目前,隧道信息化施工技术受到广泛推崇,其中至关重要的一点就是如何准确的确定围岩的力学参数。本文针对岩体工程智能化位移反分析中,传统学习算法训练速度慢、易陷入局部最小值等缺点,用粒子群算法(PSO)对极限学习机(ELM)进行改进,得到了粒子群算法优化的极限学习机(PSO-ELM),以营盘山隧道的地质情况、地质勘查资料、设计资料、行业规范为基础,建立了基于PSO-ELM算法的隧道围岩位移反分析模型。采用均匀实验法和正交实验法,结合营盘山隧道的地质情况、地质勘查资料、设计资料、行业规范,设计了隧道围岩力学参数的数值试验样本。利用FLAC3D模拟隧道开挖、支护过程,计算出每组隧道围岩力学参数对应的围岩位移,建立了 PSO-ELM算法的学习样本和测试样本。将粒子群算法引入极限学习机中,利用粒子群算法的全局寻优能力对权值和阈值的取值进行寻优,建立了回归预测性能更强的PSO-ELM算法。以MATLAB为平台实现了 PSO-ELM算法和BP神经网络,用学习样本对PSO-ELM算法和BP神经网络进行训练,分别建立了基于PSO-ELM算法和BP神经网络的隧道围岩位移反分析模型,将BP神经网络与PSO-ELM算法的逆解法、直接法位移反分析效果进行对比、分析,证明了 PSO-ELM算法在隧道围岩位移反分析中的可行性、准确性。选取营盘山隧道的5个V级围岩断面,将各断面的拱顶沉降监测值及水平收敛监测值输入PSO-ELM隧道围岩位移反分析模型,计算出对应的隧道围岩力学参数,将隧道围岩力学参数带入FLAC3D中进行数值计算,求出各断面的拱顶沉降值和水平收敛值,并与监测值进行对比,结果表明本文建立的PSO-ELM围岩位移反分析模型是可靠的,对隧道的信息化施工中围岩参数的取值有一定的参考价值。