引水式地下电站尾水洞开挖与支护顺序的进化神经网络优化研究

蒋子健

(辽宁西北供水有限责任公司，沈阳 110000)

0 引 言

辽河流域某梯级开发水利枢纽工程的地质条件十分复杂，特别是穿越多种软硬相间岩层的地下洞室围岩工程更加严重。所以，研究分析尾水洞围岩安全稳定性具有极其重要的意义[1]。

由于地下电站地质存在多样性与复杂性特征，许多因素均可对尾水洞施工的稳定性和安全产生影响，从开挖和支护施工的层面有单循环开挖高度、支护的滞后时间、开挖步长度等，且各决策变量存在多种排列组合，在确定的某些条件下考虑未定因素的情况也很多，逐一运算量大且耗费时间较长[2]。若考虑多个评价因子的综合影响，通常难以有效的确定各评价因子与决策变量之间的非线性关系。随着计算机技术的快速发展和人们对岩体特性理论的不断研究，在模拟计算岩体稳定性方面智能化稳定分析法得到研究应用，较为常用的有SVM支持向量机法、神经网络法和模糊函数法等预测方法。对于不同方案的开挖支护的稳定问题处理，改进的神经网络和正交设计法具有较好的适用性与有效性。将正交设计构造的样本方案运用有限元程序和有限因子计算，为选取所有方案中的最优方案运用进化神经网络预测。然而，目前还没有标准的公式确定最重要的判据因子，如何统一考虑影响大型洞室稳定性的多个指标[3-7]。

1 进化有限元神经网络

融合了生物神经网络优点的ANN人工神经网络，具有学习及自适应功能强大、高度的非线性和良好的容错性等优点。考虑到较强的自学习能力，该模型能够从大量的样本中通过学习获取非线性复杂关系，为最大程度的逼近输出样本不断改变权值，最终实现新样本的预测分析。然而，空间结构很大的神经网络往往难以获取最优的结构，适应能力低，泛化和学习还无法达到预期的效果。从数学的角度分析，选取的网络隐层节点存在较大的经验性和盲目性，极易产生局部极小点的情况。采用传统的方法处理以上复杂问题通常较为困难，因此本研究采用GA遗传算法对上述问题进行科学、快速的计算。GA遗传算法是一种对全局择优的概率搜索法，该算法遵循生态系统中优胜劣汰和生存竞争的规则，通过变异、杂交、复制等操作对某一初始值运算，经若干代的不断迭代运算逐步逼近群体中的最优值。通过简单的繁殖机制和编码技术，遗传算法可用于解决极其复杂、困难的问题。GA法相对于与其他搜索算法具有更高效运算效率，不受连续性、可微型等目标函数的限制，特别是对于复杂的规划优化问题，它有更强的的计算性能和广泛的应用前景[8]。

权值计算和寻找最优网络时ENN进化网络得到学术界的广泛研究，在网络设计时引入GA算法的相关研究取得了丰硕的成果。神经网络结构利用进化算法确定，通过学习步数和隐层节点个数的确定尽可能的找出一个最优的结构。该方法在问题可计算的情况下即可完成整个解空间的搜索，从而确定全局最优解。将神经网络利用遗传算法加以优化，由此可构造出具有自适应、自净化能力的神经网络GA-NN。

目前，在岩土工程中有限元法的应用相当广泛且理论体系比较成熟，通过对边界条件和力学模型的合理选取，利用有限元即可对工程进行较为真实的数值模拟[9]。将优化的神经网络与有限元法相耦合，其基本流程为：采用正交设计法和编码方案，构造出数值模拟的样本方案，编码如表1所示；有限元的建立，各计算方案应包含于划分的单元；评价指标值的运算输出；采用神经网络模型确定隐层节点和学习步数，最终模拟分析最优方案。

表1 方案编码

2 尾水洞的布置

2.1 工程地质状况

辽河流域某水利枢纽的装机容量为4×400MW，装机台数为4。电站建筑物有厂外排水洞、通风及管线洞、尾水洞、母线洞、主厂房、进水口、引水隧洞、引水渠、尾水平台、安装场、交通洞、500vV变电站、尾水渠等。

垂直主厂房直线布置4#尾水洞轴线，其中编号为1-4#的尾水洞沿山的内侧向河谷方向布设，划分为前后渐变段、尾水管加长与尾水管段、标准段。水尾洞总长度为1260.38m，1-4#水尾洞长依次为326.20、316.85、312.11、305.22m，尾水隧洞净直径为8.6-10.5m范围，标准段为10.5m，混凝土支护厚1.2m，中心距为30m。按两标段施工整个工程项目，一标段长68.522m为主厂房至分标线区间；二标段为出水口方向至分标线段。2.3 模型计算

根据工程地质相关资料，选取X×Y×Z=360m×270m×420m作为计算区域，主厂房与1#尾水洞平面交线的中心设定为坐标原点，设X、Y、Z轴的方向分别与主厂房轴线平行、与地面垂直、与主厂房轴线垂直，指向分别以向山体内侧、向上和出水方向为正，由此可构造有限元模型。三维离散型单元模型的划分方式为free，单元数和节点数为96185、17620个；模型地面存在三向约束，除河谷外其它3面均存在方向约束。仅考虑初始地应力的屈服规则设定为Druckre-Prager，岩体的力学性能如表2所示。

表2 各地层岩体力学性能

续表2 各地层岩体力学性能

3 结果分析

3.1 有限元计算结果

表3 正交设计方案寻优结果

续表3 正交设计方案寻优结果

3.2 位移与变形分析

正交设计的各方案中，顶板在Y方向的位移最大，总体处于6-9cm范围，底板位移整体为5-7cm范围，最大位移关于左、右两端的比值较为均衡，整体介于6.0-8.2cm范围。同节点位移的最大值相差约为3cm，1#尾水洞的四点位移指标值比其它水尾洞大。1#尾水洞顶板位移最大点1065#节点在最优方案中的X、Y、Z坐标依次为-0.52m、35.58m、280.41m，即与出水口相距约40.85m处的后渐变段至标准段相交附近位置，相应的位移值为8.945cm；底板位移最大点1485#节点位于与出水口相距约24m的位置，对应的位移值为7.850cm；左侧、右侧位移最大点1431#节点、1452#节点分别位于距出水口30.35m和38.2m位置，其位移值依次为8.810cm、6.852cm；二标出水口附近为Z轴方向位移最大处，该位置不在一标段。

沿水流方向同一条尾水洞的位移呈不断增大的变化特征，底板的位移远远小于垂直方向的顶板位移。尾水洞以右侧最高点出水口方向为圆心项整体内扩散，对于整个区域来说其位移逐渐变化逐渐降低[10]。

4 结 论

1) 运用进化的神经网络能够较好的反映尾水洞开挖与支护的位移变化特征，通过对正交设计方案的学习预测确定最优方案，模型预测误差基本控制在3%以内且运算时间大大减少，优选结果具有较强的科学性和准确性。对待优选方案的全局搜索，不仅克服了预测过程容易陷入局部最小的难题，而且能够保证优选方案为全局最优，对于复杂问题的处理具有较好的适用性。

2) 从河谷向山体方向四条尾水洞水平面上的变形及位移均表现出不断增大的趋势，且同一洞内的位移和变形沿水流方向也呈不断增大的趋势，底板位移在垂直方向上远远小于顶板。总体而言，尾水洞以右侧最高点出水口方向为圆心项整体内扩散，对于整个区域来说其位移逐渐变化逐渐降低。

3) 先挖1#、3#洞，后挖2#、4#洞的工程招标开挖方案不是最优，采用不同动量项和学习率等参数的GANN优化结果显示，先挖2#、4#洞、后挖1#、3#洞的方案为第四优化指标因子的最优方案。