详情

原文传递神经网络在隧道围岩参数反分析中的应用

论文题名：	神经网络在隧道围岩参数反分析中的应用
关键词：	隧道围岩;TBM掘进;BP神经网络;径向基函数;参数反演
摘要：	传统的岩体力学分析法，无论从理论分析还是数值计算角度，一直都秉承着正向的或者确定性的思维。然而面对十分复杂、模糊且不确定性的“岩体系统”，这种方法往往难以奏效。为了从根本上解决项目隧洞的支护形式选择和围岩控制的难题，试图找到深部隧道围岩变形破坏机理，而开展围岩变形破坏的研究，关键问题就是如何确定隧洞的围岩参数。本文以某TBM掘进的输水隧洞为工程背景，主要的研究工作成果如下：　　（1）本文选取隧道TBM施工标段10+530~14+850的监测数据作为反演样本，对隧洞的沉降和收敛进行拟合分析并绘制时序曲线。隧洞的拱顶沉降初期变化呈现一定的线性关系，之后出现拐点趋于平缓。隧洞的拱顶沉降速率前期（一日左右）最大，之后逐渐减少直至趋近于零。而隧洞的两腰收敛于观测周期的关系与拱顶沉降的发展曲线基本一致。　　（2）通过现场试验、室内试验及计算推演获得弹性模量、泊松比、粘聚力、摩擦系数、单轴抗压强度、岩石密度以及地应力等围岩力学参数，然后利用SPSS软件对围岩参数进行距离分析并绘制线性拟合曲线。其中拱顶累计沉降、净空收敛、沉降速率、收敛速率之间存在明显的正相关关系，而拱顶累计沉降与弹性模量、抗压强度之间呈负相关关系，与围岩埋深存在一定的正相关关系。　　（3）基于MATLAB软件分别构建BP、RBF、GA_BP神经网络算法，通过网络的自主学习、训练等技术手段，建立隧洞变形与围岩参数之间的非线性映射数学模型。然后在神经网络训练成熟后把实测变形代入已建立好的非线性映射数学模型中反演出隧洞的围岩力学参数。各神经网络的拟合效果均达到标准，横向比较上，RBF和GA_BP神经网络的拟合效果较单纯的BP神经网络表现更为优异，而纵向比较上，由于数据本身的数值大小与获取过程差异，第一批样本数据（弹性模量、泊松比、粘聚力、摩擦系数、单轴抗压强度）的网络比第二批样本数据（岩石密度、垂向应力、水平最大主应力和水平最小主应力）网络拟合的迭代误差值更小。　　（4）以BP神经网络的前五个因素为例，对仿真值进行平均值处理有效地降低了BP神经网络的输出误差。BP神经网络仿真值绝对误差百分比经过平均化处理后均出现了一定程度的降低，最大误差从7.88%减少到7.40%，平均误差百分比从6.22%降低到5.71%，平均化处理后降低误差的效果较为明显。仿真结果参数平均处理后的方差全部低于平均处理前的方差，这代表参数平均处理可以降低网络仿真值的波动，即数据稳定性提高了。在应用时可采用多次仿真预测值的平均值作为代表值，可以大大增加预测结果的稳定性。　　将训练完成的神经网络反演系统应用于隧道后续待掘进围岩变形破坏机理研究提供有效参数以及施工方案和支护设计的优化分析中，把反演的参数代入正分析中，演算出前方尚未掘进的隧道围岩的受力变形情况，从力学角度讨论隧道围岩在施工过程中的支护结构与稳定问题，进而为下一步施工阶段的变形预测提供可信的参数值，从而实现隧道工程的信息化施工和动态设计以及优化施工设计等要求。工程实际运用表明该反演法短期内具有较好的预测精度，为实现隧道工程信息化施工、动态设计和优化施工提供了一定的指导作用。
作者：	翁振
专业：	岩土工程
导师：	刘泉声
授予学位：	硕士
授予学位单位：	武汉大学
学位年度：	2019