智能计算在横山隧道施工监控中应用
来源:用户上传
作者: 安 宁
摘 要: 本文运用人工智能领域中的遗传算法和神经网络知识,提出了一种基于遗传算法优化BP神经网络方法,利用MATLAB7自带的神经网络工具箱和英国Sheffield大学的遗传算法工具箱来实现遗传神经网络系统,结合横山隧道的隧道施工监测的实例,提出了拱顶沉降预测方法,预测效果和准确度均较好,实例说明利用遗传神经网络应用于隧道施工监控是完全可行的。
关键词: 隧道; 遗传算法; BP网络; 施工监控; 监测
中图分类号: TU7文献标识码: A文章编号: 1009-8631(2010)03-0079-02
智能计算理论也称为软计算(Soft Computing),是新发展起来的一门十分活跃和具有挑战性的领域,其主要研究对象可以归纳为:神经网络、遗传算法、模糊逻辑、概率理论、混沌理论等。软计算与传统的“硬计算”有本质的不同,其目的在于适应现实世界普遍的不精确性,其指导原则是开拓对不精确性、不确定性和部分真实性的容忍,以达到可处理性、鲁棒性、低成本性求解,土木工程面对的是工程岩土体,具有很大的随机性、模糊性、信息不完整,因而土木工程特别是特长隧道的许多问题通常具有复杂性、动态性和不可重复的高度非线性特点,问题涉及的变量多,且有噪声,传统分析方法常常面临着困难,而智能计算在处理这些问题方面具有优势。
一、BP神经网络模型及遗传算法[1, 2]
BP神经网络作为智能计算的一个重要组成部分,神经网络具有很强的非线性映射和自适应训练功能,特别是BP 网络近年来广泛应用于预测评估、模式识别等领域并取得良好效果。
BP网络模型处理信息的基本原理是:输入Xi通过隐层节点作用于输出节点,经过非线形映射,产生输出Yk,网络训练样本包括输入向量X和期望输出量t,网络输出值Y与期望输出值t之间的偏差,通过调整输入节点与隐层节点的联接强度取值Wij和隐层节点与输出节点之间的联接强度Tjk以及阈值,使误差沿梯度方向下降,经过反复训练,确定与最小误差相对应的网络参数(权值和阈值),训练即停止。经过训练的神经网络即能对类似样本的输入信息,自行处理输出误差最小的经过非线形映射的信息。当隐层神经元足够多时,这种结构可以保证网络以任意精度逼近任意的非线性函数。
遗传算法(genetic algorithm)是一种模拟自然进化过程搜索最优解的方法,具有群体寻优的增强式学习能力及全局性、并行性、快速性和自适应性。遗传算法的出现使神经网络的训练有了一个崭新的面貌,目标函数既不要求连续,也不要求可导,仅要求该问题可计算,而且它的搜索遍及整个解空间,容易得到全局最优解。可利用遗传算法优化神经网络的拓扑结构。
(一)BP神经网络模型的确定
1. 输入和输出神经元的确定。可利用多种方法对神经网络的输入参数进行分析,确定无相关性或相关性较弱的输入参数(节点),使之尽可能得少,以降低网络复杂度,减少网络训练时间。
2. 隐层单元的数量对网络影响较大,选择隐含层的单元数是神经网络设计最困难的部分之一。若隐层单元数过少,则网络的泛化能力较差;若隐层单元数过多,又使得训练时间增加,训练误差也不一定最佳。隐层单元数的选取目前尚无公认的理论来指导,一般采用试算法和经验性的公式来确定。最佳层隐节点数L可参考下面经验公式计算[1],本文用遗传算法来优化BP神经网络结构。
其中m为输入节点数;n为输出节点数;c介于1～10的常数。Berk和Hajela建议[3]:隐含层单元数应在(k+i)/2与k+i之间随机选取。其中k为输入单元个数;i为输出单元个数。
3. 选择训练样本,训练神经网络。
对系统的输入输出数据进行归一化处理,作为训练样本,训练网络系统。训练样本应尽可能地反映各种状态。神经网络的训练过程,即根据训练样本,对网络的联接权值和误差进行反复修正的过程。
4. 确定传递函数,一般选择非线形S型函数等。
二、应用实例
工程概况:横山特长隧道位于陕北黄土高原梁峁区,沟壑纵横、地形起伏、冲沟发育。隧道起迄里程为DK333+265～DK344+713,全线长11448m,设计为双线隧道。隧道最大埋深为283.68m,主洞开挖面积最大177.4m2,最小120.53m2,隧道通过的围岩主要为新黄土、老黄土、泥岩、砂岩以及砂泥岩互层。
工程地质特点,目前主要以泥岩、砂岩以及砂泥岩互层为主,层理较发育,基岩裂隙水,部分段落渗水呈泉眼股状流出、拱部滴水呈线。洞内砂岩呈黄褐色薄～厚层状与泥岩不等厚互层,细粒砂状结构,泥质胶结;泥岩呈灰黑色,泥质结构,含煤线或薄煤层,自稳能力差,强度较低,遇水易软化,薄层泥岩或薄层砂岩出现在洞室起拱线以上时容易产生掉顶、滑层、剥落、塌方等现象。
从以上可以看出,横山隧道地质情况复杂。在开挖之前的原始土体处于平衡稳定的弹性阶段。由于开挖成洞后围岩原有各质点间的应力平衡状态,受到扰动破坏,应力轨迹发生变化,产生相对位移与调整。岩性软弱、地质构造发育、岩性风化及地下水作用,使隧道开挖后,原有的应力场平衡状态遭到破坏,引发应力重分布;若再迭加其它不利因素,例如不利结构面组合、膨胀、崩解等物理化学作用,将出现塌方。所以必须强化施工过程中的监测。围岩变形时间序列数据中蕴含着系统演化的信息。在施工条件、施工方法不变的情况下,利用神经网络较强的非线性映射能力,对隧道实测位移变形值直接建模,以获得高度复杂和非线性的内在变形规律。本文采用上述遗传算法来优化神经网络,称为遗传神经网络,利用MATLAB7自带的神经网络工具箱和英国Sheffield大学的遗传算法工具箱,结合横山特长隧道施工的实例进行研究。
(一)顶拱下沉的遗传神经网络预测步骤
1. 样本的处理
样本的处理,一般隧道施工顶拱下沉变形有这样的特点:前期部分位移值变化较大,后期位移值变化较小。据此,笔者将数据转换到(0.1,0.9)区间。
1. 训练及测试样本
本文所采用数据为2007年10月11日至10月30日时间段,DK333+610断面,开挖的顶拱下沉位移监测数据,开挖时即埋设监测点进行监测。监测期内施工稳步进行,循环周期稳定,位移预测受意外因素干扰少,有利于直接以实测位移建模的可靠性。本文用前15天的相对位移值作为训练样本,见表一,用后四天的监测值作为测试样本,见表二。
(二)预测结果及误差分析
从测试样本的结果来看,其误差比较小,是相当成功的,最大的误差仅为1.15%,这在工厂上已经是相当不错,但这只是一个断面的拱顶沉降的预测。
三、结语
本文利用遗传算法的全局搜索特性,对变形预测的神经网络结构进行最优搜索,从而获得具有最优预测效果的遗传神经网络。采用遗传神经网络对隧洞施工顶拱变形的动态过程进行预测,解决了在常规采用的回归曲线预测法效果误差较大的问题,解决了在神经网络构建中根据经验公式和试算法确定神经网络结构和学习参数的困难,从而减少结构选择的盲目性。从以上数据表明遗传神经网络具有更佳的预测效果,对于围岩变形监测中异常情况可提前预报,提高预测的准确性,从而为变更设计、调整支护参数、调整施工工艺赢得宝贵的时间。
不足之处及后续要进行的工作,隧道是个三维空间结构,目前的施工监测的断面还属于二维空间的范畴,尚有许多工作要做;另外隧道地质情况复杂,各个断面上的地质条件有许多的差异,智能计算或神经网络的解决方案还有许多不足之处,尚需不然改进完善。
参考文献:
[1] 飞思科技产品研发中心.神经网络理论与MATLAB7实现[M].北京:电子工业出版社,2005.
[2] 雷英杰.MATLAB遗传算法工具箱及应用[M].西安:西安电子科技大学出版社,2005.
[3] 杨晓.神经网络在混凝土强度试验中的应用[J].中外公路,2004(8):159-161.
转载注明来源:https://www.xzbu.com/2/view-516750.htm
