《类神经网路於地下开挖工程之应用.docx》由会员分享，可在线阅读，更多相关《类神经网路於地下开挖工程之应用.docx（7页珍藏版）》请在三一办公上搜索。
1、土木水利 第二十九卷 第二期大地工程專輯土木水利 第二十九卷 第二期民國九十一年八月，第5864頁Civil and Hydraulic EngineeringVol. 29, No. 2, August 2002, pp. 5864類神經網路於地下開挖工程之應用APPLICATION OF ARTIFICIAL NEURAL NETWORK IN UNDERGROUND CONSTRUCTIONS陳 錦 清 中興工程顧問社大地工程研究中心經理、中國土木水利工程學會會員2 中興工程顧問社大地工程研究中心高級研究員、中國土木水利工程學會會員 冀 樹 勇2 俞 旗 文2摘 要由於地下開挖工程面對地
2、層之多變性與地工參數之難以確實掌握，在目前地工技術發展之條件下，利用經驗法進行設計是目前工程實務的主流。近年來快速發展的類神經網路技術，經初步應用於岩盤隧道支撐系統設計與深開挖地下連續壁壁體變形預估之結果，利用成功的工程案例資料，即可發揮對工程設計的經驗指導與施工行為的預測，值得工程界的推廣應用。關鍵詞：類神經網路、岩盤隧道支撐設計、連續壁壁體變形預測。AbstractDue to the complexity and uncertainty of geomechanical factors affecting the underground construction work, empiri
3、cal design is still widely used in the current engineering practices. From the results of applying the rapidly developing artificial neural network techniques in the estimation of support system of rock tunnel and the prediction of diaphragm wall deflection in deep excavation, with proper training o
4、f the system using database of successful case histories it can provide a reasonable guidance for engineering design and the predication of construction performances.Keywords:artificial neural network, rock tunnel support design, diaphragm wall deflection prediction. 63 土木水利 第二十九卷 第二期一、前 言在土木工程領域中，對
5、理論無法完全掌握之複雜工程問題，利用以往成功的經驗以獲得解決對策，是工程實務上常採用的作法，特別是牽涉複雜地質因素的大地工程問題。地下開挖工程如岩盤隧道、軟弱地盤建物基礎等，面對的是複雜的岩土介質，影響工程設計的因素眾多且在規劃設計階段所作的調查與試驗常十分有限，對設計參數所能掌握之程度常十分不足。故在設計階段常採用經驗設計為主，理論分析則多扮演校核的角色。由於設計屬經驗性質，故特別強調施工中設計，是大地工程設計之特點，施工監測與回饋是其中的重要一環。如何利用以往成功或失敗的案例經驗作為設計的指引，以岩盤隧道工程為例，在1970年代多位學者提出的岩體分類法，包括目前最常為工程界所採用的Bien
6、iawski 1 的地質力學分類法 (Geomechanics Classification System) 或RMR系統及Barton, Lien and Lunde 2 的隧道岩石品質指標 (Rock Tunneling Index) 或Q系統，即為具專家系統雛形的經驗法。此等岩體分類法將影響隧道穩定的岩石品質因素定量的評分，並依據以往成功的隧道工程案例，對隧道支撐工需求進行統計，歸納出各種品質岩盤的支撐工設計建議。在設計階段，即將可能遭遇之岩層依其品質分為數類，並根據岩體分類系統 (RMR或Q) 之建議，設計各類岩盤所需之支撐系統；在施工階段，則依據出露岩盤之評分結果，選用設計階段訂定的
7、支撐系統施作，再裝設監測系統監測岩盤與支撐工的行為，以檢討隧道之安全及支撐系統與開挖設計之適當性。依此方式，國內已完成了許多隧道工程計畫，並累積了相當多的工程案例與經驗。但無可諱言的，引進國外的經驗，由於地質條件及施工承商的水準與習性均有差異，故時有隧道發生困難、無法控制圍岩變形，甚至失敗的案例發生。同樣，在軟弱地盤開挖地下結構或大樓基礎，亦已完成了許多工程，並累積了相當豐富的經驗。目前重要的深開挖工程均裝設有監測儀器，以監測周圍土體及支撐結構之安全，並利用監測結果檢討支撐設計與施工方法之適當性。但由於許多工程施工回饋作業未能確實落實，致未能根據施工監測獲得的警訊，及早提出應變對策，因而發生支
8、撐工過度變形，造成損鄰事件，甚至工程失敗亦時有所聞。故在利用國外的經驗設計之外，如何善用國內所累積的工程經驗或施工資訊，作為設計或施工安全評估之指引，是國內工程界最重要的課題之一。本文嘗試討論利用工程案例資料與施工監測資訊，協助工程設計與施工安全評估之可能途徑，並以類神經網路技術應用於岩盤隧道支撐設計與軟弱地盤深開挖壁體變形預測為例，說明其可行性。二、工程經驗案例與施工資訊之應用工程師在無完整的理論架構下，成功地完成了許多困難工程之設計與施工。以這些成功的經驗案例作為解決新工程問題的指引，在土木工程界是行之有年的作法。特別是近年來，人工智慧理論與技術的快速發展，為解決此類複雜的與非確定性的問題
9、提供了強有力的工具。利用專家的工程經驗，透過專家訪談，建立以法則 (Rule) 為主的知識庫，透過推理引擎與依據法則尋求解答之專家系統 (Expert System) 是1970年代起最早被應用者。在地下開挖工程領域，例如Zhang 等人 3 開發的岩體分類系統，透過將定性的分類參數分解為較確定的子參數或依專家經驗將子參數再予細分至不需依經驗判斷為止，最後將此等細分參數一步步向上合成，以獲得岩體分類。Butler & Franklin 4 亦推出RMR與Q岩體分類之專家系統CLASSEX。馮夏庭與林韻梅 5 則基於學理、規範與專家經驗，建立了以規律、數學模型與圖形的知識庫，並利用考慮模糊與不精
10、確的不確定推理機制，開發了採礦巷道圍岩支護設計的專家系統。國內張宏志 6 則利用專家訪談，建立法則知識庫，開發出擋土開挖之災害成因推理專家系統。由於基於經驗法則的專家系統，知識的獲取，即專家經驗如何確定的表達出來，以形成知識庫，是一個非常困難的過程，而且許多工程問題並非皆有明確的法則可循。故於1989年起，以案例庫為基礎的推理系統開始被開發出來。其方法就是不從專家那裡獲取知識，而是從實際案例的結果中獲得解答。其中，案例推理系統 (Case-Based Reasoning，CBR) 就是透過查詢 (Re-call) 與新問題相似的案例，以求得符合新問題條件的解答。首先應用案例推理系統於地下開挖工
11、程的是Zhang等人 7，利用Cecil 8 的95個隧道支撐設計案例建立了隧道支撐設計的案例推理系統。案例推理系統提供了利用以往已解決的案例資料，來解決新問題的方法。系統中最重要的是案例資料庫，在開挖工程中，可靠的案例資料不足，且在推理或修改中所需影響設計結果與設計條件之經驗關係或理論規律不易建立，是本法最大的困難。以案例資料庫為基礎的另一發展即為類神經網路 (Artificial Neural Network，ANN)。類神經網路是1980、90年代迅速發展的基於模仿生物大腦的結構與功能的一種訊號處理系統。它是由多個簡單的相連的神經元，來模仿生物神經網路從外界環境接受資訊，經簡單的運算後，
12、輸出結果到外界環境。Flood & Kartan 9,10 指出類神經網路在土木工程領域已被應用在函數映射 (functional mapping)、分類 (classification)、系統辨識 (system identification) 及最佳化 (optimization) 等問題。其中，最常為土木工程領域中採用之類神經網路為監督式倒傳遞類神經網路 (back-propagation neural network，BPN) 模型 11，以過往案例結果進行學習，藉由最佳化加權運算，求得輸入參數與輸出參數間的函數映射 (functional mapping) 關係係數，此係數即為網路架
13、構神經元 (Node) 間各連結 (Link) 之權值 (weight)。在人腦中的神經細胞是數億萬計相互連續在一起，但在倒傳遞網路模型中，則是由有限數量的多層次神經元組成。圖1顯示一單隱藏層之向前饋入類神經網路，第一層為輸入層，中間為隱藏層，第三層為輸出層。上下層間各神經元完全以連結 (Link) 互相連接，但每層之神經元則互不連接，學習所得權值即儲存在這些連結上。資料 (x1, x2, xn) 由輸入層傳入經過最佳化計算，最後由輸出層傳出結果 (y1, y2, ym)。儘管類神經網路是對人腦的低度模擬，但現有研究成果顯示，它具有人腦功能的基本特徵，如訓練學習與回憶，對規律不甚清楚、無法用一
14、組規則或方程組進行描述的複雜問題有其優點。大地工程問題常屬高度複雜性與非線性問題，理論模式建立十分困難。利用類神經網路應用於函數映射問題，根據案例資料建立輸入與輸出參數間的關係，即可利用成功的案例來獲得新問題的解答。以下即介紹利用倒傳遞類神經網路於岩盤隧道支撐工設計與深開挖壁體變形預測之應用。圖1 具單隱藏層之網路架構三、類神經網路應用3.1 岩盤隧道支撐設計中興工程顧問社大地工程研究中心開發之隧道支撐設計整合系統 12 中之支撐設計輔助系統，即包含岩體分類經驗設計與工程案例類比設計。其中之工程類比法即根據國內已完成之隧道支撐設計案例，包括北二高隧道群及彭山隧道等具完整之地質、地形、岩力及監測
15、資料之案例，共230件建立資料庫，再利用倒傳遞類神經網路進行學習，再根據隧道設計條件估計所需之支撐系統。蒐集之案例資料主要包括：計畫基本資訊、岩石力學資訊、開挖資訊、支撐工資訊、監測資訊及工程圖形影像資訊等六大項。根據岩石力學與隧道工程理論與實務，選定影響岩盤隧道支撐設計的最重要因素包括：(1) 隧道幾何形狀含隧道跨徑與斷面積，(2) 隧道埋深，(3) 岩盤優劣以RMR評分值代表，及 (4) 岩質強度以岩心單壓強度代表，共五個輸入條件。支撐工設計參數則包括：輪進長度、噴凝土厚度、岩釘長度、岩釘縱向間距、岩釘環向間距、鋼支保尺寸與鋼支保縱向間距等七個輸出參數。至於所採用的倒傳遞類神經網路架構則包
16、含五個輸入單元的輸入層、七個輸出單元的輸出層及七個單元的隱藏層。根據蒐集所得的230個案例，以類神經網路學習後，預測所有案例支撐工之等級的誤差如表1所示。結果顯示，八成五以上完全相符，九成以上誤差在一個等級範圍內，對不確定性甚高的岩盤隧道支撐設計問題而言，此項支撐工估計可謂十分良好。利用此系統作為設計階段岩盤隧道支撐系統之估計，茲以一實際工程為例作說明。工程案例為一開挖跨徑為11.5m，面積約為100m2以鑽炸法開挖之馬蹄形公路隧道。隧道通過漸新世之沉積岩地層，岩性以粉砂岩為主，岩心強度平均約為450kg/cm2，岩覆厚度約100 200m。本系統估計所得各級岩盤之支撐系統建議如表2，而實際設
17、計採用之支撐系統亦列於表中。表1 網路輸出項目預測誤差輸出項目預測等級差距案例個數百分比(%)輪進長度0級1級2級162551370.4023.915.65岩釘長度0級1級226498.261.74岩釘縱向間距0級1級2092190.879.13岩釘環向間距0級1級2042688.7011.30噴凝土厚度0級1級2級16955673.4823.912.61鋼支保型式0級1級2級1844068017.392.61鋼支保縱向間距0級1級2082290.439.57表2 實際案例支撐系統估計支撐系統岩 盤 分 類I( 80)*II(80 60)III(60 40)IV(40 20)V(20 0)輪進
18、長度(m)(4.0)*4.0(3.0)3.0(2.5)2.5(1.5 2)2.0(1 1.5)1.5岩釘長度(m)2 4(4.0)2 4(4.0)4 6(4.0)4 6(6.0)4 6(6.0)岩釘縱向間距(m)(spot)2(2.0)1 1.5(2.0)1 1.5(1.5)1 1.5(1.5)岩釘環向間距(m)(spot)2(2.0)1 1.5(2.0)0.5 1.5(2.0)0.5 1.5(1.5)噴凝土厚度(cm)5(5.0)10(10.0)15(15.0)15(15.0)20(20.0)鋼支保型式()()()H150(H100)H150(H100)鋼支保縱向間距()()()1 1.5(
19、1.5 2)1 1.5(1 1.5)註：*岩體分類RMR值；*實際採用值比較原設計採用之支撐系統與本系統估計所得者，大體上本系統估計之支撐系統稍偏保守，惟其差距均在一級以內。3.2 深開挖壁體變形預測中興工程顧問社大地工程研究中心開發之深開挖施工訊息化系統 13，係針對軟地盤深開挖工程，利用前期監測資料預測後續開挖階段之連續壁壁體變形，以作為開挖安全評估之依據。由於影響連續壁壁體變形之因素甚多，本系統考慮之主要輸入變數包括：連續壁厚度、開挖面深度、開挖面深度等值SPT-N值、觀測點深度及觀測點前一、二、三階開挖壁體變位值；輸出變數則僅為觀測點之壁體變位值一項。所採用之倒傳遞類神經網路架構則包含
20、七個輸入單元的輸入層、一個單元之輸出層與十五個單元的隱藏層。網路之訓練係利用台北盆地蒐集得之18個深開挖工程案例，共93個開挖階，且每個圖2 最大壁體變位預測結果案例中之每個開挖階均等距離取19個測點，共產生93 19筆案例，作為網路訓練與驗証之用。由18個工程案例之93個開挖階，經扣除前一、二開挖階段，則共有57 19個驗証案例。在57個開挖階段之最大壁體變形預測如圖2所示。結果中，誤差10% 以下者有8個，介於10% 20% 者有16個，超過20% 者有13個，在57 19個驗証案例中比例甚低。另外，最大變形預測位置與實測位置比較，87% 之預測位置與監測位置相差一個節點以內。此結果顯示，
21、本類神經網路壁體變形之預測，無論是壁體變形值或變形形狀均十分良好。利用類神經網路預測壁體變形，茲以分階開挖，最大開挖深度達19.7m之國企中心地下連續壁為例。各開挖階連續壁之變形量測結果與類神經網路預測結果如圖3所示。圖中亦顯示採經驗參數與以有限元參數最佳化所得之預測值。結果顯示，無論是壁體最大位移或整體變形形狀，均十分接近，且較經驗參數 (Emp. para.) 與參數最佳化 (B. A. Predicted) 所得者明顯為佳。同時也可見採經驗參數作預測時，並未考慮該案之施工因素，故誤差相當大。反之採用類神經網路或參數最佳化之結果，因均由前期量測資料反映施工因素，故預測結果明顯較佳。 圖3
22、國企中心分析斷面與壁體變形預測結果四、結語在目前地工技術發展之條件下，利用以往成功的工程經驗案例作類比設計，仍是目前大地之主流。本文利用倒傳類神經網路應用於岩盤隧道支撐工需求估計與深開挖壁體變形之預測，結果顯示，雖然類神經網路不具有物理模型，但對影響因素複雜且具高度非線性與不確定性的地下開挖工程問題，透過適當的參數選取與網路架構建立，仍可求得輸入與輸出間複雜的函數映射關係，而獲得相當令人滿意的結果。根據國內成功的工程案例，利用類神經網路技術，應可提昇工程設計或施工結果預測之水準。唯類神經網路有賴相當數量的工程案例為基礎，資料可靠、完整的案例是預測成果優劣的最重要關鍵。國內工程界已成功地完成了許
23、多困難的工程，今後應對以往工程案例建立完整的資料庫，則可透過類神經網路技術，對工程設計發揮經驗的指導，並對施工成果提供更良好的預測。參考文獻 1.Bieniawski, Z. T., “Geomechanics Classification of Rock Masses and Its Application in Tunneling,” Advances in Rock Mechanics, 2(A), pp. 2732 (1974). 2.Barton, N., R. Lien, and J. Lunde, “Engineering Classification of Rock Masse
24、s for the Design of Tunnel Support,” Rock Mechanics, 6(4), pp. 189239 (1974). 3.Zhang, Q., et al., “An Expert System for Classification of Rock Masses,” Proc. W. S. Symp. Rock Mech., pp. 283288 (1988). 4.Butler, A. G. and J. A. Franklin, “CLASSEX: Exper System for Rock Mass Classification,” Proc. IS
25、RM Int. Symp. Rock Mech., Mbabane, Swaziland, pp. 7380 (1990). 5.馮夏庭、林韻梅，採礦巷道圍岩支護設計的專家系統，岩石力學與工程學報，Vol. 11, No. 3 (1992)。 6.張志宏，建築工程檔土開挖安全監測專家決策支援系統之建立，國立台灣科技大學營建工程技術研究所碩士論文 (1998)。 7.Zhang, Q., et al., “A Case-Based Reasoning for Tunnel Support,” Proc. 8th Int. Cong. Rock Mech., Tokyo, pp. 907909 (
26、1995). 8.Cecil, O. S., “Correlation of Rockbolts Shotcrete Support and Rock Quality Parameters in Scandinavian Tunnels,” Ph.D. Thesis, Univ. of Illinois, Urbana (1970). 9.Flood, I. And N. Kartm, “Neural Networks in Civil Engineering, I: Principles and Understanding,” Proc. J. Computing in Civil Engg
27、., ASCE, Vol. 8, No. 2, pp. 131148 (1994).10.Flood, I. And N. Kartm, “Neural Networks in Civil Engineering, II: Systems and Application,” Proc. J. Computing in Civil Engg., ASCE, Vol. 8, No. 2, pp. 149162 (1994).11.Rumelhart, D. E., G. E. Hinton, & R. J. Williams, “Learning Internal Representation b
28、y Error Propagation,” Parallel Distributed Processing, Vol. 1, ed. by D. E. Rumelhart and J. L. McClelland, MIT Press, Cambridge (1986).12.陳錦清、張吉佐、俞旗文、高憲彰、張玉粦、蕭富元、李國榮、葛文忠、侯秉承、李民政、林永青、周頌安，隧道設計整合系統之發展 (一) 隧道支撐設計，中興工程顧問社工研基金報告SEC/R-GT-01-03 (2001)。13.冀樹勇、陳錦清、詹君治、洪世勳、弱土層特性與深開挖行為研究 (三) 深開挖施工信息化系統，中興工程顧問社
29、工研基金報告 (2002)。14.Chi, S. Yl, J. C. Chern, and C. C. Wang, “Information Construction Approach for Deep Excavation,” Proc., Int. Symp. Geotechnical Aspects of Underground Construction in Soft Ground, Balkema, Rotterdam, Netherlands, pp. 471476 (1999).15.Jan, J. C., S. L. Hung, S. Y. Chi, and J. C. Chern, “Prediction of Diaphragm Wall Deflection in Deep Excavations Using Neural Networks,” paper submitted to J. Computer-Aided Civil and Infrastruction Engineering (1999).
