文档介绍：陈振平,等:基于神经网络的隧道围岩分类· ·
基于神经网络的隧道围岩分类
陈振平, 王鹏
.河南省交通规划勘察设计院有限责任公司,郑州;
.中交第二公路勘察设计研究院有限公司,武汉
摘要:应用神经网络建立了隧道围岩分类模型,对其影响因素进行分析,并对模型进行优
化,将训练好的分类模型运用到贵安隧道,为隧道围岩分类提供了一种简便可行的方法。
关键词:影响因素;围岩稳定性分类;神经网络
中图分类号:. 文献标志码: 文章编号:—一—
引言
目前用于隧道围岩稳定性分类的方法较多。, 塑
但都具有较浓的人为因素。随着人们对隧道工程、地网络初始化
质环境以及这两者间相互关系的了解,围岩分类法亦
给定输入向量和输出向量
在不断地深化和提高。
众多理论研究和工程实例表明,影响隧道围岩稳计算隐含层、输出层各单元输出
定性主要有内在因素和外在因素,但起主导作用的还计算目标值与实际输出的偏差
是内在因素,即岩石及岩体结构是最主要的因素。在
两蘑——
较完整的岩体中,岩石强度越低,则隧道围岩稳定性——一
越差;而在相同岩性的条件下,岩体愈破碎,完整性计算输出层、隐含层单元误差
越差,则隧道就越容易失稳。其他因素有可能在一定
计算误差梯度
条件下进行转化。
对隧道围岩稳定性进行分类,就需考虑各影响因陬面
素之间的相互关系。为尽可能降低或消除判别过程中
人为因素的影响,尝试一种实用、可靠的隧道围岩稳图神经网络算法流程
定性识别的评价方法是十分必要的。本文引入神
经网络方法对围岩稳定性进行分类,并对该法进行优工程资料,选取岩体质量指标、岩石单轴饱和抗
化,既尽可能地消除人为因素的影响,又能减少手动压强度、岩体完整性系数、结构面强度系数
和地下水渗流量∞的个主要影响因素作为网络的输
计算产生的误差,从而提高工作效率与计算精确性。
入节点。输出层则反映围岩分类的定量指标,输出层
隧道围岩分类神经网络模型结果,,,,,,,,,,,,
. 神经网络,,,,,,,,,,,,分
别表示, Ⅱ,Ⅲ,Ⅳ,级围岩,若不为时,五
神经网络又称误差反向传播多层前馈神经网
个数值中最接近的数对应相应的围岩级别;若为
络,是一种单向传播的多层前向网络‘。。它包括一
,.,.,, 时,则表示介于Ⅱ级和Ⅲ级之
个输入层,一个输出层和一个或多个隐含层。算
间,依此类推。
法使用最优化方法中的梯度下降算法, 目的是使实际
. 隐含层设计
输出和目标输出之间的均方差最小化。对于一个典型
的三层神经网络,其运算的具体步骤如图。根据十。确定最佳隐含层节点数范围。
. 输入层与输出层式中为隐含层节点数;为输入层节点数;为输
通过对隧道围岩稳定性影响因素的分析,并结合出层节点数;为~之间的正整数。那么隐含
层节点数目范围为~。本文采取试凑法,观察网
收稿日期:——络性能,最后得出隐层单元数取最好。
作者简介:陈振平一,男,河南安阳人。工程师,从事公根据以上参数的确定,神经网络模型的结构
路勘察与设计。—: .。
路基工程
· · 年第期总第期
如图。命令,使网络的输出结果相同。其中,是种子数。
但在该法中,种子数随机性太大,且该结果是否可使
网络性能