一种基于神经网络技术的超前小导管设计方法与流程

本发明属于隧道防护领域，具体涉及一种基于神经网络技术的超前小导管设计方法。

背景技术：

近年来，随着我国基础建设步伐的加快，加之我国幅员辽阔、地貌复杂，出现了各式各样的隧道，包括交通隧道、水工隧道、市政隧道和矿山隧道等。而对于一些软弱破碎带、浅埋段等不良地质岩层，开挖前对掌子面进行超前支护成为解决开挖难度大的常用方式。目前超前支护形式主要包括：超前锚杆、超前管棚、和超前预注浆、超前小导管，具体如下：

(1)超前锚杆是以较大的外插角，沿掌子面向开挖面前方安装锚杆，形成对前方围岩的预锚固，在形成的围岩锚固圈的保护下进行施工作业。锚杆一般长3-5米，搭配钢架施作。超前锚杆主要适用于围岩应力较小，地下水较少、岩体软弱破碎程度较小的隧道；

(2)超前管棚是沿掌子面的一部分或全部以一定的间距环向布设钢管棚护。超前管棚主要用于对于围岩变形及地表下沉有较严格限制要求的软弱破碎围岩隧道工程中；

(3)超前预注浆是利用浆液对掌子面周围的围岩进行充实、重新胶结起来，改善围岩的物理力学性能，从而提高围岩的整体稳定性和抗渗性。超前预注浆主要用于断层、软弱破碎围岩以及富含大量的构造裂隙水的岩层中；

(4)超前小导管是一种稳定岩层很有效的辅助施工方法。在软弱及破碎岩层施工中，将超前小导管按一定间距环向打入对岩层，然后对超前小导管进行注浆，有效增强了软弱、破碎围岩的稳定性。在软弱、破碎地层中凿空后极易塌孔，且施作超前锚杆比较困难或者结构断面较大时，应采取超前小导管支护。

由于岩层的地质情况复杂，其力学参数难以确定，所以往往在设计小导管参数时，采用设计经验以及工程经验来确定小导管长度、管径、环向布置间距和布置外插角度等参数。这种设计参数的不确定性直接对隧道施工产生了一定的安全隐患。因此，引入神经网络技术与现场实测数据相结合的方法，来保证测试结果准确可靠且降低安全隐患。

神经网络是具有适应性的神经元并行互连组成的网络，该网络能够模拟生物的神经系统，并对真实的世界可以作出交互反应。神经网络具有输入层、隐含层以及输出层，可认为是一个非线性的复杂函数，输入层和输出层分别代表自变量和因变量，只需要将已有输入和输出作为样本，通过样本对神经网络反复训练，建立自变量和因变量的函数关系，最终得到较为理想的网络模型，完成网络的训练并且得到相应的预测值。由于神经网络具有很强的学习能力，适用于分析复杂地质岩层的特性，解决其力学参数难以确定的问题。

可信度检验的目的是对所需结果的可靠性进行控制，检验出不可靠的情况并及时进行处理，使最终结果能达到安全评估要求。均方误差(mse)可反映估计量与被估计量之间差异程度。神经网络训练的预测值与实测值之间的均方误差，可以很好的反映出神经网络训练的性能。引入可信度α检验进一步对神经网络性能进行评价，保证测试结果的准确可靠。

多目标优化主要研究在某种条件下多个数值目标的同时最优化问题。多目标遗传算法ga(geneticalgorithm)是一类模拟自然生物进化过程与机制求解问题的自组织与自适应的人工智能技术，该算法借鉴了生物界自然选择和自然遗传机制。优化问题的本质是：在很多情况下，各个子目标可能是相互冲突的，一个子目标的改善有可能引起另一个子目标性能的降低，也就是说，要使多个子目标同时达到最优是很困难的，只能在各个子目标中间进行协调和折中处理，使子目标函数尽可能达到最优，即将监控量测项目作为优化目标，选择最优的超前小导管参数，最大程度地降低施工过程中的风险，保证人员安全以及施工的顺利进行。

技术实现要素：

为解决上述问题，本发明公开了基于神经网络技术的超前小导管设计方法，能很好地解决复杂岩层力学参数难以确定、超前小导管参数设计量化设计困难以及施工过程中安全隐患等问题，并对未来的小导管设计具有指导性作用。

为达到上述目的，本发明的技术方案如下：

基于神经网络技术的超前小导管设计方法，包括以下步骤：

第一步：根据已有的超前小导管设计参数和隧道施工监控量测数据，统计分析出不同设计参数对监控量测数据的影响，确定出影响监控量测数据的小导管设计参数，包括小导管长度、管径、外插角度和环向布置间距；

第二步：隧道监控量测项目包括拱顶沉降、地表沉降、隧道水平收敛、围岩压力、拱脚变形和仰拱隆起等多个项目，采用多元相关性分析对监控量测项目数据进行分析，去除相关程度高的量测项目，确定出影响超前小导管参数的监控量测项目；

第三步：将超前小导管设计参数作为神经网络输入数据，监控量测数据作为输出数据，训练神经网络模型；

第四步：将已有的统计数据划分为训练集(60％)、验证集(20％)和测试集(20％)，采用训练集和验证集训练神经网络，建立超前小导管参数与监控量测数据的非线性关系，并将测试集数据与神经网络预测结果之间的均方误差(mse)和可信度(α)作为检验神经网络可靠性的依据；

第五步：若第四步中的检验结果不满足要求，重复1～4步，直至检验结果符合要求，以保证预测结果的可靠性；

第六步：采用多目标遗传算法优化超前小导管参数，将监控量测数据为优化目标，小导管设计参数范围作为约束条件，确定最优小导管设计参数；

第七步：基于已有统计数据构建神经网络模型，对超前小导管参数进行多目标优化，得到基于神经网络技术的超前小导管参数分析与多目标优化模型，用于选择合理的小导管设计参数。

在第二步中，采用多元相关性分析方法分析隧道监控量测项目数据，去除相关程度高于85％的监测项目，并且使保留的监测项目尽可能反映原有的信息。

在第三步中，将超前小导管参数作为神经网络输入数据，多元相关性分析确定的监控量测数据作为输出数据，训练神经网络模型，其中，xi(i＝1,...,n)为输入信息，隐含层有d个神经元，yj(j＝1,...,m)为输出信息，神经元i到j的权重和阈值分别为ωij和tj，则神经元j的状态可表达为：

f{·}为激活函数

在第四步中，以验证集中实测数据yi与神经网络预测结果f(xi)的均方误差(mse)和可信度α检验神经网络模型的可靠性，其中，均方误差可信度若α∈[0，5％]则表明预测值满足可靠度要求，若检验结果不满足要求，则重复第一到第四步，直至检验结果符合要求，以保证所预测结果的可靠性。

在第六步中，采用多目标遗传算法对神经网络预测的结果进行优化，将小导管设计参数范围作为约束条件，将神经网络预测的监控量测项目数据yj(j＝1,...,m)作为优化目标，确定最优小导管设计参数xi(i＝1,...,n)。小导管各个设计参数范围为xil≤xi≤xir(i＝1,...,n)，其中xil、xir分别为设计参数范围的左边界和右边界，监控量测项目数据yj≤yjmax(j＝1,...,m)，其中，yjmax为监控量测项目的极限值，从而建立超前小导管设计参数的多目标遗传算法模型，如下所示。

本发明的有益效果是：

本发明针对超前小导管在参数量化设计上存着的不足，发明了一种基于神经网络技术的超前小导管设计方法，该方法首先统计分析已有的超前小导管设计参数和隧道施工监控量测数据，采用多元相关性分析方法确定出超前小导管参数分析的监控量测项目。接着，采用神经网络技术对监控量测项目进行预测，并与实测数据进行对比，引入可信度指标对模型进行评价，直至获得符合评价的神经网络模型。最后，采用多目标遗传算法对超前小导管参数进行优化设计。本发明能够在保证推导量测项目结果准确可靠的基础上，量化超前小导管设计参数，提高设计效率和可操作性，并大大减小施工过程中安全隐患。鉴于我国基础建设步伐的加快，复杂地质条件下的隧道建设将是我国面临的迫切难题，迫切需要发展一套科学、准确、可靠、便捷的超前小导管参数设计技术。因此，本发明在未来超前小导管优化设计中将具有广泛的应用前景，产生显著的社会和经济效益。

附图说明

图1基于神经网络技术的超前小导管设计方法技术流程图。

图2神经网络模型示意图。

图3多目标遗传算法流程图。

具体实施方式

下面结合附图和具体实施方式，进一步阐明本发明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。

本发明实现方案的主要流程具体如下(参见图1)：

第一步：根据已有的超前小导管设计参数和隧道施工监控量测数据，统计分析出不同设计参数对监控量测数据的影响，确定出影响监控量测数据的小导管设计参数xi(i＝1,...,4)，包括小导管长度x1、管径x2、环向布置间距x3和布置外插角度x4。

第二步：根据《铁路隧道监控量测技术规程》(qcr9218-2015)规定，隧道监控量测项目包括拱顶沉降、地表沉降、隧道水平收敛、围岩压力、拱脚变形和仰拱隆起等多个项目，采用多元相关性分析方法分析监控量测项目数据，建立任意两个监控量测项目之间的相关系数矩阵(如下)，剔除相关程度高于85％的变量，确定出影响超前小导管参数的监控量测项目yj(j＝1,..,m)。

其中，rij为任意两个监控量测项目之间的相关系数。

其中，cov(yi,yj)为yi与yj的协方差，d(yi)d(yj)分别为yi和yj的方差。

第三步：将超前小导管的设计参数作为神经网络输入数据，将多元相关性分析确定的监控量测项目数据作为输出数据，训练神经网络模型(参见图2)，其中，xi(i＝1,...,n)为输入信息，隐含层有d个神经元，yj(j＝1,...,m)为输出信息，神经元i到j的权重和阈值分别为ωij和tj,则神经元j的状态可表达为：

f{·}为激活函数

第四步：将已有的统计数据划分为训练集(60％)、验证集(20％)和测试集(20％)，采用训练集和验证集训练神经网络，建立超前小导管参数与监控量测数据的非线性关系。

第五步：采用测试集数据与神经网络预测结果之间的均方误差(mse)和可信度(α)检验神经网络的可靠性。以测试集中实测数据yj与神经网络预测结果f(xj)的均方误差(mse)和可信度α检验神经网络的可靠性，其中，均方误差可信度若α∈[0，5％]则表明预测值满足可靠度要求；若检验结果不满足要求，则重复1～5步，直至检验结果符合要求，以保证预测结果的可靠性。

第六步：不同设计小导管参数对监控量测项目影响不同，故采用多目标遗传算法优化超前小导管参数(参见图3)。根据《高速铁路隧道工程施工技术规程》(q/cr9604-2015)等相关资料确定超前小导管参数设计范围。将神经网络预测的监控量测项目数据yj(j＝1,...,m)作为优化目标，小导管参数设计范围作为约束条件，确定最优小导管设计参数xi(i＝1,...,n)，监控量测项目数据yj≤yjmax(j＝1,...,m)，其中，yjmax为监控量测项目的极限值，小导管各个设计参数范围为xil≤xi≤xir(i＝1,...,n)，其中xil、xir分别为设计参数范围的左边界和右边界，从而建立超前小导管设计参数的多目标遗传算法模型，如下所示。

第七步：基于已有统计数据构建神经网络模型，对超前小导管参数进行多目标优化，得到基于神经网络技术的超前小导管设计方法，用于选择合理的小导管设计参数。

本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。