基于BP神经网络算法的大变形隧道位移监测数据分析与应用

刘博峰

中国交通建设股份有限公司轨道交通分公司，北京 100088

新奥法是应用岩体力学理论，以维护和利用围岩的自身承载能力为基础，采用锚杆和喷射混凝土为主要支护手段，控制围岩的变形和松弛，使围岩成为支护体系的组成部分，并通过对围岩和支护的量测、监控来指导施工，其已广泛应用于我国山岭隧道［1-5］。为掌握施工过程中围岩稳定程度和支护结构受力、变形的动态信息，隧道开挖后应及时监测，并把结果和建议反馈给参建各方，以达到指导施工和动态设计的目的。监控量测贯穿施工全过程，其中位移测量简单可行并且意义重大。隧道位移影响因素有很多，但对监测数据的常规分析，大部分采用一元非线性回归，所有因素的作用效果均以时间的变化体现，没有考虑各个因素的相互影响。

本文以连接中国云南省昆明市与老挝万象市的电气化铁路线上的景寨隧道为例，利用BP（Back Propagation）神经网络算法的数据驱动自适应和多维函数映射能力，编制程序分析在时间和距掌子面距离双重影响下隧道拱顶沉降和净空变化规律，为同类隧道监测数据的分析提供一种新思路。

1 工程概况及监测方案

1.1 工程概况

景寨隧道总长9 509 m，围岩以泥岩、页岩、板岩等软岩为主，受构造影响节理裂隙发育，岩体破碎。由于隧址区存在高地应力、顺层偏压、断层破碎带等不良地质，部分段落在开挖过程中围岩变形过大，变形速率快，变形持续时间长，导致掌子面后方初期支护段变形严重，拱架扭断变形。个别监测断面单日最大变形超过24 cm，累计最大变形超过180 cm。隧道施工安全风险高，对监测数据依赖性强。

1.2 位移监测方案

根据Q/CR 9218—2015《铁路隧道监控量测技术规程》，隧道拱顶沉降和净空变化为必测项目。根据围岩情况，在围岩地质条件较好区段监测断面间距取10 m，各监测断面布置2～3 对测点；在地质条件较差区段如DK409+130—DK409+165 区段监测断面间距取5 m，每个断面布置5对测点，如图1所示。

图1 地质条件较差区段变形测点布置

利用BP 神经网络算法，对隧道大变形段DK409+145—DK409+165 一典型断面的隧道拱顶沉降、净空变化进行数据分析，根据分析结果对隧道变形发展进行预测。

2 变形实测数据分析

隧道变形与时间、距掌子面距离的关系曲线见图2。时间轴0 点对应的日期为2020 年12 月5 日。因不同断面支护时间不同，以变形速率显著减小时，即各断面距掌子面距离为15 m 处作为支护前后的分界点。

图2 隧道变形与时间、距掌子面距离的关系曲线

由图2 可知：①支护前各断面变形均随距掌子面距离增加而快速增加；支护施作后变形逐渐趋于稳定。其中DK409+155—DK409+160 区段的拱顶沉降、拱肩和边墙的水平收敛较大，并且距掌子面距离越近，变形速率增长越快，说明在该区段岩体易受扰动，稳定性差，施工过程中需加强监测并及时采取强支护。②与其他4 个断面相同部位相比，断面DK409+165 的最终水平收敛较小，说明该处岩体具有良好的抗侧向变形能力。③断面DK409+145、DK409+150拱顶沉降增长速率较小，开挖支护后受距掌子面距离的影响小，说明该处岩体抗竖向变形能力良好。④DK409+155—DK409+160 区段隧道在支护前拱顶沉降急剧增长，及时支护后变形曲线逐渐近似平行于距离轴。距掌子面距离超过75 m 后，则转为近平行于时间轴（图2 圈中区域），即变形曲线受时间的影响增大，表明在支护前变形受距掌子面的距离和时间双重影响，支护后岩体受临近施工掌子面扰动较大，使其变形随距掌子面距离（15 ～ 75 m 范围内）增加而逐渐增加，距掌子面的距离大于75 m 后，断面受施工扰动的影响降低，此时断面以蠕动变形为主。距离与时间对隧道不同施工阶段的变形有显著影响，因此预测在两个因素共同作用下隧道变形趋势，将有利于施工中提前采取合理措施。

3 BP神经网络算法

BP 神经网络算法是一种按误差逆传播训练的多层前馈神经网络算法，应用较广泛［6-8］。一般分为输入层、输出层及隐层，层间各个神经元之间全连接，而每一层内的神经元不连接。该算法的学习过程包括数据正向计算及误差反向传播，通过不断迭代计算最终给出在满足误差要求下输入值和输出值之间的关系。由于隐层的存在，算法具有多维非线性函数映射能力，已有理论证明三层结构的BP 网络能够以任意精度逼近任何非线性连续函数［9］。BP 神经网络结构如图3 所示。其中x1、x2为输入层参数；h11—h14为第一层隐层结点；h21—h24为第二层隐层结点；y为输出层参数。

图3 BP神经网络结构示意

4 BP神经网络算法的工程应用

4.1 数据分析模型建立

采用回归分析法对隧道位移进行分析。回归函数方程有指数、对数、双曲线函数等［10］形式。在满足规范要求的基础上，为了提高模型的精确度，结合本项目施工现场实际需求，数据模型输入层有时间和距掌子面距离两个参数；输出层只有位移一个参数。

4.2 计算流程和预测方法

经试算，数据分析模型中的BP 神经网络设定为含有2个隐层的4层结构，2个隐层的结点均为4，网络结构为2⁃4⁃4⁃1。为了更好地匹配训练函数，对输入数据进行标准化处理，使其均位于［0，1］区间。计算流程如图4 所示，采用双控制条件（误差和总训练次数）同时控制算法进程。将达到最大指定次数后输出误差最小的神经网络参数用于数据预测。

图4 BP神经网络计算流程

断面DK409+135 的拱顶沉降实测值见表1（仅列出奇数号数据）。BP 神经网络计算采用拟合、预测的方式循环进行，即先利用1—15号实测数据进行训练，对16—20 号数据进行预测，再利用1—20 号实测数据进行训练，对21—25号数据进行预测，以此类推，考察BP 算法的回归与预测能力。其中最终拟合值是对全部实测数据的拟合分析值，预测值为基于分阶段实测数据的推测值。

表1 BP神经网络算法拱顶沉降数据分析结果

4.3 预测结果分析

不考虑距掌子面距离的影响时，根据不同数据预测的拱顶沉降时程曲线见图5。

图5 不考虑距离的影响时拱顶沉降时程曲线

从图5（a）和图5（c）可知：BP 神经网络算法依赖于已经给定数据的变化趋势，尤其是最后几个数据的变化趋势。对于图5（b）中的突变，从算法层面无法预料，这导致图5（b）中相关系数R2值比图5（a）小。在图5（c）中由于从第30 到第35 个实测数据一直近似呈线性递增状态，使得BP 算法给出的预测数据仍然为递增状态，而实际上从第875 h之后，即从第36个实测数据开始，拱顶沉降增幅逐渐减小，这导致图5（c）中实测值与预测值的R2进一步减小，可见利用BP 神经网络算法进行数据预测时，875 h之前数据变化趋势占决定性地位。虽然图5 中三组数据的R2值呈递减状态，但整体仍接近于1，预测值仍具有一定参考价值。

为进一步验证BP 神经网络算法的准确性，对拱顶沉降实测值、BP神经网络算法拟合值及施工现场采用的指数函数拟合值进行对比。BP 神经网络算法拟合值、指数函数拟合值的均方根误差分别为8.309、31.126，说明利用BP 神经网络算法得到的拟合值更贴合实测值。因此，采用BP 神经网络算法拟合更加快捷、实用，且可达到较高精度。

5 结论与展望

通过对景寨隧道不同断面位移数据进行分析，采用BP 神经网络算法对拱顶沉降进行拟合与预测，并与实测值、施工现场采用的指数函数拟合值进行对比，得到如下结论：

1）断面支护（距掌子面15 m 内）前隧道变形受距掌子面距离和时间双重影响，支护后（距掌子面15 ～ 75 m）以受距离影响为主，距掌子面距离达到75 m后逐渐转变为以受时间影响为主。

2）考虑时间和距离两个因素的BP 神经网络算法在量测过程中可不断进行曲线拟合并给出预测值，使用灵活，且可达到较高精度，为隧道监控量测数据的处理提供了一种新思路。

3）虽然BP 神经网络算法具有优越性，但其拟合及预测对初始输入数据的依赖性强。以后可以增加更多原始数据，如钢支撑内力、锚杆轴力、围岩条件、地下水位等，使预测模型更贴合实际。BP神经网络已有多种改进算法，如遗传算法、混沌算法、模拟退火算法等，后续可以利用改进的BP 算法进一步提高算法收敛速度及计算精度。