地下径流模数法参数优化研究
|
摘要
针对长大隧道涌水量预测准确度一直难以提高这一难题,本论文总结了长大隧道涌水量预测传统方法的适用条件、优缺点,并对比分析了6座长大隧道的涌水量预测结果与实测结果。结果表明,地下径流模数法较其他传统方法具有准确性较高、简单易实现等优点。但地下径流模数法参数选择的主观性较大,有时预测结果也会出现较大偏差。
地下径流模数法预测长大隧道涌水量所选参数为：地下径流模数和影响宽度。地下径流模数通常是由现场测定得出,本论文根据工程经验,提出了地下径流模数测定的优化方法,为今后地下径流模数的选取提供参考。影响宽度的选取一般都采用经验值。本论文选取已建隧道的典型断面,反演了地下径流模数法的实际影响宽度,与预测参数对比结果表明,反演结果与实测结果存在较大差异。因此,本论文中地下径流模数法参数优化研究主要以优化影响宽度的选择为主。
影响宽度选择的影响因素包括：地表条件、岩层性质及地质构造等。本论文运用层次分析法分析了各影响因素的权重,建立了影响因素的分级评价评分标准,并对所选区段的地表条件、岩层性质及地质构造进行了评价。将评价结果作为样本,运用BP神经网络进行了优化影响宽度选取模型研究。
应用结果表明BP神经网络优化影响宽度选取可提高影响宽度选取的准确度,对提高地下径流模数法预测准确性具有一定的参考意义。
Forecasting of tunnel inflow is a difficult problem. This paper summarized some traditional methods for forecasting the long tunnel inflow, and analyzed their advantages and disadvantages. In addition, this paper compared six long tunnel water inflow forecasting results with measured results. The results show that the underground runoff modulus method is more accuracy, simpler and easier to implement than other traditional methods; but because of great subjective preferences, and sometimes also expected a larger deviation.
The parameters of underground runoff modulus include:underground runoff modulus and impact width. Underground runoff modulus is usually obtained by field measurement; this paper proposed some optimization methods for determination of underground runoff modulus based on experience in engineering, as a selection of underground runoff modulus reference for future. The determination of impact width usually relies on the experience; the paper selected typical sections of the tunnel that had been built, then inversed the actual impact width. By comparing the inversion results with the predicted results, this papershows quite a difference. Therefore, to optimize the choice of the width is a priority in parameter optimization.
This paper selected three factors of impact width, including surface conditions, the rock properties and geological structure. This paper analyzed the AHP weight of each factor, and established a grading score model to evaluate these factors. The surface condition, rock properties and geological structure of the selected sections were evaluated. This paper established a BP neural network optimization model for the width of select, which used the above evaluation results as samples.
The application results show that the BP neural network optimization has a certain reference value, as it can improve the accuracy of the width selection.
地下径流模数法预测长大隧道涌水量所选参数为：地下径流模数和影响宽度。地下径流模数通常是由现场测定得出,本论文根据工程经验,提出了地下径流模数测定的优化方法,为今后地下径流模数的选取提供参考。影响宽度的选取一般都采用经验值。本论文选取已建隧道的典型断面,反演了地下径流模数法的实际影响宽度,与预测参数对比结果表明,反演结果与实测结果存在较大差异。因此,本论文中地下径流模数法参数优化研究主要以优化影响宽度的选择为主。
影响宽度选择的影响因素包括：地表条件、岩层性质及地质构造等。本论文运用层次分析法分析了各影响因素的权重,建立了影响因素的分级评价评分标准,并对所选区段的地表条件、岩层性质及地质构造进行了评价。将评价结果作为样本,运用BP神经网络进行了优化影响宽度选取模型研究。
应用结果表明BP神经网络优化影响宽度选取可提高影响宽度选取的准确度,对提高地下径流模数法预测准确性具有一定的参考意义。
Forecasting of tunnel inflow is a difficult problem. This paper summarized some traditional methods for forecasting the long tunnel inflow, and analyzed their advantages and disadvantages. In addition, this paper compared six long tunnel water inflow forecasting results with measured results. The results show that the underground runoff modulus method is more accuracy, simpler and easier to implement than other traditional methods; but because of great subjective preferences, and sometimes also expected a larger deviation.
The parameters of underground runoff modulus include:underground runoff modulus and impact width. Underground runoff modulus is usually obtained by field measurement; this paper proposed some optimization methods for determination of underground runoff modulus based on experience in engineering, as a selection of underground runoff modulus reference for future. The determination of impact width usually relies on the experience; the paper selected typical sections of the tunnel that had been built, then inversed the actual impact width. By comparing the inversion results with the predicted results, this papershows quite a difference. Therefore, to optimize the choice of the width is a priority in parameter optimization.
This paper selected three factors of impact width, including surface conditions, the rock properties and geological structure. This paper analyzed the AHP weight of each factor, and established a grading score model to evaluate these factors. The surface condition, rock properties and geological structure of the selected sections were evaluated. This paper established a BP neural network optimization model for the width of select, which used the above evaluation results as samples.
The application results show that the BP neural network optimization has a certain reference value, as it can improve the accuracy of the width selection.
引文
[1]蒙彦.岩溶区隧道涌水研究现状及建议[J].中国岩溶,2003年,v22,n4：p287-292。
[2]Anon.Reeommendations for the treatment of water inflows and outflows in operated underground structures[J]. Tunneling and Underground Space Technology, 1989,4(3):343-407.
[3]张宏仁等编译.地下水水力学的发展[M]。地质出版社,1992.
[4]Renard, PhiliPPe. Approximate discharge for constant head test with recharging boundary [J]. Ground Water, v43, n3, May/June.2005, p 439-442.
[5]Shalnma, John. Tempelis, Daniel. Duke, Steven. Fordham, Erie. Freeman, Tom. Arrowhead tunnels:Assessing ground water control measures in a fractured hard rock medium [J]. Proceedings-Rapid Excavation and Tunneling Conference,2003, p296-305.
[6]Molinero, Jorge, Samper, Javier, Juanes, Ruben. Numerical modeling of the transient hydrogeological response produced by tunnel construction in fractured bedrocks [J]. Engineering Geology, v64, n4, June,2002, p 369-386.
[7]Noorishad J, Ayatollahi M S, Witherspoon P. A.. Finite-element method for coupled stress and fluid flow analysis in fractured rock masses [J]. International Journal of Rock Mechanics and Mining Sciences & Geomechanics Abstracts,1982, 19(4):185-195.
[8]Meiri, David. Unconfined ground water flow calculation into a tunnel [J]. Journal of Hydrology, v82, n1-2, Nov30,1985, p 69-75.
[9]Barton, N. Bandis, S.Bakhtar, K., Steength. deformation and conductivity coupling of rock joints [J]. International Journal of Rock Mechanics and Mining Sciences & Geomechanics Abstracts,1985,22(3):p 21-140.
[10]Oda, Masanobu.Equlvalent continuum mode lfor couple dstress and fiuid flow analysis in jointed rock masses [J]. Water Resources Research,1986,22(13): p1845-1856.
[11]Heuer, Ronald E. Estimating rock tunnel water inflow[J]. Proceedings-Rapid Excavation and Tunneling Conference,1995, p41-60.
[12]仵彦卿.地下水与地质灾害[J].地下空间,1999年,v19,n4：p304-316.
[13]黄涛,杨立中.渗流与应力耦合环境下裂隙围岩隧道涌水量的预测研究[J].铁道学报,1999年,v21,n6：75-80。
[14]黄涛,杨立中,渗流-应力-温度耦合下裂隙围岩隧道涌水量的预测[J],西南交通大学学报,1999年,v34,n5：554-559。
[15]王媛,徐志英,速宝玉.复杂裂隙岩体渗流与应力弹塑性全耦合分析[J].岩石力学与工程学报,2000年,v19,n2：177-181。
[16]蒋忠信.深埋岩溶隧道水压力的预测与预报[J].铁道工程学报,2005年,n6：37-40。
[17]贾疏源.华蓥山隧道暴雨涌突水及其对隧道的影响[J].世界隧道,1999年n1：p50-55。
[18]王建秀.大型地下工程岩溶涌(突)水模式的水文地质分析及其工程应用[J].水文地质工程地质,2001年,n4：p49-52。
[19]刘高.深埋长大隧道涌(突)水条件及影响因素分析[J].天津城市建设学院学报,2002年,v8,n3：p160-164。
[20]徐则民.深埋岩溶隧道涌水最大水头压力评估[J].地球科学进展,2004年,v 19, Suppl.:p363-367。
[21]白明洲.长大隧道施工过程中突水突泥灾害预测预报技术研究[J]。公路交通科技,2005年,v22,n6：p123-126。
[22]徐帮树,张宪堂,张芹海底隧道涌水量预测及应用研究[J]。武汉理工大学学报(交通科学与工程版)。2007年,V31,no.4599-602
[23]王纯祥,蒋宇青 复杂条件下长大隧道涌水预测及其对环境影响评价。岩石力学与工程学报,2008年。Vo1.27 No.12.2411-2417
[24]杨会军,王梦恕 深埋长大隧道渗流数值模拟[J]。岩石力学与工程学报,2006年,Vo1.25,No.3.511-519
[25]冯现大,李树枕,徐帮树海底隧道涌水量影响因素的数值模拟研究[J]。山东大学学报(工学版),2009年,Vo1.39,No.4 p21-24
[26]郑黎明.隧道涌水灾害预测的随机性数学模型方法[J].西南交通大学学报,1998年6第3期.
[27]李兴高,刘维宁.隧道渗涌水的随机模型预测[J]。中国安全科学学报,2002年8月第4期.
[28]刘丹,李启彬.秦岭特长隧道涌水量的预测研究[J]。煤田地质与勘测,2005年2月第1期.
[29]朱大力,李秋枫.预测隧道涌水量的方法[J].工程勘察,2000年第4期p18-22
[30]铁路工程水文地质勘察规范(TB10048-2004),中华人民共和国铁道部,2004.3
[31]薛禹群中国地下水数值模拟的现状与展望[J]。高校地质学报,2010年3月,第16卷,第1期,p.1-6
[32]梅志荣,张军伟,李传富。铁路长大隧道建设中地下水防治有关问题研究进展[J]。铁道工程学报,2009年9月,第9期p.78-82
[33]许增荣用地下径流模数法预测山岭隧道涌水量的局限性分析与改进[J]。地下水,2010年1月,第32卷,第1期,p.49-51
[34]Saaty. T. L. The A nalyt ic H ierarchy P rocess [M]. M c GtawH ill,N ew Yo rk,1980.
[35]赵焕臣,许树柏,和金生.层次分析法[M].北京：科学出版1986.
[36]许树柏.层次分析原理[M].天津：天津出版社,1988.
[37]蒋宗礼.人工神经网络导论[M].第一版,北京：高等教育出版社,2001：40.
[38]叶世伟.神经网络原理[M].北京：机械工业出版社,2004.
[39]王伟.人工神经网络原理.北京：北京航空航天出版社,1995.
[40]高隽.人工神经网络原理及仿真实例[M].北京：机械工业出版社,2003.
[41]Hsu K, Cupta H V, Sorroshians. Artificial neural net work modling of the rainfall runoff process [J]. Water Resources Research,1995,31(10):2517-2530.
[42]杨兆升,朱中.基于BP神经网络的路径行程时间实时预测模型.系统工程理论与实践[J],1999,8(8)。
[43]周开利,康耀红.神经网络模型及其MATLAB仿真程序设计[M].北京：清华大学出版社,2005.
[44]飞思科技产品研发中心.神经网络理论与MATLAB 7实现[M].北京：电子工业出版社,2005：100-103.
[45]蒲春,孙政顺,赵世敏。Matlab神经网络工具箱BP算法比较[J].计算机仿真,006,23(5)：142-144。
[46]胡守仁.神经网络导论[M].长沙：国防科技大学出版社,1993.
[47]从爽.面向MATLAB工具箱的神经网络理论与应用[M].第一版,合肥：中国科学技术大学出版社,1998：45
[48]陈以新MATLAB的几则程序设计经验[J].计算机应用,1999,19(9)：54-56.
[49]黄文梅,等.系统仿真分析于设计——— MATLAB语言工程应用[M].长沙：国防科技大学出版社，2001.299-312.
[50]朱中,杨兆升.实时交通流量人工神经网络预测模型.中国公路学报.1998,11(4).
[51]Barnard, Optimization for training neural nets [J], IEEE Trans.On Neural Networks,1992,vol.3, no.2:232-240.
[52]谷小平,王长耀,王汶,王臣立.应用于水文预报的优化BP神经网络研究[J]。生态环境,2004,13(4)。
[2]Anon.Reeommendations for the treatment of water inflows and outflows in operated underground structures[J]. Tunneling and Underground Space Technology, 1989,4(3):343-407.
[3]张宏仁等编译.地下水水力学的发展[M]。地质出版社,1992.
[4]Renard, PhiliPPe. Approximate discharge for constant head test with recharging boundary [J]. Ground Water, v43, n3, May/June.2005, p 439-442.
[5]Shalnma, John. Tempelis, Daniel. Duke, Steven. Fordham, Erie. Freeman, Tom. Arrowhead tunnels:Assessing ground water control measures in a fractured hard rock medium [J]. Proceedings-Rapid Excavation and Tunneling Conference,2003, p296-305.
[6]Molinero, Jorge, Samper, Javier, Juanes, Ruben. Numerical modeling of the transient hydrogeological response produced by tunnel construction in fractured bedrocks [J]. Engineering Geology, v64, n4, June,2002, p 369-386.
[7]Noorishad J, Ayatollahi M S, Witherspoon P. A.. Finite-element method for coupled stress and fluid flow analysis in fractured rock masses [J]. International Journal of Rock Mechanics and Mining Sciences & Geomechanics Abstracts,1982, 19(4):185-195.
[8]Meiri, David. Unconfined ground water flow calculation into a tunnel [J]. Journal of Hydrology, v82, n1-2, Nov30,1985, p 69-75.
[9]Barton, N. Bandis, S.Bakhtar, K., Steength. deformation and conductivity coupling of rock joints [J]. International Journal of Rock Mechanics and Mining Sciences & Geomechanics Abstracts,1985,22(3):p 21-140.
[10]Oda, Masanobu.Equlvalent continuum mode lfor couple dstress and fiuid flow analysis in jointed rock masses [J]. Water Resources Research,1986,22(13): p1845-1856.
[11]Heuer, Ronald E. Estimating rock tunnel water inflow[J]. Proceedings-Rapid Excavation and Tunneling Conference,1995, p41-60.
[12]仵彦卿.地下水与地质灾害[J].地下空间,1999年,v19,n4：p304-316.
[13]黄涛,杨立中.渗流与应力耦合环境下裂隙围岩隧道涌水量的预测研究[J].铁道学报,1999年,v21,n6：75-80。
[14]黄涛,杨立中,渗流-应力-温度耦合下裂隙围岩隧道涌水量的预测[J],西南交通大学学报,1999年,v34,n5：554-559。
[15]王媛,徐志英,速宝玉.复杂裂隙岩体渗流与应力弹塑性全耦合分析[J].岩石力学与工程学报,2000年,v19,n2：177-181。
[16]蒋忠信.深埋岩溶隧道水压力的预测与预报[J].铁道工程学报,2005年,n6：37-40。
[17]贾疏源.华蓥山隧道暴雨涌突水及其对隧道的影响[J].世界隧道,1999年n1：p50-55。
[18]王建秀.大型地下工程岩溶涌(突)水模式的水文地质分析及其工程应用[J].水文地质工程地质,2001年,n4：p49-52。
[19]刘高.深埋长大隧道涌(突)水条件及影响因素分析[J].天津城市建设学院学报,2002年,v8,n3：p160-164。
[20]徐则民.深埋岩溶隧道涌水最大水头压力评估[J].地球科学进展,2004年,v 19, Suppl.:p363-367。
[21]白明洲.长大隧道施工过程中突水突泥灾害预测预报技术研究[J]。公路交通科技,2005年,v22,n6：p123-126。
[22]徐帮树,张宪堂,张芹海底隧道涌水量预测及应用研究[J]。武汉理工大学学报(交通科学与工程版)。2007年,V31,no.4599-602
[23]王纯祥,蒋宇青 复杂条件下长大隧道涌水预测及其对环境影响评价。岩石力学与工程学报,2008年。Vo1.27 No.12.2411-2417
[24]杨会军,王梦恕 深埋长大隧道渗流数值模拟[J]。岩石力学与工程学报,2006年,Vo1.25,No.3.511-519
[25]冯现大,李树枕,徐帮树海底隧道涌水量影响因素的数值模拟研究[J]。山东大学学报(工学版),2009年,Vo1.39,No.4 p21-24
[26]郑黎明.隧道涌水灾害预测的随机性数学模型方法[J].西南交通大学学报,1998年6第3期.
[27]李兴高,刘维宁.隧道渗涌水的随机模型预测[J]。中国安全科学学报,2002年8月第4期.
[28]刘丹,李启彬.秦岭特长隧道涌水量的预测研究[J]。煤田地质与勘测,2005年2月第1期.
[29]朱大力,李秋枫.预测隧道涌水量的方法[J].工程勘察,2000年第4期p18-22
[30]铁路工程水文地质勘察规范(TB10048-2004),中华人民共和国铁道部,2004.3
[31]薛禹群中国地下水数值模拟的现状与展望[J]。高校地质学报,2010年3月,第16卷,第1期,p.1-6
[32]梅志荣,张军伟,李传富。铁路长大隧道建设中地下水防治有关问题研究进展[J]。铁道工程学报,2009年9月,第9期p.78-82
[33]许增荣用地下径流模数法预测山岭隧道涌水量的局限性分析与改进[J]。地下水,2010年1月,第32卷,第1期,p.49-51
[34]Saaty. T. L. The A nalyt ic H ierarchy P rocess [M]. M c GtawH ill,N ew Yo rk,1980.
[35]赵焕臣,许树柏,和金生.层次分析法[M].北京：科学出版1986.
[36]许树柏.层次分析原理[M].天津：天津出版社,1988.
[37]蒋宗礼.人工神经网络导论[M].第一版,北京：高等教育出版社,2001：40.
[38]叶世伟.神经网络原理[M].北京：机械工业出版社,2004.
[39]王伟.人工神经网络原理.北京：北京航空航天出版社,1995.
[40]高隽.人工神经网络原理及仿真实例[M].北京：机械工业出版社,2003.
[41]Hsu K, Cupta H V, Sorroshians. Artificial neural net work modling of the rainfall runoff process [J]. Water Resources Research,1995,31(10):2517-2530.
[42]杨兆升,朱中.基于BP神经网络的路径行程时间实时预测模型.系统工程理论与实践[J],1999,8(8)。
[43]周开利,康耀红.神经网络模型及其MATLAB仿真程序设计[M].北京：清华大学出版社,2005.
[44]飞思科技产品研发中心.神经网络理论与MATLAB 7实现[M].北京：电子工业出版社,2005：100-103.
[45]蒲春,孙政顺,赵世敏。Matlab神经网络工具箱BP算法比较[J].计算机仿真,006,23(5)：142-144。
[46]胡守仁.神经网络导论[M].长沙：国防科技大学出版社,1993.
[47]从爽.面向MATLAB工具箱的神经网络理论与应用[M].第一版,合肥：中国科学技术大学出版社,1998：45
[48]陈以新MATLAB的几则程序设计经验[J].计算机应用,1999,19(9)：54-56.
[49]黄文梅,等.系统仿真分析于设计——— MATLAB语言工程应用[M].长沙：国防科技大学出版社，2001.299-312.
[50]朱中,杨兆升.实时交通流量人工神经网络预测模型.中国公路学报.1998,11(4).
[51]Barnard, Optimization for training neural nets [J], IEEE Trans.On Neural Networks,1992,vol.3, no.2:232-240.
[52]谷小平,王长耀,王汶,王臣立.应用于水文预报的优化BP神经网络研究[J]。生态环境,2004,13(4)。