隧道钻爆超挖的神经遗传预测模型外文翻译资料

英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料

隧道钻爆超挖的神经遗传预测模型

Mohammadreza Koopialipoor¹ bull; Danial Jahed Armaghani² bull; Mojtaba Haghighi¹ bull; Ebrahim Noroozi Ghaleini¹

摘要：隧道施工中的超挖会产生额外的费用，使安全状况面临潜在的风险。这篇论文旨在通过人工神经网络（ANN）和混合遗传算法（GA-ANN）两种智能系统对钻爆作业前的超挖进行预测控制。为实现这一目标，在伊朗加德纳-罗克隧道编制了一个由406个数据集组成的数据库。在这些数据集中，岩石质量等级（RMR）、间距、炸孔面距、特殊钻进、段数、单位药量和掘进长度被视为输入，而超挖被视为输出系统。根据均方根误差（RMSE）、方差占比（VAF）和决定系数（R²）等性能指标，建立了多个智能模型，以达到较高的精度。选择最佳模型后，GA-ANN模型结果（训练和测试的VAF分别为90.134和88.030，R²分别为0.903和0.881，RMSE分别为0.058和0.074）优于ANN模型结果（训练和测试的VAF分别为70.319和68.731，R²分别为0.703和0.693，RMSE分别为0.103和0.108）。结果表明，GA-ANN预测方法可用于高性能超挖预测。敏感性分析结果表明，超挖主要受RMR参数的影响。

关键词：隧道施工；超挖；人工神经网络；遗传算法

介绍：

隧道钻爆施工面临的问题之一被定义为超挖。隧道内的超挖会产生额外成本，并可能使安全条件面临潜在风险（Haghigi 2015）。为了预测和控制隧道钻爆引起的超挖，人们进行了大量的研究。（Ibarra等人1996）给出了墨西哥超挖值的Q系统和周边单位药量指数（PPF）之间的关系。他们认为PPF的增加可以减少超挖量，Q系统的增加可以引起欠挖量的增加。Singh和Xavier（2005）通过一系列实验，研究了超挖破坏影响因素的数量，指出所有影响参数可分为岩石特性、炸药和爆破方式三类。

基于先前的调查（Monjezi和Dehghani 2008；Jang和Topal 2013；Khandelwal和Monjezi 2013；Monjezi等人2013、2014；Ebrahimi等人2016），影响超挖的因素很多。在超挖影响因素中，堵塞率、堵塞物、最后一排装药量占总装药量、特殊装药量、每次延期特殊装药量、各阶段爆破排数、岩体强度、岩体质量指标、岩体风化、地下水条件，特别是钻孔、装药量、孔距，孔直径、台阶高度和装药系数是影响超挖的主要参数。

人工智能（AI）技术已在土木和采矿工程应用领域得到应用（Goh和Zhang 2012；Singh和Verma 2012；Verma和Singh 2013；Zhang和Goh 2016；Armaghani等人2016a，b；Ghoraba等人2016；Singh等人2016；Armaghani等人2016a；Tonnizam Mohamad等人2012）。人工神经网络（ANNs）是人工智能的一个分支，它能快速解决问题，特别是当输入和输出的性质未知时。这些网络被设计成输入和输出之间的非线性函数。ANNs使用输入和输出的样本，使用权重和激活函数创建关系，这些关系将在下一个样本中使用（Haghhigi 2015）。这些网络在不存在输入和输出之间的已知算法的情况下发生变化。然而，人工神经网络也有一些局限性，例如学习速度慢，陷入局部极小值（Lee等人1991；Wang等人2004）。为了克服这些问题，利用遗传算法(GA)等优化算法(OAS)来调整ANNs的权值和偏差是提高其性能预测能力的一种很有优势的方法。在这方面，Saghatforoush等人（2016）将ANNs和蚁群优化算法相结合，提出了一种预测和优化飞石和背折的模型。为了优化蚁群算法的输入参数，提出了一种ANN模型，并将该模型作为蚁群算法的输入。最终，飞岩和后破岩结果分别减少了61%和58%。此外，GAs和ANNs的结合因其解决岩土工程应用问题的能力而受到关注（Momeni等人2014；Mohamad等人2016）。Momeni等人，（2014），Khandelwal和Armaghani（2016）和Mohamad等人（2016）分别开发了预测桩承载力、岩石可钻性和剥离产量的GA-ANN模型。

据作者所知，目前还没有研究开发一种用于超挖预测的混合GA-ANN模型。为此，本文建立了隧道钻爆超挖预测的混合遗传神经网络模型。为此，以伊朗Gardaneh-Rokh隧道为例进行研究。该隧道是伊朗伊斯法罕和沙赫雷科德市之间最重要的交通隧道之一。接下来，在介绍应用方法和案例分析的基础上，讨论了ANN和GA-ANN模型在超挖预测中的应用。最后，对所选模型进行评价，并将其作为超挖预测的合适模型加以介绍。

1.方法

1.1 人工神经网络（ANNs）

人工神经网络（ANNs）受人脑的启发用于数据传输，被认为是解决科学和工程问题的近似工具。一般来说，当输入样本和模型输出之间存在复杂的非线性关系时，ANNs的应用是有用的（Garrett 1994；Armaghani等人2015）。已经提出了多种类型的ANNs，最常见的情况是多层前馈，多层前馈包含多个隐含节点（神经元）以不同的连接权值连接的多层（Simpson 1990）。为了逼近问题， ANNs必须用学习算法进行训练。反向传播（BP）是最常用的ANNs训练算法（Dreyfus 2005）。通过使用BP算法，可以将输出值和目标值（由系统获得）之间的模型误差降到最小。当模型误差大于均方根误差（RMSE）等定义的误差时，系统会被传播回去调整网络权值。BP-ANN模型的结构如图1所示。

1.2 遗传算法（GA）

遗传算法（GA）是Holland（1992）提出的一种优化算法/求解方法。它是基于生物物种的自然选择和进化机制。每个决策中目标函数的评估由GA执行（Chipperfield等人1994）。在GA中，有许多已知个体可以逐步得到最优解。这些解由一个由染色体（0和1）组成的线性串决定。一代定义为种群规模的一般解，每次迭代都有一个优化过程。在GA中，需要三种操作来创建下一代，即繁殖、交叉和变异。最佳染色体是通过一个基于称为生殖操作的比例值的过程来选择的。然后，最好的染色体直接转移到下一代。在第二个操作或交叉中，新的个体（后代）是由定义为父母的个体的特殊部分组合而成的。这种复合是基于单点交叉或两点交叉进行的。之后，选择一个随机交叉点和交叉过程中的两个父节点。第一个体的产生分别在第一和第二双亲的左右侧基因之间进行选择。对于第二个后代，重复一个相反的过程，如Momeni等人进行的研究所述。（2014）。最后，突变算子被定义为一个随机变化的过程，发生在染色体的元素中（GOH 2000）。关于GA背景/定义的更多细节可以在其他一些作品中找到（例如，Jahed Armaghani等人2016；Khandelwal和Armaghani 2016）。

图 2: GA-ANN网络算法的结构（Saemi等人2007年）

图 1:BP-ANN模型的结构视图（Saemi等人2007年）

1.3 GA-ANN组合

为了利用GA算法提高ANNs的效率和性能，人们进行了一些研究（Monjezi等人2012）。作为GA的结果，它可以用来调整ANN的偏差和权值，从而提高混合系统的性能预测（Momeni等人2014）。另一方面，GA在搜索空间中寻找全局最小值 ，然后ANN确定混合GA-ANN模型的最优结果。图2显示了GA-ANN算法的结构。

2.案例研究和建立的数据库

Gardaneh-Rokh隧道是伊朗西部最重要的通信隧道之一。隧道位于距离沙赫雷科德市30公里的地方。隧道长1300米，马蹄形断面。随着上述隧道的修建，伊斯法罕市到沙赫雷科德市的距离减少了7000米。此外，道路上许多危险的地方也可以减少。图3显示了伊朗Gardaneh-Rokh隧道的位置。由于隧道长度较短，拱的施工方法采用钻爆技术（图4）。该隧道采用的爆破模式参数已沿隧道全长固定。表1给出了不同岩体条件下具有一段爆炸设计参数的隧道拱开挖的一般规范。

为了建立一个精确的混合智能模型来预测超挖，需要建立合适的数据集。因此，应该从经验和文献中选择合适的模型输入。根据以往的研究，爆破方式参数、岩体材料条件和地下水因素是影响超挖的主要参数。在Gardaneh-Rokh隧道的钻爆作业中，仔细测量了岩体分级（RMR）、间距（m）、炸孔面距（m）、特殊钻进（m）、段数、单位药量（kg/m³）、掘进长度（m/m³）和超挖（m²）等参数，并将其用于人工智能模型的建模。在建模之前，提供了一个由406个数据集组成的数据库，其中包括上述参数。本研究中估算超挖量所用参数的最大、最小、平均和标准差（SD）等统计信息见表2。

图 3：Gardaneh Rokh隧道位置，长1300 m

3超挖预测

3.1 人工神经网络(ANN)建模

如前一节所述，在本研究的人工智能建模中使用了406个数据集（见表2）。正如Kanellopoulos和Wilkinson（1997）和Hush（1989）所述，ANN的能力直接取决于它的结构。因此，为了得到一个理想的ANN模型，需要设计一个最优的结构。隐层神经元的数目被认为是ANN结构的一部分。根据几项研究（Hornik等人1989），隐层等于1可以估计任何非线性函数，因此，本文选择了隐层等于1。此外，可用于计算隐藏层中神经元数量的几个方程如表3所示。根据表4和N_i（输入数量）=7和N_o（输出数量）=1，应考虑1-15的范围。为了获得最佳数量的神经元，许多ANN被建立。表4给出了基于R²的结果。在表4的那一列中，可以看到每个隐藏节点的五次运行的平均值。因此，10节点的10号模型（R2值分别为0.684和0.687）比其他模型提供了更好的性能。因此，选择7x10x1作为神经网络结构来逼近超挖，其中7为模型输入数，10为隐层神经元数，1为模型输出数。最好的人工神经网络模型将在稍后选择。

图 4：隧道横断面

表1：钻爆法隧道拱开挖通用规范

表2：估计超挖所用参数的最大、最小、平均和标准偏差

您可能感兴趣的文章

• 内置支撑的基坑在水泥土搅拌排桩作用下的响应外文翻译资料
• 钙质砂的破碎和极限状态外文翻译资料
• 未胶结的碳酸盐砂的力学性质外文翻译资料
• 隧道钻爆超挖的神经遗传预测模型外文翻译资料
• 新西兰达尼丁的地质和地质灾害管理外文翻译资料
• 隧道施工数值模拟外文翻译资料
• 考虑土强度非线性影响的土坡稳定性外文翻译资料
• 膨润土沙垃圾填埋场衬垫的收缩和干裂外文翻译资料
• 基于软土地基桩承式平台的二维试验和数值模拟外文翻译资料
• 核电站基岩爆破开挖中的岩石损伤控制外文翻译资料