bp神经网络在岩体质量分级中的应用

bp神经网络在岩体质量分级中的应用

0确定质量级别的方法进行定量化gb50218-94是一种适用于中国各种岩体工程水体质量分类的方法。分类方法采用定性和定量相结合的原则。根据岩石的硬度和岩石的完整性，确定岩石的基本质量，并结合具体项目的特点来确定工程岩体的质量水平。由于主观因素和定性指标的差异，在实际工作中，根据定性特征确定的级别与用定量指标确定的级别不一致。在这种情况下，需要对这两个指标进行综合分析和判断。当一种方法能够量化定性指标时，它可以根据不同的地质条件和不同的技术特点选择合适的定量指标，以便进行测量，这样可以简化测量岩体的质量分类方法。本文根据人工神经网络分析的原理，以金川两个矿区的样品区为例，采用bp网络模型进行岩体质量分类。1根据国家标准对金川矿区采空道的测量质量进行分类1.1岩体质量变化金川矿区被NEE向断层分隔成4个独立的矿区,自西向东依次为三矿区、一矿区、二矿区和四矿区.现正开采的是一和二矿区.近几年在二矿区采用大型机械采矿以后,采准巷道工程稳定性变差,返修逐年增多.已交付使用的1238m和1218m水平采准巷道在施工过程中多次发生冒顶,影响了生产.为解决上述问题,选择了岩体稳定性差的1198m采准巷道西段的23#—25#点之间的巷道进行试验.该试验段于1999年5月开工,1999年9月施工结束.在整个施工过程中,根据岩体质量分级情况分别采取相应的凿岩、爆破和支护措施,使试验段达到了优质工程标准.根据国家标准,岩体基本质量定量指标:BQ=90+3Rc+250Kv岩体基本质量定量指标修正值:[BQ]=BQ-100(K1+K2+K3)其中:Rc为岩石单轴饱和抗压强度;Kv为岩体完整性系数;K1、K2和K3分别为地下水、主要软弱结构面、初始应力状态影响修正系数.Kv=(Vpm/Vpv)式中:Vpm为岩体弹性波纵波波速,单位为km/s;Vpv为岩石弹性波纵波波速,单位为km/s.当无条件取得实测值时,也可用岩体体积节理数Jv按表1确定对应的Kv值.1.21角闪岩的构造1218m水平岩体主要由大理岩组成,中间夹有斜长角闪岩脉.现场点荷载试验所得大理岩抗压强度平均值Rc=72.83.根据国家标准大理岩与斜长角闪岩都属于坚硬岩.1218水平巷道岩体中发育3组节理,其中顺层组最发育,其走向为217°,倾角58°;其次为走向127°,倾角51°和走向333°,倾角67°这2组,岩体波速平均为2475.95m/s,相对较低,表明岩体完整性差.由波速计算的岩体完整性系数Kv=0.537,由公式算得岩体的BQ=442,考虑金川矿区为高地应力区,取K3=0.5,得[BQ]=392,可知1218m水平分段道岩体应为Ⅲ级岩体.1.31巷道围岩质量等级1198m水平采准巷道试验段长50m,巷道按地质情况划分为0～22m,22～33m和33～50m3段,相应于不同质量等级的岩体.岩体质量分级结果见表2.2用bp神经网络模型对岩体进行了分类2.1不同输出值的误差及误差分析BP网络模型由输入层、输出层以及若干隐蔽层组成.输入层接受外部信息,并向前传播;输出层则对传来信息进行判别并作决策与输出;隐蔽层用来处理信息或存储知识.各层具有多个节点,每相邻二层节点之间单向互连.如图1所示.BP网络训练算法采用的是反向传播算法.具体算法为:(1)选取初始权值和阈值.在本文所用程序中,取0～0.1之间的随机值为初始权值,令阈值为0;(2)选取下一个训练样本及其对应的样本实际输出值;按正向过程计算隐层、输出层各节点的输出值;求出输出节点与样本实际输出值误差,并反向求出隐层节点的误差;利用误差值修正;求出均方误差并与给定的精度进行比较,直到满足精度要求.(3)程序结束.在本程序中主要考虑以下问题:(1)输出数值的归元化问题:由于Sigmoid函数导数在[-1,1]区间内变化较大,为提高算法的收敛速度,对输入数值进行归元化,即将输入数值映射到[-1,1]内;(2)初始权值的选择:选择了0～0.1之间的随机数作为初始权值.这样对具有多个输入的神经元而言,其加权和不会太大.否则,Sigmoid函数会接近曲线的平坦部分而使微商接近于0,影响建立模型的效率;(3)确定输出是否正确:由于采用Sigmoid函数,神经元的输出不可能是严格的0或1,所以在程序中,输出若小于0.1,则认为输出是0;当大于0.9时,认为输出是1;(4)动量因子的选择:为避免陷入局部最小,而不是收敛于全局最小值,在权调整中考虑附加一个动量.该动量由动量因子和上次权修正值乘积组成,它可以加快收敛速度却又不引起算法的不稳定.2.2断面设置以1198m水平采准巷道试验段的岩体为样本,对BP网络进行训练,建立模型.每5m选取一断面进行巷道收敛变形测量.在0～22m间设置4个量测断面;在22～33m间设置2个断面;在33～50m间设置4个断面.巷道收敛变形的测线布置见图2.以巷道收敛变形值为输入层,以已确定的岩体质量分级为输出层,对每一个样本进行反复计算调整,直到均方误差小于给定精度,即认为收敛,将调整后的权值输出,即1198m水平试验段巷道的岩体质量分级的BP网络模型已建立完成(表3).用建立好的BP网络模型进行1218m水平采准巷道岩体质量分级,其结果与按国家标准岩体质量分级一致(表4).3神经网络模型建立过程中存在的不足BP网络模型是从众多数据中提取反映实际规律的数据,最终以各指标权值的确定作为模型的完成.根据表3给出的样本的输入和输出值,利用本文的BP网络训练算法程序,建立岩体质量分级的BP网络模型.将该模型运用到1218m水平采准巷道岩体质量分级,所得到期望输出值与采用国家标准岩体质量分级的结果是一致的(岩体质量都为级).所以该模型是有效的.当然这一结果还需大量的样本验证.若可行,在金川矿区试验段巷道采用以巷道收敛变形为定量指标,用BP网络模型进行岩体质量分级,则简单易行且工作量小.由于BP网络是在大量数据的基础上,提取它们之间的内在规律并进行记忆,可消除前述用国家标准进行岩体质量分级常发生根据定性特征确定级别与定量指标BQ确定的级别不一致的情况,其准确性相对更接近实际.本神经网络模型在建立及应用过程中,主要存在以下不足:(1)对于神经网络,数据愈多,网络的训练效果愈佳,也更能反映实际.但本程序中仅采用了试验段巷道10个样本值进行训练,样本数偏少.(2)由于金川矿区巷道围岩质量主要集中于Ⅱ～Ⅳ级,Ⅰ级和Ⅴ级岩体尚未见到,也未能收集到这方面的数据,因此影响到模型的全面性,使所建模型的适用范围受到限制.(3)由于实际生产的迫切性,不可能采用时间太滞后的数据.在本文数据提取中,仅采用了96小时内的收敛变形值.这一时间在施工中是可以接受的,但相应的大量数据未能应用到模型中.(4)仍以定量数据为基础建立模型.若能收集到充分资料,以定性指标(如表征岩石坚硬程度的指标:岩石成分、结构及其成因、风化及吸水程度等;表征岩体完整性的指标:结构面的密度、组数、产状、延伸程度、结构面张开度、充填情况等;以及地下水活动情况等)和一些易获取的定量指标(如:巷道形状及尺寸、巷道几何轴线与主构造线及软弱结构面方位的关系以及岩体的体积节理数等)为输入层,以已开挖的不同采准水平巷道的不同断面的岩体质量分级作为输出层,这样建立的BP网络模型将更准确全面.(5)BP网络模型最终是以各指标权值的确定作为模型的完成,因此可根据各指标权值的大小,针对不同地区、不同工程特点、要求,选取反映灵敏、易于获得的指标建立动态模型,进行动态分级,不一定受