邱志剛

(新疆維吾爾自治區(qū)交通規(guī)劃勘察設(shè)計(jì)研究院，新疆 烏魯木齊 830006)

基于蟻群優(yōu)化支持向量機(jī)的公路隧道圍巖變形預(yù)測(cè)模型及應(yīng)用

邱志剛

(新疆維吾爾自治區(qū)交通規(guī)劃勘察設(shè)計(jì)研究院，新疆 烏魯木齊 830006)

為及時(shí)掌握隧道施工中圍巖變形趨勢(shì)以便采取措施加以控制，采用基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化的支持向量機(jī)(SVM)進(jìn)行預(yù)測(cè)。介紹支持向量機(jī)的基本原理，研究蟻群算法(ACO)實(shí)現(xiàn)支持向量機(jī)參數(shù)優(yōu)化的方法，構(gòu)建ACOSVM模型。對(duì)某公路隧道隨機(jī)選取的2個(gè)監(jiān)測(cè)斷面的預(yù)測(cè)結(jié)果表明，該模型預(yù)測(cè)精度較高，泛化性能較好，用蟻群算法進(jìn)行SVM參數(shù)優(yōu)選是一種簡(jiǎn)單、優(yōu)選的方法，可以有效指導(dǎo)隧道的施工。

隧道工程；圍巖；變形預(yù)測(cè)；支持向量機(jī)；蟻群算法；參數(shù)優(yōu)化

0 引言

隧道開挖后，隨著初始地應(yīng)力的逐步釋放，圍巖應(yīng)力將重新分布，在此過程中隧道圍巖可能會(huì)發(fā)生變形。隧道圍巖變形預(yù)測(cè)是信息化監(jiān)控設(shè)計(jì)與施工的重要環(huán)節(jié)，是判斷支護(hù)形式是否合理、支護(hù)設(shè)計(jì)參數(shù)是否恰當(dāng)、隧道施工是否符合凈空限界要求以及了解運(yùn)營(yíng)后隧道長(zhǎng)期穩(wěn)定性的關(guān)鍵。在隧道施工階段，根據(jù)圍巖變形監(jiān)測(cè)資料對(duì)其變形進(jìn)行準(zhǔn)確預(yù)測(cè)，可以判定圍巖的穩(wěn)定狀況，及時(shí)調(diào)整開挖方法、支護(hù)形式和支護(hù)參數(shù)，及時(shí)發(fā)現(xiàn)和預(yù)報(bào)險(xiǎn)情，并采取有效的應(yīng)對(duì)措施，從而達(dá)到有效指導(dǎo)施工的目的。

目前,隧道圍巖變形預(yù)測(cè)模型主要有回歸模型[1-2]、灰色模型[3-5]、人工神經(jīng)網(wǎng)絡(luò)模型[6-7]及支持向量機(jī)模型[8-11]等。其中，回歸模型本身參數(shù)難以識(shí)別;灰色系統(tǒng)要求累加生成的新數(shù)據(jù)列具有灰指數(shù)規(guī)律;人工神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)樣本數(shù)量有限時(shí)，精度難以保證，學(xué)習(xí)樣本數(shù)量過多時(shí)，又陷入維數(shù)災(zāi)難，泛化性能差，還存在擬合、局部?jī)?yōu)化和推廣性能差的缺點(diǎn)。相對(duì)而言，支持向量機(jī)模型是較為理想的一種隧道圍巖變形預(yù)測(cè)模型。

作為一種以結(jié)構(gòu)風(fēng)險(xiǎn)最小化為原則的新算法，支持向量機(jī)(Support Vector Machine，以下簡(jiǎn)稱SVM)具有小樣本、全局優(yōu)化和泛化性能好的優(yōu)點(diǎn)，與以經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化為原則的人工神經(jīng)網(wǎng)絡(luò)相比，彌補(bǔ)了其不足，比較適用于巖土工程，已被成功運(yùn)用于邊坡和隧道的變形預(yù)測(cè)[8-11]。其中，文獻(xiàn)[8]研究了基于線性規(guī)劃支持向量機(jī)的隧道圍巖變形預(yù)測(cè)，其核函數(shù)不必滿足Mercer條件，從而可以靈活選取核函數(shù)；文獻(xiàn)[9-10]研究了基于最小二乘支持向量機(jī)的隧道圍巖變形預(yù)測(cè)模型，該模型較標(biāo)準(zhǔn)支持向量機(jī)具有計(jì)算簡(jiǎn)便的優(yōu)點(diǎn)。由于最小二乘支持向量機(jī)將優(yōu)化問題轉(zhuǎn)化為求解線性方程，其解滿足極值條件，但不能保證是全局最優(yōu)解;而標(biāo)準(zhǔn)支持向量機(jī)則是求解一個(gè)凸二次規(guī)劃，其解是唯一的且為最優(yōu)解，這樣很好地克服了一般神經(jīng)網(wǎng)絡(luò)存在的局部極值問題。因此，本文選用標(biāo)準(zhǔn)支持向量機(jī)建立隧道圍巖變形預(yù)測(cè)模型。但是，大量研究表明，SVM的預(yù)測(cè)性能很大程度上依賴于其參數(shù)的選擇，目前尚沒有統(tǒng)一有效的方法。文獻(xiàn)[11]將改進(jìn)粒子群算法應(yīng)用于SVM參數(shù)優(yōu)化選取，提高了模型的訓(xùn)練效率和預(yù)測(cè)精度。本文選擇另一種尋優(yōu)性能較優(yōu)且更易于實(shí)現(xiàn)的群體智能優(yōu)化算法——蟻群算法(Ant Colony Optimization，簡(jiǎn)稱ACO)進(jìn)行SVM參數(shù)的優(yōu)化搜索，結(jié)合某高速公路隧道施工監(jiān)測(cè)，建立隧道圍巖變形預(yù)測(cè)的ACOSVM模型，對(duì)該模型的預(yù)測(cè)精度和泛化性能等進(jìn)行闡述。

1 支持向量機(jī)基本原理

支持向量機(jī)是魏俊等[12]在1995年提出的一種基于統(tǒng)計(jì)學(xué)習(xí)理論的新的機(jī)器學(xué)習(xí)方法，能較好地解決小樣本、非線性、高維數(shù)和局部極小點(diǎn)等實(shí)際問題，問題的復(fù)雜程度不取決于特征的維數(shù)，且具有良好的推廣能力，用它建模不必知道因變量和自變量之間的關(guān)系。利用支持向量機(jī)空間中構(gòu)造的最優(yōu)決策函數(shù)，通過事先選擇的非線性映射將輸入樣本向量因子映射到高維特征空間，并在這個(gè)高維空間中，尋求獲得因變量和自變量之間非常復(fù)雜的非線性映射關(guān)系[13]。支持向量機(jī)結(jié)構(gòu)示意如圖 1 所示。

圖1 支持向量機(jī)結(jié)構(gòu)示意圖Fig.1 Sketch of support vector machine

設(shè)有訓(xùn)練樣本集{xi,yi}，i=1,2,…,l，xi∈Rn為輸入變量，yi∈R為對(duì)應(yīng)輸出值，l為訓(xùn)練樣本個(gè)數(shù)。通過一個(gè)非線性映射φ將數(shù)據(jù)映射到高維特征空間，從而將非線性回歸問題轉(zhuǎn)化為高維特征空間的線性問題，即

f(x)=ωφ(xi)+b。

(1)

式中:ω為權(quán)值矢量；b為閾值。

根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，式(1)函數(shù)回歸問題就是采用最小化結(jié)構(gòu)Rstr來確定參數(shù)ω，b，即

(2)

(3)

(4)

(5)

K(xi,xj)=exp[-‖xi-xj‖2/(2σ2) ]。

(6)

從而得到?jīng)Q策回歸方程

(7)

大量研究表明，支持向量機(jī)的性能很大程度上取決于參數(shù)c,σ和ε的選擇[12]。本文利用蟻群算法來搜索SVM參數(shù)的最優(yōu)組合，以獲得更好的預(yù)測(cè)效果。

2 基于蟻群算法的支持向量機(jī)參數(shù)優(yōu)化的實(shí)現(xiàn)

2.1 目標(biāo)函數(shù)的選擇

均方誤差MSE可以表示SVM回歸與參考模型之間的偏差，即

(8)

式中：l為樣本個(gè)數(shù)；yi為參考模型的實(shí)際值；f(xi)為通過SVM計(jì)算出的預(yù)測(cè)值。

根據(jù)式(8)可選擇均方誤差作為優(yōu)化目標(biāo)函數(shù)，即通過蟻群算法搜索SVM最佳參數(shù)，使訓(xùn)練樣本集的均方誤差最小，即：

(9)

2.2 基于蟻群算法的SVM參數(shù)優(yōu)化搜索

蟻群算法[14]是由意大利學(xué)者Dorigo等在1992年提出的一種新型群體智能優(yōu)化算法。早期的蟻群算法主要是處理離散優(yōu)化問題(如TSP問題)，經(jīng)改進(jìn)后也可用于解決連續(xù)優(yōu)化問題。

2.2.1概率轉(zhuǎn)移規(guī)則

設(shè)有n維待優(yōu)化變量X={x1,x2,…,xn}，xLowi≤xi≤xUpi，i=1,2,…,n，視為n層。將各層分量均等分成N個(gè)點(diǎn)，這些點(diǎn)可被視為TSP問題中的城市(City)。首先將m只螞蟻隨機(jī)放到x1層的N個(gè)City上，然后所有螞蟻按照式(10)所示的概率轉(zhuǎn)移規(guī)則移動(dòng)到下一層xi+1的City上，如此層層轉(zhuǎn)移，直到到達(dá)第xn層：

(10)

式中：τijk為該時(shí)刻xi層的Cityj到xi+1層的Cityk(j,k=1,2,…,N)路徑上殘留的信息素濃度，又稱信息函數(shù)；ηi+1,k為螞蟻選擇該路徑的期望，又稱路徑的可見度或啟發(fā)函數(shù)；α為信息啟發(fā)因子，反映信息函數(shù)的重要程度；β為期望啟發(fā)因子，反映啟發(fā)函數(shù)的重要程度。

由式(10)可以看出，螞蟻進(jìn)行路徑選擇取決于2個(gè)因素，即信息函數(shù)和啟發(fā)函數(shù)。其中，信息函數(shù)反映的是整個(gè)蟻群的累積經(jīng)驗(yàn)對(duì)螞蟻路徑選擇的影響程度，而啟發(fā)函數(shù)反映的是螞蟻個(gè)體經(jīng)驗(yàn)對(duì)選擇路徑的影響程度[14]。通常，定義初始時(shí)刻各路徑上的初始信息素濃度為一個(gè)正常數(shù)C，啟發(fā)函數(shù)的定義將在后面介紹。

2.2.2 信息素更新規(guī)則

在SVM參數(shù)搜索中，每只螞蟻?zhàn)哌^的路徑對(duì)應(yīng)的City組成一個(gè)可行解，由此計(jì)算目標(biāo)函數(shù)值，然后螞蟻根據(jù)目標(biāo)函數(shù)值的大小更新City(i,j)到City(i+1,k)之間路徑上的信息素。同時(shí)，為了防止螞蟻集中在某幾條較優(yōu)的路徑上而陷入局部最優(yōu)，需要激勵(lì)螞蟻去尋找其他更優(yōu)解，為此，可使路徑上的信息素隨時(shí)間按一定速率揮發(fā)。這樣，當(dāng)螞蟻完成一次搜索后，路徑上的信息素將按式(11)進(jìn)行更新：

(11)

式中：ρ為信息素?fù)]發(fā)系數(shù)，取值范圍為(0,1)；當(dāng)螞蟻i在本次循環(huán)中從j點(diǎn)移動(dòng)到k點(diǎn)時(shí)，Δτi=Q/F(Xi)，否則為0，其中Q為信息素強(qiáng)度(為一常數(shù))，F(xiàn)(Xi)為螞蟻i在本次循環(huán)中得到的目標(biāo)函數(shù)值。

2.2.3 啟發(fā)函數(shù)的定義

位于xi層j點(diǎn)的螞蟻選擇xi+1層k點(diǎn)的期望(啟發(fā)函數(shù))根據(jù)螞蟻搜索得到的目標(biāo)函數(shù)值F(X)來定義：

ηi+1,k=1/F(X)。

(12)

2.2.4 終止搜索的條件

m只螞蟻經(jīng)過nc次循環(huán)后得出當(dāng)時(shí)的最優(yōu)解X(L)，然后將其各分量細(xì)化重新建立搜索空間。重復(fù)上述過程，依次得到X(2)，X(3)，…，當(dāng)滿足停止條件max(Δi)<ε0時(shí)得到全局最優(yōu)解X*，其中Δi為分量i兩等分點(diǎn)之間的長(zhǎng)度，ε0為設(shè)定的精度。若算法達(dá)到預(yù)定的最大循環(huán)次數(shù)Nmax亦可終止搜索。

2.2.5 算法實(shí)現(xiàn)的主要流程

基于蟻群算法的支持向量機(jī)參數(shù)優(yōu)化一般流程如圖2所示。

圖2 基于蟻群算法的SVM參數(shù)優(yōu)化一般流程Fig.2 Process of parameter optimization of SVM based on ACO

3 預(yù)測(cè)實(shí)例分析

某高速公路隧道采用新奧法施工，為左右分離式單向行車雙車道隧道。在施工期間，對(duì)隧道圍巖進(jìn)行變形監(jiān)測(cè)。根據(jù)前述算法，編制基于VB和SVM工具箱的預(yù)測(cè)程序，采用滾動(dòng)預(yù)測(cè)法分段對(duì)開挖過程中的圍巖收斂進(jìn)行預(yù)測(cè)，并與實(shí)測(cè)結(jié)果進(jìn)行對(duì)比分析。

3.1 滾動(dòng)預(yù)測(cè)法

滾動(dòng)預(yù)測(cè)法的基本思路為：假設(shè)要對(duì)時(shí)間序列{xi}(i=1,2,…,n)進(jìn)行預(yù)測(cè)，已有p+q個(gè)樣本數(shù)據(jù){xi}(i=1,2,…,p+q)，首先用前p個(gè)樣本作為SVM網(wǎng)絡(luò)訓(xùn)練的學(xué)習(xí)樣本，后q個(gè)樣本作為測(cè)試樣本，訓(xùn)練完成后預(yù)測(cè)其后r個(gè)時(shí)間點(diǎn)的位移。預(yù)測(cè)時(shí)，始終保持p，q取值不變，每次預(yù)測(cè)完成后，都用得到的預(yù)測(cè)數(shù)據(jù)更新網(wǎng)絡(luò)訓(xùn)練樣本，再按以上方式重新形成學(xué)習(xí)樣本和測(cè)試樣本進(jìn)行訓(xùn)練和預(yù)測(cè)，直到得到第n個(gè)時(shí)間點(diǎn)的預(yù)測(cè)結(jié)果。

3.2 預(yù)測(cè)結(jié)果分析

因篇幅限制，這里隨機(jī)選取隧道右線YK11+165斷面及YK11+235斷面為例進(jìn)行分析。SVM 3個(gè)參數(shù)初始搜索范圍設(shè)置為c∈[0,1 000]，σ∈[0,10]，ε∈[0,1]，各參數(shù)等分節(jié)點(diǎn)數(shù)N=10，細(xì)化搜索空間的循環(huán)次數(shù)p=20，重新建立搜索空間的循環(huán)次數(shù)nc=20。終止搜索的預(yù)設(shè)精度ε0=0.01，最大循環(huán)次數(shù)Nmax=500。蟻群中螞蟻總數(shù)m=30，信息素強(qiáng)度Q=500，信息啟發(fā)因子α=1，期望啟發(fā)因子β=2，信息素?fù)]發(fā)系數(shù)ρ=0.4。取p=10，q=3，r=1，用該模型對(duì)其后10天的圍巖收斂進(jìn)行預(yù)測(cè)。其中，對(duì)于前7天(第14—20天)的預(yù)測(cè)，終止搜索時(shí)，max(Δi)為0.007 6～0.008 9(均小于ε0)，循環(huán)次數(shù)為212～436；對(duì)于后3天(第21—23天)的預(yù)測(cè)，則均以最大循環(huán)次數(shù)終止計(jì)算。為評(píng)價(jià)模型的預(yù)測(cè)性能，采用下列統(tǒng)計(jì)量作為預(yù)測(cè)效果的評(píng)價(jià)指標(biāo)：

平均相對(duì)百分誤差

預(yù)測(cè)結(jié)果及各項(xiàng)預(yù)測(cè)誤差評(píng)價(jià)指標(biāo)如表1和表2所示。

表1 隧道圍巖收斂預(yù)測(cè)結(jié)果Table 1 Prediction results of deformation of tunnel surrounding rock

表2 預(yù)測(cè)誤差評(píng)價(jià)指標(biāo)Table 2 Evaluation of prediction error

由表1和表2可知，ACOSVM模型對(duì)該隧道2個(gè)斷面的圍巖收斂都得到了較高的預(yù)測(cè)精度，由于這2個(gè)斷面為隨機(jī)選取的斷面，故這一預(yù)測(cè)結(jié)果具有一定的普遍性。YK11+165斷面預(yù)測(cè)的絕對(duì)偏差最大為0.52 mm，最小為-0.05 mm，相對(duì)偏差最大為5.59%，最小為0.59%；YK11+235斷面預(yù)測(cè)的絕對(duì)偏差最大為0.36 mm，最小為0.05 mm，相對(duì)偏差最大為-3.94%，最小為-1.04%。從各項(xiàng)誤差評(píng)價(jià)指標(biāo)來看，該模型預(yù)測(cè)的均方根誤差RMS<0.30 mm，平均絕對(duì)誤差MAE<0.25 mm ，平均相對(duì)百分誤差MAPE<3.0%，預(yù)測(cè)精度滿足工程需要。

圖3和圖4為2個(gè)監(jiān)測(cè)斷面收斂預(yù)測(cè)值與實(shí)測(cè)值的比較曲線圖。從圖中可以看出，預(yù)測(cè)曲線與實(shí)測(cè)曲線較為吻合，線形基本一致，表明預(yù)測(cè)結(jié)果能夠很好地反映實(shí)際變形趨勢(shì)。結(jié)合圖3和圖4可以發(fā)現(xiàn)，除第18天和第21天外，2個(gè)監(jiān)測(cè)斷面的2對(duì)曲線極為相似，這表明在隧道開挖的同一時(shí)間，不同斷面的收斂變化趨勢(shì)基本一致。圖中第15—18天實(shí)測(cè)值均略大于預(yù)測(cè)值，這在一定程度上反映了隧道圍巖的實(shí)際收斂變形超出了其內(nèi)在的變形規(guī)律，雖然超出量較小，但也應(yīng)采取一定的措施進(jìn)行調(diào)整；從第19—23天，實(shí)測(cè)值均略小于預(yù)測(cè)值，表明經(jīng)過一定調(diào)整，隧道圍巖變形已被控制在其符合變形規(guī)律的安全范圍之內(nèi)。由此可見，該模型預(yù)測(cè)精度高，預(yù)測(cè)結(jié)果能夠較為準(zhǔn)確地反映隧道近期的變形趨勢(shì)，從而判定現(xiàn)場(chǎng)施工的支護(hù)形式及參數(shù)是否合理，以指導(dǎo)施工和優(yōu)化施工參數(shù)，并能及時(shí)發(fā)現(xiàn)和預(yù)報(bào)險(xiǎn)情，避免事故的發(fā)生。

圖3 YK11+165斷面收斂預(yù)測(cè)值與實(shí)測(cè)值比較曲線Fig.3 Curves of predicted convergence and measured convergence at YK11+165

圖4 YK11+235斷面收斂預(yù)測(cè)值與實(shí)測(cè)值比較曲線Fig.4 Curves of predicted convergence and measured convergence at YK11+235

4 結(jié)論與討論

1)蟻群算法可以較好地解決支持向量機(jī)參數(shù)優(yōu)化問題。利用蟻群算法優(yōu)選支持向量機(jī)參數(shù)的ACOSVM預(yù)測(cè)模型原理簡(jiǎn)單，編程易于實(shí)現(xiàn)，且預(yù)測(cè)精度高，可以滿足隧道施工圍巖變形預(yù)測(cè)的需求，能有效指導(dǎo)施工。

2)用蟻群算法優(yōu)選支持向量機(jī)參數(shù)時(shí)，算法的收斂速度和全局搜索能力與蟻群算法的參數(shù)m,Q,α,β及ρ的取值有較大的關(guān)系，目前尚無快速、有效的方法，只能根據(jù)相關(guān)經(jīng)驗(yàn)通過多次試算確定，這降低了算法的效率，也在一定程度上阻礙了算法的推廣,這一問題還有待于進(jìn)一步研究。

[1]王衛(wèi)東，何暉.回歸分析在隧道拱頂沉降監(jiān)測(cè)中的應(yīng)用[J].科技信息，2011(7): 271-272.(WANG Weidong,HE Hui.Application of regression analysis in the tunnel crown settlement monitoring [J].Science & Technology Information,2011(7): 271-272.(in Chinese))

[2]劉開云，方昱，劉保國(guó),等.隧道圍巖變形預(yù)測(cè)的進(jìn)化高斯過程回歸模型[J].鐵道學(xué)報(bào)，2011,33(12): 101-106.(LIU Kaiyun,FANG Yu,LIU Baoguo,et al.Intelligent deformation prediction model of tunnel surrounding rock based on genetic-Gaussian process regression coupling algorithm [J].Journal of the China Railway Society,2011,33(12): 101-106.(in Chinese))

[3]胡亮.基于灰色理論的高速公路隧道圍巖變形預(yù)測(cè)方法及應(yīng)用[J].交通標(biāo)準(zhǔn)化，2013(9): 103-105.(HU Liang.Forecasting methods and applications of surrounding rock deformation in expressway tunnel based on gray theory [J].Transportation Standardization,2013(9): 103-105.(in Chinese))

[4]柯尉，蔣斌松.改進(jìn)MGM(1,N) 模型在賽果公路隧道變形預(yù)測(cè)中的應(yīng)用[J].公路交通科技: 應(yīng)用技術(shù)版,2011(9): 158-160,188.

[5]高文華，朱建群，黃自永,等.隧道圍巖變形動(dòng)態(tài)預(yù)測(cè)的灰色自適應(yīng)模型及其參數(shù)智能辨識(shí)[J].公路交通科技，2012,29(1): 114-120,149.(GAO Wenhua,ZHU Jianqun,HUANG Ziyong,et al.Grey self-adaptive model of dynamic prediction of surrounding rock deformation of tunnel and intelligent identification of parameters[J].Journal of Highway and Transportation Research and Development,2012,29(1): 114-120,149.(in Chinese))

[6]江濤.山區(qū)軟巖大跨度隧道變形神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)及其工程應(yīng)用[D].上海：同濟(jì)大學(xué)結(jié)構(gòu)工程學(xué)院，2007.

[7]國(guó)威.基于神經(jīng)網(wǎng)絡(luò)理論的公路隧道圍巖變形預(yù)測(cè)與穩(wěn)定性分析[D].重慶：重慶大學(xué)安全技術(shù)及工程學(xué)院，2009.

[8]李曉龍，魏丹，王復(fù)明.基于線性規(guī)劃支持向量機(jī)的隧道圍巖變形預(yù)測(cè)[J].中外公路，2009,29(4)：157-162.(LI Xiaolong,WEI Dan,WANG Fuming.Tunnel surrounding rock deformation predictionbased on linear programming support vector machine[J].Journal of China & Foreign Highway,2009,29(4)：157-162.(in Chinese))

[9]李曉龍，王復(fù)明，李曉楠.隧道圍巖變形預(yù)測(cè)的最小二乘支持向量機(jī)方法[J].鐵道建筑，2009(2)：24-27.(LI Xiaolong,WANG Fuming,LI Xiaonan.Prediction of deformation in surrounding rock of tunnel by least squares support vector machines method [J].Railway Engineering,2009(2)：24-27.(in Chinese))

[10]李曉龍，王復(fù)明，蔡迎春.最小二乘支持向量機(jī)在隧道圍巖變形預(yù)測(cè)中的應(yīng)用[J].公路交通科技，2009,26(7)：80-84,108.(LI Xiaolong,WANG Fuming,CAI Yingchun.Predicting deformations of tunnel surrounding rock by using least squares support vector machine[J].Journal of Highway and Transportation Research and Development,2009,26(7)：80-84,108.(in Chinese))

[11]李曉龍.基于支持向量機(jī)的巖體力學(xué)參數(shù)反演及工程應(yīng)用[D].鄭州：鄭州大學(xué)水土結(jié)構(gòu)工程學(xué)院，2009：54-61.

[12]魏俊，周步祥，林楠，等.基于蟻群支持向量機(jī)的短期負(fù)荷預(yù)測(cè)[J].電力系統(tǒng)保護(hù)與控制，2009,37(4)：36-40.(WEI Jun,ZHOU Buxiang,LIN Lan,et al.Short-term load forecasting based on MG-CACO and SVM method [J].Power System Protectionand Control,2009,37(4): 36-40.(in Chinese))

[13]譚鵬，曹平.基于灰色關(guān)聯(lián)支持向量機(jī)的地表沉降預(yù)測(cè)[J].中南大學(xué)學(xué)報(bào)：自然科學(xué)版，2012,43(2): 632-637.(TAN Peng,CAO Ping.Predicting surface settlement of tunnel using grey relational-support vector machine[J].Journal of Central South University Science and Technology,2012,43(2): 632-637.(in Chinese))

[14]陳喜鳳，劉嶺，黃騰.基于蟻群算法的地鐵隧道沉降預(yù)測(cè)研究[J].隧道建設(shè)，2013,33(6)：462-468.(CHEN Xifeng,LIU Ling,HUANG Teng.Study on settlement prediction of Metro tunnels based on Ant Colony Algorithm [J].Tunnel Construction,2013,33(6)：462-468.(in Chinese))

我國(guó)最大規(guī)模的城市地下交通工程竣工

2013年12月25日，我國(guó)最大規(guī)模的城市地下交通樞紐工程——南京青奧軸線地下交通工程主體全面完工。今后，青奧軸線主隧道將直通南京第6個(gè)公路過江通道，能有效改善南京市的交通狀況。

南京青奧軸線地下交通工程位于長(zhǎng)江三橋和長(zhǎng)江隧道之間，南接繞城公路油坊橋立交，北接未來的梅子洲過江通道，并與揚(yáng)子江大道、江山大街、燕山路、江東南路、廬山路和青奧會(huì)議中心、青奧運(yùn)動(dòng)員村等交接。整個(gè)工程主要由青奧軸線主線隧道、濱江大道下穿隧道和青奧軸線廣場(chǎng)地下空間3部分組成，呈“T”字形結(jié)構(gòu)布局，共設(shè)置了11條匝道，各種地下隧道、匝道立交和地下空間疊落交錯(cuò)，組成了一個(gè)錯(cuò)綜復(fù)雜的地下3層互通立交結(jié)構(gòu)。

工程總開挖土方176萬m3，澆筑混凝土53萬m3，用鋼筋11萬t，混凝土澆筑深度達(dá)到了54.5 m，地下立交主體部分投資21.75億元，是目前我國(guó)最大規(guī)模的城市地下交通樞紐工程。

南京青奧軸線項(xiàng)目不僅建設(shè)規(guī)模大，而且設(shè)計(jì)極為新穎和復(fù)雜，施工難度很大。建設(shè)者采用國(guó)內(nèi)明挖基坑施工的新技術(shù)、新工藝和科學(xué)的降水設(shè)計(jì)、監(jiān)控量測(cè)手段，有效地控制了沉降和涌水，最大限度地防范施工風(fēng)險(xiǎn)。整個(gè)工程算下來，一共抽出了6 000萬m3的涌水，相當(dāng)于抽走了14個(gè)玄武湖。因?yàn)榈刭|(zhì)復(fù)雜、開挖面積大、結(jié)構(gòu)體系復(fù)雜、工法轉(zhuǎn)換頻繁，建設(shè)者們不得不將基坑分作多個(gè)施工區(qū)域，分部有序進(jìn)行開挖，同時(shí)還要大規(guī)模開展降水排水工作。開挖期間的涌水量最高達(dá)25萬m3/d。

南京青奧軸線3層立交深基坑所在位置距離長(zhǎng)江岸邊最近的地方僅有90 m，為了對(duì)基坑開挖進(jìn)行最穩(wěn)固圍護(hù)，他們將地下連續(xù)墻打到了基巖以下2 m的深度，總深度達(dá)54.5 m；同時(shí)，采用自凝灰漿新型墻體進(jìn)行分區(qū)隔水，目前這種工藝只在三峽大壩等少數(shù)工程中使用過。

青奧軸線地下交通工程經(jīng)過2 000多名建設(shè)者和技術(shù)人員19個(gè)月的鏖戰(zhàn)，提前完成了這一超大體量和高難度的地下樞紐工程。青奧軸線地下交通工程主體完工后，即將全面轉(zhuǎn)入機(jī)電安裝和地面綠化等后期工作。2014年6月，南京青奧軸線將整體交付青奧會(huì)使用。

(摘自 觀察者 http://www.guancha.cn/Project/2014_01_07_197903_s.shtml 2014-01-13)

武漢地鐵4號(hào)線在國(guó)內(nèi)首創(chuàng)“連續(xù)換乘”模式

武漢地鐵4號(hào)線一期于2013年12月28日開通運(yùn)營(yíng)。據(jù)總體設(shè)計(jì)方中鐵第四勘察設(shè)計(jì)院負(fù)責(zé)人介紹，該工程最大的設(shè)計(jì)亮點(diǎn)是4號(hào)線和2號(hào)線在洪山廣場(chǎng)、中南路2個(gè)車站交會(huì)，首創(chuàng)了國(guó)內(nèi)同站臺(tái)連續(xù)換乘模式。

中鐵第四勘察設(shè)計(jì)院主管武漢地鐵設(shè)計(jì)的副總工程師熊朝輝介紹，同站臺(tái)連續(xù)換乘模式，即在中南路站采用雙島平行連續(xù)換乘，車站為地下2層雙島4線，2號(hào)線在中間，4號(hào)線在兩側(cè)；洪山廣場(chǎng)站為地下2，3層同站臺(tái)換乘，2號(hào)線上下重疊布置于車站西側(cè)，4號(hào)線上下重疊布置于車站的東側(cè)。另外，武漢地鐵4號(hào)線還創(chuàng)新地采用“單柱車站”設(shè)計(jì)，即車站只有一排柱子。據(jù)了解，國(guó)內(nèi)地鐵10 m以上站臺(tái)多采用雙排柱子，使用單柱的好處是站臺(tái)空間更大。

武漢地鐵4號(hào)線一期工程全長(zhǎng)16.5 km，均為地下線，設(shè)站15座，連接武漢火車站和武昌火車站，是國(guó)內(nèi)首條連接2大火車站的地鐵，也是武漢最早開工的地鐵。

武漢地鐵4號(hào)線將與先期開通的1號(hào)線和2號(hào)線構(gòu)成大武漢“工”字形的軌道交通網(wǎng)絡(luò)，實(shí)現(xiàn)高鐵、城鐵、地鐵“三網(wǎng)”間的快速無縫換乘。

(摘自 中國(guó)政府網(wǎng) http://www.cces.net.cn/guild/sites/tmxh/read_zhxw_39290.html 2013-12-26)

HighwayTunnelSurroundingRockDeformationPredictionModelBasedonSupportVectorMachineOptimizedbyAntColonyOptimizationandItsApplication

QIU Zhigang
(TransportationPlanning,SurveyandDesignInstituteofXinjiangUygurAutonomousRegion,Urumqi830006,Xinjiang,China)

Support vector machine (SVM) based on structural risk minimization is used to predict the deformation of tunnel surrounding rocks,so as to understand the deformation trend of the surrounding rocks and to take measures to control the deformation.In the paper,the principle of support vector machine is described,the parameter optimization method based on ant colony optimization (ACO) is studied,and the ACOSVM model is established.The deformation prediction model has been applied in the construction of a highway tunnel,which shows that the model has high precision and can provide effective guidance for the tunnel construction.The paper can provide reference for similar projects in the future.

tunnel; surrounding rock; deformation; prediction; support vector machine; ant colony optimization; parameter optimization

2013-09-25;

2013-11-10

邱志剛(1982—)，男，湖北麻城人，2004年畢業(yè)于新疆大學(xué)，測(cè)繪工程專業(yè)，本科，工程師，主要從事公路工程測(cè)繪工作。

10.3973/j.issn.1672-741X.2014.01.003

U 45

A

1672-741X(2014)01-0013-06