基于改進(jìn)MATLAB-BP神經(jīng)網(wǎng)絡(luò)算法的隧道巖爆預(yù)測(cè)模型

孫 臣 生

(山西省交通規(guī)劃勘察設(shè)計(jì)院有限公司，山西 太原 030012)

0 引 言

巖爆是一種在隧道工程建設(shè)中較為常見的地質(zhì)災(zāi)害，易在高地應(yīng)力地區(qū)出現(xiàn)。一般認(rèn)為巖爆形成原因，主要有“內(nèi)部因素”和“外部條件”兩個(gè)方面。內(nèi)部因素主要是隧道圍巖的物理力學(xué)參數(shù)，如堅(jiān)硬度、完整性、尤其是局部控制性結(jié)構(gòu)面發(fā)育程度等；外部條件則是指產(chǎn)生巖爆趨向所處的工程環(huán)境，最典型的因素代表是有無高地應(yīng)力，其次還有隧道掘進(jìn)方向、隧道埋深、地應(yīng)力方向等[1-5]。

目前眾多學(xué)者就巖爆的定義、分類及預(yù)測(cè)方法進(jìn)行了較多的研究。B. F. RUSSENES[6]定義巖爆為巖體在有聲響出現(xiàn)時(shí)的破裂，并且伴隨著巖塊的剝落，甚至出現(xiàn)片幫，嚴(yán)重時(shí)還會(huì)帶有巖塊彈射的現(xiàn)象；徐林生等[7]定義巖體所孕育的彈性應(yīng)變能在開挖卸荷條件下，急劇釋放所帶來的脆性破裂或者爆裂現(xiàn)象為巖爆；譚以安[8]則認(rèn)為，會(huì)產(chǎn)生巖塊彈射甚至是拋擲性的巖體破裂才能代表巖爆產(chǎn)生。在巖爆的分類方面，徐林生等[7]劃分巖爆為彈射型、剝落型、松脫型及拋擲型4大類；譚以安[8]將其劃分為水平型，垂直型和混合應(yīng)力型3個(gè)大類別。在巖爆的強(qiáng)度分級(jí)方面，BRAUNER[9]按照巖爆發(fā)生時(shí)的損害程度，將巖爆劃分為輕微、中等和嚴(yán)重3個(gè)等級(jí)；譚以安[8]基于聲學(xué)特征和力學(xué)特性，以巖爆破壞方式和相應(yīng)的危害程度為出發(fā)點(diǎn)，劃分出弱、中等、強(qiáng)烈、極強(qiáng)4個(gè)巖爆強(qiáng)度等級(jí)。在巖爆判別及預(yù)測(cè)方面，尚彥軍等[10]在考慮建立基于應(yīng)變型巖爆的綜合判斷之后，創(chuàng)造性地提出了巖爆勢(shì)的新概念；中鐵二院[11]依托實(shí)際工程二郎山隧道，針對(duì)性的提出了考慮σθ/Rb指標(biāo)的巖爆判別準(zhǔn)則，并進(jìn)一步將巖爆的強(qiáng)烈等級(jí)劃分為微弱、中等、劇烈3級(jí)。對(duì)于巖爆的形成機(jī)制的研究，國(guó)內(nèi)外學(xué)者采取的研究方法各不相同，岳中琦[12]以流體包裹體研究為出發(fā)點(diǎn)，從微細(xì)觀角度揭示了巖爆形成機(jī)制；祝文化等[13-15]、李天斌等[16]以及齊燕軍等[17]采用物理模擬法對(duì)巖爆的發(fā)生機(jī)制進(jìn)行了深入分析與研究。目前地下工程領(lǐng)域關(guān)于巖爆的預(yù)測(cè)方法主要有：地質(zhì)狀況分析法，σθ/Rb及改進(jìn)的σθ/Rb判據(jù)法，依據(jù)巖爆的傾向性指數(shù)的Wet判據(jù)法，基于臨界深度的預(yù)測(cè)法，聲波發(fā)射的現(xiàn)場(chǎng)預(yù)報(bào)，基于電磁波的監(jiān)測(cè)預(yù)測(cè)，以及突變理論相關(guān)的預(yù)測(cè)法等。馬天輝等[18]，于群等[19]在巖爆預(yù)測(cè)與辨識(shí)方面，尤其是微震監(jiān)測(cè)技術(shù)進(jìn)行了大量研究并做出了突出貢獻(xiàn)；何滿潮等[20]研發(fā)了沖擊巖爆試驗(yàn)系統(tǒng)，并開展相關(guān)試驗(yàn)及其理論研究。于洋等[21]于年初建立了青藏高原首個(gè)無線通訊巖爆實(shí)時(shí)監(jiān)測(cè)微震系統(tǒng)。當(dāng)前的巖爆預(yù)報(bào)預(yù)測(cè)方法很多，但是巖爆預(yù)測(cè)時(shí)考慮的因素相對(duì)比較單一，很少將工程地質(zhì)條件和巖爆的影響因素緊密結(jié)合。

筆者在總結(jié)和闡述前人和眾多學(xué)者關(guān)于巖爆影響因素、預(yù)測(cè)方法和判別準(zhǔn)則的相關(guān)研究成果的基礎(chǔ)上，依托于山西某隧道工程實(shí)例，綜合考慮9個(gè)主要預(yù)測(cè)關(guān)聯(lián)性指標(biāo)，以非線性科學(xué)理論為指導(dǎo)，建立BP神經(jīng)網(wǎng)絡(luò)改進(jìn)預(yù)測(cè)模型，并將模型應(yīng)用于現(xiàn)場(chǎng)巖爆傾向性預(yù)測(cè)。

1 巖爆影響因素及判別準(zhǔn)則

1.1 影響因素

巖爆表現(xiàn)為地下工程的開挖與施工造成地層擾動(dòng)，原始巖體內(nèi)的彈性應(yīng)變能急劇的被釋放出，使被開挖區(qū)域周圍的巖體與巖塊產(chǎn)生爆裂松脫、剝落、彈射、甚至拋擲的一種劇烈的動(dòng)態(tài)力學(xué)現(xiàn)象[22]。巖爆產(chǎn)生的影響因素主要從圖1中幾個(gè)方面來考慮[23]。

圖1 巖爆產(chǎn)生影響因素與條件Fig. 1 Influence factors and conditions of rock burst

1.2 判別準(zhǔn)則

巖爆發(fā)生判據(jù)大同小異，但在評(píng)價(jià)巖爆發(fā)生程度時(shí)，巖石強(qiáng)度σc和最大主應(yīng)力σmax兩個(gè)指標(biāo)在評(píng)價(jià)中是必不可少，表1是國(guó)內(nèi)外較為常用的巖爆預(yù)測(cè)的一些判據(jù)[24-27]。

表1 典型巖爆判斷方法Table 1 Typical judgement method for rock burst

除上述表中以外，還有一些經(jīng)典判斷準(zhǔn)則，國(guó)外的主要有HOKE準(zhǔn)則和RUSSENES準(zhǔn)則，前者可以表述為表2，后者目前通常會(huì)被地下工程界所采用，其中σθ為切向應(yīng)力，σt為最大切向應(yīng)力。RUSSENES準(zhǔn)則以強(qiáng)度準(zhǔn)則為出發(fā)點(diǎn)，同時(shí)基于硐室?guī)r體最大切向應(yīng)力σθmax及巖石點(diǎn)荷載強(qiáng)度Is的相互關(guān)系，建立了二者之間的關(guān)系圖，如圖2[28]。

表2 Hoke判斷準(zhǔn)則Table 2 Hoke judgment rule

圖2 巖爆烈度與洞壁圍巖σθmax和Is關(guān)系Fig. 2 Relationship between rock burst intensity and σθmax,Is

進(jìn)一步地，通過將點(diǎn)荷載Is與巖石單軸抗壓強(qiáng)度σc進(jìn)行換算，并結(jié)合巖爆烈度關(guān)系圖和σθ/σc比值之間的相互聯(lián)系，以此來判別巖爆產(chǎn)生的傾向性。在此基礎(chǔ)上，徐林生和王蘭生根據(jù)二郎山公路隧道施工巖爆的測(cè)試結(jié)果和圍巖實(shí)際的破裂情況，提出了改進(jìn)的“σθ/σc判據(jù)法”[29]，如表3。

表3 經(jīng)典與改進(jìn)“σθ/σc巖爆判據(jù)法”對(duì)比Table 3 Comparison of classical and improved σθ/Rc-based rockburst judgment methods

我國(guó)著名的秦嶺鐵路隧道建設(shè)中，在鐵路秦嶺隧道巖爆的預(yù)報(bào)、防治研究中，谷明成提出了表4判據(jù)[30]。隨后進(jìn)一步的研究中，基于具體的工程實(shí)踐經(jīng)驗(yàn)，通過對(duì)上述準(zhǔn)則的優(yōu)化，學(xué)者王元漢和陶振宇又各自提出了改進(jìn)后的判據(jù)，如表5、6[31]。

表4 谷明成等人巖爆綜合判別準(zhǔn)則Table 4 Rock burst judgment methods proposed by Gu Mingcheng

表5 王元漢等人巖爆綜合判別準(zhǔn)則Table 5 Rock burst judgment methods proposed by Wang Yuanhan

2 MATLAB-BP預(yù)測(cè)模型建立

2.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)模型，在一定程度上彌補(bǔ)了二次回歸方程的不足。它有較強(qiáng)的非線性映射能力，可以充分逼近任意復(fù)雜的非線性關(guān)系，具有高度自學(xué)習(xí)和自適應(yīng)能力，對(duì)試驗(yàn)數(shù)據(jù)處理更加精細(xì)。

典型的BP神經(jīng)網(wǎng)絡(luò)主要指擁有三層及以上網(wǎng)絡(luò)結(jié)構(gòu)的前向網(wǎng)絡(luò)，該結(jié)構(gòu)的首層和和尾層一般叫做輸入層和輸出層，中間各層均稱為隱含層或中間層。網(wǎng)絡(luò)之間無反饋，網(wǎng)絡(luò)層內(nèi)也不互相連同。典型的3層網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)[32]如圖3。

圖3 BP網(wǎng)絡(luò)運(yùn)算結(jié)構(gòu)示意Fig. 3 Operational structure of the BP network

2.2 改進(jìn)BP算法

為消除普通算法存在的網(wǎng)絡(luò)性收斂速度慢，容易陷進(jìn)局部最小點(diǎn)等運(yùn)行問題[33]。筆者著手對(duì)BP算法進(jìn)行改進(jìn)，過程如下：

1)首先對(duì)樣本輸入進(jìn)行初始?xì)w一化處理，設(shè)xN=(x1,x2,…,xn),yN=(y1,y2,…,yn)(N=1,2,…,m)為輸入樣本和輸出樣本。其中：m為輸入的數(shù)量；n為輸入層的神經(jīng)元的數(shù)量。

2)將區(qū)間(0，1)的隨機(jī)數(shù)值，賦予連接輸入層、隱含層的權(quán)值{wij}和閥值{θj}，以及連接隱含層、輸出層的權(quán)值{vjk}和閥值{γk}；同時(shí)賦予學(xué)習(xí)效率η、誤差精度ζ，給定相應(yīng)的最大訓(xùn)練次數(shù)。

3)將隨機(jī)選取的樣本對(duì)(xN,yN)輸入神經(jīng)元網(wǎng)絡(luò)；隨后進(jìn)行“順模式傳播”過程，即隱含層和輸出層神經(jīng)節(jié)點(diǎn)的輸入和輸出值計(jì)算，過程如下：

由式(1)隱含層輸入Sj值后，由節(jié)點(diǎn)輸出計(jì)算值Hj；式(2)輸出層輸入Lk后，由節(jié)點(diǎn)輸出計(jì)算值Qk：

f(x)=(1+e-x)-1

(1)

(2)

式中：p、q分別為隱含層和輸出層的神經(jīng)元數(shù)量；f(x)為網(wǎng)絡(luò)結(jié)構(gòu)的激勵(lì)函數(shù)。

4)進(jìn)行“誤差逆?zhèn)鞑ァ边^程，即反向進(jìn)行輸出層和隱含層中各單元之間的一般化誤差計(jì)算。按式(3)、(4)分別進(jìn)行輸出層和隱含層之間的一般化誤差δk和ej的計(jì)算：

(3)

(4)

5)連接輸出層、隱含層間權(quán)值vjk和閥值γk；及隱含層與輸入層間權(quán)值wij和閥值θj分別按式(5)、式(6)進(jìn)行反向修正。

(5)

(6)

6)利用更新的隨機(jī)樣本，對(duì)提供給神經(jīng)網(wǎng)絡(luò)繼續(xù)進(jìn)行“模式順傳播”過程，使得m個(gè)樣本全部訓(xùn)練完畢。由式(7)判定最終算法誤差小于初始誤差閾值，并且要求訓(xùn)練運(yùn)行數(shù)量達(dá)到初始最低閾值，否則，繼續(xù)進(jìn)行算法訓(xùn)練。

(7)

考慮到自我適應(yīng)能力在學(xué)習(xí)神經(jīng)元中的良好利用，改進(jìn)算法主要結(jié)合它的優(yōu)點(diǎn)，以及對(duì)動(dòng)量項(xiàng)系數(shù)的增加[34]，調(diào)整算法結(jié)構(gòu)的權(quán)值和閥值如式(8)～(10)：

w(t+1)=w(t)+η(t)D(t)+a[w(t)-w(t-1)]

(8)

θ(t+1)=θ(t)+η(t)e(t)

(9)

D(t)=-?E/?w(t)

(10)

式中：w(t)為權(quán)值；θ(t)為閥值；e(t)為t時(shí)間節(jié)點(diǎn)表現(xiàn)出的誤差；D(t)表示對(duì)應(yīng)的負(fù)梯度；a為動(dòng)量項(xiàng)系數(shù)。

采用權(quán)值和閥值兩個(gè)優(yōu)化因子后，改進(jìn)后的網(wǎng)絡(luò)結(jié)構(gòu)算法為式(11)、(12)：

η(t)=2λη(t-1)

(11)

λ=sign[D(t)D(t-1)]

(12)

式中：η(t)為t時(shí)刻的學(xué)習(xí)率。

為保證改進(jìn)算法的運(yùn)行效率，同時(shí)避免因網(wǎng)絡(luò)結(jié)構(gòu)的學(xué)習(xí)率過高帶來的震蕩或發(fā)散現(xiàn)象，將η控制在0.01至0.1之間[35]。

3 模型參數(shù)確定及測(cè)試

3.1 模型結(jié)構(gòu)設(shè)計(jì)

建立BP人工神經(jīng)網(wǎng)絡(luò)模型的關(guān)鍵是模型拓?fù)渚W(wǎng)絡(luò)結(jié)構(gòu)的構(gòu)造，具體地說，涉及三個(gè)網(wǎng)絡(luò)層數(shù)量的確定，以及相應(yīng)的節(jié)點(diǎn)數(shù)量的選擇[36]。BP網(wǎng)絡(luò)配置的最佳原則是簡(jiǎn)單實(shí)用，在保證順利分析并解決問題的基礎(chǔ)上，做到精簡(jiǎn)拓?fù)渚W(wǎng)絡(luò)結(jié)構(gòu)，可減少模型訓(xùn)練和分析時(shí)間，使結(jié)構(gòu)的復(fù)雜性降低[37-38]。

為達(dá)到精簡(jiǎn)結(jié)構(gòu)，節(jié)約算法模型的運(yùn)行時(shí)間，筆者使用除含有輸入層和輸出層以外，額外還含有1個(gè)隱含層的3層網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。此外，網(wǎng)絡(luò)結(jié)構(gòu)兩端節(jié)點(diǎn)單元數(shù)分別設(shè)選為9個(gè)、2個(gè)。隱含層原始的節(jié)點(diǎn)單元數(shù)設(shè)為10個(gè)，隨后經(jīng)模型運(yùn)行優(yōu)化，最終調(diào)整為15個(gè)[39]。最終的網(wǎng)絡(luò)結(jié)構(gòu)節(jié)點(diǎn)單元數(shù)為輸入層9：隱含層15：輸出層2。

3.2 模型樣本對(duì)確定

基于巖爆影響因素，進(jìn)一步綜合考慮取得的判別準(zhǔn)則成果，改進(jìn)模型算法采用洞室圍巖的最大主應(yīng)力σmax，圍巖切向應(yīng)力σθ，單軸抗拉強(qiáng)度σt、單軸抗壓強(qiáng)度σc，點(diǎn)荷載強(qiáng)度Is和σθ/σc，σc/σt，以及埋深h和Wet進(jìn)行樣本考慮變量的輸入與分析。

同時(shí)，模型建立前進(jìn)行巖爆等級(jí)劃分，巖爆等級(jí)分級(jí)規(guī)定如下：強(qiáng)巖爆表示為(1，1)，中等巖爆表示為(1，0)，弱等巖爆表示為(0，1)，無巖爆表示為(0，0)。

通過資料查閱，獲得30個(gè)地下工程實(shí)例，為進(jìn)行模型建立前的樣本訓(xùn)練，選擇了它們中的25個(gè)現(xiàn)場(chǎng)地質(zhì)指標(biāo)做為輸入樣本，以豐富模型的學(xué)習(xí)樣本庫，用于模型訓(xùn)練的樣本對(duì)的情況與條件如表6。

表6 用于模型訓(xùn)練的樣本對(duì)Table 6 Sample pairs used for model training

3.3 模型函數(shù)選用

模型建立時(shí)充分發(fā)揮MATLAB工具箱的實(shí)用性，模型主要涉及以下幾種函數(shù)的選用：

1)為保證模型運(yùn)行時(shí)權(quán)值和閾值的自動(dòng)初始化，將newff函數(shù)用作網(wǎng)絡(luò)模型的生成函數(shù)；

2)動(dòng)量的批處理梯度下降法用訓(xùn)練函數(shù)traingdm觸發(fā)；

3)輸入層與隱含層間選用雙曲線正切函數(shù)tansig作為傳遞函數(shù)；logsigz作為隱含層與輸出層間的傳遞函數(shù)；

4)選用traingdx函數(shù)作為“誤差逆?zhèn)鞑ァ边^程的訓(xùn)練函數(shù)。

由于輸出范圍為[0，1]的輸出層傳遞函數(shù)Sigmoid表現(xiàn)出顯著的單極性，所以改進(jìn)模型建立時(shí)，對(duì)樣本數(shù)據(jù)進(jìn)行式(13)的輸入預(yù)處理：

(13)

式中：X為樣本數(shù)據(jù)；T表示處理后數(shù)據(jù)：Xmax、Xmin分別為樣本數(shù)據(jù)的的兩個(gè)極值；Tmax、Tmin表示處理后數(shù)據(jù)的兩個(gè)極值，建立模型時(shí)分別取1和0。

3.4 網(wǎng)絡(luò)模型訓(xùn)練

根據(jù)改進(jìn)算法設(shè)計(jì)步驟，應(yīng)用MATLAB中的多元化BP網(wǎng)絡(luò)工具箱，由newff命令改進(jìn)算法的反饋網(wǎng)絡(luò)net。初始學(xué)習(xí)率ir，賦值為0.05，動(dòng)量系數(shù)a賦值為0.9，本次訓(xùn)練的精度賦值為1×10-4，給定最大限度的訓(xùn)練次數(shù)為2×103次。

模型網(wǎng)絡(luò)在完成預(yù)期的學(xué)習(xí)訓(xùn)練后(1 480次運(yùn)行訓(xùn)練)最終最大系統(tǒng)誤差(9.863 5×10-5)<給定精度(1×10-4)，模型訓(xùn)練結(jié)束，如圖4。

圖4 模型訓(xùn)練尋優(yōu)曲線Fig. 4 Selecting-optimization curve of model training

4 應(yīng)用研究

4.1 有效性驗(yàn)證

如第3節(jié)所述，將30個(gè)地下工程實(shí)例中的25個(gè)現(xiàn)場(chǎng)地質(zhì)指標(biāo)做為了模型輸入樣本，剩余的5個(gè)工程實(shí)例數(shù)據(jù)在本節(jié)作為驗(yàn)證樣本。利用建立的學(xué)習(xí)模型運(yùn)行后，得到兩個(gè)樣本的的網(wǎng)絡(luò)模型檢驗(yàn)誤差分別為9.825 4×10-5和9.463 5×10-5，算法模型最后輸出值如表7，該結(jié)果用于對(duì)改進(jìn)預(yù)測(cè)模型進(jìn)行有效性驗(yàn)證?？梢钥闯?，該輸出值和現(xiàn)場(chǎng)地質(zhì)情況的巖爆災(zāi)害的發(fā)生情況一致，因此建立的模型有效可用。

表7 預(yù)測(cè)樣本集和現(xiàn)場(chǎng)情況對(duì)比Table 7 Comparison of predicting example sets and field situation

4.2 工程實(shí)例

某隧道工程位于重丘山嶺區(qū)，隧址區(qū)總體地勢(shì)呈南部高北部低，山體為整體為東北走向，隧道進(jìn)出口地勢(shì)較為平緩，山體自然坡度為10°～20°之間。地表觀測(cè)見較多的的細(xì)小溝谷，地表水流量較小，主要來源于地表溝谷內(nèi)。隧道穿越地層區(qū)域主要以灰?guī)r、片麻巖和閃長(zhǎng)巖為主，地表分布厚度不等的碎石。隧道縱剖面如圖5。

現(xiàn)場(chǎng)地質(zhì)勘查表明：隧址區(qū)發(fā)育一個(gè)背斜褶皺帶，核部為泥盆系的東崗嶺組地層，兩翼為泥盆系榴江組地層。隧道線路在K72+980處遇斷層F7，該斷層影響帶寬度約為20～30 m，走向NE40°～45°，傾向NW，傾角75°～80°。在斷層破碎帶影響下，隧址區(qū)灰?guī)r破碎，構(gòu)造角礫巖明顯，伴隨密集的節(jié)理破碎帶。

為了更好的分析巖爆隧道圍巖的地質(zhì)條件，對(duì)隧址區(qū)主要巖性灰?guī)r、片麻巖和閃長(zhǎng)巖進(jìn)行巖性、強(qiáng)度和力學(xué)參數(shù)等方面的實(shí)驗(yàn)。3種巖體樣本室內(nèi)試驗(yàn)得到的物理力學(xué)參數(shù)如表8。

圖5 案例隧道地質(zhì)縱剖面Fig. 5 Geological longitudinal profile of the case tunnel

巖性密度ρ/( g·cm-3 )單軸抗壓強(qiáng)度Rb/MPa抗拉強(qiáng)度Rt/MPa泊松比μ彈性模量E/GPa灰?guī)r2.30～2.7740.0～60.02.8～4.20.18～0.273.6～7.3片麻巖2.56～2.6748.9～82.37.1～13.30.09～0.2110.2～21.5閃長(zhǎng)巖2.69～2.7656.6～90.37.1～11.20.05～0.1910.5～19.7

4.3 巖爆預(yù)測(cè)與綜合評(píng)價(jià)

基于該工程實(shí)例的現(xiàn)場(chǎng)地質(zhì)條件，依托于改進(jìn)BP巖爆預(yù)測(cè)模型，選取位于最大埋深處的隧道斷面(附近巖層主要為灰?guī)r，埋深為410 m)進(jìn)行巖爆傾向性預(yù)測(cè)。同時(shí)引用埋深較大，現(xiàn)場(chǎng)發(fā)生強(qiáng)巖爆的秦嶺終南山公路隧道(斷面埋深1640 m)和引漢濟(jì)渭秦嶺引水隧洞(斷面埋深1 620 m)進(jìn)行驗(yàn)證。選用的隧道現(xiàn)場(chǎng)地質(zhì)參數(shù)以及基于改進(jìn)模型的預(yù)測(cè)結(jié)果見表9。

表9 隧道巖爆預(yù)測(cè)結(jié)果Table 9 Predicting results for the tunnel rock burst

由表9預(yù)測(cè)結(jié)果可以看出，文中給出的案例隧道模型輸出等級(jí)為(0.001 1，0.000 2)，巖爆等級(jí)為(0，0)，結(jié)合前文的巖爆等級(jí)規(guī)定，表明無巖爆發(fā)生，該結(jié)果與該工程斷面的實(shí)際施工狀況相符合。另外兩個(gè)埋深較大的強(qiáng)巖爆隧洞案例的巖爆預(yù)測(cè)也較為可靠，預(yù)測(cè)結(jié)果驗(yàn)證了該預(yù)測(cè)模型的準(zhǔn)確性和實(shí)用性。

5 結(jié) 論

筆者結(jié)合國(guó)內(nèi)外各種常用巖爆預(yù)測(cè)以及相應(yīng)的判別準(zhǔn)則，基于神經(jīng)網(wǎng)絡(luò)基本原理，建立了改進(jìn)的MATLAB-BP預(yù)測(cè)模型；同時(shí)，依托實(shí)際隧道工程實(shí)例，對(duì)其應(yīng)用于巖爆預(yù)測(cè)進(jìn)行了驗(yàn)證，可以得到以下結(jié)論：

1)采用洞室圍巖單軸抗拉強(qiáng)度σt、抗壓強(qiáng)度σc，圍巖最大主應(yīng)力σmax，切向應(yīng)力σθ，點(diǎn)荷載強(qiáng)度Is，及埋深h和σθ/σc，σc/σt，以及沖擊傾向性指數(shù)Wet這9個(gè)主要預(yù)測(cè)關(guān)聯(lián)性指標(biāo)，建立考慮綜合因素的MATLAB-BP神經(jīng)網(wǎng)絡(luò)改進(jìn)預(yù)測(cè)模型。

2)改進(jìn)算法模型實(shí)現(xiàn)了非線性理論和網(wǎng)絡(luò)分析法之間的有機(jī)結(jié)合，避免了普通算法存在的網(wǎng)絡(luò)性收斂速度慢，容易陷進(jìn)局部最小點(diǎn)等運(yùn)行缺陷，該預(yù)測(cè)模型分析較復(fù)雜結(jié)構(gòu)具有明顯優(yōu)勢(shì)。

3)應(yīng)用MATLAB-BP改進(jìn)算法模型對(duì)公路山嶺隧道施工過程中的巖爆傾向性工程實(shí)例進(jìn)行定量評(píng)價(jià)，預(yù)測(cè)結(jié)果與現(xiàn)場(chǎng)實(shí)際情況相符，這可以為今后類似隧道寄地下工程施工的巖爆風(fēng)險(xiǎn)預(yù)測(cè)及評(píng)估具有一定的借鑒和指導(dǎo)作用。