BP神经网络在隧道围岩力学参数反演中的应用

doi:10.3969/j.issn.1001-5485.2013.02.010

长江科学院院报 ›› 2013, Vol. 30 ›› Issue (2): 47-51.DOI: 10.3969/j.issn.1001-5485.2013.02.010

BP神经网络在隧道围岩力学参数反演中的应用

文辉辉¹，尹健民²，秦志光¹，谢仁红¹

1. 中交四航工程研究院有限公司交通基础工程环保与安全重点实验室，广州 510230；
2.长江科学院水利部岩土力学与工程重点实验室，武汉 430010

收稿日期:2012-08-18 出版日期:2013-02-01 发布日期:2013-02-06
作者简介:文辉辉(1986-)，男，湖北天门人，助理工程师，硕士，主要从事岩土工程研究

Application of BP Neural Network to the Back Analysis of Mechanical Parameters of Tunnel Surrounding Rock

WEN Hui-hui¹, YIN Jian-min², QIN Zhi-guang¹, XIE Ren-hong^1

1. Key Laboratory of Environmental Protection & Safety of Transportation Foundation Engineering, CCCC Fourth Harbor Engineering Institute Co., Ltd., Guangzhou 510230, China; 2. Key Laboratory of Geotechnical Mechanics and Engineering of the MWR, Yangtze River Scientific Research Institute, Wuhan 430010, China

Received:2012-08-18 Online:2013-02-01 Published:2013-02-06

摘要/Abstract

摘要： 以谷城至竹溪高速公路珠藏洞隧道施工监测为工程依托，根据现场变形监测数据的指数函数回归方程，对最终变形量进行了预测，并基于其预测值，借助BP神经网络的超强非线性映射能力，对隧道围岩力学参数（变形模量E、黏聚力C、内摩擦角φ）进行反演，以及时掌握开挖围岩类型和材料特性参数，为隧道工程施工和设计提供参数依据，从而达到安全施工和优化设计的目的，以实现隧道的信息化施工与设计。

关键词: 最终变形量, BP神经网络, 隧道围岩, 力学参数, 反演

Abstract: The aim of this research is to ensure the construction safety and optimize the design of tunnels using information technology. With the construction of Zhuzang tunnel of Gucheng-Zhuxi highway as an engineering background, we predicted the final deformation by regression equation of exponential function deduced from the field displacement measurement data. Subsequently, on the basis of the predicted deformation, we carried out back analysis on the mechanical parameters (deformation modulus E, cohesion C, internal friction angle φ) of the tunnel's surrounding rock through BP neural network which has good nonlinear mapping ability. The surrounding rock type and material parameters can be obtained in time to provide parameters for the design and construction of the tunnel. 

Key words: final deformation, BP neural network, tunnel's surrounding rock, mechanical parameters, back analysis

中图分类号:

TU45

文辉辉，尹健民，秦志光，谢仁红. BP神经网络在隧道围岩力学参数反演中的应用[J]. 长江科学院院报, 2013, 30(2): 47-51.

WEN Hui-hui, YIN Jian-min, QIN Zhi-guang, XIE Ren-hong. Application of BP Neural Network to the Back Analysis of Mechanical Parameters of Tunnel Surrounding Rock[J]. JOURNAL OF YANGTZE RIVER SCIENTIFIC RESEARCH INSTI, 2013, 30(2): 47-51.

[1]	茆大炜, 张傲, 王峰, 周宜红, 谭天龙. 基于交叉全局人工蜂群算法的拱坝热学参数反演分析[J]. 长江科学院院报, 2023, 40(9): 162-169.
[2]	邹志科, 余蕾, 张煜, 王文娟, 赵永立, 孙建东, 程青雷. 基于Sentinel2-L1C的江汉平原水产养殖区水质参数反演[J]. 长江科学院院报, 2023, 40(9): 181-187.
[3]	张岩, 刘嘉昊, 吕园, 李志豪, 张燕楠, 李昇, 陈撰文. 不同石粉参数对混凝土力学性能的影响[J]. 长江科学院院报, 2023, 40(3): 166-173.
[4]	董家兴, 周志强, 王志荣, 赵毅然, 李建国, 沐红元, 左澍琼, 赵永川. Hoek-Brown强度准则在强烈砂化白云岩力学参数估算中的应用[J]. 长江科学院院报, 2022, 39(12): 21-25.
[5]	韩钢, 黄书岭, 丁秀丽, 马旭强, 张雨霆, 何军. 香炉山隧洞5#支洞应急抢险段围岩参数反演及稳定性分析[J]. 长江科学院院报, 2022, 39(12): 56-61.
[6]	王中豪, 李家龙, 郭喜峰, 王帅. 非标准条件下刚性承压板试验变形参数的确定[J]. 长江科学院院报, 2022, 39(11): 113-118.
[7]	李庆文, 曹行, 杨露, 王学志, 刘华新. 钢-聚乙烯醇混杂纤维对自密实混凝土梁抗剪性能的影响[J]. 长江科学院院报, 2022, 39(10): 121-127.
[8]	郭振天, 黄峰, 郭利丹, 吴瑶. 鄱阳湖水文情势演变原因及对策[J]. 长江科学院院报, 2021, 38(6): 27-31.
[9]	肖潇, 徐坚, 赵登忠, 赵保成, 徐健, 程学军, 李国忠. 基于国产卫星多光谱影像的河流水体浊度遥感联合反演研究[J]. 长江科学院院报, 2021, 38(6): 128-136.
[10]	邢岳, 田正宏, 杜辉. 碾压混凝土坝层间结合质量智能评价方法[J]. 长江科学院院报, 2020, 37(8): 142-149.
[11]	韦贞景, 于景宗, 张冬冬. 大藤峡水利枢纽泄水闸坝段深层抗滑稳定性问题[J]. 长江科学院院报, 2020, 37(8): 170-174.
[12]	赵力学, 黄解军, 程学军, 申邵洪, 袁艳斌. 基于VMD-BP模型的河流流量预测方法[J]. 长江科学院院报, 2020, 37(7): 47-52.
[13]	陈亮雄, 杨静学, 李兴汉, 李伟添, 陈宇飞, 高旖姗. 基于无人机与3S技术的鹤地水库水政监管系统开发与应用[J]. 长江科学院院报, 2020, 37(12): 176-182.
[14]	李雅琦, 杨杰, 程琳, 马春辉. 基于RVM-CS的工程区地层渗透系数反演分析[J]. 长江科学院院报, 2020, 37(11): 121-127.
[15]	肖潇, 徐坚, 赵登忠, 程学军, 李国忠, 赵保成, 徐健. 基于高光谱数据的汉江中下游典型河段水体悬浮物遥感反演[J]. 长江科学院院报, 2020, 37(11): 141-148.

BP神经网络在隧道围岩力学参数反演中的应用

Application of BP Neural Network to the Back Analysis of Mechanical Parameters of Tunnel Surrounding Rock

PDF

可视化

摘要/Abstract

引用本文

使用本文

相关文章 15

编辑推荐

Metrics

本文评价