蔣子健

(遼寧西北供水有限責任公司，沈陽 110000)

0 引 言

遼河流域某梯級開發(fā)水利樞紐工程的地質條件十分復雜，特別是穿越多種軟硬相間巖層的地下洞室圍巖工程更加嚴重。所以，研究分析尾水洞圍巖安全穩(wěn)定性具有極其重要的意義[1]。

由于地下電站地質存在多樣性與復雜性特征，許多因素均可對尾水洞施工的穩(wěn)定性和安全產生影響，從開挖和支護施工的層面有單循環(huán)開挖高度、支護的滯后時間、開挖步長度等，且各決策變量存在多種排列組合，在確定的某些條件下考慮未定因素的情況也很多，逐一運算量大且耗費時間較長[2]。若考慮多個評價因子的綜合影響，通常難以有效的確定各評價因子與決策變量之間的非線性關系。隨著計算機技術的快速發(fā)展和人們對巖體特性理論的不斷研究，在模擬計算巖體穩(wěn)定性方面智能化穩(wěn)定分析法得到研究應用，較為常用的有SVM支持向量機法、神經網絡法和模糊函數(shù)法等預測方法。對于不同方案的開挖支護的穩(wěn)定問題處理，改進的神經網絡和正交設計法具有較好的適用性與有效性。將正交設計構造的樣本方案運用有限元程序和有限因子計算，為選取所有方案中的最優(yōu)方案運用進化神經網絡預測。然而，目前還沒有標準的公式確定最重要的判據(jù)因子，如何統(tǒng)一考慮影響大型洞室穩(wěn)定性的多個指標[3-7]。

1 進化有限元神經網絡

融合了生物神經網絡優(yōu)點的ANN人工神經網絡，具有學習及自適應功能強大、高度的非線性和良好的容錯性等優(yōu)點。考慮到較強的自學習能力，該模型能夠從大量的樣本中通過學習獲取非線性復雜關系，為最大程度的逼近輸出樣本不斷改變權值，最終實現(xiàn)新樣本的預測分析。然而，空間結構很大的神經網絡往往難以獲取最優(yōu)的結構，適應能力低，泛化和學習還無法達到預期的效果。從數(shù)學的角度分析，選取的網絡隱層節(jié)點存在較大的經驗性和盲目性，極易產生局部極小點的情況。采用傳統(tǒng)的方法處理以上復雜問題通常較為困難，因此本研究采用GA遺傳算法對上述問題進行科學、快速的計算。GA遺傳算法是一種對全局擇優(yōu)的概率搜索法，該算法遵循生態(tài)系統(tǒng)中優(yōu)勝劣汰和生存競爭的規(guī)則，通過變異、雜交、復制等操作對某一初始值運算，經若干代的不斷迭代運算逐步逼近群體中的最優(yōu)值。通過簡單的繁殖機制和編碼技術，遺傳算法可用于解決極其復雜、困難的問題。GA法相對于與其他搜索算法具有更高效運算效率，不受連續(xù)性、可微型等目標函數(shù)的限制，特別是對于復雜的規(guī)劃優(yōu)化問題，它有更強的的計算性能和廣泛的應用前景[8]。

權值計算和尋找最優(yōu)網絡時ENN進化網絡得到學術界的廣泛研究，在網絡設計時引入GA算法的相關研究取得了豐碩的成果。神經網絡結構利用進化算法確定，通過學習步數(shù)和隱層節(jié)點個數(shù)的確定盡可能的找出一個最優(yōu)的結構。該方法在問題可計算的情況下即可完成整個解空間的搜索，從而確定全局最優(yōu)解。將神經網絡利用遺傳算法加以優(yōu)化，由此可構造出具有自適應、自凈化能力的神經網絡GA-NN。

目前，在巖土工程中有限元法的應用相當廣泛且理論體系比較成熟，通過對邊界條件和力學模型的合理選取，利用有限元即可對工程進行較為真實的數(shù)值模擬[9]。將優(yōu)化的神經網絡與有限元法相耦合，其基本流程為：采用正交設計法和編碼方案，構造出數(shù)值模擬的樣本方案，編碼如表1所示；有限元的建立，各計算方案應包含于劃分的單元；評價指標值的運算輸出；采用神經網絡模型確定隱層節(jié)點和學習步數(shù)，最終模擬分析最優(yōu)方案。

表1 方案編碼

2 尾水洞的布置

2.1 工程地質狀況

遼河流域某水利樞紐的裝機容量為4×400MW，裝機臺數(shù)為4。電站建筑物有廠外排水洞、通風及管線洞、尾水洞、母線洞、主廠房、進水口、引水隧洞、引水渠、尾水平臺、安裝場、交通洞、500vV變電站、尾水渠等。

垂直主廠房直線布置4#尾水洞軸線，其中編號為1-4#的尾水洞沿山的內側向河谷方向布設，劃分為前后漸變段、尾水管加長與尾水管段、標準段。水尾洞總長度為1260.38m，1-4#水尾洞長依次為326.20、316.85、312.11、305.22m，尾水隧洞凈直徑為8.6-10.5m范圍，標準段為10.5m，混凝土支護厚1.2m，中心距為30m。按兩標段施工整個工程項目，一標段長68.522m為主廠房至分標線區(qū)間；二標段為出水口方向至分標線段。2.3 模型計算

根據(jù)工程地質相關資料，選取X×Y×Z=360m×270m×420m作為計算區(qū)域，主廠房與1#尾水洞平面交線的中心設定為坐標原點，設X、Y、Z軸的方向分別與主廠房軸線平行、與地面垂直、與主廠房軸線垂直，指向分別以向山體內側、向上和出水方向為正，由此可構造有限元模型。三維離散型單元模型的劃分方式為free，單元數(shù)和節(jié)點數(shù)為96185、17620個；模型地面存在三向約束，除河谷外其它3面均存在方向約束。僅考慮初始地應力的屈服規(guī)則設定為Druckre-Prager，巖體的力學性能如表2所示。

表2 各地層巖體力學性能

續(xù)表2 各地層巖體力學性能

3 結果分析

3.1 有限元計算結果

表3 正交設計方案尋優(yōu)結果

續(xù)表3 正交設計方案尋優(yōu)結果

3.2 位移與變形分析

正交設計的各方案中，頂板在Y方向的位移最大，總體處于6-9cm范圍，底板位移整體為5-7cm范圍，最大位移關于左、右兩端的比值較為均衡，整體介于6.0-8.2cm范圍。同節(jié)點位移的最大值相差約為3cm，1#尾水洞的四點位移指標值比其它水尾洞大。1#尾水洞頂板位移最大點1065#節(jié)點在最優(yōu)方案中的X、Y、Z坐標依次為-0.52m、35.58m、280.41m，即與出水口相距約40.85m處的后漸變段至標準段相交附近位置，相應的位移值為8.945cm；底板位移最大點1485#節(jié)點位于與出水口相距約24m的位置，對應的位移值為7.850cm；左側、右側位移最大點1431#節(jié)點、1452#節(jié)點分別位于距出水口30.35m和38.2m位置，其位移值依次為8.810cm、6.852cm；二標出水口附近為Z軸方向位移最大處，該位置不在一標段。

沿水流方向同一條尾水洞的位移呈不斷增大的變化特征，底板的位移遠遠小于垂直方向的頂板位移。尾水洞以右側最高點出水口方向為圓心項整體內擴散，對于整個區(qū)域來說其位移逐漸變化逐漸降低[10]。

4 結 論

1) 運用進化的神經網絡能夠較好的反映尾水洞開挖與支護的位移變化特征，通過對正交設計方案的學習預測確定最優(yōu)方案，模型預測誤差基本控制在3%以內且運算時間大大減少，優(yōu)選結果具有較強的科學性和準確性。對待優(yōu)選方案的全局搜索，不僅克服了預測過程容易陷入局部最小的難題，而且能夠保證優(yōu)選方案為全局最優(yōu)，對于復雜問題的處理具有較好的適用性。

2) 從河谷向山體方向四條尾水洞水平面上的變形及位移均表現(xiàn)出不斷增大的趨勢，且同一洞內的位移和變形沿水流方向也呈不斷增大的趨勢，底板位移在垂直方向上遠遠小于頂板?？傮w而言，尾水洞以右側最高點出水口方向為圓心項整體內擴散，對于整個區(qū)域來說其位移逐漸變化逐漸降低。

3) 先挖1#、3#洞，后挖2#、4#洞的工程招標開挖方案不是最優(yōu)，采用不同動量項和學習率等參數(shù)的GANN優(yōu)化結果顯示，先挖2#、4#洞、后挖1#、3#洞的方案為第四優(yōu)化指標因子的最優(yōu)方案。