基于關(guān)聯(lián)分析和遺傳算法優(yōu)化BP的隧道圍巖變形預(yù)測(cè)

王文玉,王希良,張 騫

(1.石家莊鐵道大學(xué)交通運(yùn)輸學(xué)院，石家莊 050043； 2.石家莊鐵道大學(xué)大型結(jié)構(gòu)健康診斷與控制研究所,石家莊 050043)

引言

隨著交通事業(yè)迅速發(fā)展，隧道工程被廣泛應(yīng)用在交通基礎(chǔ)設(shè)施建設(shè)領(lǐng)域。隧道工程憑借縮短線(xiàn)路距離、避免高路塹等優(yōu)勢(shì)，建設(shè)比例不斷增加。為確保運(yùn)營(yíng)和施工安全，其變形預(yù)測(cè)研究具有重要的意義[1-2]。

隧道施工時(shí)，由于各種地質(zhì)災(zāi)害給隧道施工帶來(lái)很大的難度。近些年來(lái)，很多國(guó)內(nèi)外學(xué)者對(duì)于圍巖質(zhì)量、穩(wěn)定性進(jìn)行了研究和綜合探索。吳波等[3]通過(guò)有限元數(shù)值計(jì)算對(duì)上軟下硬地層隧道圍巖穩(wěn)定性量化評(píng)價(jià)標(biāo)準(zhǔn)進(jìn)行了詳細(xì)的分析和系統(tǒng)的研究，從而建立圍巖穩(wěn)定量化評(píng)價(jià)體系。劉明才[4]采用Monte Carlo方法，計(jì)算了巖體結(jié)構(gòu)的可靠性，并分析了結(jié)構(gòu)面參數(shù)的不確定性對(duì)塊體穩(wěn)定性的影響。涂瀚[5]對(duì)水平層狀砂質(zhì)板巖隧道的穩(wěn)定性及破壞機(jī)理進(jìn)行研究，為水平層狀圍巖隧道的建設(shè)提供參考。黃志平[6]通過(guò)RFPA方法考慮巖石材料的細(xì)觀非均勻特性，對(duì)深埋硬巖隧洞全斷面一次開(kāi)挖和分?jǐn)嗝娑啻伍_(kāi)挖進(jìn)行數(shù)值模擬分析，研究多個(gè)特征方面對(duì)圍巖穩(wěn)定性的影響及其破壞機(jī)制。張露晨等[7]利用關(guān)鍵塊體理論矢量分析方法分析隧道圍巖的穩(wěn)定性。XIAO R Y, ZHU W, HE MC等[8-10]通過(guò)對(duì)滑坡進(jìn)行監(jiān)測(cè)，對(duì)滑坡下隧道圍巖穩(wěn)定性進(jìn)行了一定的研究。

同時(shí)，圍巖穩(wěn)定性研究中，隧道圍巖位移預(yù)測(cè)預(yù)報(bào)也是一項(xiàng)重要的內(nèi)容，對(duì)施工決策有非常重要的意義。在現(xiàn)場(chǎng)測(cè)試中，多種因素的影響，監(jiān)測(cè)數(shù)據(jù)存在偶然誤差且具有離散性。在實(shí)際應(yīng)用中，必須進(jìn)行數(shù)學(xué)處理，找出量測(cè)位移在不同因素的影響下，隨時(shí)間、空間變化的規(guī)律，同時(shí)預(yù)測(cè)其發(fā)展變化趨勢(shì)，以科學(xué)地評(píng)價(jià)圍巖的穩(wěn)定性[11]。葉超[2]提出以粒子群算法對(duì)GM(1，1)模型參數(shù)進(jìn)行優(yōu)化，然后以BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，建立誤差修正模型，旨在進(jìn)一步提高預(yù)測(cè)精度。張可能等[11]采用時(shí)空統(tǒng)一Kriging插值預(yù)測(cè)模型和DGM(1，1)灰色預(yù)測(cè)模型，預(yù)測(cè)隧道施工過(guò)程中掌子面前方一定范圍內(nèi)任意時(shí)刻的拱頂沉降。張碧[12]探討不同小波變換參數(shù)的去噪效果，并將趨勢(shì)項(xiàng)和誤差項(xiàng)進(jìn)行單項(xiàng)預(yù)測(cè)和組合預(yù)測(cè)，研究預(yù)測(cè)模型的有效性。文明等[13]通過(guò)引入動(dòng)態(tài)施工影響因子作為附加的外部輸入，結(jié)合模型本身的反饋結(jié)構(gòu)和延遲單元，非線(xiàn)性動(dòng)態(tài)地考慮隧道施工全過(guò)程。袁青等[14-17]對(duì)隧道預(yù)測(cè)問(wèn)題做了一系列研究?？傮w來(lái)說(shuō)，隧道圍巖變形預(yù)測(cè)研究已取得了相應(yīng)的研究成果，但仍存在一定的局限性，應(yīng)提高對(duì)模型預(yù)測(cè)精度，更精確地應(yīng)用于鐵路隧道變形預(yù)測(cè)中[18]。

選取我國(guó)地勢(shì)第二階梯的川陜鄂黔中、低山區(qū)，以吳家溝隧道為依托。首先基于灰色關(guān)聯(lián)分析，選取影響隧道圍巖變形的主要因素。接著，基于生物進(jìn)化的思想，用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，其分為三個(gè)部分。即BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定、遺傳算法優(yōu)化和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)。遺傳算法是一種全范圍搜索算法，用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，將遺傳算法的全局搜索能力和BP神經(jīng)網(wǎng)絡(luò)的局部搜索能力相結(jié)合，避免BP神經(jīng)網(wǎng)絡(luò)參數(shù)選擇上的隨機(jī)性缺陷，預(yù)測(cè)結(jié)果更為精確。最后，應(yīng)用工程實(shí)際，得到空間維預(yù)測(cè)結(jié)果，為工程實(shí)際應(yīng)用提供借鑒。結(jié)果表明，在隧道圍巖變形預(yù)測(cè)中，遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)精度高，滿(mǎn)足隧道圍巖變形預(yù)測(cè)精度的需要，對(duì)川陜鄂黔中、低山區(qū)隧道圍巖變形預(yù)測(cè)有一定的參考意義。

1 關(guān)聯(lián)分析

1.1 關(guān)聯(lián)分析

關(guān)聯(lián)分析是通過(guò)大量數(shù)據(jù)挖掘事物間的關(guān)聯(lián)程度，基本原理是通過(guò)數(shù)據(jù)曲線(xiàn)幾何形狀的吻合程度判斷聯(lián)系程度。其過(guò)程如下。

STEP1：設(shè)系統(tǒng)特征序列為

x0={x0(k)|k=1，2，…，n}=

(x0(1)，x0(2)，…，x0(n))

式中，k表示時(shí)刻。并且存在l個(gè)相關(guān)因素序列，第i個(gè)相關(guān)因素序列為xi={xi(k)|k=1，2，…，n}=(xi(1)，xi(2)，…，xi(n))，i=1，2，…，l

STEP2：初始化系統(tǒng)特征及相關(guān)因素序列，得到初值像。

y0={y0(k)|k=1，2，…，n}=

(y0(1)，y0(2)，…，y0(n))

yi={yi(k)|k=1，2，…，n}=(yi(1)，yi(2)，…，yi(n))，

i=1，2，…，l

STEP3：求出y0和yi的關(guān)聯(lián)系數(shù)。

ξi(k)=

(1)

為比較數(shù)列xi對(duì)參考數(shù)列在x0時(shí)刻的關(guān)聯(lián)系數(shù)，分辨系數(shù)為ρ∈[0，1]。通常來(lái)說(shuō)，ρ取0.5。

STEP4：式(1)定義的關(guān)聯(lián)系數(shù)是描述比較數(shù)列與參考數(shù)列在某時(shí)刻關(guān)聯(lián)程度的一種指標(biāo)，定義

(2)

ri為數(shù)列xi對(duì)參考數(shù)列x0的關(guān)聯(lián)度。

由式(2)可得，關(guān)聯(lián)度是把過(guò)于分散的信息集中處理，即把各個(gè)時(shí)刻的關(guān)聯(lián)系數(shù)集中為一個(gè)平均值。ri越大，表明xi對(duì)x0的作用越大。

1.2 影響因素

系統(tǒng)特征行為序列為隧道圍巖變形值(x0)，同時(shí)，圍巖變形影響因素Xi(i=1，2，…，m)為相關(guān)因素序列，進(jìn)行灰色關(guān)聯(lián)分析。

除工程影響因素外，影響圍巖穩(wěn)定性及其變形的自然因素有很多，主要分為三大類(lèi)，如表1所示[19]。

表1 自然因素

根據(jù)表1，選擇以下指標(biāo)：完整巖塊強(qiáng)度特征指標(biāo)包括飽和單軸抗壓強(qiáng)度X1；巖體結(jié)構(gòu)空間分布幾何形態(tài)指標(biāo)包括：巖石質(zhì)量X2(用RQD衡量)、巖體體積節(jié)理數(shù)X3、可見(jiàn)跡長(zhǎng)X4、間距X5。巖體結(jié)構(gòu)面自身發(fā)育狀況指標(biāo)包括粗糙度X6、蝕變度X7、張開(kāi)度X8、工程巖體質(zhì)量([BQ])X9，同時(shí)該指標(biāo)可以用總體指標(biāo)來(lái)衡量，即巖體結(jié)構(gòu)面自身發(fā)育特征(Jc)X10。地應(yīng)力特征指標(biāo)包括初始地應(yīng)力X11。地下水狀況指標(biāo)包括地下水流量X12。工程因素指標(biāo)包括開(kāi)挖軸向與結(jié)構(gòu)面產(chǎn)狀組合關(guān)系系數(shù)X13，同時(shí)還包括隧道埋深X14。

利用式(1)及式(2)計(jì)算關(guān)聯(lián)度時(shí)，需對(duì)X1，X2，…，X14數(shù)列做初始化處理。計(jì)算關(guān)聯(lián)系數(shù)時(shí)，要求量綱要相同?，F(xiàn)實(shí)問(wèn)題中，不同數(shù)列具有不同的量綱，因此需對(duì)各種數(shù)據(jù)進(jìn)行無(wú)量綱化。另外，為了易于比較，要求所有數(shù)列有公共的交點(diǎn)。為了解決上述兩個(gè)問(wèn)題，對(duì)給定數(shù)列進(jìn)行變換。

這樣，可對(duì)14個(gè)數(shù)列進(jìn)行初始化處理。注意，對(duì)于隨著里程增加，位移值也增加的數(shù)列，采用上述初始化變換；而對(duì)于與隧道里程成反比的數(shù)列來(lái)講，進(jìn)行初始化處理時(shí)，采取以下公式

將各個(gè)數(shù)列的初始化數(shù)列代入式(1)及式(2)，算出各數(shù)列的關(guān)聯(lián)度見(jiàn)表2(這里ρ=0.5)。

表2 關(guān)聯(lián)分析結(jié)果

由表2可知，隧道埋深、巖石質(zhì)量、工程巖體質(zhì)量、結(jié)構(gòu)面自身發(fā)育特征、體積節(jié)理數(shù)的關(guān)聯(lián)度都在0.997以上，關(guān)聯(lián)度非常高，因此選取以上因素作為影響隧道圍巖變形的主要因素。同時(shí)考慮工程實(shí)際以及可操作性，參照文獻(xiàn)[20]，以節(jié)理間距d代替RQD，更能真實(shí)反映其巖體質(zhì)量及完整程度。

2 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

2.1 遺傳算法與BP神經(jīng)網(wǎng)絡(luò)

BP網(wǎng)絡(luò)屬于一種多層前饋神經(jīng)網(wǎng)絡(luò)，前向傳遞信號(hào)，反向傳遞誤差。每次訓(xùn)練預(yù)測(cè)的結(jié)果都有所差別，這是由于在選擇上BP網(wǎng)絡(luò)的參數(shù)選擇具有隨機(jī)性，每一次的初始值都不同導(dǎo)致的。并且BP網(wǎng)絡(luò)在進(jìn)化學(xué)習(xí)的過(guò)程中容易陷入局部最優(yōu)，熟練速度慢，找不到全局最優(yōu)值。

遺傳算法包括種群初始化、適應(yīng)度函數(shù)、選擇操作、交叉操作和變異操作，它是一種全局搜索算法。將BP神經(jīng)網(wǎng)絡(luò)的局部搜索能力和遺傳算法的全局搜索能力相結(jié)合，彌補(bǔ)BP神經(jīng)網(wǎng)絡(luò)參數(shù)選擇上的隨機(jī)性缺陷，預(yù)測(cè)結(jié)果更為精確。

2.2 尋優(yōu)算法流程

基于生物進(jìn)化的思想，遺傳算法對(duì)解域進(jìn)行遺傳運(yùn)算，找到最優(yōu)值及對(duì)應(yīng)的最優(yōu)適應(yīng)度值。遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)分為3個(gè)部分，即BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定、遺傳算法優(yōu)化和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)。第一部分為，根據(jù)輸入輸出參數(shù)的個(gè)數(shù)來(lái)確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，進(jìn)而確定遺傳算法個(gè)體長(zhǎng)度。第二部分，使用遺傳算法優(yōu)化參數(shù)值，種群中的每個(gè)個(gè)體都包含了一個(gè)網(wǎng)絡(luò)所有權(quán)值和閾值，經(jīng)過(guò)選擇、交叉和變異操作找到最優(yōu)適應(yīng)度值。最后，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)用最優(yōu)個(gè)體對(duì)應(yīng)的網(wǎng)絡(luò)初始權(quán)值和閾值賦值，訓(xùn)練后預(yù)測(cè)函數(shù)輸出。流程如圖1所示。

圖1 尋優(yōu)算法流程

2.3 算法精度檢驗(yàn)

吳家溝隧道位于秭歸縣歸州鎮(zhèn)向家店村1組(吳家溝—三岔溝)，距離香溪長(zhǎng)江河口約1.7 km。線(xiàn)形展布，進(jìn)口方向294°，出口方向32°。隧道右幅起止樁號(hào)為YK4+255～YK5+120，全長(zhǎng)865 m；左幅為ZK4+295～ZK5+255，全長(zhǎng)960 m。洞室凈空均為9.75 m×5.0 m，隧道最大埋深約186 m。隧道左洞進(jìn)口、出口位于直線(xiàn)段上，中間段位于R=360 m(右偏)的曲線(xiàn)上，縱向坡度為-2.0000%,-2.5703%。隧道右洞進(jìn)口位于緩和曲線(xiàn)段上，出口位于直線(xiàn)段上，中間段位于R=560 m(右偏)的曲線(xiàn)上，縱向坡度為-2.000 0%,-2.570 3%。吳家溝隧道剖面如圖2所示。

圖2 吳家溝隧道剖面

對(duì)吳家溝右線(xiàn)隧道進(jìn)口洞內(nèi)、吳家溝右線(xiàn)隧道出口洞內(nèi)、吳家溝隧道出口上方地表位置等進(jìn)行日常監(jiān)測(cè)，進(jìn)而得到吳家溝進(jìn)口洞內(nèi)拱頂沉降監(jiān)測(cè)數(shù)據(jù)、出口洞內(nèi)拱頂沉降監(jiān)測(cè)數(shù)據(jù)、進(jìn)口洞內(nèi)凈空收斂監(jiān)測(cè)數(shù)據(jù)、隧道出口洞內(nèi)凈空收斂監(jiān)測(cè)數(shù)據(jù)以及通過(guò)現(xiàn)場(chǎng)點(diǎn)荷載試驗(yàn)獲取的相對(duì)應(yīng)的巖石強(qiáng)度、巖體體積節(jié)理數(shù)等影響因素所得數(shù)據(jù)。每組都將采集2000及以上數(shù)據(jù)，才能保證預(yù)測(cè)數(shù)據(jù)的準(zhǔn)確性。通過(guò)監(jiān)測(cè)數(shù)據(jù)，利用超前預(yù)測(cè)算法，觀測(cè)吳家溝隧道內(nèi)外有無(wú)異常情況。對(duì)于吳家溝右線(xiàn)隧道的預(yù)測(cè)結(jié)果需引起施工方注意，施工到達(dá)圍巖變差部位，要及時(shí)調(diào)整并合理安排工序。通過(guò)監(jiān)測(cè)反饋的結(jié)果，對(duì)相應(yīng)的重點(diǎn)部位采取施工措施，保證施工的安全。

以吳家溝隧道進(jìn)口洞內(nèi)拱頂沉降測(cè)點(diǎn)監(jiān)測(cè)為例，共采集2000組樣本數(shù)據(jù)。其訓(xùn)練方法、預(yù)測(cè)結(jié)果與誤差分析如下。

該函數(shù)有1個(gè)輸出參數(shù)，6個(gè)輸入?yún)?shù)，BP神經(jīng)網(wǎng)絡(luò)設(shè)置結(jié)構(gòu)為6-5-1。該輸入層有6個(gè)節(jié)點(diǎn)，隱含層有5個(gè)節(jié)點(diǎn)，輸出層有1個(gè)節(jié)點(diǎn)，即有6×5+5=35個(gè)權(quán)值，5+1=6個(gè)閾值，遺傳算法個(gè)體編碼長(zhǎng)度為35+6=41。一共有2000組輸入輸出數(shù)據(jù)，選擇1900組作為訓(xùn)練數(shù)據(jù)，用于網(wǎng)絡(luò)訓(xùn)練，100組作為測(cè)試數(shù)據(jù)。遺傳算法參數(shù)設(shè)置：種群規(guī)模為10，進(jìn)化次數(shù)為30次，交叉概率為0.3，變異概率為0.1。

根據(jù)遺傳算法和BP神經(jīng)網(wǎng)絡(luò)，在MALTAB編程實(shí)現(xiàn)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法。最優(yōu)個(gè)體適應(yīng)度值變化如圖3所示。

圖3 最優(yōu)個(gè)體適應(yīng)度值

根據(jù)最優(yōu)個(gè)體適應(yīng)度值，得到最優(yōu)參數(shù)值，即權(quán)值和閾值。把最優(yōu)初始權(quán)值和閾值賦給神經(jīng)網(wǎng)絡(luò)，用訓(xùn)練數(shù)據(jù)訓(xùn)練1 000次后輸出。

圖4為BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練進(jìn)度。performance為網(wǎng)絡(luò)輸出誤差，epoch為迭代次數(shù)，time為訓(xùn)練時(shí)間。gradient為梯度，validationcheck為泛化能力檢查(若連續(xù)6次訓(xùn)練誤差不降反升，則強(qiáng)行結(jié)束訓(xùn)練)。

圖4 訓(xùn)練進(jìn)度

訓(xùn)練結(jié)果如圖5所示。

圖5 預(yù)測(cè)結(jié)果

圖5的橫坐標(biāo)為目標(biāo)值，縱坐標(biāo)為網(wǎng)絡(luò)的輸出。為防止過(guò)擬合，MATLAB采用的方法是把數(shù)據(jù)劃分成3份，training為訓(xùn)練數(shù)據(jù)，validation和test分別為驗(yàn)證數(shù)據(jù)和測(cè)試數(shù)據(jù)。訓(xùn)練進(jìn)行時(shí)，目標(biāo)和訓(xùn)練(test)數(shù)據(jù)目標(biāo)之間的誤差會(huì)越來(lái)越小，剛開(kāi)始時(shí)validation和validation目標(biāo)之間的誤差也會(huì)變小，可隨著訓(xùn)練的增加，test的誤差繼續(xù)變小，validation的誤差反而會(huì)有所上升。由于這時(shí)可能過(guò)擬合的傾向，當(dāng)validation的誤差連續(xù)上升6次時(shí)訓(xùn)練就停止了。如圖5可知，4幅曲線(xiàn)都在對(duì)角線(xiàn)上，成為一個(gè)完美回歸。

為表明預(yù)測(cè)方法的準(zhǔn)確性，將優(yōu)化后BP神經(jīng)網(wǎng)絡(luò)與未優(yōu)化BP神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比，100組訓(xùn)練數(shù)據(jù)對(duì)比誤差如圖6所示。

由圖6可知，根據(jù)與實(shí)測(cè)進(jìn)口洞內(nèi)拱頂沉降測(cè)點(diǎn)，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差較大，而優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)誤差基本保持在橫軸上下，誤差較小，可基本反映圍巖變形在空間維上的變化趨勢(shì)。

圖6 誤差對(duì)比

3 工程應(yīng)用及預(yù)測(cè)

通過(guò)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，可得到較精確的預(yù)測(cè)值。根據(jù)1 900組數(shù)據(jù)的訓(xùn)練與100組數(shù)據(jù)的測(cè)試，可以對(duì)隧道圍巖變形值進(jìn)行精確的預(yù)測(cè)。對(duì)吳家溝進(jìn)口洞內(nèi)拱頂沉降值進(jìn)行空間維預(yù)測(cè)。通過(guò)反饋的結(jié)果，施工到達(dá)圍巖變差部位，要及時(shí)調(diào)整并合理安排工序，對(duì)相應(yīng)的重點(diǎn)部位采取措施，保證施工的安全。由于空間有限，將列舉針對(duì)吳家溝進(jìn)口洞內(nèi)拱頂沉降值部分監(jiān)測(cè)值以及空間維預(yù)測(cè)，為工程實(shí)際應(yīng)用提供借鑒。

吳家溝隧道進(jìn)口洞內(nèi)拱頂沉降值16組自然屬性監(jiān)測(cè)數(shù)據(jù)如表3所示，每組數(shù)據(jù)中包含了該斷面圍巖體的自然屬性。通過(guò)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型，同時(shí)加以圍巖的自然屬性，來(lái)預(yù)測(cè)其空間維變形值。針對(duì)預(yù)測(cè)結(jié)果與實(shí)際變形沉降值進(jìn)行比較，如圖7所示，證明精度的準(zhǔn)確性。

表3 監(jiān)測(cè)結(jié)果

圖7 預(yù)測(cè)誤差

通過(guò)對(duì)吳家溝進(jìn)口洞內(nèi)拱頂沉降值、出口洞內(nèi)拱頂沉降值、進(jìn)口洞內(nèi)凈空收斂值、隧道出口洞內(nèi)凈空收斂值進(jìn)行空間維預(yù)測(cè)，針對(duì)反饋的結(jié)果，在變形沉降值較大的地段，分析YK4+850～YK4+880(30 m)段圍巖較當(dāng)前掌子面圍巖地質(zhì)情況變差，巖體堅(jiān)硬程度較軟弱，巖體節(jié)理裂隙發(fā)育，拱部易發(fā)生掉塊、坍塌，圍巖穩(wěn)定性較差。建議根據(jù)圍巖變化調(diào)整支護(hù)措施，建議按Ⅳ級(jí)圍巖施工，嚴(yán)格控制開(kāi)挖進(jìn)尺，加強(qiáng)支護(hù)措施。

4 結(jié)論

(1)就具體隧道而言，通過(guò)灰色關(guān)聯(lián)分析，得到圍巖自然屬性與變形間關(guān)系的程度，可以得出影響隧道圍巖變形的主要因素。

(2)從整體和局部的角度出發(fā)，用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，將遺傳算法的全局搜索能力和BP神經(jīng)網(wǎng)絡(luò)的局部搜索能力有機(jī)結(jié)合起來(lái)，彌補(bǔ)BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的隨機(jī)性缺陷，預(yù)測(cè)結(jié)果更為精確，較傳統(tǒng)預(yù)測(cè)思路具有更好的創(chuàng)新性。

(3)通過(guò)實(shí)例檢驗(yàn)預(yù)測(cè)的成果，得出優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型較未優(yōu)化模型具有更高的預(yù)測(cè)精度及穩(wěn)定性，證明該算法具有較好的優(yōu)化能力，對(duì)隧道變形的預(yù)測(cè)研究具有一定的參考價(jià)值。