基于bp网络的隧道围岩位移预测方法

《基于bp网络的隧道围岩位移预测方法》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、第25卷增1岩石力学与工程学报Vol.25Supp.12006年2月ChineseJournalofRockMechanicsandEngineeringFeb.，2006基于BP网络的隧道围岩位移预测方法1，211李元松，李新平，张成良(1.武汉工程大学环境与城建学院，湖北武汉430073；2.武汉理工大学土木工程与建筑学院，湖北武汉430070)摘要：介绍人工神经网络模型法的基本原理与步骤，探讨了隧道围岩收敛监测数据与人工神经网络间的联系，并建立了基于人工神经网络的隧道围岩收敛预报模型。以工程实例为背景，对隧道围岩的收敛变形进行预

2、报分析。研究结果表明：BP网络预测值与实测值吻合程度很好，完全满足工程及控制的要求。关键词：隧道工程；BP网络；位移预测；围岩中图分类号：U45文献标识码：A文章编号：1000–6915(2006)增1–2969–05DISPLACEMENTPREDICTIONMETHODOFSURROUNDINGROCKINTUNNELBASEDONBPNEURALNETWORK1，211LIYuansong，LIXinping，ZHANGChengliang(1.SchoolofEnvironmentalandCivilEngineering，W

3、uhanInstituteofTechnology，Wuhan，Hubei430073，China；2.SchoolofCivilEngineeringandArchitecture，WuhanUniversityofTechnology，Wuhan，Hubei430070，China)Abstract：Thebasicprincipleandstepsoftheartificialneuralnetworkmodelmethodareintroduced；andtheinternalrelationshipbetweenmonito

4、rdataandtheartificialneuralnetworkisdiscussed.Accordingly，aconvergencedisplacementpredictionmodelissetupbasedonBPneuralnetwork.Takingapracticalengineeringasanexample，thedisplacementoftunnelsurroundingrockinconstructionprocessispredictedbymeansoftheBPneuralnetwork.Theres

5、ultsshowthatthepredictionvaluesbyBPneuralnetworkagreewellwiththemeasuredones，whichappropriatelysatisfiestherequestsoftheengineeringandengineeringcontrol.Keywords：tunnelingengineering；BPneuralnetwork；displacementprediction；surroundingrock坏，进而反馈于原设计及时调整施工方案，或采取1引言应急措施。用于预

6、测的方法也多种多样，如回归分[1～5]析、灰色预测、时间序列分析等，这些方法各由于地下工程的受力特点极其复杂，自20世有其优缺点。20世纪80年代以来，神经网络理论纪50年代以来，国内外就通过对隧道的量测来监有了长足的进展，目前已广泛用于图像处理、模式视围岩和支护结构的状态，并应用现场检测结果来识别、自动控制、信号处理、经济预测等领域。修改设计，指导施工。在隧道设计和施工中，变形近年来人工神经网络在岩土工程中得到了不少应[6～8]量测起着很重要的作用。人们期望从量测数据中找用。本文结合实际工程需要，探讨利用人工神出其蕴涵的规律，并利用

7、已知的观测数据来预测系经网络对隧道施工过程中的变形进行分析预测的方统未来的发展动态，即利用施工中检测到的信息来法，并将其结果与有限单元法、回归分析法、灰色预测可能引起的过量变形位移和衬砌结构潜在的破预测法的结果进行对比，以期为人工神经网络进一收稿日期：2005–06–18；修回日期：2005–10–24作者简介：李元松(1964–)，男，1989年毕业于武汉理工大学岩土工程专业，现为博士研究生、副教授，主要从事岩土工程数值计算、岩土工程测试和结构稳定性分析方面的教学与研究工作。E-mail：li_yuan_song@126.com•2

8、970•岩石力学与工程学报2006年步的工程应用积累经验。和神经元阈值赋以初始值；(2)给定输入x和目标输出y；2BP神经网络预测法(3)计算实际输出y；(4)采用梯度法修正权重w，使输出与样本理ji2.1BP网络原理想