李鹏远,姜谙男

(1．大连市勘察测绘研究院有限公司,辽宁大连 116021; 2．大连海事大学道路与桥梁工程研究所,辽宁大连 116026)

公路隧道施工期围岩快速分类极限学习机模型研究

李鹏远1∗,姜谙男2

(1．大连市勘察测绘研究院有限公司,辽宁大连 116021; 2．大连海事大学道路与桥梁工程研究所,辽宁大连 116026)

针对以往智能优化算法学习速度慢、对参数选择敏感等问题,引入极限学习机(ELM)方法用于围岩分类。在分类指标方面,结合快速性与准确性,制定快速分级参数标准,以公路隧道设计规范中的BQ法为基准,从以往及正在施工的隧道中收集对应的样本,从而建立了公路隧道施工期围岩快速分类的极限学习机模型。之后将正在开挖隧道工作面的快速分级参数,提供给模型进行判别,达到快速、精确分级目的。通过抚松隧道实际验证,该模型判断结果与实际施工情况吻合,可用于指导施工阶段的隧道围岩快速分级。

极限学习机;围岩分级;隧道

1　引 言

围岩级别是评价隧道工程地质条件的一个综合性量化指标,是进行隧道工程建设的基础。然而在公路隧道勘察设计阶段,揭露的信息较少,围岩级别在此阶段与实际施工阶段存在较大差异。在隧道施工期间围岩揭露,地质条件完全展现在面前,此时进行施工期围岩动态分级是十分必要的[1]。

《公路隧道设计规范》(JTG D70-2004)中的BQ分级方法在实践过程中发现岩块强度指标对分级结果影响敏感,岩体完整性指标需要进行昂贵的地球物理测试方能获得,且探测过程对环境要求苛刻,严重阻碍了隧道施工的有序进行。近年来,针对此问题众多学者进行了较为深入的研究,提出了很多方法。段林娣等[2]将充分利用了BP神经网络具有非线性、并行性、鲁棒性和强泛化性等的特点,取得了较好的效果,然而通常的BP方法主要基于梯度下降算法修正网络权值,并减小网络误差,这种方法虽然收敛很快,但很容易使搜索停滞在局部极小值点,因此该方法很大程度的依赖于网络误差面(error surface)的形状和初始权值的设置[3]。为了解决这些问题,周翠英、吴云芳等[4,5]通过引入自适应学习速率法及动量参数,在这方面进行了改进,但始终未能从根本上解决[6]。杨梅等[7]用改进的遗传算法(GA)对神经网络的初始阈值、权值进行了优化,这种方法虽然能消除初始值的影响,但不能从根本上解决上述存在的问题,而且GA算法存在稳定性差,容易早熟对维数较高的问题优化效果欠佳等缺点,潘昊等[8]用粒子群算法代替了BP神经网络的梯度下降算法,然而粒子群算法同样具有容易陷入局部最优的缺点[9]。

极限学习机(Extreme Learning Machine,ELM)是近年来由Huang G B提出来的一种新的单隐含层前向反馈神经网络(Single-hidden Layer Feed-forward Neural Network,SLFN)的学习方法[10]。该学习方法在训练前只需要设置网络隐层节点个数,算法执行过程中不需要调整网络的输入权值以及隐层单元的偏置值,并且产生唯一的最优解,参数选择容易、学习速度快且泛化性能好。本文结合吉林省抚松隧道施工期围岩分类实践,给出了围岩快速分类指标,并建立了围岩分类的极限学习机模型,使围岩分级更加可靠、快速,为设计变更及现场施工提供了重要的依据。

2　极限学习机原理

极限学习机的网络训练模型采用前向单隐层结构。设m,M,n分别为网络输入层、隐含层和输出层的节点数,且有N个不同的样本(xi,ti),其中xi=[xi1, xi2,…,xim]T∈Rm,ti=[ti1,ti2,…,tin]T∈Rn,则网络训练模型可表示为:

式中:wi=[wi1,wi2,…,wim]T为连接网络输入层节点与第i个隐含层节点的输入权值向量,βi=[βi1, βi2,…,βin]T为连接第i个隐藏层节点与网络输出层节点的输出权值向量,oi=[oi1,oi2,…,oin]T表为网络输出值,bi为偏置值,g(x)为激励函数,可以是双弯曲函数(sigmoid)、正弦函数(Sine)、径向基函数(RBF)及硬限幅传输函(Hardlim)。

极限学习机的训练目标就是寻求最优的S,β,使得网络输出值与对应实际值误差即代价函数E最小,即:

式中:S=(wi,bi,i=1,2,…,M),包含了网络输入权值及隐层节点偏置值。

min[E(S,β)]可进一步写为:

式中:H表示网络关于样本的隐层输出矩阵,β表示输出权值矩阵,T表示样本集的目标值矩阵。可分别定义如下:

极限学习机的网络训练过程可归结为一个以式(2)为目标函数的非线性优化问题。当网络隐层节点的激活函数g(x)无限可微时,网络参数并不需要全部进行调整,输入连接权值w和隐层节点偏置值b在训练开始时可随机选择,此时矩阵H为一常数矩阵。极限学习机的学习过程可等价为求取线性方程组Hβ=T最小范数的最小二乘解^β,其计算式为:

式中H+称为隐层输出矩阵H的Moore-Penrose广义逆。

由式(6)解得到的输出权值具有如下重要特征[10]:①可以通过该解获得最小的训练误差;②可以获得权值的最小范数并且得到最优的泛化性能;③范数的最小二乘解是唯一的,因此算法不会产生局部最优解。可以看出,ELM在训练的过程中不需要调整w和b的值,只需根据相应算法来调整值,便可获得一个全局最优解,参数选择的过程相对容易,训练速度显著提升,且不会陷入局部最优。

3　工程应用

3．1工程概况

抚松隧道位于吉林省东部白山市靖宇县境内,设计为分离式双洞隧道,两洞设计线间距近13 m～35 m左右,近直线展布。左线设计起点里程为ZK275 +170,终点里程为ZK276+795,全长1 625 m;右线设计起点里程为RK275+180,终点里程为RK276+780,全长1 600 m。隧道最大开挖宽度约12．00 m,高度为7．60 m。工程地质条件较差,围岩主要为Ⅲ、Ⅳ、Ⅴ级,且施工过程中掌子面揭露的围岩信息变化频繁,因此施工过程中的围岩动态分级是十分重要的。

3．2围岩分级指标现场快速获取方法

国内外大多数的学者都认为围岩分级中分级因素的选择应遵循以下原则[1]:①分级因素必须是体现隧道围岩质量最重要、最基本的因素,具体来说应包括:岩体强度、结构面特性与岩体结构三大类。②应把众多因素分级组合,归并为一个符合因素。③分级因素应相互独立,避免重复和搭接。④分级因素的特征必须易于描述,评价指标必须容易获取,测试方法必须简单易行。因此,本文在遵守上述原则的同时,结合抚松隧道施工实际,最终选用以下分级指标:

①围岩回弹强度σht

由于不管单轴饱和抗压强度实验还是点荷载实验在施工现场比较难以测定,因此本文选用回弹强度表示强度指标。相关实验结果[11]表明同一断面围岩回弹强度与单轴饱和抗压强度回归分析后可用如下公式表示:

可以看出,回弹强度可以较好反映围岩的强度且容易获取,因此本文将其作为分级指标的一项。

②岩体完整性指标kv

国内外各种方法中都有自己对围岩完整性的衡量指标,本文遵循分级因素选取的第②条原则,采用了国标BQ法中的岩体完整性指标kv,在测试掌子面上,针对不同的工程地质岩组或岩性段,选择有代表性的露头或开挖壁面进行节理统计。掌子面节理统计时,首先确定掌子面的节理的组数,然后分别测量每组节理的间距[12],并结合表1用差值的方法确定kv。

Jv与kv对应表　表1

③节理延展性Jyz

掌子面内存在半贯通或贯通节理时,需单独统计,因此本文增加了节理延展性指标Jyz,并结合表2使其定量化。掌子面素描图如图1所示。

节理延展性取值表　表2

图1　掌子面素描

④地下水影响w

地下水溶蚀岩石或结构面中的易溶胶结物,使岩石强度降低,增加岩体渗流压力等。因而各种分级方法都将其作为分级指标的一项,本文为了方便起见,根据肉眼现场能够观察到的地下水大小和流量,结合表3进行定量化处理。

地下水状态取值表　表3

⑤主要结构面产状和隧道关系λ

主要结构面产状和隧道关系对围岩稳定影响起到重要的作用,文中根据RMR分级体系中结构面与隧道走向关系进行打分[2]:

主要结构面产状影响取值表　表4

⑥地应力状态GS

地应力同样也很大程度上影响着围岩的稳定性,公路隧道场区的地应力状况经常在勘察阶段进行测试或评定,并给出极高应力区、高应力区和低应力区3种评定结果,因而该指标也较为容易获取。本文参照《工程岩体分级标准》,对不同断面进行打分:

地应力影响取值表　表5

上述指标包括了对围岩等级起决定性作用的岩体强度、结构面特性与岩体结构三大类因素,且较为容易获取,因而综合这些指标进行围岩分级是合理的。

3．3基于ELM模型的抚松隧道围岩动态分级

这是由于社会资本蕴含有信任、互惠、规范等活性因子，能够促进人与人之间的社会合作，从而提高社区治理效率。

本文与国标BQ法同样将围岩划分为5个等级,围岩分级工作贯穿抚松隧道整个施工期,在此选取30个具有代表性的掌子面,按前面介绍的现场测试方法采集围岩分级指标,然后依据BQ方法确定隧道围岩的级别。Ⅰ、Ⅱ级围岩极好围岩,在抚松隧道施工中未出现,因而训练集合中没有收录这两类围岩,如表6所示。

典型断面围岩分级指标及对应BQ等级　表6

将表中前25组作为训练样本,剩余5组作为测试样本。激活函数均选用Sigmoid函数,考虑到Sigmoid函数在接近0及1时曲线比较平缓,为了充分发挥其敏感性,提高收敛速度,将样本用式(7)进行归一化处理:

式中:xmax和xmin分别为每组输入分量的最大值与最小值;x和x′分别为每组输入分量归一化前与归一后的值。并分别用(0,0,1,0,0)、(0,0,0,1,0)与(0,0,0,0,1)表示Ⅲ、Ⅳ与Ⅴ级的围岩。ELM模型输出的分级的结果,如表7所示。

ELM分级结果　表7

可以看出,ELM模型分类的结果与BQ分级方法结果完全一致。

3．4抚松隧道施工期围岩分级

网络训练达到要求后,测量正在开挖的工作面快速分级参数提供给训练好的ELM模型进行识别,便可在施工阶段根据掌子面揭露的信息对围岩进行快速的分级。部分断面ELM模型识别的围岩级别与原设计围岩等级的对比如表8所示。

ELM分级结果与原设计围岩等级的对比　表8

可以看出某些里程段,随着更多信息的揭露,用本文软件计算的围岩等级与原实际等级相比有所变动,因而随着隧道施工对围岩进行动态分级对施工安全或设计变更都是有重要意义的。

4　结 论

应用极限学习机(ELM),考虑了影响围岩分类的因素与获取的方便性,并将监测位移与BQ法的分类指标结合,建立了适用于围岩分类的极限学习机模型．并对大连地铁与吉林省抚松隧道围岩进行了分类,与勘察结果对比表明,所建立的模型实用性好,能较好地满足工程应用的需要。

在激励函数确定的情况下,ELM仅需要设置隐层节点的个数,参数选择简便。且该算法执行过程中不需要调整网络的输入权值以及隐藏单元的偏置,因此显著提高了算法训练的速度。

[1] 马超锋,介玉新,王笃礼等．山岭隧道施工阶段围岩动态分级研究[J]．铁道学报,2013,35(10):106～113．

[2] 段林娣,宋成辉．应用BP神经网络进行隧道围岩快速分级[J]．中国安全科学学报,2010,20(2):41～45．

[3] Seiffert U．Multiple Layer Perceptron training using genetic algorithms[C]．ESANN．2001:159～164．

[4] 周翠英,张亮,黄显艺．基于改进BP网络算法的隧洞围岩分类[J]．地球科学:中国地质大学学报,2005,30(4): 480～486．

[5] 吴云芳,李珍照．改进的BP神经网络模型在大坝安全监测预报中的应用[J]．水电站设计,2002,18(2):21～24．

[6] 刘福深,刘耀儒,杨强．基于差异进化算法的前馈神经网络在大坝变形监测中的应用[J]．岩土力学,2006,27 (4):597～600．

[7] 杨梅,卿晓霞,王波．基于改进遗传算法的神经网络优化方法[J]．计算机仿真,2009(5):198～201．

[8] 潘昊,侯清兰．基于粒子群优化算法的BP网络学习研究[J]．计算机工程与应用,2006,42(16):41～43．

[9] 王伯成,施锦丹,王凯．粒子群优化算法的研究现状与发展概述[J]．电讯技术,2008,48(5):7～11．

[10] HUANG G B,ZHU Q Y,Siew C K．Extreme learning machine:theory and applications[J]．Neurocomputing,2006, 70(1-3):489～501．

[11] 陈岩．隧道施工期围岩级别快速鉴别及工程应用研究[D]．北京:北京交通大学,20l0,2010．

[12] 2004 J．公路隧道设计规范[S]．

Study on the Extreme Learning Machine Model of Highway Tunnel Rapid Surrounding Rock Classification in Construction Phase

Li Pengyuan1,Jiang Annan2

(1．Dalian Academy of Reconnaissance and Mapping Co．,Ltd,Dalian 116021,China; 2．Highway and Bridge Institute of Dalian Maritime University,Dalian 116026,China)

Specific to the problem such as slow learning speed,and sensitivity to parameter selection of the existing intelligent optimization algorithm,Extreme Learning Machine(ELM)is used for classification of surrounding rock．In terms of classification index,the rapid and accuracy classification standard parameters are formulated．Based on the BQ method which is in highway tunnel design specification,the corresponding sample are collected from the tunnel under construction,thus the Extreme Learning Machine model of highway tunnel surrounding rock classification in construction period is established．In the end,the rapid classification index of tunnel’s working face is measured,and provided to the model to achieve fast and accurate classification．FuSong tunnel’s practical validation shows that the judgment results of the model are tally with the actual construction situation．It’s proved that the model can be used to guide the tunnel surrounding rock classification in construction phase．

extreme learning machine;classification of surrounding rock;tunnel

1672-8262(2016)01-149-05

TU470,P642

A

∗2015—07—31

李鹏远(1976—),男,高级工程师,主要从事岩土工程勘察方面的工作。

姜谙男(1972—),男,博士,教授,主要从事岩土工程稳定性分析和多场耦合方面的研究。

大连市交通科技项目(2011-10);吉林省交通厅交通运输科技项目(2012-1-6)。