閔 偉 何昌碩

根據(jù)露天礦礦區(qū)地質(zhì)環(huán)境、構(gòu)造、地層、巖性與水文地質(zhì)條件進行分析。準(zhǔn)確地對露天礦邊坡的破壞模式做出評價,為巖質(zhì)邊坡工程的穩(wěn)定性分析與治理提供了必要的依據(jù)。如何準(zhǔn)確、科學(xué)、便捷的進行巖質(zhì)邊坡破壞模式的預(yù)測,一直是巖石工程界專家學(xué)者們研究的熱門話題,本文嘗試用BP神經(jīng)網(wǎng)絡(luò)方法來對露天礦邊坡的破壞模式進行預(yù)測。

1 BP神經(jīng)網(wǎng)絡(luò)的模型

BP神經(jīng)網(wǎng)絡(luò)(Back Propagation)又稱誤差反向傳播多層前饋神經(jīng)網(wǎng)絡(luò),是目前工程應(yīng)用中最廣泛也是發(fā)展最成熟的一種神經(jīng)網(wǎng)絡(luò)模型。它是一單向傳播的多層前向網(wǎng)絡(luò),網(wǎng)絡(luò)除輸入輸出層節(jié)點外,有一層或多層的隱含層節(jié)點,同層節(jié)點中沒有任何耦合。輸入信號從輸入層節(jié)點,依次傳過各隱含層節(jié)點,然后傳到輸出層節(jié)點,每一層節(jié)點的輸出只影響下一層節(jié)點的輸出。節(jié)點的激活函數(shù)必須是可微、非減的,通常取S型函數(shù)[1]。BP網(wǎng)絡(luò)模型見圖1。

2 BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法

BP算法是一個快速下降的方法,使用了最優(yōu)化方法中最普通的一種沿梯度下降算法,目的是使實際輸出和預(yù)期的樣本輸出之間的均方差最小化。它要求轉(zhuǎn)化函數(shù)有連續(xù)可微分的非線性特征[2]。一般使用S型邏輯非線性函數(shù):

3 創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)

3.1 輸入層的確定

首先必須確定露天礦邊坡破壞模式的影響因素。主要是以巖體結(jié)構(gòu)為最基本的控制因素,考慮了結(jié)構(gòu)面與邊坡產(chǎn)狀的組合關(guān)系、巖性、巖體的強度、邊坡的特征參數(shù)和地下水的條件等因素。本文把影響露天礦邊坡破壞模式的主要因素進行了分類,并以此7個影響因素作為BP神經(jīng)網(wǎng)絡(luò)的輸入層。

3.2 隱含層神經(jīng)元個數(shù)的確定

網(wǎng)絡(luò)隱含層神經(jīng)元的數(shù)目對網(wǎng)絡(luò)的預(yù)測有一定的影響。根據(jù)Kolmogorov定理可知,一般將隱含層神經(jīng)元的數(shù)目取定為2n+1,n指的是輸入層神經(jīng)元的個數(shù)[3]。

3.3 輸出層的確定

一般輸出層神經(jīng)元的數(shù)目是根據(jù)BP網(wǎng)絡(luò)所要求的輸出數(shù)據(jù)的項數(shù)來確定的,在本文中只要求預(yù)測露天礦邊坡的破壞模式,網(wǎng)絡(luò)中只有1項輸出數(shù)據(jù),所以在創(chuàng)建BP網(wǎng)絡(luò)時,則將輸出層神經(jīng)元的個數(shù)定為1。

4 實例分析

為了提高BP網(wǎng)絡(luò)的訓(xùn)練精度,通過查閱大量的工程案例及文獻資料,本文共搜集了42個露天礦的相關(guān)工程地質(zhì)、巖體結(jié)構(gòu)、邊坡的特征參數(shù)及邊坡的破壞情況。用37個露天礦的相關(guān)影響因素和邊坡破壞模式作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本,其余5個露天礦的相關(guān)信息則用來作為測試神經(jīng)網(wǎng)絡(luò)的預(yù)測效果及精度。但由于這些因素多是定性指標(biāo),必須對其進行量化后才能作為神經(jīng)網(wǎng)絡(luò)的輸入值,本文采用的量化方法是針對單個影響因素在所有樣本工程中可能出現(xiàn)的特征情況進行統(tǒng)計,然后用數(shù)字來表示在所有樣本中出現(xiàn)的特征。這里對所有定性描述的影響因素和邊坡破壞模式進行量化介紹,見圖2。

由于BP神經(jīng)網(wǎng)絡(luò)常采用sigmoid函數(shù),它的輸出范圍為[0,1],所以要對樣本及測試數(shù)據(jù)進行歸一化處理。值得注意的是,為了能讓預(yù)測輸出均值能跟實際值進行比較,在編程的時候必須得對輸出均值進行反歸一化處理。這些操作在Matlab6.5的平臺上得以實施,考慮到每次網(wǎng)絡(luò)測試的結(jié)果都不一樣,則應(yīng)該將程序運行多次,取其所得結(jié)果的平均值作為輸出的邊坡破壞模式的信息,然后與邊坡破壞模式的實際信息作比較(見表1)。

表1 測試樣本邊坡破壞模式的實際值和預(yù)測值

通過對測試樣本邊坡破壞信息的上述比較可以看出,當(dāng)程序運行多次后,在5個測試樣本的預(yù)測輸出均值中,只有一個預(yù)測誤差為17.14%,其余的預(yù)測誤差都很小,這說明其誤差基本滿足實際工程的需要。則應(yīng)用BP神經(jīng)網(wǎng)絡(luò)對邊坡破壞模式進行預(yù)測是合理的、可行的。

5 結(jié)語

1)通過對測試樣本邊坡破壞信息的比較,可以看出應(yīng)用BP神經(jīng)網(wǎng)絡(luò)進行預(yù)測得出的預(yù)測輸出均值與實際值之間存在的誤差很小,說明其對邊坡破壞模式的預(yù)測是合理的、可靠的。2)BP神經(jīng)網(wǎng)絡(luò)在實際工程運用中,由于邊坡破壞模式的因素大多都是定性的分析,則在對樣本信息進行量化時,存在的人為因素會對神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和預(yù)測產(chǎn)生一定的影響。3)由于邊坡破壞模式的確定是研究邊坡穩(wěn)定性的依據(jù),則有必要收集大量實際工程邊坡破壞模式的相關(guān)影響數(shù)據(jù),建立影響巖質(zhì)邊坡破壞模式的數(shù)據(jù)庫,以便于對以后研究巖質(zhì)邊坡破壞模式提供更多的依據(jù)。

[1]李曉鴻,馬 奎.用神經(jīng)網(wǎng)絡(luò)進行邊坡穩(wěn)定性預(yù)測[J].黑龍江科技信息,2007(9):17-18.

[2]馮夏庭.智能巖石力學(xué)導(dǎo)論[M].北京:科學(xué)出版社,2000.

[3]張德豐.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計[M].北京:機械工業(yè)出版社,2009.

[4]艾 強,王振剛.露天邊坡開采過程中穩(wěn)定性變化特征[J].山西建筑,2009,35(18):79-80.