基于人工神經(jīng)網(wǎng)絡(luò)的隧道斷層帶突涌水風險評估

袁 青，于 錦，熊 齊 歡，張 子 平，陳 世 豪

(1.中交第二航務(wù)工程局有限公司，湖北 武漢 430040； 2.中交公路長大橋建設(shè)國家工程研究中心有限公司，北京 100088； 3.交通運輸行業(yè)交通基礎(chǔ)設(shè)施智能制造技術(shù)研發(fā)中心，湖北 武漢 430040； 4.長大橋梁建設(shè)施工技術(shù)交通行業(yè)重點實驗室，湖北 武漢 430040)

0 引 言

隨著基礎(chǔ)設(shè)施建設(shè)向地質(zhì)條件更加復(fù)雜、深度更大的地層推進，更多的工程地質(zhì)問題亟待解決。深長隧道作為中國公路、高鐵線路的重要組成部分，已然成為整個路線的控制性工程。但由于工程地質(zhì)、水文地質(zhì)條件復(fù)雜，當隧道穿越富水斷層時，發(fā)生隧道涌水事故風險急劇增大，對施工安全造成重大影響。開展涌水風險評估已成為隧道穿越富水斷層時的必備措施。

國內(nèi)外學(xué)者在開展隧道涌水風險評估方面開展了大量研究。相比國外，國內(nèi)工程風險管理起步較晚，但近年來發(fā)展迅猛。2007年《鐵路隧道風險管理評估與管理暫行規(guī)定》《地鐵及地下工程建設(shè)風險管理指南》以及2011年《城市軌道交通地下工程建設(shè)風險管理規(guī)范》相繼頒布，標志著中國地下工程建設(shè)風險管理日趨規(guī)范。眾多學(xué)者從多方面開展了工程風險管理研究。黃宏偉等[1]從工程建設(shè)的規(guī)劃、設(shè)計、施工等多個階段總結(jié)了隧道及地下工程風險管理。李利平等[2]以多個國內(nèi)巖溶隧道突涌水案例為數(shù)據(jù)源，基于模糊層次評估法和綜合賦權(quán)法建立了隧道勘察、設(shè)計、施工3個階段的風險評估模型，并驗證了基于風險評價的施工許可機制的可行性。蔣國云[3]在調(diào)查誘發(fā)深部巖溶隧道突水災(zāi)害誘因的基礎(chǔ)上，采用層次分析法與專家調(diào)查法，建立了各風險因子比較矩陣，基于模糊數(shù)學(xué)理論建立了隧道巖溶突水安全性評價模型及評判標準。朱珍等[4]基于地層巖性、不良地質(zhì)、地下水位、地形地貌、巖層產(chǎn)狀及層間裂隙等6個影響因子，采用加權(quán)平均法建立了巖溶隧道突涌水風險評估模型。此外，許多學(xué)者基于傳統(tǒng)分析方法，各取其長處進行了融合，建立了風險評估模型。侯東賽等[5]基于綜合賦權(quán)TOPSIS，毛正君等[6]基于F-AHP法，侯守江[7]基于G1-GPR(灰度關(guān)聯(lián)分析)模型，劉敦文等[8]基于云模型，周宗青等[9]基于改進的屬性區(qū)間識別方法分別開展了巖溶隧道涌水風險評估研究。

從上述研究可知，目前隧道涌水風險評估研究主要是圍繞巖溶地質(zhì)隧道，以其他特殊地質(zhì)環(huán)境為背景的隧道涌水風險評估研究比較有限。隧道穿越斷層帶不良地質(zhì)體時，涌水風險的研究則更少。而且，對風險因子在總風險評級中的權(quán)重占比均未進行較深入的研究，主要采用專家調(diào)查法、事故樹分析法等主觀方法確定權(quán)重值，但主觀方法受到經(jīng)驗判斷的影響，對風險評估結(jié)果客觀性影響較大。因此，本研究基于人工神經(jīng)網(wǎng)絡(luò)開展了隧道穿越斷層帶突涌水風險評估。該方法可有效評估斷層涌水風險等級，克服人為賦權(quán)、主觀判斷影響等問題，進而提高評估結(jié)果的客觀性、科學(xué)性。

1 人工神經(jīng)網(wǎng)絡(luò)原理及訓(xùn)練流程

1.1 神經(jīng)網(wǎng)絡(luò)原理概述

神經(jīng)網(wǎng)絡(luò)種類繁多，其中以人工神經(jīng)網(wǎng)絡(luò)應(yīng)用最為廣泛。人工神經(jīng)網(wǎng)絡(luò)是非線性映射方法的體現(xiàn)，在數(shù)據(jù)訓(xùn)練的基礎(chǔ)上，通過設(shè)置的若干個非線性映射層即神經(jīng)網(wǎng)絡(luò)層，獲得輸入數(shù)據(jù)與輸出數(shù)據(jù)之間的非線性映射關(guān)系[10]。通常所述神經(jīng)網(wǎng)絡(luò)為前饋型人工神經(jīng)網(wǎng)絡(luò)，采用誤差反向傳播算法進行訓(xùn)練，主要包括輸入層、隱含層和輸出層，層與層之間通過網(wǎng)絡(luò)連接，其內(nèi)涵是為輸入數(shù)據(jù)配以權(quán)重值后的自動運算。應(yīng)用實際數(shù)據(jù)進行網(wǎng)絡(luò)訓(xùn)練，根據(jù)輸出數(shù)據(jù)與標簽數(shù)據(jù)之間的誤差，采用誤差反向傳播算法不斷調(diào)整層間權(quán)重值，直至輸出數(shù)據(jù)的精度滿足要求。通常根據(jù)特征因子的數(shù)量及數(shù)據(jù)復(fù)雜程度，設(shè)置一定數(shù)量的隱含層，使神經(jīng)網(wǎng)絡(luò)模型具有相適應(yīng)的學(xué)習(xí)能力。

1.2 人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及訓(xùn)練流程

以單隱含層神經(jīng)網(wǎng)絡(luò)為例介紹神經(jīng)網(wǎng)絡(luò)的正向運算和誤差反傳算法，如圖1所示。

圖1 人工神經(jīng)網(wǎng)絡(luò)Fig.1 Artificial neural network

數(shù)據(jù)正向傳輸時，數(shù)據(jù)經(jīng)過輸入層到輸出層輸出，經(jīng)過如下計算：

yj=f1[(wij)T×xi+bj]

(1)

隱含層至輸出層的網(wǎng)絡(luò)間計算過程與上述類似，如式(2)所示：

ok=f2[(wjk)T×yj+bk]

(2)

上述傳遞函數(shù)分別采用tanh函數(shù)和線性函數(shù)，如式(3)～(4)所示：

(3)

f2(x)=x

(4)

經(jīng)過上述計算，即可得到網(wǎng)絡(luò)輸出值，再采用誤差反向傳播算法計算并傳遞誤差，以動態(tài)調(diào)整各網(wǎng)絡(luò)層之間的權(quán)重值和閾值，直至輸出值與標準值之間的誤差滿足精度要求。誤差計算函數(shù)，如公式(5) 所示：

(5)

輸出層神經(jīng)元誤差項δk計算公式為

(6)

式中：zk為輸出層凈輸入值。輸入層與隱含層的誤差項δj計算公式為

δj=f′(zj)⊙[(wk)T]δk

(7)

式中：zj為輸出層凈輸入值。輸出層與隱含層之間的連接權(quán)值與閾值更新計算公式為

wjk(n+1)=wjk(n)+ηδk(yj)T

(8)

bjk(n+1)=bjk(n)+ηδk

(9)

輸入層與隱含層之間的連接權(quán)值與閾值更新計算公式為

wij(n+1)=wij(n)+ηδj(xi)T

(10)

bij(n+1)=bij(n)+ηδj

(11)

搭建及訓(xùn)練本文所述花崗巖斷層涌水風險評估神經(jīng)網(wǎng)絡(luò)流程如圖2所示。

圖2 神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程Fig.2 The training process of neural network

2 隧道斷層帶涌水風險評估指標體系

2.1 評價指標體系

隧道發(fā)生涌水事故通常與工程地質(zhì)、水文地質(zhì)具有密不可分的聯(lián)系。在眾多研究中，多數(shù)研究者主要基于水文地質(zhì)、工程地質(zhì)所包含的地質(zhì)因素開展隧道涌水研究。楊卓等[11]基于不良地質(zhì)、地層巖性、地下水位、地形地貌、巖層傾角、圍巖裂隙5方面因素，應(yīng)用神經(jīng)網(wǎng)絡(luò)開展了巖溶隧道涌水風險評估研究。所述因素中，不良地質(zhì)因素表述不夠具體，而且僅采用5個風險因素難以具有足夠說服力。隧道施工時，合理有效的施工處置措施對施工安全具有重大意義，因此施工設(shè)計因素應(yīng)當考慮其中。廣泛閱讀相關(guān)文獻[8，12-13]和綜合取舍后，本研究考慮工程地質(zhì)、水文地質(zhì)、施工設(shè)計3方面致災(zāi)因素，即斷層巖性、斷層充填物、斷層性質(zhì)、斷層寬度、年均降雨量、地表水量、地下水量、含水層透水性、斷層含水量、施工工法、隧道埋深、超前注漿、超前支護共13個獨立風險評估指標，構(gòu)建隧道斷層帶涌水風險評估指標體系。

參閱《鐵路隧道風險管理評估與管理暫行規(guī)定》《地鐵及地下工程建設(shè)風險管理指南》及《城市軌道交通地下工程建設(shè)風險管理規(guī)范》，劃分上述13個評估指標致險評分，如表1所列。

表1 隧道斷層帶涌水風險評估指標評價標準

2.2 風險等級評估準則

基于上述規(guī)范、研究文獻、專家評分、工程經(jīng)驗，建立綜合考慮13個風險因子影響的隧道斷層帶涌水風險評估準則，如表2所列。

參考鐵路隧道、城市軌道交通等領(lǐng)域關(guān)于風險評估與管理的規(guī)范與指南，本文所述4級風險具有如表2所列的工程指導(dǎo)意義。

表2 隧道斷層帶涌水風險評估準則

3 風險評估人工神經(jīng)網(wǎng)絡(luò)構(gòu)建

本研究從董奉山隧道、新疆某隧道、各碩博論文案例實際工程中收集了97個樣本，并根據(jù)表1所述特征狀態(tài)評分方式，對所有樣本進行了評分處理，建立了神經(jīng)網(wǎng)絡(luò)訓(xùn)練、測試數(shù)據(jù)集，隨機摘取了部分樣本，如表3所列。

根據(jù)風險因子數(shù)量，初設(shè)神經(jīng)網(wǎng)絡(luò)中三類網(wǎng)絡(luò)層數(shù)均為一個，其中輸入層神經(jīng)元、隱含層神經(jīng)元、輸出層神經(jīng)元分別為13，5，1，應(yīng)用程序構(gòu)建如圖3所示的神經(jīng)網(wǎng)絡(luò)。值得指出的是，網(wǎng)絡(luò)結(jié)構(gòu)、訓(xùn)練數(shù)據(jù)等并非一成不變，在實際應(yīng)用過程中，還可根據(jù)項目數(shù)據(jù)特點，調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，增加項目的數(shù)據(jù)，動態(tài)優(yōu)化網(wǎng)絡(luò)，增強網(wǎng)絡(luò)計算能力。

表3 訓(xùn)練樣本(部分)

圖3 隧道斷層帶涌水風險評估神經(jīng)網(wǎng)絡(luò)Fig.3 The neural network of water gushing of tunnel fault zones

進一步采用收集的樣本進行上述神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。通常，在神經(jīng)網(wǎng)絡(luò)訓(xùn)練和測試的過程中，隨機將數(shù)據(jù)集按8∶2劃分為訓(xùn)練集和測試集[14-15]。本研究為確保樣本數(shù)據(jù)隨機性，應(yīng)用生成的隨機數(shù)為編號，隨機從數(shù)據(jù)集中抽取80%的樣本為訓(xùn)練數(shù)據(jù)集進行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練誤差變化如圖4所示。

圖4 神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差變化Fig.4 The training error variance of ANN

由圖4可知，在歷經(jīng)9次迭代訓(xùn)練后，訓(xùn)練誤差迅速減小至3.596×10-5，低于程序預(yù)設(shè)誤差值。此時，可判斷神經(jīng)網(wǎng)絡(luò)訓(xùn)練精度達到要求，訓(xùn)練結(jié)束。

4 神經(jīng)網(wǎng)絡(luò)模型泛化能力測試

應(yīng)用上述20%的測試樣本，對已訓(xùn)練的模型進行泛化能力測試，即測試模型對新案例是否具有足夠的預(yù)測準確性。20個測試樣本的預(yù)測輸出值與目標值的對比如表4所列。

表4 預(yù)測值與目標值對照

從預(yù)測值與目標值對比中可知，20個樣本均獲得極高精度的預(yù)測，每個樣本的預(yù)測誤差均在10-3數(shù)量級。經(jīng)計算，整體預(yù)測精度達99.98%。神經(jīng)網(wǎng)路的泛化能力測試結(jié)果表明，本文構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型在開展隧道斷層帶涌水風險評估時，具有較強遷移學(xué)習(xí)能力，對評估新工程案例中斷層帶涌水風險是可行、有效的。

5 結(jié)論與建議

(1) 應(yīng)用神經(jīng)網(wǎng)絡(luò)評估斷層涌水風險等級具有計算速度快、評估結(jié)果客觀準確等優(yōu)點。在本研究中達到了99.98%的預(yù)測精度，說明應(yīng)用人工神經(jīng)網(wǎng)絡(luò)開展隧道斷層帶涌水風險評估是可行有效的，能夠遷移于新工程評估。

(2) 本文提出的隧道斷層帶涌水風險評估方法，在獲取上述13個涌水風險因子及評分后，即可快速預(yù)測得到涌水風險等級。因此，無論是在設(shè)計階段，還是在施工階段，都可根據(jù)勘察資料或施工現(xiàn)場情況，動態(tài)調(diào)整輸入，多次預(yù)測涌水風險等級，為設(shè)計優(yōu)化、下一步施工調(diào)整提供實時參考。

(3) 神經(jīng)網(wǎng)絡(luò)具有極強的非線性映射能力，能夠適用于多種地質(zhì)環(huán)境下構(gòu)建各類地質(zhì)因素之間的映射關(guān)系，是擺脫人工經(jīng)驗判斷的有利工具。未來深度學(xué)習(xí)在邊坡、隧道、地下空間等領(lǐng)域應(yīng)用前景更加寬闊。

(4) 本研究中使用的數(shù)據(jù)集廣度略顯不足，因此在實際應(yīng)用過程中，可能會出現(xiàn)精度下降、結(jié)果置信度偏低等情況，此時可根據(jù)現(xiàn)場情況，適當采集項目樣本，微訓(xùn)練網(wǎng)絡(luò)，優(yōu)化網(wǎng)絡(luò)參數(shù)，提升網(wǎng)絡(luò)的泛化能力。