基于并行进化神经网络的软岩置换方案优化及稳定性分析

基于并行进化神经网络的软岩置换方案优化及稳定性分析

1置换方案并行优化在第一部分中，作者提出了一种并行进化神经网络的有限方法。基于此，本文编制了一个并行方案优化程序，并通过四台互联windows98微型计算机进行了大规模的平行优化。本文结合水布垭大型地下洞室群的设计施工，对影响其主厂房稳定性较大的3层软岩进行了置换方案的优化研究。传统的方法是计算多个方案进行比较，选择最优的方案。实际上，方案的优化由于参数的组合形成了一个庞大的搜索空间，如何寻找到全局最优的解是一个关键问题，用动态规划方法求解采用分级优化方法获得相关的解。本文采用作者提出的方法以进行并行优化能搜索到全局最优解。实例计算表明，该方法收敛速度快。2项目应用：水布岭地下工程的软岩置换方案的优化2.1围岩地层及构造水布垭电站地下厂房布置在清江右岸山体内，山顶高程540～550m。主厂房轴线296°，地层产状245°∠8°～15°，主厂房轴线与地层走向之间的夹角为39°。主厂房顶高程233m，底高程165m。洞顶埋深100～180m。主厂房揭露的围岩地层由上至下分别为：栖霞组P41q,P31q,P21q,P11q和马鞍组P1ma以及黄龙组等地层。其中，顶拱完全由P41q地层组成，侧墙插入P41q最小高度11m，最大高度达22m。地层示意图见图1。地层岩性软硬相间，主厂房洞周的软弱岩层层高占主厂房总高度的1/3以上。该厂房的主要建筑物与相关尺寸如下：引水洞斜交于主厂房，夹角70°。主厂房平面尺寸141m×23m(长×宽)，其中，39m长为安装场，断面形式为圆拱直墙式。母线洞断面净尺寸7m×6m(宽×高)。尾水洞洞线与主厂房轴线夹角为90°，开挖断面为10m×14m(宽×高)的卵圆形。沿1#机组输水系统剖面见图1。2.2洞室围岩材料参数根据水布垭地下洞室群的布置及围岩地质构造的特点，计算区域取引水洞、主厂房、尾水洞、母线洞。该厂房有4台机组，本文选取稳定性最差的1#机组段采用三维弹塑性有限元进行建模。计算模型、岩层和坐标系见图2。三维计算范围为：沿x,y和z轴的范围为400m×450m×25.5m。其中，x轴沿水流方向与引水洞轴线方向一致，y轴铅直向上为正，z轴为沿厂房轴线方向。该模型共划分了9840个20节点和15节点空间等参单元，41088个节点。四周采用法向约束，底部三向约束，顶部自由。围岩材料假设为各向同性材料。岩层材料的屈服条件选用Druker-Prager准则，计算时只考虑自重应力场，不考虑开挖爆破效应，主厂房不支护。洞室周围部分围岩岩体材料参数见表1。由表1可以看出，主厂房所处地层包含3层软岩：和P1ma，它们的岩性极差，从而造成开挖后洞室稳定性极差。因此，有必要考虑软岩的置换。本文对不置换(原岩)以及假设软岩部分全部当作硬岩(即以)进行对比分析，结果如表2所示。其中，主厂房开挖分7步，每步约10m高。由于软岩的部分置换对减小围岩的破损区和厂房开挖后的变形都很有效，因此，置换是提高围岩稳定性的一个较好的措施，但大面积的置换显然是不经济而且耗费工期的。在此基础上，需要确定一个最优的软岩置换方案，即确定厂房周围3层软岩的最优置换高度、深度和宽度及尾水洞部位的软岩置换深度。2.3岩质结合体的并行遗传网络有限元法2.3.1置换参数的编码利用前述的方法计算最优方案，首先得构造样本。根据设计要求，考虑到现场复杂的地质条件，施工中为保证安全性，首先将主厂房上下游软岩层P31q,P11q,P1ma分别沿垂直于侧墙方向向外置换3m深，再挖廊道(宽3m)对软岩进行部分置换(见图3)，置换完成后进行主厂房开挖。为了考虑最不利的情况，主厂房采用一次性开挖。而置换方案和置换参数需经优化后方能确定。根据工程的实际情况，本文采用7个方案设计参数，包括：(1)厂房轴线方向软岩置换3m宽廊道的先后顺序；(2～4)每层置换深度；(5)主厂房上游和下游两侧软岩的置换高度；(6)廊道数；(7)尾水洞侧壁的置换深度。上下游同层置换参数取值相同，各参数如图3所示，取值代表意义如表3。根据遗传算法的模式理论，具有低阶、短定义距以及平均适应度高于群体平均适应度的模式在进化迭代过程中其群体将按指数级数增长。因而本文中根据经验将置换方案中的较重要的因素置于编码的码链前段，这样能更好地保证算法的搜索效率和稳定性。洞室周围3m宽廊道的置换顺序和软岩的置换深度较其他两个因素重要，故编码方案表示为(1)(2～4)(5)-(6)(7)。图4给出了一个方案编码的实例。理论上，表3中方案的组合共有4×4×4×4×2×2×2=2048种方案。由于要模拟分步开挖回填，每种方案在PⅢ600机上计算至少需要2d，全部方案的计算时间约需4000多天。可以看出，如果用传统方法计算2000多种方案进行比较是不现实的，若采用工程经验可以排除一些方案，但也有大量方案需要计算，而且难以在短时间内搜索到全局最优解。采用有限元计算神经网络学习样本如表4所示。样本采用如下公式进行标准化：式中：yi,yimin,yimax分别为样本方案的第i个输出参数的值以及16种方案中的第i个输出参数的最小值和最大值；pi为标准化以后的值，pi∈[0.2,0.8]。2.3.2各方案优化设计通过正交设计方法设计了表4中的16种方案并进行有限元计算，以如下值为评价指标：式中：i=1,2，…，8，分别代表底板回弹、右侧墙、尾水洞、引水洞、左侧墙、母线洞及顶拱处最大位移和围岩破损区体积大小8种评价要素；yi为上述各方案评价要素的有限元计算值；yi0为硬岩方案下的计算值。在这16种方案中，方案4413122的评价值为最小，即采用尾水洞置换6m，厂房周围软岩置换按先左下、右上，后左上、右下的顺序，P31q,P11q,P1ma三层置换高度为2/3岩层高度，置换宽度为两个廊道，置换深度分别为4,1和3m。其破损区体积大小为12849.15m3。2.3.3计算参数优化以上述16个计算方案为学习样本(表4)，利用进化神经网络进行学习。用神经网络建立起软岩置换方案与洞室位移及破损区的映射关系后，对于任一给定的置换方案，通过网络的推广预测能力求出其关键点的最大位移值和破损区体积大小，按照式(2)的评价指标对每种方案进行评价，通过进化计算直至搜索到最小的适应值，则此适应值所对应的方案即为最优方案。整个优化步骤可分如下3步：(1)应用并行进化方法对建立的神经网络进行学习，搜索最优预测误差下的神经网络结构。要搜索的神经网络参数为：输入节点7；输出节点8；隐含层2层，节点数待搜索。具体的搜索神经网络结构的遗传算法参数如表5所示。表中参数见第3步说明。通过4机联网并行计算，经过近10h的运行，得到神经网络的隐含层最优结构为7,15。(2)利用搜索到的进化神经网络对样本进行训练，建立软岩置换方案与洞室关键点位移及破损区的映射关系。训练分为两步：首先搜索最佳学习步数，然后在此学习步数下重新学习，得到最小预测误差下网络的连接权值。以便可利用此网络进行位移和破损区预测。(3)置换方案的最优搜索首先确定遗传算法的搜索空间、要优化的参数及方案。设置待搜索参数个数Np、最大进化代数Ngen、群体规模Psize、每个待搜索参数的二进制表示位数Nbit、突变变异率Jr、两点逆转变异率Cr、随机数种子Iseed和待搜索参数的搜索范围。进化神经网络的学习参数与第2步相同。再随机产生一组初始方案群体，群体中的每个个体代表搜索空间的一个可行解；按式(2)计算每个个体的适应值以反映此个体的优劣程度；将此初始群体作为父代群体，对其进行复制、交叉、变异等遗传操作，产生一子代群体，计算群体中每个个体的适应值，将父代群体中的最好个体随机替换子代群体中的一个个体，重复此步的操作，直至找到最优解。此最优解所对应的方案即为最优软岩置换方案。本步的搜索参数为：Psize=300,Ngen=500，其余参数与表5相同。在上述各种约束条件下，搜索到的方案为2233211，即尾水洞置换深度为1m，厂房周围软岩置换按先左下、右下，后左上、右上的顺序，P31q,P11q和P1ma三层置换高度为全层高度，置换宽度为一个廊道，置换深度分别为3,6和6m，其破损区体积大小为12559.54m3。有限元计算其破损区体积大小为12053.37m3，表明优化结果是合理的。可见，优化得到的最优方案在围岩的变形和破损区的减小方面均有很大程度的提高。2.4最合适的软岩置换方案的结果分析2.4.1神经网络预测结果比较为了检验进化神经网络学习和预测的效果，将得到的最优方案进行了有限元计算，并与神经网络的预测结果作了比较，结果如表6所示。从计算结果中两者的误差百分比来看，神经网络预测的结果与有限元计算的结果是相当吻合的，最大相对误差为10.9%，平均相对误差为3.3%。说明进化神经网络已正确地建立起了置换方案与关键点最大位移和破损区体积之间的映射关系。2.4.2墙尾部位应力由应力等值线(图5)可以看出，经过软岩置换的洞室在其周围大部分区域为压应力，局部出现拉应力，最大拉应力位于右侧墙尾水洞与母线洞之间的P11q,P1ma部位，其大小为1.323MPa，远小于置换混凝土的抗拉强度。因此，置换后侧墙是稳定的。2.4.3主开发系统故障下的破碎区开挖尾水洞洞周置换1或6m，其开挖回填后破损区很小，但其后对厂房周围3m宽软岩置换需特别注意，因为此时作廊道开挖软岩(主要是P1ma)时，若开挖步过大则计算不收敛，说明引起的破损区很大，需分多步开挖。例如，在计算方案1111111时，按顺序先左上、右上开挖回填，然后开挖左下、右下，此时，若左下、右下P1ma软岩同时开挖，则引起计算不收敛；方案3133122在开挖P1ma软层时，需分上下两步分步开挖才收敛。因此，在主厂房开挖前，各廊道开挖置换的顺序和方式不同所引起的破损区也不同，因而对最后形成的主厂房洞室的稳定性影响也不同。在置换过程中，由于开挖对围岩造成一定的破坏，所以置换并不是越多越好，置换越多对围岩的开挖扰动也越大。因此，存在一个最优的置换大小和置换方式。3全岩结构优化的可行性(1)本文的实例优化结果较快地搜索到了全局最优解，有限元与神经网络的计算对比表明，该方法是合理的。从计算结果可以看出，最优置换方案在厂房围岩位移和破损区大小方面综合比较是最优的，从而厂房的稳