基于极限学习机的隧道施工中的反馈分析方法及其装置

摘要

本发明公开了一种基于极限学习机的隧道施工中的反馈分析方法及其装置，所述反馈分析方法，包括如下步骤：利用最优的输入层权值和隐含层偏移量，通过极限学习机分别对训练样本集Ⅰ、训练样本集Ⅱ进行训练和学习，得到围岩分类进化极限学习机模型和围岩参数识别进化极限学习机模型；获取隧道施工过程中所揭露的围岩分类影响因素；以围岩分类影响因素作为输入，通过围岩分类进化极限学习机模型输出围岩分类结果；监测并获得隧道的围岩位移；根据所述围岩分类结果，在不同围岩类别范围内，结合获得的围岩位移，利用差异进化算法和围岩参数识别进化极限学习机模型，获取围岩力学参数；本发明可快速得到围岩分类结果和围岩力学参数，预测准确、精度高。

说明书

技术领域

本发明涉及一种隧道施工中的反馈分析方法及其装置，具体为一种基于极 限学习机的隧道施工中的反馈分析方法及其装置。

背景技术

隧道是修建于地下的隐蔽工程，地质体不确定性和复杂性使隧道设计和施 工存在盲目性，容易造成支护成本浪费或导致围岩塌方灾害，因此利用围岩揭 露信息和监测信息对围岩进行反馈分析具有重要意义。

隧道施工中的反馈分析是地质体从黑箱向灰箱转化的必要过程，是进行隧 道支护方案动态调整的前提。首先从定性角度，可以通过开挖揭露出的信息反 馈确定围岩类别，其次从定量角度，可以进一步通过力学反分析获得围岩参数， 为隧道施工过程中的数值模拟计算提供基础，隧道反分析过程本质上是复杂优 化问题，针对传统优化方法的局限性，现有技术中，研究人员将遗传算法、神 经网络、卡尔曼滤波算法、差异进化算法和粒子群算法等引入到隧道工程反分 析中，尽管使得反馈分析的实现取得了不少成果，但由于遗传算法和神经网络 等算法比较复杂、三维模型计算耗时太长、同时隧道施工围岩分类和反分析受 到施工进度的制约，因此总体上隧道施工分析仍主要依靠人为经验，具有较大 的随意性。所以，研究新的反馈分析方法并加以应用，具有重要的工程价值和 学术意义。

发明内容

本发明针对以上问题的提出，而研制一种基于极限学习机的隧道施工中的 反馈分析方法及其装置。

本发明的技术手段如下：

一种基于极限学习机的隧道施工中的反馈分析方法，包括如下步骤：

步骤1：构建围岩分类的样本集Ⅰ、围岩参数识别的样本集Ⅱ，执行步骤2；

步骤2：将所述样本集Ⅰ划分为训练样本集Ⅰ和测试样本集Ⅰ两个部分，将 所述样本集Ⅱ划分为训练样本集Ⅱ和测试样本集Ⅱ两个部分，执行步骤3；

步骤3：将极限学习机的输入层权值和隐含层偏移量作为差异进化算法的个 体，通过所述差异进化算法随机生成初始种群，执行步骤4；

步骤4：计算出当前种群的各个体的适应值，执行步骤5；

步骤5：判断当前种群的个体是否满足进化结束条件，是则执行步骤7，否 则执行步骤6；

步骤6：使用差异进化算法对父代种群中的个体依次进行变异操作和交叉操 作，得到新的子代种群，针对所得到的新的子代种群和其父代种群，执行选择 操作，选择两代种群中适应值优秀的个体作为下一代种群，返回步骤4；

步骤7：输出当前种群中适应值最优的个体，并获得相应的最优的输入层权 值和隐含层偏移量，执行步骤8；

步骤8：利用所述最优的输入层权值和隐含层偏移量，通过极限学习机分别 对训练样本集Ⅰ、训练样本集Ⅱ进行训练和学习，得到围岩分类进化极限学习 机模型和围岩参数识别进化极限学习机模型，执行步骤9；

步骤9：获取隧道施工过程中所揭露的围岩分类影响因素，执行步骤10；

步骤10：以围岩分类影响因素作为输入，通过围岩分类进化极限学习机模 型输出围岩分类结果，执行步骤11；

步骤11：监测并获得隧道的围岩位移k取值为1、2、…、S，其中S为 围岩位移监测点的数量，执行步骤12；

步骤12：根据所述围岩分类结果，在不同围岩类别范围内，结合获得的围 岩位移利用差异进化算法和围岩参数识别进化极限学习机模型，获取围岩 力学参数；

所述步骤12具体包括如下步骤：

步骤120：通过差异进化算法随机产生第一代种群，该第一代种群具有S个 个体，执行步骤121；

步骤121：分别以当前种群的各个体作为输入，通过围岩参数识别进化极限 学习机模型输出相应的围岩位移t_k[Z(z₁、z₂,…,z_r)]，k取值为1、2、…、 S，Z(z₁、z₂,…,z_r)为r个待反演的围岩力学参数，执行步骤122；

步骤122：利用目标函数$E\left[Z(z_1,z_2,...,z_r)\right]=\frac{1}{S}\underset{k=1}{\overset{S}{\Sigma }}{(t_k^0-t_k[Z(z_1,z_2,...,z_r)\left]\right)}^2$获得 目标函数值E[Z(z₁、z₂,…,z_r)]，其中Z(z₁、z₂,…,z_r)为r个待反演的围岩力学参数、 S为围岩位移监测点的数量、为监测到的围岩位移、t_k[Z(z₁、z₂,…,z_r)] 为围岩参数识别进化极限学习机模型输出的围岩位移，k取值为1、2、…、S， 执行步骤123；

步骤123：将所述目标函数值E[Z(z₁、z₂,…,z_r)]作为适应值，判断该适应值 是否小于预设值，是则执行步骤125，否则执行步骤124；

步骤124：使用差异进化算法对父代种群中的个体依次进行变异操作和交叉 操作，得到新的子代种群，针对所得到的新的子代种群和其父代种群，执行选 择操作，选择两代种群中适应值优秀的个体作为下一代种群，返回步骤121；

步骤125：输出当前种群中适应值最优的个体作为围岩力学参数 Z(z₁、z₂,…,z_r)；

进一步地，所述步骤1具体为：

收集隧道施工过程中的地质参数，建立以围岩分类影响因素为输入，围岩 级别为输出的围岩分类的样本集Ⅰ；

按照隧道所处地质条件和隧道设计尺寸建立相应的三维数值模型，针对建 立的所述三维数值模型，通过改变围岩力学参数来获得围岩位移数据的方式， 建立以围岩力学参数为输入、围岩位移数据为输出的围岩参数识别的样本集Ⅱ；

进一步地，采用正交设计方法建立以围岩力学参数为输入、围岩位移数据 为输出的围岩参数识别的样本集Ⅱ；

进一步地，所述步骤4具体为：

针对当前种群的不同个体，通过极限学习机对所述训练样本集Ⅰ、训练样 本集Ⅱ分别进行训练和学习，获得围岩分类极限学习机模型和围岩参数识别极 限学习机模型；

采用所述围岩分类极限学习机模型对所述测试样本集Ⅰ进行预测，获得预 测误差Ⅰ并将该预测误差Ⅰ作为适应值，采用所述围岩参数识别极限学习机模 型对所述测试样本集Ⅱ进行预测，获得预测误差Ⅱ并将该预测误差Ⅱ作为适应 值；

进一步地，所述进化结束条件为当前种群中某一个体的适应值小于预设值；

进一步地：

所述围岩分类影响因素包括：围岩回弹强度、岩体完整性、地下水参数、 岩体结构面、拱顶沉降位移、以及围岩收敛位移量；

所述围岩力学参数包括：弹性模量、泊松比、粘聚力和内摩擦角；

所述围岩位移数据包括：收敛位移、拱顶沉降位移、围岩应力和岩石内部 位移。

一种实施上述所述隧道施工中的反馈分析方法的装置，包括：

样本构建单元，用于构建围岩分类的样本集Ⅰ、围岩参数识别的样本集Ⅱ；

样本划分单元，用于将所述样本集Ⅰ划分为训练样本集Ⅰ和测试样本集Ⅰ 两个部分，将所述样本集Ⅱ划分为训练样本集Ⅱ和测试样本集Ⅱ两个部分；

差异进化算法单元，用于将极限学习机的输入层权值和隐含层偏移量作为 差异进化算法的个体，随机生成初始种群，以及当当前种群的个体不满足进化 结束条件时，对父代种群中的个体依次进行变异操作和交叉操作，得到新的子 代种群，针对所得到的新的子代种群和其父代种群，执行选择操作，选择两代 种群中适应值优秀的个体作为下一代种群；

计算单元，用于计算出当前种群的各个体的适应值；

判断单元，用于判断当前种群的个体是否满足进化结束条件；

输出单元，用于当当前种群的个体满足进化结束条件时，输出当前种群中 适应值最优的个体，并获得相应的最优的输入层权值和隐含层偏移量；

进化极限学习机学习单元，用于利用所述最优的输入层权值和隐含层偏移 量，通过极限学习机分别对训练样本集Ⅰ、训练样本集Ⅱ进行训练和学习，得 到围岩分类进化极限学习机模型和围岩参数识别进化极限学习机模型；

获取单元，用于获取隧道施工过程中所揭露的围岩分类影响因素；

围岩分类单元，以围岩分类影响因素作为输入，通过围岩分类进化极限学 习机模型输出围岩分类结果；

监测单元，用于监测并获得隧道的围岩位移k取值为1、2、…、S，其 中S为围岩位移监测点的数量；

和围岩力学参数反演单元，根据所述围岩分类结果，在不同围岩类别范围 内，结合获得的围岩位移利用差异进化算法和围岩参数识别进化极限学习 机模型，获取围岩力学参数；

所述围岩力学参数反演单元包括：

第一代种群生成模块，用于通过差异进化算法随机产生第一代种群，该第 一代种群具有S个个体；

子代种群生成模块，用于当由目标函数得出的适应值不小于预设值时，使 用差异进化算法对父代种群中的个体依次进行变异操作和交叉操作，得到新的 子代种群，针对所得到的新的子代种群和其父代种群，执行选择操作，选择两 代种群中适应值优秀的个体作为下一代种群；

围岩位移输出模块，用于分别以当前种群的各个体作为输入，通过围岩参 数识别进化极限学习机模型输出相应的围岩位移t_k[Z(z₁、z₂,…,z_r)]，k取 值为1、2、…、S，Z(z₁、z₂,…,z_r)为r个待反演的围岩力学参数；

目标函数值获取模块，用于利用目标函数 $E\left[Z(z_1,z_2,...,z_r)\right]=\frac{1}{S}\underset{k=1}{\overset{S}{\Sigma }}{(t_k^0-t_k[Z(z_1,z_2,...,z_r)\left]\right)}^2$获得目标函数值 E[Z(z₁、z₂,…,z_r)]，其中Z(z₁、z₂,…,z_r)为r个待反演的围岩力学参数、S为围岩 位移监测点的数量、为监测到的围岩位移、t_k[Z(z₁、z₂,…,z_r)]为围岩参 数识别进化极限学习机模型输出的围岩位移，k取值为1、2、…、S；

判断模块，用于将所述目标函数值E[Z(z₁、z₂,…,z_r)]作为适应值，并判断该 适应值是否小于预设值；

和输出模块，用于当由目标函数得出的适应值小于预设值时，输出当前种 群中适应值最优的个体作为围岩力学参数Z(z₁、z₂,…,z_r)；

进一步地，所述计算单元包括：

极限学习机学习模块，用于针对当前种群的不同个体，通过极限学习机对 所述训练样本集Ⅰ、训练样本集Ⅱ分别进行训练和学习，获得围岩分类极限学 习机模型和围岩参数识别极限学习机模型；

和适应值获取模块，用于采用所述围岩分类极限学习机模型对所述测试样 本集Ⅰ进行预测，获得预测误差Ⅰ并将该预测误差Ⅰ作为适应值，采用所述围 岩参数识别极限学习机模型对所述测试样本集Ⅱ进行预测，获得预测误差Ⅱ并 将该预测误差Ⅱ作为适应值；

进一步地，所述进化结束条件为当前种群中某一个体的适应值小于预设值。

由于采用了上述技术方案，本发明提供的基于极限学习机的隧道施工中的 反馈分析方法及其装置，通过进化极限学习机模型，结合差异进化算法，建立 了隧道施工从围岩分类到围岩参数识别的反馈分析方法，能够根据隧道施工过 程中的围岩揭露信息，结合围岩监测信息，可以快速得到围岩分类结果和围岩 力学参数，预测准确、精度高，训练过程和参数确定相对简单。

附图说明

图1是本发明所述反馈分析方法的流程图；

图2是本发明所述步骤12的方法流程图；

图3是本发明所述装置的结构框图；

图4是本发明进化极限学习机模型建立过程；

图5是本发明所述围岩分类极限学习机模型的示意图；

图6是本发明所述围岩参数识别极限学习机模型的示意图；

图7是按照隧道所处地质条件和隧道设计尺寸所建立的三维数值模型的示 意图；

图8是监测位移和数值计算位移对比的示意图；

图9是各围岩位移参数敏感度对应的示意图；

图10是原设计方案和利用本发明反馈分析方法后的调整方案对应的隧道沿 轴向沉降位移对比的示意图。

具体实施方式

如图1所示的一种基于极限学习机的隧道施工中的反馈分析方法，包括如 下步骤：

步骤1：构建围岩分类的样本集Ⅰ、围岩参数识别的样本集Ⅱ，执行步骤2；

步骤2：将所述样本集Ⅰ划分为训练样本集Ⅰ和测试样本集Ⅰ两个部分，将 所述样本集Ⅱ划分为训练样本集Ⅱ和测试样本集Ⅱ两个部分，执行步骤3；

步骤3：将极限学习机的输入层权值和隐含层偏移量作为差异进化算法的个 体，通过所述差异进化算法随机生成初始种群；所述个体为一组潜在解，可以 用数组表示；个体数量根据种群规模人为设置，执行步骤4；

步骤4：计算出当前种群的各个体的适应值，执行步骤5；

步骤5：判断当前种群的个体是否满足进化结束条件，是则执行步骤7，否 则执行步骤6；

步骤6：使用差异进化算法对父代种群中的个体依次进行变异操作和交叉操 作，得到新的子代种群，针对所得到的新的子代种群和其父代种群，执行选择 操作，选择两代种群中适应值优秀的个体作为下一代种群，返回步骤4；

步骤7：输出当前种群中适应值最优的个体，并获得相应的最优的输入层权 值和隐含层偏移量；所述适应值最优的个体即指的是适应值最小的个体，执行 步骤8；

步骤8：利用所述最优的输入层权值和隐含层偏移量，通过极限学习机分别 对训练样本集Ⅰ、训练样本集Ⅱ进行训练和学习，得到围岩分类进化极限学习 机模型和围岩参数识别进化极限学习机模型，执行步骤9；

步骤9：获取隧道施工过程中所揭露的围岩分类影响因素，执行步骤10；

步骤10：以围岩分类影响因素作为输入，通过围岩分类进化极限学习机模 型输出围岩分类结果，执行步骤11；

步骤11：监测并获得隧道的围岩位移k取值为1、2、…、S，其中S为 围岩位移监测点的数量；所述围岩位移包括收敛位移、拱顶沉降位移、围岩 应力和岩石内部位移，执行步骤12；

步骤12：根据所述围岩分类结果，在不同围岩类别范围内，结合获得的围 岩位移利用差异进化算法和围岩参数识别进化极限学习机模型，获取围岩 力学参数；

如图2所示，所述步骤12具体包括如下步骤：

步骤120：通过差异进化算法随机产生第一代种群，该第一代种群具有S个 个体，执行步骤121；

步骤121：分别以当前种群的各个体作为输入，通过围岩参数识别进化极限 学习机模型输出相应的围岩位移t_k[Z(z₁、z₂,…,z_r)]，k取值为1、2、…、 S，Z(z₁、z₂,…,z_r)为r个待反演的围岩力学参数，执行步骤122；

步骤122：利用目标函数$E\left[Z(z_1,z_2,...,z_r)\right]=\frac{1}{S}\underset{k=1}{\overset{S}{\Sigma }}{(t_k^0-t_k[Z(z_1,z_2,...,z_r)\left]\right)}^2$获得 目标函数值E[Z(z₁、z₂,…,z_r)]，其中Z(z₁、z₂,…,z_r)为r个待反演的围岩力学参数、 S为围岩位移监测点的数量、为监测到的围岩位移、t_k[Z(z₁、z₂,…,z_r)] 为围岩参数识别进化极限学习机模型输出的围岩位移，k取值为1、2、…、S， 执行步骤123；

步骤123：将所述目标函数值E[Z(z₁、z₂,…,z_r)]作为适应值，判断该适应值 是否小于预设值，是则执行步骤125，否则执行步骤124；

步骤124：使用差异进化算法对父代种群中的个体依次进行变异操作和交叉 操作，得到新的子代种群，针对所得到的新的子代种群和其父代种群，执行选 择操作，选择两代种群中适应值优秀的个体作为下一代种群，返回步骤121；

步骤125：输出当前种群中适应值最优的个体作为围岩力学参数 Z(z₁、z₂,…,z_r)；一组适应值最优的个体包含r个围岩力学参数；

进一步地，所述步骤1具体为：

收集隧道施工过程中的地质参数，建立以围岩分类影响因素为输入，围岩 级别为输出的围岩分类的样本集Ⅰ；

按照隧道所处地质条件和隧道设计尺寸建立相应的三维数值模型，针对建 立的所述三维数值模型，通过改变围岩力学参数来获得围岩位移数据的方式， 建立以围岩力学参数为输入、围岩位移数据为输出的围岩参数识别的样本集Ⅱ；

进一步地，采用正交设计方法建立以围岩力学参数为输入、围岩位移数据 为输出的围岩参数识别的样本集Ⅱ；

进一步地，所述步骤4具体为：

针对当前种群的不同个体，通过极限学习机对所述训练样本集Ⅰ、训练样 本集Ⅱ分别进行训练和学习，获得围岩分类极限学习机模型和围岩参数识别极 限学习机模型；

采用所述围岩分类极限学习机模型对所述测试样本集Ⅰ进行预测，获得预 测误差Ⅰ并将该预测误差Ⅰ作为适应值，采用所述围岩参数识别极限学习机模 型对所述测试样本集Ⅱ进行预测，获得预测误差Ⅱ并将该预测误差Ⅱ作为适应 值；

进一步地，所述进化结束条件为当前种群中某一个体的适应值小于预设值；

进一步地：

所述围岩分类影响因素包括：围岩回弹强度、岩体完整性、地下水参数、 岩体结构面、拱顶沉降位移、以及围岩收敛位移量；

所述围岩力学参数包括：弹性模量、泊松比、粘聚力和内摩擦角；

所述围岩位移数据包括：收敛位移、拱顶沉降位移、围岩应力和岩石内部 位移。

如图3所示的一种实施上述所述隧道施工中的反馈分析方法的装置，包括： 样本构建单元，用于构建围岩分类的样本集Ⅰ、围岩参数识别的样本集Ⅱ；样 本划分单元，用于将所述样本集Ⅰ划分为训练样本集Ⅰ和测试样本集Ⅰ两个部 分，将所述样本集Ⅱ划分为训练样本集Ⅱ和测试样本集Ⅱ两个部分；差异进化 算法单元，用于将极限学习机的输入层权值和隐含层偏移量作为差异进化算法 的个体，随机生成初始种群，以及当当前种群的个体不满足进化结束条件时， 对父代种群中的个体依次进行变异操作和交叉操作，得到新的子代种群，针对 所得到的新的子代种群和其父代种群，执行选择操作，选择两代种群中适应值 优秀的个体作为下一代种群；计算单元，用于计算出当前种群的各个体的适应 值；判断单元，用于判断当前种群的个体是否满足进化结束条件；输出单元， 用于当当前种群的个体满足进化结束条件时，输出当前种群中适应值最优的个 体，并获得相应的最优的输入层权值和隐含层偏移量；进化极限学习机学习单 元，用于利用所述最优的输入层权值和隐含层偏移量，通过极限学习机分别对 训练样本集Ⅰ、训练样本集Ⅱ进行训练和学习，得到围岩分类进化极限学习机 模型和围岩参数识别进化极限学习机模型；获取单元，用于获取隧道施工过程 中所揭露的围岩分类影响因素；围岩分类单元，以围岩分类影响因素作为输入， 通过围岩分类进化极限学习机模型输出围岩分类结果；监测单元，用于监测并 获得隧道的围岩位移k取值为1、2、…、S，其中S为围岩位移监测点的数 量；和围岩力学参数反演单元，根据所述围岩分类结果，在不同围岩类别范围 内，结合获得的围岩位移利用差异进化算法和围岩参数识别进化极限学习 机模型，获取围岩力学参数；所述围岩力学参数反演单元包括：第一代种群生 成模块，用于通过差异进化算法随机产生第一代种群，该第一代种群具有S个个 体；子代种群生成模块，用于当由目标函数得出的适应值不小于预设值时，使 用差异进化算法对父代种群中的个体依次进行变异操作和交叉操作，得到新的 子代种群，针对所得到的新的子代种群和其父代种群，执行选择操作，选择两 代种群中适应值优秀的个体作为下一代种群；围岩位移输出模块，用于分别以 当前种群的各个体作为输入，通过围岩参数识别进化极限学习机模型输出相应 的围岩位移t_k[Z(z₁、z₂,…,z_r)]，k取值为1、2、…、S，Z(z₁、z₂,…,z_r)为 r个待反演的围岩力学参数；目标函数值获取模块，用于利用目标函数 $E\left[Z(z_1,z_2,...,z_r)\right]=\frac{1}{S}\underset{k=1}{\overset{S}{\Sigma }}{(t_k^0-t_k[Z(z_1,z_2,...,z_r)\left]\right)}^2$获得目标函数值 E[Z(z₁、z₂,…,z_r)]，其中Z(z₁、z₂,…,z_r)为r个待反演的围岩力学参数、S为围岩 位移监测点的数量、为监测到的围岩位移、t_k[Z(z₁、z₂,…,z_r)]为围岩参 数识别进化极限学习机模型输出的围岩位移，k取值为1、2、…、S；判断模块， 用于将所述目标函数值E[Z(z₁、z₂,…,z_r)]作为适应值，并判断该适应值是否小于 预设值；和输出模块，用于当由目标函数得出的适应值小于预设值时，输出当 前种群中适应值最优的个体作为围岩力学参数Z(z₁、z₂,…,z_r)；进一步地，所述 计算单元包括：极限学习机学习模块，用于针对当前种群的不同个体，通过极 限学习机对所述训练样本集Ⅰ、训练样本集Ⅱ分别进行训练和学习，获得围岩 分类极限学习机模型和围岩参数识别极限学习机模型；和适应值获取模块，用 于采用所述围岩分类极限学习机模型对所述测试样本集Ⅰ进行预测，获得预测 误差Ⅰ并将该预测误差Ⅰ作为适应值，采用所述围岩参数识别极限学习机模型 对所述测试样本集Ⅱ进行预测，获得预测误差Ⅱ并将该预测误差Ⅱ作为适应值； 进一步地，所述进化结束条件为当前种群中某一个体的适应值小于预设值。

反演分析是以围岩位移量测数据作为已知量，反求岩体物理力学参数或初 始地应力的过程。本发明利用极限学习机的快速计算性和逼近精度高的优点， 建立了隧道施工从围岩分类到围岩参数识别的反馈分析方法，该方法能够根据 隧道施工过程中的围岩揭露信息，结合围岩监测信息，可以快速得到围岩分类 结果和围岩力学参数，在得到围岩分类结果之后可以进行相应的支护分类调整， 在得到围岩力学参数之后可以进行相应的支护定量调整；为了避免人为随意性 反馈分析隧道信息，本发明借助机器学习模式识别和模型拟合方法来实现反馈 分析，首先，引入了一种新的快速单隐层前馈神经网络的机器学习方法即极限 学习机(ELM)，在分析其原理基础上与差异进化算法(DE)结合，优化其所述 极限学习机的输入层权值和隐含层偏移量，提高预测精度，然后建立隧道双闭 环反馈分析的进化极限学习机方法，图4示出了本发明进化极限学习机模型的 建立过程，如图4所示，本发明进化极限学习机模型的建立过程包括如下步骤：

①确定训练样本和测试样本；

②产生初始种群；

③极限学习机参数取值；

④极限学习机学习预测；

⑤适应值计算；

⑥适应值是否满足要求，是则终止，否则执行步骤⑦；

⑦变异操作；

⑧交叉操作；

⑨选择操作，返回步骤③。

本发明将极限学习机的输入层权值和隐含层偏移量作为差异进化算法的优 化变量，同时以训练预测误差作为差异进化算法的适应值，同时根据所需反馈 分析的问题，构造具有代表性的样本集，该样本集包括训练样本集和测试样本 集，然后设定差异进化算法的参数包括种群数量、进化代数、交叉因子CR和放 大因子F，并随机产生初始种群，每个个体对应极限学习机的输入层权值和隐含 层偏移量，进行训练，获得输出权值，进而获得极限学习机的拓扑结构，利用 测试样本对训练的极限学习机进行预测检验，以预测误差作为差异进化算法的 适应值，当适应值不小于预设值(进化结束条件)，预设值可以取0，差异进化 算法进行变异、交叉和选择等迭代操作，直到满足进化结束条件，此时当前种 群中适应值最优的个体即作为最佳输入层权值和隐含层偏移量，然后训练获得 输出层权值；图5示出了本发明所述围岩分类极限学习机模型的示意图，图6 示出了本发明所述围岩参数识别极限学习机模型的示意图。

极限学习机的数学模型如下：

对于N个不同学习样本(x_i,y_i)∈Rⁿ×R^m(i＝1,2,…,N)、具有L个隐含层节点、 隐含层激活函数为g(x)的单隐藏层前馈神经网络，第i个样本输出值可采用如 下的公式表示：

$o_i=\underset{j=1}{\overset{L}{\Sigma }}{\beta }_{j}g(a_j·x_i+b_j)---\left(1\right)$

式(1)中，o_i为第i个样本的输出值，α_j＝[α_j1，α_j2，…，α_jn]^T，表示输入层 到隐含层的连接权值；b_j＝[b_j1,b_j2,…，b_jm]^T表示隐含层节点的偏移量，β_j＝[β_j1, β_j2,…，β_jm]^T表示隐含层第i个节点到输出层的连接权值，g(x)为激活函数；

所述网络若以零误差逼近训练样本，则：

$y_i=o_i=\underset{j=1}{\overset{L}{\Sigma }}{\beta }_{j}g({\alpha }_j·x_i+b_j)---\left(2\right)$

式(2)可以简记为：

Hβ＝Y    (3)

其中，$H=\left(\begin{array}{cccc}g(a_1,b_1,x_1)& g(a_2,b_2,x_1)& ...& g(a_L,b_L,x_1)\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ g(a_1,b_1,x_N)& g(a_2,b_2,x_N)& & g(a_L,b_L,x_N)\end{array}\right),$$\beta ={\left(\begin{array}{c}{\beta }_1^T\\ .\\ .\\ .\\ {\beta }_N^T\end{array}\right)}_{N\times M},$$Y=\left(\begin{array}{c}{y}_1^T\\ .\\ .\\ .\\ y_N^T\end{array}\right),$这里的a_j、b_j、β_j的含义与式(1)中的含义相同， H为神经网络隐含层输出矩阵，H(x_i)为H的第i行向量，H的第j列为输入变 量x₁,x₂,…,x_N时第j个隐含层对应的输出。

极限学习机的学习算法一般包括以下三个步骤：

①确定隐含层节点(神经元)个数，设定输入层与隐含层之间的连接权值a 和隐含层节点的偏移量b；

②选择一个无限可微的函数作为隐含层节点的激活函数，进而计算隐含层 输出矩阵H；

③计算输出层权值β，上述过程极限学习机通过随机设置隐含层到输入层的 权值和偏移量，可对输出层权值产生唯一解，若隐含层节点足够多，理论上可 逼近任何连续函数。

差异进化算法(DE)的原理和步骤如下：

令第G代种群中向量的个数为N_P，第G代中向量可以表示为x_i,G，i＝1,2,…,N_P, 每个向量个体包含D个分量，DE算法过程如下：

1)产生初始种群：在D维空间里随机产生满足自变量上下界约束的N_P个染 色体,公式如下：

$x_{\mathrm{ij}}\left(0\right)={\mathrm{rand}}_{\mathrm{ij}}\left(\mathrm{0,1}\right),\left(x_{\mathrm{ij}}^U{-x}_{\mathrm{ij}}^L\right)+x_{\mathrm{ij}}^L---\left(4\right)$

i＝1,2,…,N_P；j＝1,2,…,D.

式中分别为第j个分量的上界和下界，rand_ij(0,1)是[0，1]之间 的随机数。

2)变异操作：在DE算法中，缩放种群中任意两个目标向量个体之间的差 值并叠加到种群中的第3个向量个体上，形成新的变量，此过程称为变异。对 于第G代每个目标向量，其变异向量第j分量为：

v_i,j(G+1)＝x_r1j(G)+F(x_r2j(G)-x_r3j(G))    (5)

式中下标r1,r2,r3为[1，NP]中的随机整数且互不相同，F为缩放因子，用 来调节向量差异的步长幅值，在0～2内取值。公式(5)是基本的变异模式， 被称作DE/rand/1模式；随着该公式的改变，尚能形成其它模式，如DE/best/1、 DE/best/2、DE/rand/2等。

3)交叉操作：将目标向量x_i,G与变异向量v_i,G+1按照如下规则杂交，生成新 的试样向量u_i，G+1:

式中r_j∈[0,1]为与向量第j个分量对应的随机数；CR∈[0,1]为杂交概率 常数；rn_i为在1，2，…，D中随机挑选一个整数，以确保变异向量V_i(G+1)中， 至少有一个分量被试样向量u_i(G+1)采用。

4)选择操作：采用贪婪搜索方法进行选择操作。将试样向量u_i(G+1)与目 标向量x_i(G)比较，如果u_i(G+1)对应较小的目标函数值，则选择向量u_i(G+1)； 反之如果，x_i(G)对应较小的目标函数值，则保留向量x_i(G)。

其中，隧道施工过程中的动态围岩分类进化极限学习机模型可以采用 P＝DEELC(X)表示，其中P表示围岩类别、DEELC表示进化模式分类差异极 限学习机模型、X表示隧道开挖过程中揭露或观测形成的围岩分类影响因素， 实际应用时考虑围岩分类影响因素获取的方便性以及充分利用施工过程中的揭 露信息原则，同时参考《JTG D70-2004公路隧道设计规范》的围岩基本质量指 标(BQ分级法)，可将围岩回弹强度、岩体完整性指标K_v、地下水状况、岩体 结构面产状、拱顶沉降位移、以及围岩收敛位移量作为围岩分类影响因素。

同时，在获得围岩分类结果的基础上，进而建立围岩位移反演分析， Z(z₁、z₂,…,z_r)为r个待反演的围岩力学参数，其范围根据所获得的围岩类别来 确定，通过t_k＝DEELR(Z)表示围岩参数识别极限学习机模型，其中DEELR表 示函数拟合差异进化极限学习机模型，映射隧道围岩位移与围岩力学参数的非 线性关系。

下面具体说明本发明所述反馈分析方法及其装置具体应用的实例，通过该 实例对其实施过程和效果进行说明；

本发明所述反馈分析方法在吉林某公路隧道施工中进行应用，某隧道位于 吉林省东部白山市靖宇县境内，工程地区属长白中低山区，该区出露的地层主 要为侏罗系河湖相碎屑岩、安山岩类和第三～第四系玄武岩；断裂一般不太发 育、规模较小、破坏程度不严重，隧道区地下水位埋藏条件以松散堆积层中的 孔隙潜水和基岩裂隙水为主，受大气降水补给，向沟谷排泄。

隧道为分离式双洞隧道，两洞间距近13～35m左右，呈直线展布；左线设 计起点里程为ZK275+170、终点里程为ZK276+795、全长1625m；右线设计起点 里程为RK275+180、终点里程为RK276+780、全长1600m。以右线的 K275+173～K275+390部分区域为例分析，来说明本发明的应用；隧道最大开挖宽 度约12m，高度为7.6m，该隧道的围岩主要是III、IV、V类围岩，每间隔20 米设立一个监测断面，进行拱顶沉降和洞周收敛监测。

通过对某隧道和类似隧道的地质参数进行数据收集，包括现场地质勘测和 室内取样试验，获得围岩分类的样本集Ⅰ，共包括35个样本，随机选取30个 作为训练样本Ⅰ、另外5个作为测试样本集Ⅰ，通过步骤1至步骤8，利用训练 样本Ⅰ和测试样本集Ⅰ得到围岩分类进化极限学习机模型，用该围岩分类进化 极限学习机模型对某隧道右线YK275+190～YK275+390区域进行围岩分类，输入 围岩分类影响因素，这里包括围岩回弹强度、岩体完整性、地下水参数、岩体 结构面、拱顶沉降位移、以及围岩收敛位移量，则得到围岩分类结果，如表1 所示，由表1可知，大部分断面与原设计分级一致，其中桩号YK275+370和 YK275+390附近的区域反馈分类结果为IV级，围岩性质优于原设计的V级，为 进一步确认岩石性质，需要进行反分析。

表1.利用围岩分类进化极限学习机模型实现围岩分类的实施数据。

为进一步探明桩号YK275+370和YK275+390附近区域岩体性质，基于围岩 参数识别进化极限学习机模型和差异进化算法对该区段实施参数反分析，首先 建立该区段的三维数值模型，图7示出了按照隧道所处地质条件和隧道设计尺 寸所建立的三维数值模型的示意图，选取为长207米、宽70米、高90米的计 算区域，地层从上到下依次为：角质凝灰岩、灰质泥岩和含钙粉砂质泥岩；进 口端隧道中点坐标为(0，0，0)、Y轴为隧道的掘进方向、Z轴为竖直方向、X 轴为隧道水平的径向，共剖分370924个单元和379464个节点。地层模型采用 实体单元模拟，锚杆和长管棚采用cable结构单元，喷射混凝土采用Shell单 元，塑性本构采用莫尔-库仑屈服准则。与实际监控量测对应，每间隔20米设 置一个监测断面，监测拱顶、拱底和收敛位移；并选取离隧道比较近的灰质泥 岩的弹性模量、泊松比、粘聚力、内摩擦角(E₁、μ₁、C₁、φ₁)和角砾凝灰岩的弹 性模量、泊松比(E₂、μ₂)为参数因素，根据前期勘察资料确定它们的取值范 围见表2。在取值范围内各取五个水平，构造L25(6⁵)的25个正交设计方案和 U5(6⁵)的5个均匀设计方案。

表2.灰质泥岩的弹性模量、泊松比、粘聚力、内摩擦角(E₁、μ₁、C₁、φ₁) 和角砾凝灰岩的弹性模量、泊松比(E₂、μ₂)取值范围。

对25个正交方案和5个均匀方案分别进行数值计算，选取桩号YK275+370 的监测断面，记录此剖面的拱顶位移、拱底位移以及洞周收敛位移进行分析， 得出30个计算方案的结果参照图8所示；运用正交设计因素分析方法对试验数 据进行计算，得到各因子极差，从而分析各参数敏感度，图9示出了分析出的 各参数敏感度图表。通过极差计算和次序排列，得出六个参数的敏感度大小顺 序为E₁＞μ₁＞C₁＞μ₂＞φ₁＞E₂。选取比较敏感的三个参数E₁、μ₁和C₁作为反演 参数，其他参数按前期勘察数据范围中心点选取。

利用上述25个正交训练样本和5个均匀预测样本，通过步骤1至8得到围 岩参数识别进化极限学习机模型，建立了围岩力学参数和研究断面位移的非线 性映射关系，同时将本发明所述进化后的极限学习机算法与BP神经网络、径向 基SVM算法的预测时间、拟合最大相对误差进行对比。为了公平比较，也采用 了进化后的BP神经网络、径向基SVM算法，设置差异进化算法的节点数为50， 迭代次数为50，由表3可见，这三种方法预测最大相对误差不超过7％，都能获 得比较高的预测精度，可以满足工程应用。其中本发明进化后的极限学习机算 法预测精度最高，并且所用时间也最短，而BP神经网络训练时间最长，且预测 相对误差最大，进化后的极限学习机算法参数确定和训练过程比BP神经网络和 支持向量机简单，可见，进化后的极限学习机算法在速度和准确度方面都有一 定的优势。

表3.进化后的极限学习机算法与BP神经网络、径向基SVM算法的预测精 度对比。

学习算法 时间/s 平均相对误差 进化后的极限学习机算法 19.65 4.42％ 径向基SVM算法 85.22 4.89％ BP神经网络 356.73 6.62％

断面监测顶拱、拱顶和收敛的位移分别为：6.41mm、7.08mm和6.38mm，设 置优化变量数为3、节点数量为50、迭代次数为300、变异因子F＝0.7、交叉因 子CR＝0.6，运行差异进化算法，搜索得到对应的适应值最小值时的力学参数组 为：E1＝3.496GPa，μ1＝0.315，C1＝0.300MPa，此即为反演获得的围岩参数。将 反演的参数输入数值计算模型，可得到相应测线的位移计算值和实测值对比参 考表4所示。反演参数计算值与已知监测线位移相对误差最大为-3.29％，结果 令人满意，可用于后续的支护优化分析，反分析参数值不但进一步说明了分级 结果的合理性，也为进一步定量的方案比选计算提供了基础。

表4.反演位移与实测位移对应数据。

通过上述对某隧道桩号YK275+258等断面附近围岩反馈分析表明，该处围 岩处于IV级；经过与研究方、设计方和施工方协商，建议该2个桩号后续区段 按照IV级原则进行施工调整，即由原设计的双侧壁导坑+超前大管棚法调整为 上下台阶+超前锚杆法；基于反分析获得的围岩力学参数，计算的原设计方案和 调整后的方案对应的隧道沿轴向沉降位移参照图10所示。由计算可见，方案简 化后顶拱最大沉降由大约6mm左右增加到9mm左右，满足工程稳定性要求；调 整后的施工方案经过后期的实际观测与计算一致。

本发明通过引入一种新的快速单隐层前馈神经网络的机器学习方法来进行 隧道的施工反馈分析，即进行围岩分类和围岩参数识别，克服了传统神经网络 结构复杂、以及拓扑结构确定困难的缺点，提高了算法的精度和准确度；本发 明提供的基于极限学习机的隧道施工中的反馈分析方法及其装置，通过进化极 限学习机模型，结合差异进化算法，建立了隧道施工从围岩分类到围岩参数识 别的反馈分析方法，能够根据隧道施工过程中的围岩揭露信息，结合围岩监测 信息，可以快速得到围岩分类结果和围岩力学参数，预测准确、精度高，训练 过程和参数确定相对简单。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局 限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本 发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护 范围之内。