李鵬遠(yuǎn),姜諳男

(1．大連市勘察測繪研究院有限公司,遼寧大連 116021; 2．大連海事大學(xué)道路與橋梁工程研究所,遼寧大連 116026)

公路隧道施工期圍巖快速分類極限學(xué)習(xí)機(jī)模型研究

李鵬遠(yuǎn)1?,姜諳男2

(1．大連市勘察測繪研究院有限公司,遼寧大連 116021; 2．大連海事大學(xué)道路與橋梁工程研究所,遼寧大連 116026)

針對以往智能優(yōu)化算法學(xué)習(xí)速度慢、對參數(shù)選擇敏感等問題,引入極限學(xué)習(xí)機(jī)(ELM)方法用于圍巖分類。在分類指標(biāo)方面,結(jié)合快速性與準(zhǔn)確性,制定快速分級參數(shù)標(biāo)準(zhǔn),以公路隧道設(shè)計(jì)規(guī)范中的BQ法為基準(zhǔn),從以往及正在施工的隧道中收集對應(yīng)的樣本,從而建立了公路隧道施工期圍巖快速分類的極限學(xué)習(xí)機(jī)模型。之后將正在開挖隧道工作面的快速分級參數(shù),提供給模型進(jìn)行判別,達(dá)到快速、精確分級目的。通過撫松隧道實(shí)際驗(yàn)證,該模型判斷結(jié)果與實(shí)際施工情況吻合,可用于指導(dǎo)施工階段的隧道圍巖快速分級。

極限學(xué)習(xí)機(jī);圍巖分級;隧道

1　引 言

圍巖級別是評價(jià)隧道工程地質(zhì)條件的一個(gè)綜合性量化指標(biāo),是進(jìn)行隧道工程建設(shè)的基礎(chǔ)。然而在公路隧道勘察設(shè)計(jì)階段,揭露的信息較少,圍巖級別在此階段與實(shí)際施工階段存在較大差異。在隧道施工期間圍巖揭露,地質(zhì)條件完全展現(xiàn)在面前,此時(shí)進(jìn)行施工期圍巖動(dòng)態(tài)分級是十分必要的[1]。

《公路隧道設(shè)計(jì)規(guī)范》(JTG D70-2004)中的BQ分級方法在實(shí)踐過程中發(fā)現(xiàn)巖塊強(qiáng)度指標(biāo)對分級結(jié)果影響敏感,巖體完整性指標(biāo)需要進(jìn)行昂貴的地球物理測試方能獲得,且探測過程對環(huán)境要求苛刻,嚴(yán)重阻礙了隧道施工的有序進(jìn)行。近年來,針對此問題眾多學(xué)者進(jìn)行了較為深入的研究,提出了很多方法。段林娣等[2]將充分利用了BP神經(jīng)網(wǎng)絡(luò)具有非線性、并行性、魯棒性和強(qiáng)泛化性等的特點(diǎn),取得了較好的效果,然而通常的BP方法主要基于梯度下降算法修正網(wǎng)絡(luò)權(quán)值,并減小網(wǎng)絡(luò)誤差,這種方法雖然收斂很快,但很容易使搜索停滯在局部極小值點(diǎn),因此該方法很大程度的依賴于網(wǎng)絡(luò)誤差面(error surface)的形狀和初始權(quán)值的設(shè)置[3]。為了解決這些問題,周翠英、吳云芳等[4,5]通過引入自適應(yīng)學(xué)習(xí)速率法及動(dòng)量參數(shù),在這方面進(jìn)行了改進(jìn),但始終未能從根本上解決[6]。楊梅等[7]用改進(jìn)的遺傳算法(GA)對神經(jīng)網(wǎng)絡(luò)的初始閾值、權(quán)值進(jìn)行了優(yōu)化,這種方法雖然能消除初始值的影響,但不能從根本上解決上述存在的問題,而且GA算法存在穩(wěn)定性差,容易早熟對維數(shù)較高的問題優(yōu)化效果欠佳等缺點(diǎn),潘昊等[8]用粒子群算法代替了BP神經(jīng)網(wǎng)絡(luò)的梯度下降算法,然而粒子群算法同樣具有容易陷入局部最優(yōu)的缺點(diǎn)[9]。

極限學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM)是近年來由Huang G B提出來的一種新的單隱含層前向反饋神經(jīng)網(wǎng)絡(luò)(Single-hidden Layer Feed-forward Neural Network,SLFN)的學(xué)習(xí)方法[10]。該學(xué)習(xí)方法在訓(xùn)練前只需要設(shè)置網(wǎng)絡(luò)隱層節(jié)點(diǎn)個(gè)數(shù),算法執(zhí)行過程中不需要調(diào)整網(wǎng)絡(luò)的輸入權(quán)值以及隱層單元的偏置值,并且產(chǎn)生唯一的最優(yōu)解,參數(shù)選擇容易、學(xué)習(xí)速度快且泛化性能好。本文結(jié)合吉林省撫松隧道施工期圍巖分類實(shí)踐,給出了圍巖快速分類指標(biāo),并建立了圍巖分類的極限學(xué)習(xí)機(jī)模型,使圍巖分級更加可靠、快速,為設(shè)計(jì)變更及現(xiàn)場施工提供了重要的依據(jù)。

2　極限學(xué)習(xí)機(jī)原理

極限學(xué)習(xí)機(jī)的網(wǎng)絡(luò)訓(xùn)練模型采用前向單隱層結(jié)構(gòu)。設(shè)m,M,n分別為網(wǎng)絡(luò)輸入層、隱含層和輸出層的節(jié)點(diǎn)數(shù),且有N個(gè)不同的樣本(xi,ti),其中xi=[xi1, xi2,…,xim]T∈Rm,ti=[ti1,ti2,…,tin]T∈Rn,則網(wǎng)絡(luò)訓(xùn)練模型可表示為:

式中:wi=[wi1,wi2,…,wim]T為連接網(wǎng)絡(luò)輸入層節(jié)點(diǎn)與第i個(gè)隱含層節(jié)點(diǎn)的輸入權(quán)值向量,βi=[βi1, βi2,…,βin]T為連接第i個(gè)隱藏層節(jié)點(diǎn)與網(wǎng)絡(luò)輸出層節(jié)點(diǎn)的輸出權(quán)值向量,oi=[oi1,oi2,…,oin]T表為網(wǎng)絡(luò)輸出值,bi為偏置值,g(x)為激勵(lì)函數(shù),可以是雙彎曲函數(shù)(sigmoid)、正弦函數(shù)(Sine)、徑向基函數(shù)(RBF)及硬限幅傳輸函(Hardlim)。

極限學(xué)習(xí)機(jī)的訓(xùn)練目標(biāo)就是尋求最優(yōu)的S,β,使得網(wǎng)絡(luò)輸出值與對應(yīng)實(shí)際值誤差即代價(jià)函數(shù)E最小,即:

式中:S=(wi,bi,i=1,2,…,M),包含了網(wǎng)絡(luò)輸入權(quán)值及隱層節(jié)點(diǎn)偏置值。

min[E(S,β)]可進(jìn)一步寫為:

式中:H表示網(wǎng)絡(luò)關(guān)于樣本的隱層輸出矩陣,β表示輸出權(quán)值矩陣,T表示樣本集的目標(biāo)值矩陣?？煞謩e定義如下:

極限學(xué)習(xí)機(jī)的網(wǎng)絡(luò)訓(xùn)練過程可歸結(jié)為一個(gè)以式(2)為目標(biāo)函數(shù)的非線性優(yōu)化問題。當(dāng)網(wǎng)絡(luò)隱層節(jié)點(diǎn)的激活函數(shù)g(x)無限可微時(shí),網(wǎng)絡(luò)參數(shù)并不需要全部進(jìn)行調(diào)整,輸入連接權(quán)值w和隱層節(jié)點(diǎn)偏置值b在訓(xùn)練開始時(shí)可隨機(jī)選擇,此時(shí)矩陣H為一常數(shù)矩陣。極限學(xué)習(xí)機(jī)的學(xué)習(xí)過程可等價(jià)為求取線性方程組Hβ=T最小范數(shù)的最小二乘解^β,其計(jì)算式為:

式中H+稱為隱層輸出矩陣H的Moore-Penrose廣義逆。

由式(6)解得到的輸出權(quán)值具有如下重要特征[10]:①可以通過該解獲得最小的訓(xùn)練誤差;②可以獲得權(quán)值的最小范數(shù)并且得到最優(yōu)的泛化性能;③范數(shù)的最小二乘解是唯一的,因此算法不會(huì)產(chǎn)生局部最優(yōu)解?？梢钥闯?ELM在訓(xùn)練的過程中不需要調(diào)整w和b的值,只需根據(jù)相應(yīng)算法來調(diào)整值,便可獲得一個(gè)全局最優(yōu)解,參數(shù)選擇的過程相對容易,訓(xùn)練速度顯著提升,且不會(huì)陷入局部最優(yōu)。

3　工程應(yīng)用

3．1工程概況

撫松隧道位于吉林省東部白山市靖宇縣境內(nèi),設(shè)計(jì)為分離式雙洞隧道,兩洞設(shè)計(jì)線間距近13 m～35 m左右,近直線展布。左線設(shè)計(jì)起點(diǎn)里程為ZK275 +170,終點(diǎn)里程為ZK276+795,全長1 625 m;右線設(shè)計(jì)起點(diǎn)里程為RK275+180,終點(diǎn)里程為RK276+780,全長1 600 m。隧道最大開挖寬度約12．00 m,高度為7．60 m。工程地質(zhì)條件較差,圍巖主要為Ⅲ、Ⅳ、Ⅴ級,且施工過程中掌子面揭露的圍巖信息變化頻繁,因此施工過程中的圍巖動(dòng)態(tài)分級是十分重要的。

3．2圍巖分級指標(biāo)現(xiàn)場快速獲取方法

國內(nèi)外大多數(shù)的學(xué)者都認(rèn)為圍巖分級中分級因素的選擇應(yīng)遵循以下原則[1]:①分級因素必須是體現(xiàn)隧道圍巖質(zhì)量最重要、最基本的因素,具體來說應(yīng)包括:巖體強(qiáng)度、結(jié)構(gòu)面特性與巖體結(jié)構(gòu)三大類。②應(yīng)把眾多因素分級組合,歸并為一個(gè)符合因素。③分級因素應(yīng)相互獨(dú)立,避免重復(fù)和搭接。④分級因素的特征必須易于描述,評價(jià)指標(biāo)必須容易獲取,測試方法必須簡單易行。因此,本文在遵守上述原則的同時(shí),結(jié)合撫松隧道施工實(shí)際,最終選用以下分級指標(biāo):

①圍巖回彈強(qiáng)度σht

由于不管單軸飽和抗壓強(qiáng)度實(shí)驗(yàn)還是點(diǎn)荷載實(shí)驗(yàn)在施工現(xiàn)場比較難以測定,因此本文選用回彈強(qiáng)度表示強(qiáng)度指標(biāo)。相關(guān)實(shí)驗(yàn)結(jié)果[11]表明同一斷面圍巖回彈強(qiáng)度與單軸飽和抗壓強(qiáng)度回歸分析后可用如下公式表示:

可以看出,回彈強(qiáng)度可以較好反映圍巖的強(qiáng)度且容易獲取,因此本文將其作為分級指標(biāo)的一項(xiàng)。

②巖體完整性指標(biāo)kv

國內(nèi)外各種方法中都有自己對圍巖完整性的衡量指標(biāo),本文遵循分級因素選取的第②條原則,采用了國標(biāo)BQ法中的巖體完整性指標(biāo)kv,在測試掌子面上,針對不同的工程地質(zhì)巖組或巖性段,選擇有代表性的露頭或開挖壁面進(jìn)行節(jié)理統(tǒng)計(jì)。掌子面節(jié)理統(tǒng)計(jì)時(shí),首先確定掌子面的節(jié)理的組數(shù),然后分別測量每組節(jié)理的間距[12],并結(jié)合表1用差值的方法確定kv。

Jv與kv對應(yīng)表　表1

③節(jié)理延展性Jyz

掌子面內(nèi)存在半貫通或貫通節(jié)理時(shí),需單獨(dú)統(tǒng)計(jì),因此本文增加了節(jié)理延展性指標(biāo)Jyz,并結(jié)合表2使其定量化。掌子面素描圖如圖1所示。

節(jié)理延展性取值表　表2

圖1　掌子面素描

④地下水影響w

地下水溶蝕巖石或結(jié)構(gòu)面中的易溶膠結(jié)物,使巖石強(qiáng)度降低,增加巖體滲流壓力等。因而各種分級方法都將其作為分級指標(biāo)的一項(xiàng),本文為了方便起見,根據(jù)肉眼現(xiàn)場能夠觀察到的地下水大小和流量,結(jié)合表3進(jìn)行定量化處理。

地下水狀態(tài)取值表　表3

⑤主要結(jié)構(gòu)面產(chǎn)狀和隧道關(guān)系λ

主要結(jié)構(gòu)面產(chǎn)狀和隧道關(guān)系對圍巖穩(wěn)定影響起到重要的作用,文中根據(jù)RMR分級體系中結(jié)構(gòu)面與隧道走向關(guān)系進(jìn)行打分[2]:

主要結(jié)構(gòu)面產(chǎn)狀影響取值表　表4

⑥地應(yīng)力狀態(tài)GS

地應(yīng)力同樣也很大程度上影響著圍巖的穩(wěn)定性,公路隧道場區(qū)的地應(yīng)力狀況經(jīng)常在勘察階段進(jìn)行測試或評定,并給出極高應(yīng)力區(qū)、高應(yīng)力區(qū)和低應(yīng)力區(qū)3種評定結(jié)果,因而該指標(biāo)也較為容易獲取。本文參照《工程巖體分級標(biāo)準(zhǔn)》,對不同斷面進(jìn)行打分:

地應(yīng)力影響取值表　表5

上述指標(biāo)包括了對圍巖等級起決定性作用的巖體強(qiáng)度、結(jié)構(gòu)面特性與巖體結(jié)構(gòu)三大類因素,且較為容易獲取,因而綜合這些指標(biāo)進(jìn)行圍巖分級是合理的。

3．3基于ELM模型的撫松隧道圍巖動(dòng)態(tài)分級

這是由于社會(huì)資本蘊(yùn)含有信任、互惠、規(guī)范等活性因子，能夠促進(jìn)人與人之間的社會(huì)合作，從而提高社區(qū)治理效率。

本文與國標(biāo)BQ法同樣將圍巖劃分為5個(gè)等級,圍巖分級工作貫穿撫松隧道整個(gè)施工期,在此選取30個(gè)具有代表性的掌子面,按前面介紹的現(xiàn)場測試方法采集圍巖分級指標(biāo),然后依據(jù)BQ方法確定隧道圍巖的級別。Ⅰ、Ⅱ級圍巖極好圍巖,在撫松隧道施工中未出現(xiàn),因而訓(xùn)練集合中沒有收錄這兩類圍巖,如表6所示。

典型斷面圍巖分級指標(biāo)及對應(yīng)BQ等級　表6

將表中前25組作為訓(xùn)練樣本,剩余5組作為測試樣本。激活函數(shù)均選用Sigmoid函數(shù),考慮到Sigmoid函數(shù)在接近0及1時(shí)曲線比較平緩,為了充分發(fā)揮其敏感性,提高收斂速度,將樣本用式(7)進(jìn)行歸一化處理:

式中:xmax和xmin分別為每組輸入分量的最大值與最小值;x和x′分別為每組輸入分量歸一化前與歸一后的值。并分別用(0,0,1,0,0)、(0,0,0,1,0)與(0,0,0,0,1)表示Ⅲ、Ⅳ與Ⅴ級的圍巖。ELM模型輸出的分級的結(jié)果,如表7所示。

ELM分級結(jié)果　表7

可以看出,ELM模型分類的結(jié)果與BQ分級方法結(jié)果完全一致。

3．4撫松隧道施工期圍巖分級

網(wǎng)絡(luò)訓(xùn)練達(dá)到要求后,測量正在開挖的工作面快速分級參數(shù)提供給訓(xùn)練好的ELM模型進(jìn)行識別,便可在施工階段根據(jù)掌子面揭露的信息對圍巖進(jìn)行快速的分級。部分?jǐn)嗝鍱LM模型識別的圍巖級別與原設(shè)計(jì)圍巖等級的對比如表8所示。

ELM分級結(jié)果與原設(shè)計(jì)圍巖等級的對比　表8

可以看出某些里程段,隨著更多信息的揭露,用本文軟件計(jì)算的圍巖等級與原實(shí)際等級相比有所變動(dòng),因而隨著隧道施工對圍巖進(jìn)行動(dòng)態(tài)分級對施工安全或設(shè)計(jì)變更都是有重要意義的。

4　結(jié) 論

應(yīng)用極限學(xué)習(xí)機(jī)(ELM),考慮了影響圍巖分類的因素與獲取的方便性,并將監(jiān)測位移與BQ法的分類指標(biāo)結(jié)合,建立了適用于圍巖分類的極限學(xué)習(xí)機(jī)模型．并對大連地鐵與吉林省撫松隧道圍巖進(jìn)行了分類,與勘察結(jié)果對比表明,所建立的模型實(shí)用性好,能較好地滿足工程應(yīng)用的需要。

在激勵(lì)函數(shù)確定的情況下,ELM僅需要設(shè)置隱層節(jié)點(diǎn)的個(gè)數(shù),參數(shù)選擇簡便。且該算法執(zhí)行過程中不需要調(diào)整網(wǎng)絡(luò)的輸入權(quán)值以及隱藏單元的偏置,因此顯著提高了算法訓(xùn)練的速度。

[1] 馬超鋒,介玉新,王篤禮等．山嶺隧道施工階段圍巖動(dòng)態(tài)分級研究[J]．鐵道學(xué)報(bào),2013,35(10):106～113．

[2] 段林娣,宋成輝．應(yīng)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行隧道圍巖快速分級[J]．中國安全科學(xué)學(xué)報(bào),2010,20(2):41～45．

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

[4] 周翠英,張亮,黃顯藝．基于改進(jìn)BP網(wǎng)絡(luò)算法的隧洞圍巖分類[J]．地球科學(xué):中國地質(zhì)大學(xué)學(xué)報(bào),2005,30(4): 480～486．

[5] 吳云芳,李珍照．改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)模型在大壩安全監(jiān)測預(yù)報(bào)中的應(yīng)用[J]．水電站設(shè)計(jì),2002,18(2):21～24．

[6] 劉福深,劉耀儒,楊強(qiáng)．基于差異進(jìn)化算法的前饋神經(jīng)網(wǎng)絡(luò)在大壩變形監(jiān)測中的應(yīng)用[J]．巖土力學(xué),2006,27 (4):597～600．

[7] 楊梅,卿曉霞,王波．基于改進(jìn)遺傳算法的神經(jīng)網(wǎng)絡(luò)優(yōu)化方法[J]．計(jì)算機(jī)仿真,2009(5):198～201．

[8] 潘昊,侯清蘭．基于粒子群優(yōu)化算法的BP網(wǎng)絡(luò)學(xué)習(xí)研究[J]．計(jì)算機(jī)工程與應(yīng)用,2006,42(16):41～43．

[9] 王伯成,施錦丹,王凱．粒子群優(yōu)化算法的研究現(xiàn)狀與發(fā)展概述[J]．電訊技術(shù),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] 陳巖．隧道施工期圍巖級別快速鑒別及工程應(yīng)用研究[D]．北京:北京交通大學(xué),20l0,2010．

[12] 2004 J．公路隧道設(shè)計(jì)規(guī)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

李鵬遠(yuǎn)(1976—),男,高級工程師,主要從事巖土工程勘察方面的工作。

姜諳男(1972—),男,博士,教授,主要從事巖土工程穩(wěn)定性分析和多場耦合方面的研究。

大連市交通科技項(xiàng)目(2011-10);吉林省交通廳交通運(yùn)輸科技項(xiàng)目(2012-1-6)。