陳志強,周科平

(中南大學資源與安全工程學院, 湖南長沙 410083)

基于模式識別的土石壩邊坡穩(wěn)態(tài)預測

陳志強,周科平

(中南大學資源與安全工程學院, 湖南長沙 410083)

針對邊坡穩(wěn)定性預測中存在的影響因素隨機性、不確定性的特點,提出了利用神經網(wǎng)絡良好的非線性處理能力和模式識別功能來預測邊坡穩(wěn)定性的方法,并構造了相應的神經網(wǎng)絡模型。預測結果表明,該模型具有很高的預測精度,能有效解決邊坡穩(wěn)定性的預測問題。

邊坡工程;模式識別;神經網(wǎng)絡;穩(wěn)態(tài)預測

模式識別研究的目的就是利用計算機對物理現(xiàn)象進行分類,在錯誤概率最小的條件下,使識別的結果盡量與客觀物體相符合。

由于水文地質條件、巖土體物理力學性質、巖土層組合結構、成壩機制、干灘長度、排洪設施、壩體浸潤線、安全超高、壩體滲流性、地震烈度、地表水以及庫內是否含水情況等因素的影響與控制,土石壩邊坡工程具有非線性、不確定性,以及對土石壩邊坡認識上的模糊性,使得原有的邊坡穩(wěn)定性分析方法不能準確有效的給出判定結果。鑒于上述原因,引入人工神經網(wǎng)絡的方法,應用其模式識別的功能,利用其“黑箱模型”的特點,對邊坡穩(wěn)定性的影響因子進行了分析,并且進行預測。

1 人工神經網(wǎng)絡基本原理

1.1 網(wǎng)絡模型的選擇

BP神經網(wǎng)絡是一種多層前饋型網(wǎng)絡,由輸入層、輸出層及隱含層組成,隱含層可有一個或多個,每層由若干個神經元組成。其神經元的傳遞函數(shù)多是sigmoid型函數(shù),因此輸出量是0～1或者-1～1的連續(xù)量,可以實現(xiàn)從輸入到輸出的任意非線性映射。隱含層的層數(shù)和神經元數(shù)目的確定往往需要設計者的經驗和多次實驗來確定。對于BP神經網(wǎng)絡,有一個重要定理:對于任何在閉區(qū)間內的一個連續(xù)函數(shù)都可以用單隱層(網(wǎng)絡為3層拓撲結構)的BP網(wǎng)絡逼近,故一般隱含層的層數(shù)確定為1。至于隱含層神經元數(shù)目則要通過多次的訓練來確定。

1.2 學習過程

學習過程由信號的正向傳播與誤差的反向傳播兩個過程組成。正向傳播用于網(wǎng)絡計算,對于某一輸入求出對應的輸出;反向傳播用于逐層傳遞誤差,修改連接權值,以使網(wǎng)絡進行正確的計算。兩個方向的傳播過程交替進行,直到學習總誤差達到最小值為止。

BP網(wǎng)絡通過對簡單的非線性函數(shù)的復合來完成映射,因此可用于預測。

1.3 神經網(wǎng)絡模式識別預測的原理

神經網(wǎng)絡模式識別預測的基本原理是:通過對足夠多有代表性的樣本的學習,神經網(wǎng)絡能夠通過學習獲得足夠的信息量,建立起輸入單元與輸出單元之間的非線形關系,實現(xiàn)對已有樣本的分類,當輸入檢驗樣本進行預測時,神經網(wǎng)絡會根據(jù)已有的信息對其作出相應的判斷和辨識。神經網(wǎng)絡預測流程見圖1。

圖1 神經網(wǎng)絡預測流程

2 土石壩邊坡穩(wěn)定性分析的神經網(wǎng)絡設計

2.1 邊坡穩(wěn)定性的影響參數(shù)

邊坡穩(wěn)定性的影響因素很多,有外部的因素,也有邊坡本身的因素。主要的外部因素有降水、地震及人類生產活動、工程建設的影響;邊坡本身的因素主要指巖層或土層的物理性質、化學性質和工程應用特性等。由于外部因素的作用具有隨機性、時空性,所以可以忽略。根據(jù)圓弧滑動法,僅選取邊坡本身參數(shù)作為預測的指標,它們分別是:巖石容重γ,內聚力c,內摩擦角φ,邊坡角β,邊坡高度H,孔隙壓力比γu。

2.2 邊坡穩(wěn)定性的學習模型

將上述6個影響邊坡穩(wěn)定性的因素作為網(wǎng)絡的輸入信息,即輸入層有6個神經元。

Kolmogorov定理證明:一個3層的BP神經網(wǎng)絡可以實現(xiàn)任意n維到m維的映射,故采用3層神經網(wǎng)絡結構,即只含有一個隱含層。隱含層神經元數(shù)量的選取沒有一個固定的方法,不過根據(jù)經驗,在一個3層的BP神經網(wǎng)絡中,隱含層的神經元數(shù)目M近似可取為輸入層神經元數(shù)目N的兩倍多一個,即滿足下面的關系式:

由此,初始設定隱含層的神經元數(shù)目為13個,然后經過實際訓練來不斷調整。

網(wǎng)絡一般設定輸出為安全系數(shù)和邊坡穩(wěn)定狀態(tài),但安全系數(shù)作為判別穩(wěn)定狀態(tài)的一種手段,與土石壩邊坡實際的穩(wěn)定狀態(tài)有出入,在實際工程中有出現(xiàn)“邊坡安全系數(shù)大于1而破壞的情況”,所以采用失穩(wěn)和穩(wěn)定作為輸出向量。其中邊坡穩(wěn)定狀態(tài)是個無法直接量化的參數(shù),試采用模式識別的辦法,定義邊坡穩(wěn)定時取(1,0),邊坡失穩(wěn)時取(0,1)。

邊坡穩(wěn)定性訓練的網(wǎng)絡拓撲結構如圖2所示。

圖2 BP神經網(wǎng)絡拓撲結構

3 網(wǎng)絡訓練與邊坡穩(wěn)定性預測

進行網(wǎng)絡訓練時,必須保證選擇的樣本具有真實性、代表性和廣泛性,否則將影響網(wǎng)絡的預測能力和應用范圍。同時數(shù)據(jù)樣本的數(shù)量選擇要適當,選擇太多,學習速度會太慢,選擇過少,又不能充分反映客觀情況。從收集的45個典型土石壩邊坡實例中選取40個用于建立土石壩邊坡穩(wěn)定性的神經網(wǎng)絡模型,其余5個樣本作為檢驗網(wǎng)絡模型的檢驗樣本。利用學習樣本,對網(wǎng)絡進行訓練,直到精度達到1e-6為止,學習完成后即建立了預測模型,然后對剩余的5個樣本進行預測,結果如表1。

表1 土石壩邊坡實例及預測結果

考慮到影響邊坡穩(wěn)定的各控制因素間的數(shù)量級相差很大,同時同一控制因素數(shù)值之間也有較大的離散性,所以在學習之前首先對學習樣本和預測樣本采用公式(2)進行歸一化處理:

BP網(wǎng)絡經577次迭代學習后,網(wǎng)絡誤差達到精度要求,訓練誤差res=0.0094,并且網(wǎng)絡的絕對誤差也很小,不到1%。

通過對比分析可知,運用該網(wǎng)絡模型進行預測具有很高的精度,誤差很小,對邊坡狀態(tài)的預測準確率接近100%。如圖3所示,可見其誤差精度很高,完全滿足模式識別所允許的誤差要求。

圖3 預測誤差

4 結 論

(1)神經網(wǎng)絡具有很強的推廣預測能力,采用已訓練的網(wǎng)絡,將待測樣本的預測平方誤差和作為網(wǎng)絡學習是否合理的判據(jù)。

(2)安全系數(shù)做為一種邊坡穩(wěn)定性的判據(jù),有其不足,常常出現(xiàn)“安全系數(shù)大于1邊坡仍失穩(wěn)”的矛盾。而采用模式識別的方法,可有效避免這一問題,準確有效的實現(xiàn)邊坡穩(wěn)定性狀態(tài)的預測。

(3)根據(jù)收集的45個土石壩邊坡工程的實例,選取具有代表性的巖石容重、內聚力、內摩擦角、邊坡角、邊坡高度、孔隙壓力比建立了土石壩邊坡穩(wěn)定性的神經網(wǎng)絡預測模型,并對未學習的樣本進行了預測,預測結果與邊坡實際狀態(tài)完全一致,預測準確率達到100%,有較強的工程應用價值。

[1]楊淑瑩.模式識別與智能計算——Matlab技術實現(xiàn)[M].北京:電子工業(yè)出版社,2008.

[2]陳祖煜,汪小剛,等.巖質邊坡穩(wěn)定分析——原理·方法·程序[M].北京:中國水利水電出版社,2005.

[3]陳祖煜,等.土質邊坡穩(wěn)定分析-原理·方法·程序[M].北京:中國水利水電出版社,2003.

[4]飛思科技產品有限公司.神經網(wǎng)絡理論與MATLABR2007實現(xiàn)[M].北京:電子工業(yè)出版社,2007.

[5]Sah N K, Sheorey P R, Upadhyaya L N. Maximum likelihood estimation of slope stability [ J ]. International Journal of Rock Mechanics Mining Science Geomechanics Abstract , 1994, 31 (1) :47～53.

[6]馮夏庭,王泳嘉,等.邊坡穩(wěn)定的神經網(wǎng)絡估計[J].工程地質學報,1995,3(4):54～61.

2009-09-09)

陳志強(1983-),男,甘肅張掖人,在讀碩士研究生,主要研究智能計算在巖土工程與災害防治中的應用。