為在巖土工程設(shè)計(jì)和施工中獲得更加合理、可靠的巖體力學(xué)參數(shù),改善BP神經(jīng)網(wǎng)絡(luò)算法存在的收斂速度慢、依賴初值等不足,采用GA-BP神經(jīng)網(wǎng)絡(luò)方法,對(duì)隧道圍巖力學(xué)參數(shù)反演進(jìn)行了研究。依托江西省萍蓮高速公路蓮花隧道工程,選取右洞YK35+095～YK35+135段作為模擬對(duì)象,利用FLAC3D有限差分法,按照微臺(tái)階法開挖,構(gòu)建三維數(shù)值計(jì)算模型;設(shè)計(jì)了25組圍巖力學(xué)參數(shù)的正交試驗(yàn),代入已建立的數(shù)值模型,得到系列拱頂沉降、周邊位移以及地表沉降值,由此構(gòu)造了神經(jīng)網(wǎng)絡(luò)的樣本;采用遺傳算法和神經(jīng)網(wǎng)絡(luò)相結(jié)合,其中遺傳算法種群規(guī)模取值30,最大遺傳代數(shù)取值25,交叉概率取值0.8,變異概率取值0.01,通過網(wǎng)絡(luò)訓(xùn)練,得到了訓(xùn)練成熟的GA-BP神經(jīng)網(wǎng)絡(luò),建立了待反演的圍巖力學(xué)參數(shù)與位移之間的映射關(guān)系;將蓮花隧道YK35+115斷面實(shí)測的拱頂沉降、周邊位移和地表沉降值,輸入到已訓(xùn)練成熟的GA-BP神經(jīng)網(wǎng)絡(luò)模型中,輸出得到圍巖的彈性模量、泊松比、黏聚力、內(nèi)摩擦角等參數(shù)。結(jié)果表明:采用GA-BP神經(jīng)網(wǎng)絡(luò)反演獲得的圍巖力學(xué)參數(shù),代入到FLAC3D數(shù)值模型中正演計(jì)算,得到拱頂沉降、周邊位移和地表沉降與現(xiàn)場實(shí)測值僅相差2.... 

【文章來源】：公路交通科技. 2020,37(07)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

計(jì)算模型及網(wǎng)格劃分

BP神經(jīng)網(wǎng)絡(luò)是采用誤差反向傳播計(jì)算的算法,有著良好的自組織學(xué)習(xí)能力,是目前應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP神經(jīng)網(wǎng)絡(luò)包括輸入層、隱含層、輸出層,它能夠?qū)崿F(xiàn)從輸入到輸出的任意非線性映射[18-19]。如圖2所示,輸入層神經(jīng)元有m個(gè),隱含層有p個(gè),輸出層有n個(gè)。輸入層到隱含層的權(quán)值為Wij (i=1,2,…,m; j=1,2,…,p),隱含層到輸出層的權(quán)值為Wjk (j=1,2,…,p; k=1,2,…,n),隱含層的閾值為θj(j=1, 2,…,p),輸出層的閾值為αk(k=1,2,…,n)。神經(jīng)網(wǎng)絡(luò)的輸入向量為X1,X2,…,Xm,神經(jīng)網(wǎng)絡(luò)的輸出向量為Y1, Y2,…,Ym,期望輸出為Yh,神經(jīng)網(wǎng)絡(luò)期望輸出值與實(shí)際輸出值的誤差e。在BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí),權(quán)值為隨機(jī)值,輸入學(xué)習(xí)樣本得到網(wǎng)絡(luò)的輸出值,然后通過輸出值與期望值的誤差值,再通過修改網(wǎng)絡(luò)參數(shù),達(dá)到使誤差值不斷減小的目的,如此反復(fù),直至誤差值不再下降,就能得到訓(xùn)練成熟的神經(jīng)網(wǎng)絡(luò)模型。

GA-BP神經(jīng)網(wǎng)絡(luò)通過優(yōu)化BP神經(jīng)網(wǎng)絡(luò)中隨機(jī)生成的初始權(quán)值與閾值,使得傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)具有更優(yōu)的非線性映射能力,具有更好的預(yù)測能力。在GA-BP神經(jīng)網(wǎng)絡(luò)中,首先對(duì)種群個(gè)體進(jìn)行編碼;再利用神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差并將此作為適應(yīng)度函數(shù);其次,通過選擇、自適應(yīng)交叉和變異算子,獲得種群最佳適應(yīng)度個(gè)體;最后將種群最佳適應(yīng)度個(gè)體作為神經(jīng)網(wǎng)絡(luò)的最佳初始權(quán)值、閾值;繼而代入到BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練、預(yù)測仿真,直到達(dá)到滿足設(shè)定的預(yù)測誤差要求或者達(dá)到設(shè)定的最大迭代次數(shù)結(jié)束,從而獲得成熟的GA-BP神經(jīng)網(wǎng)絡(luò)。其算法流程如圖3所示。

【參考文獻(xiàn)】：
期刊論文
[1]白水隧道圍巖力學(xué)參數(shù)敏感性分析與智能反演[J]. 祝江林,陳秋南.  湖南文理學(xué)院學(xué)報(bào)(自然科學(xué)版). 2019(02)
[2]淺埋地下洞室圍巖巖體力學(xué)參數(shù)反分析研究[J]. 戴薇,石崇,張金龍.  河北工程大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(01)
[3]沙灣特長隧道軟弱破碎千枚巖圍巖參數(shù)敏感性分析與反演研究[J]. 王軍祥,藺雅嫻,孟津竹,葛萬民,寇海軍.  隧道建設(shè)(中英文). 2018(S2)
[4]應(yīng)用GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)估礫類土的最大干密度[J]. 饒?jiān)瓶?丁瑜,許文年,張亮,張恒,潘波.  長江科學(xué)院院報(bào). 2019(04)
[5]基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)在隧道圍巖參數(shù)反演和變形預(yù)測中的應(yīng)用[J]. 周冠南,孫玉永,賈蓬.  現(xiàn)代隧道技術(shù). 2018(01)
[6]高寒地區(qū)碾壓混凝土壩運(yùn)行期力學(xué)參數(shù)反演分析[J]. 萬智勇,黃耀英,朱趙輝,王廷,景繼,肖磊.  水利水電技術(shù). 2017(12)
[7]基于多變量的集成預(yù)測模型在隧道拱頂沉降變形預(yù)測中的應(yīng)用[J]. 肖大海,謝全敏,楊文東.  公路交通科技. 2017(12)
[8]隧道膨脹性圍巖蠕變特性分析及參數(shù)反演[J]. 呂志濤,吳庚林,靳曉光,李亞勇.  地下空間與工程學(xué)報(bào). 2016(06)
[9]大連地鐵暗挖隧道變形監(jiān)測及參數(shù)智能反演[J]. 趙杰,劉歷勝,王桂萱,孫曉艷.  防災(zāi)減災(zāi)工程學(xué)報(bào). 2016(04)
[10]砂土區(qū)間地鐵盾構(gòu)施工土體參數(shù)反演及其驗(yàn)證[J]. 李振濤,姜磊,劉宇,汪江.  地下空間與工程學(xué)報(bào). 2014(03)

博士論文
[1]雙孔平行地鐵隧道開挖的復(fù)變函數(shù)解析解與數(shù)值分析[D]. 施有志.華僑大學(xué) 2013

碩士論文
[1]基于輪壤相互作用模型的星壤力學(xué)參數(shù)反演研究[D]. 蓋宏健.吉林大學(xué) 2019



本文編號(hào)：2972151