山东高速路桥集团股份有限公司 山东济南 250021
摘要：怎样简单而高效地、准确地去针对工程岩体来实施分类是一个极具挑战性的课题，值得深入研究，同时它还是现场施工的最为急迫的一个需求，尤其是某一些特殊性的地下工程。我们针对某省某公路隧道来展开具体的研究，同本区域的真实的地质环境加以结合，选定了不连续结构面的状态以及充填情况、岩石的单轴抗压强度以及岩石质量指标、地下水渗水量、洞轴线和层状岩石醋在的夹角这五大指标来当作评价因子，构建了以BP神经网络为基础的公路隧洞围岩的分类模型，对公路隧道围岩的等级展开了成功的评级，得到了较佳的评价效果，并且为公路隧道围岩的合理分类提供了相应的依据。
关键词：BP 神经网络；围岩分级；公路隧道
0 引言
隧道围岩分类其实是个比较古老的课题，科学的围岩分类能够为公路隧道设计给以合理的指导，对施工作业起到较关键的作用。基于对地下工程的岩体特性的考量，大部分的围岩分级方法已相继被提了出来，目前的各式的岩体分级方法能够划分成三大类，定性分析以及定量分析、定性与定量分析。关于定性分级，实际上即是要在现场来对能够给岩体的质量带来影响的众多因素加以判别，对某部分指标要能够给出评判、为其打分，能够由总体上来把握，切实地运用工程实践经验。比如说 Barton N就于1974年明确提出了Q分类。关于定量而施行的分级，可以监理明确的量的概念，许多的非线性的算法，不过需着重强调的一点是，因为岩体性质以及赋存条件是极为复杂的，所以准确性的指标体系显然极其的关键，并且相应的，指标权重本身的准确性也会影响到、甚至于决定围岩等级的定量分级。宫风强［1］等研究者借助于距离判别法来针对隧道围岩的稳定性执行了分级处理。而邱道宏［2］等研究人员则借助于粗糙功效系数法来针对岩体隧道围岩的质量展开了评价，其评价结果同真实的情况大体相符，继而证明了粗糙功效系数方法能够被用在围岩分类上。此外，王迎超［3］等研究者借助于特尔菲理想点法来构建出了隧道围岩的稳定性的分类模型。另有的一种方法则是把定量同定性较好地结合起来，先是定量地去针对工程岩体来展开初步的定级，而后再就各个类别的工程岩体特点，来对众多影响因素展开综合性的分析，加以修正，对最后的围岩等级加以确定。现阶段下，非线性方法已被普遍地用到了围岩稳定性的分类方面，不过隧道围岩的稳定性评价中不仅存在随机性，而且存在模糊性，为了对上方所述的两个问题予以解决，采纳了神经网络的有关理论来为公路隧道围岩展开分级处理，同时收到了不俗的评价效果，得出了不少意义较大的结论。笔者望本文的研究能够为有关人员提供必要的参考。
1 BP神经网络模型
BP人工神经网络实际上是反馈式的全连接型的多层神经网络，有着比较强大的联想记忆以及推广能力。而标准的BP模型的组构部分为输入层以及隐含层、输出层。网络拓扑结构的因层则是多层的。就BP模型之中的输入神经元而言，其输入以及输出是一样的，也即为 O j = X j。
在此之中，中间隐层以及输出层所具有的神经元要能够符合下方的等式：
O j = f j（Ne t j）= f j（∑W j X i+θj）
在此之中：f j 所表示的 j 神经元实际上对应了激发函数；现阶段用得最为频繁的为Sigmoid 函数，即f（x）=1/（1 + ^ e（－ x））；而θ j 所表示的则是j 神经元对应的阈值；此外，X i 所要表示的是对于j 神经元的各大输入；而W j 则恰好表示了相应的连接权值。
关于BP算法，其具体的步骤能够被归纳为下列的内容：
（1）给出了X网络输入量以及T网络目标输出向量，并且开始将网络权指初始化；
（2）对实际的网络输出进行计算。
（3）把实际的网络输出量及其目标输出值的容许误差计算出来；
（4）权值学习，让误差尽量达最小。对每一份学习样本开始重复上述的4个步骤，
让系统的误差能够达最小。
2 工程应用
2.1工程概况以及围岩稳定性的评价体系
本篇文章要研究的隧道目标其实是某省境内的某一公路速到，在隧道的所在区域，其地貌是低山丘陵地貌，而且地势的起伏也是比较大的，其进洞口的自然山坡坡度实际上大概达
20°至25°，而且自然山坡是较为稳定的，整个洞身其最高点的海拔大概是500米，且沟壑是比较发育的，不过宽度则比较小，另外，切割纵深实际比较大，各个沟壑多半为V型。
在隧道区域，其表层分布的土体主要是坡积粉质的粘土，是一种中软土，具有中等强度以及中等压塑的特性，而工程的地质性能也是一般的。而在隧道中，其进口段围岩则多是全风化以及强风化之后的砂岩；在洞身段的围岩则多半是中风化砂岩。
在综合地去考量了这一隧道区的真正位置的地理环境以及隧道围岩分级的有关资料后，选取的是不连续的结构面的状态以及充填的情况、Ｒc（岩石单轴的抗压强度）以及ＲQD（岩石质量指标）、W（地下水的渗水量）以及洞轴线同层状岩石彼此间的夹角θ这五大指标来来当成评价因子。
2.2 BP 神经网络的学习样本
为了确保样本能够具备典型性以及全面性，依其现场施工所给出的反馈，选定了这一工程区域内最标准的不一样的洞段（20个）的有关评价参数来充当样本，具体可见于下表1.依照本文的具体思路，在表1中已给定了每一个样本所对应的等级特征值。
表1 BP人工神经网络的学习样本
2.3 BP神经网络模型
学习时使用了BP网络，把择选出来的5个评价指标当成了神经网络对应的输入节点；依照相应的规范，把围岩的类别划定成了五大等级，也即为I类以及II类，III类及IV类、V类围岩，当成其输出节点，相应的期望输出结果则具体是1，2，3，4，5；另外隐含层要去设定共计11个的节点。因为哥哥指标量纲是不一样的，或许会对网络收敛的速度以及训练模型的基本可靠性有所影响，应当要针对各个指标展开无量纲化的处理，具体可依照下述的公式来展开。
在此式中，x ij 指代的是第 i 个指标的第 j 个对应数据，而x max以及x min 则依次是其原始数据之中拥有的最小值及最大值，而在归一化之后的x' ij 其对应的数值则应该为 0 至1。
选出了有着代表性的20个样本，具体见表1所示，在通过繁复的训练学习之后，模型误差已经在Epochs-62963次之后<0.02，详情可见图1.
图1 网络学习的收敛曲线
2.4 模型检验的对比
为了更好地去对神经网络实际训练而出的模型在正式的工程应用中所具备的可行性以及有效性作出验证，把这一分类模型具体地用到了后期的几个洞段（总共6个）围岩稳定性的分类，并地模型展开工程实例的对比。最后的结果显示出了，其输出值大体和实际值是一致的，具体可见于下表2.上方的对比结果说明了，此模型能够被投入到公路隧道的围岩稳定性的分类问题中予以应用。
表2 模型验证对比的结果表
3 结论
怎样简单而高效地、准确地去针对工程岩体来实施分类是一个极具挑战性的课题，值得深入研究，同时它还是现场施工的最为急迫的一个需求，尤其是某一些特殊性的地下工程。本文基于BP人工神经网络而具体地提出了一种有效的公路隧道围岩的稳定性的分类方法，基于和工程实例的对比之后已表明了，BP神经网络可以比较准确地去评价以及分类公路隧道围岩的总体稳定性。
参考文献：
［1］ 宫凤强，李夕兵，张伟． 隧道围岩分级的距离判别分析模型及 应用［J］． 铁道学报，2008（3）：119 －123．
［2］ 邱道宏，薛翊国，苏茂鑫，等． 基于粗集功效系数法的青岛地铁 围岩稳定性研究［J］． 山东大学学报（工学版），2011，41（5）：92 －96．
［3］ 王迎超，孙红月，尚岳全，等． 基于特尔菲 － 理想点法的隧道围 岩分类研究［J］． 岩土工程学报，2010，32（4）：651 －656．
论文作者:苏子龙,刘辉
论文发表刊物:《基层建设》2019年第22期
论文发表时间:2019/10/30
标签：围岩论文; 隧道论文; 神经网络论文; 模型论文; 稳定性论文; 公路论文; 工程论文; 《基层建设》2019年第22期论文;