摘要：本文以浙江省绍兴市柯桥区杨家山隧道为研究对象，基于BP神经网络，应用量化共轭梯度法对隧道围岩内部位移进行预测。通过对不同深度（1m、2m、3m）监测点的位移进行动态分析，结合实际监测数据，评估回归精度。结果表明，量化共轭梯度法的预测精度较高，能够有效预测围岩位移，并为类似隧道工程的施工安全和稳定性提供有力支持。

关键词：BP神经网络；隧道；围岩；特大断面；预测

一、引言

近年来，随着中国基础设施建设的飞速发展，隧道工程规模不断扩大，施工环境的复杂性和不确定性逐渐增加，特别是隧道围岩的稳定性问题日益突出[1]。为了确保隧道工程的安全性，基于地表及地下监测数据的围岩位移预测逐渐成为研究的热点[2]。目前已有学者采用经验曲线模型、灰色系统理论以及BP神经网络进行预测，但仍存在精度和适用范围的局限[3]。为此，本文采用量化共轭梯度法，对杨家山隧道的围岩位移进行了预测分析，以期为后续隧道工程的安全施工提供参考。

二、工程概况

杨家山隧道为特大断面浅埋隧道，长度约为300m，宽约21.4m，高约13.9m，最大埋深61m。隧道以双线形式穿越杨家山。左洞起始、终止里程分别为ZK18+121-ZK18+412，隧道长度为291m，右洞起始、终止里程分别为YK18+154-YK18+460，隧道长度为306m。该隧道为双向八车道超大断面隧道。

三、量化共轭梯度法（trainscg）

量化共轭梯度法（Trainscg）是一种优化算法，主要用于训练神经网络中的权重参数。它是MATLAB神经网络工具箱（Neural Network Toolbox）中的一种算法，用于梯度下降训练神经网络。量化共轭梯度算法在训练神经网络时，利用共轭梯度法的特性来更新权重参数。它使用共轭梯度法的搜索方向和步长来进行权重更新，以最小化损失函数。同时，量化共轭梯度算法还通过跳过某些计算来提高计算效率，从而加快训练过程。相比于传统的梯度下降算法，量化共轭梯度算法在处理大规模神经网络训练时通常具有更快的收敛速度。它适用于需要高度非线性优化的任务，如深度神经网络的训练。

四、量化共轭梯度法预测

用量化共轭梯度法预测对杨家山隧道围岩内部位移进行预测，通过实测数据的训练，获得围岩测试位置的深度为1m、2m、3m的预测位移。并与实测值对比见表1。

由表1可知，预测结果相对误差平均值最大约为2%，最小约0.01%，总体相对误差平均值处于较低的水平，预测精度较准确。为了确定预测值误差分布情况，计算得到预测值误差小于实测值5%、10%时所占比例见表2。

由表2可知，3个变量中，围岩深度为1m时预测值误差小于实测5%和10%分别为95.8%和98.6%，围岩深度为2m时预测值误差小于实测5%和10%分别为92.2%和94.0%，围岩深度为3m时预测值误差小于实测5%和10%分别为95.3%和98.9%，所以，3个变量小于实测值5%占比以及小于实测值10%占比，均达至90%以上，预测均较为准确，其中围岩深度为1m和3m时最为准确，准确率达95%以上。

五、结论

（1）通过对隧道围岩不同深度（1m、2m、3m）进行预测，量化共轭梯度法能够有效提高位移预测的精度。

（2）预测精度分析：在所有预测变量中，围岩深度为1m和3m的预测误差最小，预测值与实测值的拟合程度较高，95%以上的预测结果误差控制在5%以内，准确率表现出色。

（3）工程应用价值：该模型为隧道施工过程中围岩位移的动态监测提供了一种新的技术手段，有助于提升监测效率和隧道施工的安全性，为类似工程的围岩位移预测提供了理论和实践支持。

参考文献：

[1]李明宇，姜平远，赵佶彬，樊明辉，周杰，冯高顺，and陈宏.2016.'软土中运营地铁盾构隧道长期变形规律及纵向分布特征实测分析'，现代隧道技术，53：25-30.

[2]刘博峰.2022.'基于BP神经网络算法的大变形隧道位移监测数据分析与应用'，铁道建筑，62：106-09.

[3]乔金丽，范永利，刘波，李艳艳，and张彦平.2012.'基于改进BP网络的盾构隧道开挖地表沉降预测'，地下空间与工程学报，8：352-57+74.

项目名称：小净距平行顶管对地层变形影响机理研究;

项目编号：XZR2023B01;

科研平台：工程防灾减灾与智能建造研究中心。