《探讨BP神经网络在隧址区初始地应力场计算中的应用[公路隧道]》由会员分享，可在线阅读，更多相关《探讨BP神经网络在隧址区初始地应力场计算中的应用[公路隧道]（4页珍藏版）》请在金锄头文库上搜索。
1、公路 隧道 2 0 1 4 年第 1期 总第 8 5期 B P神经网络在隧址区初始地应力场计算中的应用 徐 彦举 中铁隧道勘测设计院有限公司 天津3 0 0 1 3 3 摘 要简要介绍了B P 神经网络法在隧址区初始地应力场计算中的原理和过程 并以某隧道为实例 结合 有限元分析对该隧道隧址区的地应力场分布进行了计算 得到了较为可靠的结果 为类似工程的初始地应力计算 提供参考 关键词初始地应力场B P神经网络隧道 近年来随着世界经济的迅速发展 隧道等地下 工程因交通行业发展 的需要也得到迅速发展 同时 复杂的地质条件也 为它们 的发展提 出了巨大的挑 战 特别是地下洞室的稳定与否将直接影响工程建
2、 设的成败及运营效益 而地下工程的稳定性与岩体 的初始应力状态紧密相关 因此 利用的初始地应 力场是否可靠 将直接影响地下工程设计 与施工的 可靠性与安全性 长期以来 人们对初始地应力场的计算一直在 进行不断的探索与研究 伴随着计算机科学的发 展 现今经典力学已不再是求解岩石力学 问题的唯 一 方法 很多软科学 的研 究和探索在初始地应力场 的计算中得到了越来越多的重视 其中 B P神经网 络的兴起为初始地应力场的计算提供 了一个新 的 思维方式和研究方法 1 1 B P神经网络在隧址 区初始地应力 场计算中应用的原理 B P网络 即误 差 反 向传 播 神经 网络 E r r o r B a
3、 c k p r o p a g a t i o n Ne u r a l Ne t wo r k 是使用最 为广 泛的人工神经 网络之一 它被广 泛应用 于 函数逼 近 模式识别 数据压缩等方面 B P神经网络模型 是一种有指导训练的模型 它通过调节各层中神经 元之间的连接权值使 网络记忆各 实例样本 它 具有较强的函数非线性拟合能力 与系统的复杂程 度无直接关系且不需要考虑其力学机制 只要有正 确的 符合实际的学习样本 经过训练的神经网络 就可以建立起输入输 出之间潜在的映射关系L 2 利 用这种原理可 以寻找 到工程 区域 内相关 的参 数与 岩体初始地应力场之间的关系 1 1 B P神
4、经网络输入与输出项 目的确定 初始地应力场计算 目的是得到整个工程区域 3 4 内的地应力场分布情况 而现有 的资料主要局 限于 空间位置参数 岩体力学参 数 还有就是 实测点 的 应力值 埋深等 因此 B P神经网络就要利用这些 资料来反演得到区域应力场 最初 有学者提 出用 测点的埋深和测点处岩体质量指标 R Q D 两个参 数作为人工神经网络的输入 测点的应力分量作为 输出 以此来训练网络 3 或是用测点的空间坐标作 为输入 测点应力分量作为输 出 4 J 这两种方法都 有其片面性 并没有得到广泛运用 通过文献L 5 发现 可选取 区域 场的边界条 件 水平方向的构造运动 水平面内的剪切
5、 垂直面 内 的剪切等 自重 岩体参数 结合有限元计算来寻找 其与岩体初始地应力场的关系 首先 用有限元计 算 创造训练样本 即计算出多组不同的边界条件 下实测点处 的应力值 然后 将计算 出的应力值作 为 B P神经 网络的输人 对应的边界条件作为输 出 通过 B P神经网络寻找到边界荷载和模 型内部应力 之 间的映射关系 再次 利用训练好 的网络 将测点 处实测应力值输人 网络 得到对应 的输 出 作为实 际工程的边界条件 最后 将得到的边界条件作用到 模型边界上再进行有限元计算 可得到整个工程区域 的初始地应力场 因此 可选用应力值作为输人项 目 区域场对应于应力的边界条件作为输出项 目
6、 1 2 B P神经网络训练样本的确定 一 个网络的成功与否 最重要 的因素是所选取 的训练样本的质量 采用代表性好 规律性强的训 练样本 网络 的收敛速度快 稳定性好 在模 型的 边界施加不同的边界条件 然后就可以用有限元进 行正算 得出整个模型区域的应力场 进而得到测 点处的计算应力值 于是 边界条件和计算得 到的 应力值就构成了一组样本 为了训练网络 往往需 要构造很多组样本 这些样本的构造存在随机性 即 徐彦举B P神经网络在隧址区初始地应力场计算中的应用 边界条件究竟是多大是事先无法确定的 如果将边 界条件的范围选取的过小或过大 均会影响网络的精 度 因此 如何得到与实际情况接近的训
7、 练样本 是 用人工神经网络反演初始地应力场成败的关键 7 构造样本时 测点 的实测应力值应包含在样本 应力值的范围内 这些可通过试算 的方法 人工 比 较应力值大小 不断调整 范 围来实 现 此外 根据 文献L 5 介绍的初始地应力场的线性 回归分析法得到 启发 线性回归得到 的结果虽然并不是准确 的边界 条件 但其在一定程度上还是接近实际情况的 于 是 可在边界条件 回归系数的上下取一个合理 的范 围作为训练样本的范 围 再采用在实验设计领域 比 较成熟的正交设计方法 和均匀设计方法 9 对训练 样本和测试样本进行设计 以得到较好的训练样本 1 3 B P神经网络结构的确定 B P神经网络
8、在初始地应力反演 中将主应力 作 为网络的输入 对应的边界条件作为输出 见图 1 可采用仅含有一个 隐层 的 B P网络 输入为 A个测 点 的应力值 隐层取相应数 目 B个神 经元 采用 双 曲正切 S形传递函数 t a n s i g 输 出层 的神经元个 数 与实 际输 出 的个数 C 对应 取 纯 线 性 传 递 函 数 p u r e l i n 网络训练采用 L M算法 在权值数 目较少 时 它具有收敛速度快 精度高的优点 B 图 1 神经 网络结构 图 2 B P神经 网络法计算某隧址区初始 地应力场中的应用 文献 5 详细介绍了线性 回归分析在初始地应力 场分析中的应用 本文依
9、托相 同工程运用 B P神经 网络原理结 合有 限元计算对该隧址 区初始地应力 场进行计算 2 1 训练样本和检验样本的选取 由线性回归分析得出的结果为 X向构造运动 位移 的系数 B 为 一 1 7 6 8 7 Y向构造运 动 位 移 的系数 B 2为一 1 4 0 9 7 自重因子 的系数 B 3 为 1 1 4 8 因此 可将 B 1 范围取为一1 1 一1 4 一1 7 一 2 0 2 3共计 5个水平 B 2范围取 为一8 一1 l 1 4 一1 7 2 0共计 5个水平 1 3 3 范围取为 0 9 1 0 1 1 1 2 1 3 共计 5 个水平 岩体弹性模量 E范 围取为 1
10、8 GP a 1 6 G P a 2 0 G P a 2 4 G P a 2 8 GP a 共 5个水 平 泊 松 比 的范 围取 为 0 1 6 0 1 9 0 2 2 0 2 5 0 2 8 共 5 个水平 5 种系数组合后作 用于模型的边界 利用有 限元软件计算得到对应测 点处的应力计算值 将该应力值与对应 的系数组合 作为一组样本 本文利用这 5 种参数的 5种水平分别采用正交 试验设计方法和均匀设计方法进行组合 共计得到 5 0组训练样本 取前 4 5组作为训练样本 取最后 5 组作为检验样本 见表 1 表 1 训练样本及检验样本表 训练样本 1 2 3 4 6 4 7 4 8 4
11、9 5 0 d x 4 2 2 1 5 2 9 1 6 3 2 5 3 2 1 2 9 4 3 1 9 8 5 2 3 4 2 3 4 5 8 7 o y 6 8 6 4 9 5 6 9 1 2 2 2 2 1 2 9 4 5 2 0 0 7 9 1 2 3 3 4 9 2 1 7 3 8 3 8 一 4 5 6 2 5 0 7 7 5 5 6 2 5 2 7 2 6 3 1 2 7 1 3 6 4 4 9 1 4 4 3 3 巩 一 2 6 8 0 3 2 6 0 3 7 7 7 0 7 5 3 6 3 1 9 7 7 8 1 1 7 7 9 2 3 0 2 y 6 0 9 8 8 5 2
12、4 1 0 8 6 0 1 1 3 3 1 1 8 4 4 4 1 1 5 5 4 8 2 4 2 2 6 3 6 样本 一 2 5 1 1 2 8 3 5 3 1 3 4 2 8 2 3 3 9 0 2 4 2 5 7 2 4 8 2 2 1 5 3 输入 d x 一3 8 8 7 4 9 7 2 6 0 4 7 2 9 4 0 8 9 5 3 9 1 7 5 3 0 7 1 4 7 4 6 MP a d y 一 6 6 6 1 9 2 5 l l 1 8 3 4 l 1 9 5 9 1 8 7 9 2 1 1 6 1 5 8 4 3 5 4 7 5 0 一 1 O 8 3 1 1 1 8
13、4 5 1 2 8 8 4 l 3 1 3 7 1 3 1 7 4 1 5 0 2 4 l 0 7 3 4 l 1 3 0 4 O x 一 3 8 7 6 4 8 2 5 5 7 3 3 3 1 9 6 8 8 1 5 9 0 2 6 3 3 2 7 3 5 2 4 6 y 7 8 3 0 1 O 8 5 9 1 3 8 1 8 1 4 5 5 8 2 2 6 6 1 1 3 9 2 4 1 0 3 7 9 4 1 8 1 一 3 7 3 3 4 2 7 2 4 8 0 1 4 4 0 3 5 8 5 1 6 0 0 4 3 6 9 5 3 5 0 6 3 5 公路隧道 2 0 1 4年第 1
14、期 总第 8 5期 续 表 训练样本 1 2 3 4 6 4 7 4 8 4 9 5 0 E GP a 1 8 0 0 1 8 O O 1 8 0 0 2 0 0 0 0 2 0 0 0 0 3 2 0 0 0 2 4 0 0 0 2 O 0 0 0 0 2 0 O 2 3 0 2 6 0 2 2 0 0 2 6 0 0 1 8 0 0 1 8 0 0 3 4 0 样本 B l 一 1 1 0 0 1 4 0 0 1 7 O O 9 0 0 0 2 5 0 0 0 2 5 0 0 0 9 0 0 0 1 3 0 0 0 输出 B 2 8 O 0 1 1 O 0 1 4 O 0 1 8 0 0
15、0 2 2 0 0 0 1 8 0 0 0 i 0 0 0 0 6 0 0 0 B3 0 9 0 1 O 0 1 1 O i 0 7 8 0 1 1 7 6 0 1 2 7 4 0 8 8 2 0 8 8 2 0 2 2 B P神经网络的实现 本依托工程共收集到 4 个测点的实测值 因此 每次计算时可将这 4 个点的3 个主应力作为网络的 输入 对应的边界条件作为输出 以便用实测值对 计算值进行检验 本文采用含有一个隐层的B P网 络 输人为 l 2 个应力值 隐层取 2 5 个神经元 输出 层取 5个神经元 整个 网络的建立 训练及 预测均 在 Ma t l a b 软件中实现 Ma t l
16、 a b中的神经网络工具 箱提供了很多经典的学习算法 使用它能够快速地 实现对实际问题的建模求解 D o 部分建模及训练命令设置如下 n e t n e w f f min m a x p E 2 5 5 t a n s i g p u r e l i n t r a i n l m p a u s e c l c n e t t r a i n p a r a r m e p o c h s 5 0 0 0 n e t t r a i n p a r a m g o a l 1 e 一5 误差指标 n e t t r a i n p a r a m s h o w 5 0 控制训练显示 间隔 的循环数 pa u s e c l c n e t t r t r a i n n e t P T 2 3 计算结果及分析 采用 4 5 组训练样本训练后完成的 B P神经网 络模型 把 5 组监测样本输入到模型中 得到的实际 输出与目标输出对比见表 2 表 2 目标输出及网络实际输出对比表 检验样本号 4 6 4 7 4 8 4 9 5 0 E GP a 2 0 0 0 0 2 0 0 0 0
