数据挖掘在厦门第二西通道双连拱隧道围岩变形中的应用研究
0 引言
随着“一带一路”倡议的推进，我国隧道工程的数量越来越多。双连拱隧道因跨度大、线形流畅、占地面积小、空间利用率高，同时在适应地形条件、环境保护以及工程数量上都具有优势，在我国已经得到了广泛应用
目前，国内外的专家学者针对双连拱隧道围岩变形做了大量的研究工作
1 BP神经网络模型
BP人工神经网络是一种反馈式全连接多层神经网络，具有较强的联想记忆和推广能力。标准BP模型由3层神经元组成 (输入层、隐层和输出层) 。如图1所示，网络的拓扑结构隐层可为多层。对于BP模型的输入神经元，其输入和输出相同，即Oj=Xj。中间隐层和输出层的神经元满足下列等式:
式中:fj表示神经元j对应的激发函数;目前用的最多的是Sigmoid函数:
图1 3层神经网络示意
Fig.1 3-layer neural network
BP网络的存储信息主要体现在两个方面，一是网络的体系结构，即网络输入层、隐含层和输出层节点的个数;二是相邻层节点之间的连接权值。影响网络结构的主要参数是隐含层的节点个数、学习率η和系统误差∈输入层和输出层节点个数由系统应用决定，一般来说是确定的，而隐含层节点个数由用户凭经验决定，个数过少将影响到网络的有效性，过多会大幅度增加网络训练的时间。学习率通常在0.01～0.9，一般来说，学习率越小，训练次数越多，但学习率过大会影响网络结构的稳定性。拟订误差∈通常需要根据输出要求来定，∈越低，说明要求的精度越高。
BP算法的具体步骤可简单归纳如下: (1) 给定网络的输入向量X和目标输出向量T，并初始化网络权值; (2) 计算网络的实际输出; (3) 计算网络的实际输出向量与所要求的目标输出值的误差; (4) 权值学习，使误差最小。
对所有的学习样本重复 (1) 到 (4) 步骤，使系统误差达到最小。
2 围岩变形预测
2.1 工程概况
厦门第二西通道 (海沧海底隧道) A2标段全长2 190m，主要由1 890m三车道主线段、160m暗挖双连拱段及140m明挖深基坑段组成。沿线周边环境复杂，途经兴湖路，下穿悦华酒店及象屿保税区，影响范围涉及道路交通、市政管线、地面建筑等多个方面。兴湖路160m双连拱暗挖段为超浅埋、变截面、不对称的超大跨度连拱隧道。隧道埋深范围在5.61～12.90m，单线最大跨度22.82m。隧道采用“双初支、单二衬”的3层衬砌类型，初期支护由超前支护、型钢钢架、钢筋网、喷射混凝土组成。覆盖层为杂填土及残积土，结构疏密不均，下部为残积粉质黏土，弱风化岩不发育，呈块石砌体结构，岩体完整，岩质坚硬。场区地下水以上层滞水为主，无统一自由水面，水量有限，埋深3.1m左右，隧道洞身及洞顶地层主要为覆盖层及全～强风化岩，局部为微风化岩和杂填土。开挖工法采用双侧壁导坑法进行分部开挖，每一步以台阶法开挖为主。
2.2 构造学习样本
根据厦门第二西通道 (海沧海底隧道) A2标双连拱隧道变形监测数据资料，选取里程桩号为BYK16+962—BYK16+915段的隧道断面研究开挖洞室变形情况。具体的工程地质及洞室形变情况如表1所示。
表1 隧道工程地质及洞室变形情况
Table 1 Tunnel engineering geology and cavern deformation
由于BP神经网络样本必须具有代表性和均匀性，因此构造了如表2所示学习样本集。输入层6个神经元，分别对应开挖洞室、隧道埋深、纵波波速、密度、渗透系数和弹性模量等围岩变形量影响因子;输出层选取2个神经元，对应拱顶下沉和水平收敛。
表2 BP神经网络学习样本
Table 2 Learning samples of BP neural network
2.3 BP神经网络输入模型
取得样本集后，采用3层BP网络进行学习。将输入、输出原始数据均转化为有效数值数据，输入向量X由开挖洞室、隧道埋深、纵波波速、密度、渗透系数和弹性模量组成，输出向量Y由拱顶下沉和水平收敛组成。如表3所示，设置1个隐含层，经过反复调试，当隐含层节点数n=11、学习精度为0.01时网络收敛性比较好，可用于反演计算。此时将各个样本分别集输入网络进行学习，迭代10 000次后，输出的均方误差趋于稳定。MATLAB训练误差曲线如图2所示，最优神经网络模型相关系数如图3所示。
表3 最优BP神经网络模型信息
Table 3 Optimal BP netural network model information
2.4 富水岩层围岩变形量预测
调用上文建立的BP神经网络模型，将有效的输入参数 (见表4) 输入人工神经网BP络模型，获取双连拱隧道BYK16+895的1号洞、BYK16+890的1号洞、BYK16+885的0号洞、BYK16+880的0号洞断面拱顶下沉和水平收敛的数据 (见表5) 。
图2 训练误差曲线
Fig.2 Training error curve
图3 最优神经网络模型相关系数
Fig.3 Optimal correlation coefficient of neural network model
表4 BP神经网络输入模型
Table 4 BP neural network input model
表5 围岩变形量预测结果
Table 5 Prediction results of surrounding rock deformation
mm
2.5 围岩变形现场监测
本次试验地点为厦门第二西通道A2标段双连拱隧道，在BYK16+895的1号洞、BYK16+890的1号洞、BYK16+885的0号洞、BYK16+880的0号洞布设了12个测点，包括4个拱顶沉降监测点，8个水平收敛监测点。具体监测数据如表6所示。
表6 围岩变形监测结果
Table 6 Surrounding rock deformation monitoring results
mm
表7 不同预测方法计算结果
Table 7 Calculations of different prediction methods
mm
表8 不同预测方法的性能指标
Table 8 Performance indicators of different prediction methods
mm
2.6 误差分析
评定预测好坏的方式较多，主要有:绝对平均偏差 (MAD) 、均方误差 (MSE) 、绝对平均百分比 (MAPE) 以及平均百分比误差 (MPE) 等。若以
具体分析数据如表7, 8所示。
BP神经网络在双连拱隧道中预测结果与实际测量值之间有很好的线性关系。均方误差都略大，考虑到实际工程条件的复杂性和不可控性，预测结果还是较准确的。
3 结语
BP神经网络有着良好的非线性信息存储能力和自适应性，利用BP神经网络预测双连拱隧道中围岩变形量，在实际应用中是完全可行的，可以为工程所需的计算提供参考，对隧道工程信息化设计具用实际意义。
双连拱隧道中围岩变形量影响因素包括开挖洞室、隧道埋深、纵波波速、密度、渗透系数和弹性模量。预测富水岩层中围岩变形量BP神经网络结构包括6个输入神经元、1层隐含层、13个隐含层神经元和2个输出神经元。
本文利用BP神经网络预测模型计算得到了厦门第二西通道工程A2标双连拱隧道, 在BYK16+895的1号洞处拱顶沉降量为-8.0mm, 水平收敛变形量为-4.5mm;在BYK16+890的1号洞处拱顶沉降量为-2.1mm, 水平收敛变形量为-2.5mm;在BYK16+885的0号洞处拱顶沉降量为-9.8mm, 水平收敛变形量为-4.3mm;在BYK16+880的0号洞处拱顶沉降量为-10.6mm, 水平收敛变形量为-5.2mm。
BP神经网络对训练样本的多元化有严重依赖，训练样本多元化，训练精度也就越高。本文的训练样本并不全面，今后可通过资源共享、大数据处理以及多学科合作，精选出更多全面、可靠的富水岩层围岩变形量，建立数据库，构筑起一个实用范围广泛的双连拱隧道围岩变形量预测模型，为研究者提供一种实用、便捷、批量处理的新方式。
参考文献
[1]李二兵, 王镝, 王源, 等.城市复杂条件下浅埋大跨双连拱隧道施工变形监测与控制[J].岩石力学与工程学报, 2007, 26 (4) :833-839.
[2]夏永旭, 王文正, 胡庆安.围岩应力释放率对双联拱隧道施工影响研究[J].现代隧道技术, 2005, 42 (3) :1-4.
[3]靳晓光, 王兰生, 卫宏.公路隧道围岩变形监测及其应用[J].中国地质灾害与防治学报, 2000, 11 (1) :19-23.
[4]郑凯, 刘保国.复杂地质条件下大跨度双连拱隧道监控量测技术的运用[J].隧道建设, 2006, 26 (2) :53-56.
[5]杨会军.复杂条件下隧道围岩变形特征[J].铁道工程学报, 2006, 23 (1) :57-60.
[6]刘军, 施春晖, 韩爱民.花坟垌双连拱隧道监控量测技术与方法[J].常州工学院学报, 2008, 21 (S1) :286-290.
[7]吴海科, 刘远明, 罗伯成, 等.贵阳轨道交通1号线地铁隧道某区间围岩力学性质研究[J].施工技术, 2018, 47 (14) :1-7.
[8]段金成, 唐建新, 腾俊洋.穿越页岩段大变形隧道初期支护系统试验研究[J].施工技术, 2018, 47 (16) :38-43.
[9]刘华荣.支护参数对大跨度双连拱隧道稳定性的影响分析[J].地下空间与工程学报, 2014, 10 (4) :889-894, 955.