈值变幅大等技术缺陷 9。因此,本文将回溯搜索优化 算法(B S A)与传统B P神经网络相结合,构建了一种全新的混合神经网络(B S A-B P)方法。实例应用表明,所提算法具有更强的全局寻优能力和更快的收敛速度,同时可将断层等特殊地质体参数纳入反演范畴,合理有效。2 基本方法 回溯搜索优化算法(B S A)在整体框架上与差分进化算法类似,对混合与扰动策略加以优化创新,在计算速度与全局搜索能力上得到了极大的提高。该算法由初始化种群、选择、变异、交叉、选择 1 0五部分组成。根据模型输入和输出参数确定B P神经网络结构,从而确定B S A算法中的个体编码长度。其中每个个体都包含了B P神经网络的所有阈值和权值。个体的优劣则通过适应度函数值来衡量,通过两次选择以及交叉、变异等操作进行种群的更新迭代直至获得问题的最优解。最后将最优解赋予B P神经网络的初始权值和阈值并训练模型进行预测,具体选择步骤见图1。开始输入数据初始化种群选择选择变异交叉边界控制停止条件?是否结束图1 B A S算法基本流程图F i g.1 B a s i c f l o w c h a r t o f B A S a l g o r i t h m3 应用3.1 工程概况 福建溪源抽水蓄能电站的无压引水隧洞围岩为花岗岩,风化程度较低,但受节理切割严重,以级围岩为主。局部断层出露位置围岩等级为级。隧道断面净宽1 6.5 1 m,净高1 0.5 9 m。采用长6 m的 2 5系统锚杆进行支护,呈梅花形布置。3.2 数值模型建立及参数选取按照实际地形进行建模,模型左右边界与隧道中心间距取4倍洞跨。此外,现场调查发现隧道以大角度通过f1断层,通过长度约3 5 m。断层延伸约1 0 k m,宽约3 05 0 m(图2)。模型尺寸为1 5 0 m1 2 5 m1 6 0 m。采用四面体划分网格,共划分2 3 4 6 1 9 9个网格单元(图3)。为监测开挖过程中围岩的应力分布及位移变化过程,选用多点位移计分别沿隧洞轴线布置监测断面(图4)。根据现场测试及室内试验成果,围岩参数取值见表2。类围岩类围岩隧道开挖断层揭露位置zxy图2 隧道与断层位置关系F i g.2 L o c a t i o n o f t u n n e l a n d f a u l t s p a c e160 m125 m150 m图3 隧道三维模型网格划分F i g.3 M e s h d i v i s i o n o f t h e t u n n e l 3 D m o d e l锚头支撑盘测杆及护管传感器护筒观测电缆监测点图4 监测点布置示意图F i g.4 S c h e m a t i c d i a g r a m o f m o n i t o r i n g p o i n t l a y o u t表2 岩体参数取值T a b.2 P a r a m e t e r v a l u e s o f r o c k m a s s围岩类别重度弹性模量E/G P a泊松比抗拉强度/M P a粘聚力c/M P a/()花岗岩(类)2 6 5 09 1 50.2 3 0.2 711.0 1.2 4 1 4 7节理密集带(类)2 5 5 05 80.3 0 0.3 20.50.5 0.7 3 5 3 8断层破碎带(类)2 3 5 00.4 5 0.5 00.3 500.1 0.2 1 9 2 2注:重度单位为k g/m3。3.3 围岩参数的反演3.3.1 网络学习样本构造该隧洞围岩以微风化花岗岩(类围岩)为主,且断层(类围岩)对围岩稳定性也有较大影响。这两类围岩参数的选取对隧道数值模拟的准确性起决定性因素。因此,在反演中主要是针对、类围岩物理参数(内摩擦角、粘聚力c、弹性模量E)进行计算。由于泊松比对围岩整体物理性质影响较小,暂不对其进行反演计算。采用正交表L 2 7(36)设计6因素3水平的试验方案,利用数值模拟软件代入每组参数,进行平衡计算,并根据现场实际情况设立相应的位移监测点,正交试验表见表3。表3 正交试验表T a b.3 Q u a d r a t u r e t e s t c o n d i t i o n s试验编号类围岩参数E/G Pc/MP a/()类围岩参数E/G Pc/MP a/()19.0 01.0 04 1.0 00.4 50.1 01 9.0 029.0 01.0 04 1.0 00.4 50.1 52 0.5 039.0 01.0 04 1.0 00.4 50.2 02 2.0 049.0 01.1 04 4.0 00.4 7 50.1 01 9.0 059.0 01.1 04 4.0 00.4 7 50.1 52 0.5 069.0 01.1 04 4.0 00.4 7 50.2 02 2.0 079.0 01.2 04 7.0 00.5 00.1 01 9.0 089.0 01.2 04 7.0 00.5 00.1 52 0.5 099.0 01.2 04 7.0 00.5 00.2 02 2.0 01 01 2.0 01.0 04 4.0 00.5 00.1 02 0.5 01 11 2.0 01.0 04 4.0 00.5 00.1 52 2.0 01 21 2.0 01.0 04 4.0 00.5 00.2 01 9.0 01 31 2.0 01.1 04 7.0 00.4 50.1 02 0.5 01 41 2.0 01.1 04 7.0 00.4 50.1 52 2.0 01 51 2.0 01.1 04 7.0 00.4 50.2 01 9.0 01 61 2.0 01.2 04 1.0 00.4 7 50.1 02 0.5 01 71 2.0 01.2 04 1.0 00.4 7 50.1 52 2.0 01 81 2.0 01.2 04 1.0 00.4 7 50.2 01 9.0 01 91 5.0 01.0 04 7.0 00.4 7 50.1 02 2.0 02 01 5.0 01.0 04 7.0 00.4 7 50.1 51 9.0 02 11 5.0 01.0 04 7.0 00.4 7 50.2 02 0.5 02 21 5.0 01.1 04 1.0 00.5 00.1 02 2.0 02 31 5.0 01.1 04 1.0 00.5 00.1 51 9.0 02 41 5.0 01.1 04 1.0 00.5 00.2 02 0.5 02 51 5.0 01.2 04 4.0 00.4 50.1 02 2.0 02 61 5.0 01.2 04 4.0 00.4 50.1 51 9.0 02 71 5.0 01.2 04 4.0 00.4 50.2 02 0.5 03.3.2 网络训练采用三层结构的B P神经网络,根据隧道监测断面不同位置处围岩位移值将输入层节点确定为1 3个,隐含层层数选定为2层,经过大量试验调试及经验值,隐含层节点设定为1 5个,输出层节点数设定为6个,输出结果为、类围岩物理参数。由于B P神经网络各结构层的节点数均已确定,回溯搜索优化算法中对应的维数为1 31 5+1 5+1 56+6=3 0 6,可将种群规模确定为1 0 0,遗传代数定为1 6 0。交叉概率与变异概率通常影响搜索过程的收敛速度与鲁棒性,经过不断调试,最终确定为0.6 5、0.5 0。设GA-B P神经网络基因数为3 0 6,选用相同训练参数,并对同一样411水 电 能 源 科 学 2 0 2 3年 第4 1卷第5期张忠义:基于B S A-B P神经网络的引水隧洞围岩参数反演模型及应用本进行计算。随机选取2 3组数据作为训练样本,其余4组作为检验样本,位移值作为输入值,围岩参数值作为输出值,以此进行训练网络。各类网络训练误差曲线见图5。100806040200收敛误差100806040200收敛误差0100200300400500训练步数/次网络(a)GA-BP02080100120140训练步数网络(b)BSA-BP/次4060收敛误差目标误差收敛误差目标误差图5 收敛误差的差异对比F i g.5 C o m p a r i s o n o f d i f f e r e n c e s i n c o n v e r g e n c e e r r o r s由图5可知,对于B S A-B P网络而言,在训练步数 为1 3 0次 时 误 差 达 到11 0-4,相 对 于GA-B P神经网络,大大缩短了训练时间,同时网络稳定性明显优于传统B P神经网络。随着训练次数的增加,经B S A算法优化后的B P神经网络受扰动效果较弱,满足实际需求。在已训练好的各类神经网络中输入C Z 0+3 7.0断面各监测点位移数据进行反演计算,得到围岩参数统计见表4。表4 岩体参数反演值T a b.4 I n v e r s i o n p a r a m e t e r s o f r o c k m a s s模型类别围岩类别E/G P aC/MP a/()传统B P神经网络1 0.6 81.1 7 3 84 1.9 40.4 00.1 5 6 32 0.8 9GA-B P神经网络1 1.5 11.0 7 9 94 3.4 30.4 90.2 1 1 61 8.2 6B A S-B P神经网络1 3.0 91.1 0 8 84 2.9 40.4 70.1 9 1 22 1.2 13.3.3 误差对比与正