謝振華 梁莎莎 張雪冬

(1.中國勞動關(guān)系學(xué)院安全工程系，北京 100048;2.北京科技大學(xué)土木與環(huán)境工程學(xué)院，北京 100083)

基于RBF神經(jīng)網(wǎng)絡(luò)的露天礦山邊坡失穩(wěn)預(yù)警方法

謝振華1梁莎莎2張雪冬2

(1.中國勞動關(guān)系學(xué)院安全工程系，北京 100048;2.北京科技大學(xué)土木與環(huán)境工程學(xué)院，北京 100083)

邊坡失穩(wěn)研究是露天礦山安全生產(chǎn)的關(guān)鍵問題，邊坡失穩(wěn)智能化預(yù)警的實現(xiàn)是失穩(wěn)研究的核心內(nèi)容。以馬鋼南山鐵礦凹山采場高陡邊坡工程為例，建立了RBF神經(jīng)網(wǎng)絡(luò)預(yù)警模型，采用梯度下降訓(xùn)練算法并進(jìn)行了改進(jìn)，根據(jù)經(jīng)驗來設(shè)置算法的學(xué)習(xí)步長，選取黏聚力、內(nèi)摩擦角，邊坡角、邊坡高度，孔隙水壓力比、容重等6個因素作為網(wǎng)絡(luò)的輸入單元，利用所選的25組樣本數(shù)據(jù)完成了RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)。應(yīng)用學(xué)習(xí)好的預(yù)警模型對南山鐵礦凹山采場的2個幫進(jìn)行了邊坡失穩(wěn)預(yù)警分析，得到2個幫的穩(wěn)定性等級結(jié)果分別為1級和3級，即極穩(wěn)定和基本穩(wěn)定，與現(xiàn)場情況一致。該預(yù)警方法合理，具有推廣應(yīng)用價值。

RBF神經(jīng)網(wǎng)絡(luò) 邊坡失穩(wěn) 高陡邊坡 預(yù)警模型

露天礦山邊坡滑坡、坍塌事故一直都是礦山邊坡安全方面存在的主要問題之一。邊坡滑坡事故不僅給企業(yè)和國家?guī)砹司薮蟮慕?jīng)濟(jì)損失，更給人民生命財產(chǎn)帶來巨大的威脅。因此對邊坡失穩(wěn)的研究和探索具有著十分重要的現(xiàn)實意義。

邊坡失穩(wěn)預(yù)警是一項較為復(fù)雜的綜合性工作，目前不少文獻(xiàn)對邊坡失穩(wěn)預(yù)警進(jìn)行了研究。金海元等人采用層次分析法和信息熵法對該邊坡預(yù)警指標(biāo)體系進(jìn)行權(quán)重計算，并運用未確知數(shù)學(xué)理論進(jìn)行了權(quán)重未確知信息的計算，最終判定邊坡的穩(wěn)定狀態(tài)[1]。賈亮等人提出了黃土邊坡失穩(wěn)的簡單預(yù)警方法，以地貌特征、階地類型、物理性質(zhì)及力學(xué)性質(zhì)為指標(biāo)，結(jié)合邊坡穩(wěn)定狀況調(diào)查成果，將黃土邊坡劃分為不穩(wěn)定、穩(wěn)定和極穩(wěn)定3類[2]。鄔愛清等采用非連續(xù)變形分析數(shù)值模型反映滑坡啟動的識別方法，并對該滑坡體的啟動條件和滑坡全過程特征進(jìn)行數(shù)值模擬[3]。這些方法理論完善，推導(dǎo)嚴(yán)謹(jǐn)，在實踐中有一定的實用性及可靠性，但是在智能性、及時性方面存在缺陷。由于邊坡工程系統(tǒng)是一個開放的復(fù)雜巨系統(tǒng)，影響邊坡安全的因素很多，這些因素大部分均具有隨機(jī)性、模糊性、可變性等不確定性[4]，且影響因素之間相互作用，變量之間的關(guān)系十分復(fù)雜，很難用數(shù)學(xué)方程來描述。本研究采用人工神經(jīng)網(wǎng)絡(luò)建立邊坡穩(wěn)定影響因素和邊坡預(yù)警等級之間的高度非線性映射模型，實現(xiàn)邊坡失穩(wěn)的智能化預(yù)警。

1 RBF神經(jīng)網(wǎng)絡(luò)原理

徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)是一種單隱層前饋型網(wǎng)絡(luò)，隱節(jié)點激活函數(shù)選取徑向基函數(shù)，具有收斂速度快、網(wǎng)絡(luò)規(guī)模小、逼近精度高等特點，不存在局部極小問題，用于邊坡工程的研究具有獨特的優(yōu)勢[5-6]。因此，選用RBF神經(jīng)網(wǎng)絡(luò)建立邊坡失穩(wěn)預(yù)警模型，對馬鋼南山礦進(jìn)行邊坡失穩(wěn)預(yù)警。

RBF最基本的網(wǎng)絡(luò)構(gòu)成包括3層，如圖1所示。其中隱含層單元層數(shù)的選擇比較復(fù)雜，節(jié)點數(shù)目根據(jù)具體問題的需要而定。RBF網(wǎng)絡(luò)輸入層到隱含層的變換是非線性的，隱含層到輸出層的映射是線性的，即網(wǎng)絡(luò)的實際輸出是各單元響應(yīng)的線性和，它為作用于輸入層的輸入模式提供響應(yīng)[7-8]。因此，很容易達(dá)到從非線性輸入空間向輸出空間映射的目的[9]。

圖1 RBF網(wǎng)絡(luò)結(jié)構(gòu)模型

RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法很多，常用的有：正交最小二乘算法、梯度下降訓(xùn)練算法、自組織學(xué)習(xí)算法。本研究選取梯度下降訓(xùn)練算法并進(jìn)行了改進(jìn)，可以根據(jù)經(jīng)驗來設(shè)置算法的學(xué)習(xí)步長，能更好地適應(yīng)露天礦山邊坡的特性。

2 RBF神經(jīng)網(wǎng)絡(luò)模型的建立

2.1 輸入與輸出層的設(shè)計

在建立預(yù)測模型前，需選擇與邊坡失穩(wěn)密切相關(guān)的因素作為輸入變量。本研究通過文獻(xiàn)分析及現(xiàn)場調(diào)研，選取黏聚力、內(nèi)摩擦角，邊坡角、邊坡高度，孔隙水壓力比、容重等6個因素作為網(wǎng)絡(luò)的輸入單元，可以綜合反映邊坡的安全狀態(tài)。同時，將馬鋼南山鐵礦的邊坡穩(wěn)定性分為5級，如表1所示。根據(jù)分級表確定輸出神經(jīng)元的個數(shù)為5個。

表1 礦山邊坡穩(wěn)定分級狀態(tài)

2.2 隱含層的設(shè)計

隱含層神經(jīng)元數(shù)目的選擇是一個十分復(fù)雜的問題，尚沒有理想的解析式來確定，常常需要根據(jù)設(shè)計者的經(jīng)驗和多次試驗來確定[10]。隱含層神經(jīng)元的個數(shù)與問題的要求，以及與輸入、輸出層神經(jīng)元的個數(shù)有著直接的關(guān)系。隱含層神經(jīng)元個數(shù)太多會導(dǎo)致學(xué)習(xí)時間過長，誤差不一定最佳，還會導(dǎo)致容錯性差，不能識別以前沒有看到的樣本[11-12]。本研究隱含層神經(jīng)元個數(shù)通過對樣本學(xué)習(xí)的多次試驗，不斷改變擱擴(kuò)展速度spread的值，最終確定為18個。所以該RBF神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)為6-18-5。

2.3 樣本數(shù)據(jù)的預(yù)處理

學(xué)習(xí)樣本的確立是建立RBF神經(jīng)網(wǎng)絡(luò)的關(guān)鍵環(huán)節(jié)。根據(jù)文獻(xiàn)分析及現(xiàn)場調(diào)研，收集了與所研究邊坡相似的25組樣本數(shù)據(jù)，如表2所示。其中，前20組作為學(xué)習(xí)樣本，后5組作為檢驗樣本。

表2 樣本數(shù)據(jù)

由于選取的樣本數(shù)值大小存在著差異，為了提高網(wǎng)絡(luò)的訓(xùn)練速度和泛化能力，避免某些數(shù)值小的數(shù)據(jù)被大的數(shù)據(jù)淹沒，須對數(shù)據(jù)歸一化處理[13-14]。

3 RBF神經(jīng)網(wǎng)絡(luò)預(yù)警方法的實現(xiàn)

3.1 RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

(1)在Matlab命令窗口鍵入神經(jīng)網(wǎng)絡(luò)的原始樣本數(shù)據(jù)向量，鍵入已計算好的目標(biāo)向量預(yù)警等級t，利用Matlab程序語言將原始數(shù)據(jù)歸一化處理得到神經(jīng)網(wǎng)絡(luò)的輸入向量p如下。

P=0 10530 65520 43040 00630 68420 27750 52630 86210 93670 53720 34210 63580 21050 06900 35440 00630 60530 36990 294700 20250 08770 21050 36990 61050 72410 92410 53720 34210 36990 61050 72410 96200 67910 34210 63580 09470 48280 30380 05230 86840 27750 02110 65520 58230 16000 68420 43350 45261 00000 93670 74880 34210 63580 67370 89661 00000 59300 34211 00000 07370 51720 55700 18600 868400 20000 65520 93670 027900 23120 67370 89660 98730 60930 34211 00000 56840 84481 00001 00000 34211 00001 00001 00000 93670 01630 34210 48550 15790 86210 93670 09771 00000 34680 66320 89660 98730 81860 34211 00000 66320 896600 69190 34211 000000 65520 303800 47370 23120 31580 82760 86080 81630 34210 7514

(2)用newrb函數(shù)新建一個RBF神經(jīng)網(wǎng)絡(luò)，進(jìn)行網(wǎng)絡(luò)訓(xùn)練。訓(xùn)練誤差曲線如圖2所示。

圖2 RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差曲線

在樣本數(shù)據(jù)學(xué)習(xí)過程中不斷改變spread的值，觀察它對輸出的影響，經(jīng)多次調(diào)試后取spread=0.5時結(jié)果最為理想。由圖2可知，神經(jīng)網(wǎng)絡(luò)經(jīng)過18步學(xué)習(xí)收斂，網(wǎng)絡(luò)誤差達(dá)到10-3。通過訓(xùn)練的輸出結(jié)果與期望值比較，網(wǎng)絡(luò)準(zhǔn)確地識別了學(xué)習(xí)樣本，實際輸出值與期望值完全吻合，建立了穩(wěn)定性影響因素與邊坡失穩(wěn)預(yù)警等級之間的非線性關(guān)系。接著用剩余的5個樣本數(shù)據(jù)測試已經(jīng)訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò)模型，并將輸出結(jié)果與實際值進(jìn)行誤差比較，如圖3所示。從圖中可以看出除第1組測試數(shù)據(jù)有誤差外其余4組絕對誤差為0，測試誤差在允許范圍內(nèi)，說明RBF神經(jīng)網(wǎng)絡(luò)建立的預(yù)測模型是合理、可靠的。學(xué)習(xí)好的RBF神經(jīng)網(wǎng)絡(luò)具備了回判能力，可以用來對邊坡失穩(wěn)進(jìn)行預(yù)警。

圖3 測試數(shù)據(jù)期望值與實際值誤差曲線

3.2 實例應(yīng)用

馬鋼南山鐵礦凹山采場是馬鋼主要鐵礦石生產(chǎn)基地。凹山礦區(qū)內(nèi)地質(zhì)構(gòu)造主要為火山巖構(gòu)造及成礦后期的斷裂構(gòu)造。礦區(qū)內(nèi)斷裂構(gòu)造十分發(fā)育，均以剪切節(jié)理的形式出現(xiàn)，在空間及方位上與區(qū)域斷裂構(gòu)造關(guān)系密切。北西向及北東向2組剪切節(jié)理形成了密集的X型裂隙帶，常使巖層及礦體形成破裂狀、散體狀結(jié)構(gòu)。凹山采場上部+115 m至+45 m各臺階高度為14 m，共5個臺階；下部+45 m至-165 m各臺階高度為15 m，共15個臺階；-165 m至201 m各臺階高度為12 m，共3個臺階。采場東、南、西3幫為運輸通道，已固定臺階寬度≥7 m，正在生產(chǎn)臺階寬度≥20 m，臺階邊坡角60°，整體邊坡角35°～43°；北幫由于巖體蝕變強(qiáng)烈，巖石松散松軟，臺階邊坡角放緩到45°～50°，整體邊坡角38°～42°。

通過現(xiàn)場調(diào)研，以及從馬鞍山礦山研究院提供的資料里收集整理了相關(guān)數(shù)據(jù)，并與南山鐵礦管理人員進(jìn)行了溝通確認(rèn)，從南山礦Ⅰ幫和Ⅱ幫數(shù)據(jù)中分別選出1組進(jìn)行預(yù)警，數(shù)據(jù)如表3所示。

表3 南山鐵礦待預(yù)警數(shù)據(jù)

結(jié)果表明，凹山采場Ⅰ幫和Ⅱ幫的邊坡穩(wěn)定性等級分別為1級和3級，即極穩(wěn)定和基本穩(wěn)定。這與該采場的現(xiàn)狀相一致，說明該模型具有一定的實用性。由現(xiàn)場調(diào)研得知，南山鐵礦對Ⅰ幫邊坡穩(wěn)定性進(jìn)行了研究并實施了框架梁、預(yù)應(yīng)力錨桿等治理措施。Ⅱ幫部分地區(qū)有巖石剝落和松散的狀態(tài)。如果這種現(xiàn)象進(jìn)一步擴(kuò)大，需要對其進(jìn)行相應(yīng)的加固治理。

4 結(jié) 論

(1)選擇RBF神經(jīng)網(wǎng)絡(luò)，可以對露天礦山邊坡失穩(wěn)進(jìn)行及時、智能化預(yù)警。

(2)以大量工程實例為學(xué)習(xí)預(yù)測樣本數(shù)據(jù)，建立了RBF神經(jīng)網(wǎng)絡(luò)邊坡失穩(wěn)預(yù)警模型，并借助Matlab神經(jīng)網(wǎng)絡(luò)工具箱完成了網(wǎng)絡(luò)模型的學(xué)習(xí)和測驗，計算結(jié)果準(zhǔn)確可靠，預(yù)測精度令人滿意，說明所建立的RBF神經(jīng)網(wǎng)絡(luò)預(yù)警模型是合理的。

(3)用訓(xùn)練好的預(yù)警模型對馬鋼南山鐵礦露天邊坡的2個幫進(jìn)行了預(yù)警分析，所得結(jié)果與現(xiàn)場情況一致，表明建立的預(yù)警模型合理、可靠，具有一定的推廣應(yīng)用價值。

[1] 金海元．巖石高邊坡監(jiān)測預(yù)警綜合評價方法研究[J]．長江科學(xué)院院報，2011，28(1)：29-33． Jin Haiyuan．Rock high slope monitoring early warning and comprehensive evaluation method research[J]．Journal of Yangtze River Scientific Research Institute，2011，28(1)：29-33．

[2] 賈 亮，朱彥鵬，畢東濤．黃土邊坡穩(wěn)定性的簡單判別方法——以蘭州地區(qū)階地黃土邊坡為例[J]．應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報，2012，20(1)：13-16． Jia Liang，Zhu Yanpeng，Bi Dongtao．The simple discriminant method of loess slope stability:terrace loess slope in Lanzhou[J]．Journal of Basic Science and Engineering，2012，20(1)：13-16．

[3] 劉曉麗，林 鵬，韓國鋒，等．裂隙巖質(zhì)邊坡滲流與非連續(xù)變形耦合過程分析[J]．巖石力學(xué)與工程學(xué)報，2013，32(6)：1248-1256． Liu Xiaoli，Lin Peng，Han Guofeng，et al．Hydro-mechanical coupling process on rock slope stability based on discontinuous deformation analysis and discrete fracture network models[J]．Chinese Journal of Rock Mechanics and Engineering，2013，32(6)：1248-1256．

[4] 陶志剛，張永軍，張 輝，等．某礦山小區(qū)邊坡穩(wěn)定性評價及影響因素敏感性分析[J]．金屬礦山，2012(3)：141-144． Tao Zhigang，Zhang Yongjun，Zhang Hui，et al．Stability assessment and sensitivity analysis of slope at a mine quarter[J]．Metal Mine，2012(3)：141-144．

[5] 潘玉民，鄧永紅，張全柱，等．基于QPSO-RBF 的瓦斯涌出量預(yù)測模型[J]．中國安全科學(xué)學(xué)報，2012，22(12)：29-34． Pan Yumin，Deng Yonghong，Zhang Quanzhu，et al．Gas emission prediction model based on QPSO-RBF[J]．China Safety Science Journal，2012，22(12)：29-34．

[6] 劉利君，劉寶華，陳 闖．RBF神經(jīng)網(wǎng)絡(luò)在露天礦邊坡位移預(yù)測中的應(yīng)用[J]．煤炭技術(shù)，2011(6)：88-90． Liu Lijun，Liu Baohua，Chen Chuang．Application of RBF neural network in slope displacement prediction of open-pit mine[J]．Coal Technology,2011(6)：88-90．

[7] 馬成正，王洪德．基于FMEA與RBF神經(jīng)網(wǎng)絡(luò)的LPG汽車罐車儲罐系統(tǒng)故障診斷[J]．中國安全科學(xué)學(xué)報，2011，21(1)：99-104． Ma Chengzheng，Wang Hongde．Fault diagnosis of LPG tank car based on FMEA and RBF neural network[J]．China Safety Science Journal，2011，21(1)：99-104．

[8] 王冬青，周啟友，陳劍杰，等．降雨和庫水位影響下水庫邊坡變形的RBF神經(jīng)網(wǎng)絡(luò)預(yù)測[J]．西部探礦工程，2013(4)：19-22． Wang Dongqing，Zhou Qiyou，Chen Jianjie，et al．RBF neural network prediction of reservoir slope deformation under the influence of rainfall and water level [J]．West-china Exploration Engineering，2013(4)：19-22．

[9] 陳青江，王創(chuàng)業(yè)．RBF神經(jīng)網(wǎng)絡(luò)在邊坡穩(wěn)定性分析中的應(yīng)用[J]．現(xiàn)代商貿(mào)工業(yè)，2011(15)：228-229． Chen Qingjiang，Wang Chuangye．RBF neural network application in slope stability analysis[J]．Modern Business Trade Industry，2011(15)：228-229．

[10] 楊 濤．基于BP神經(jīng)網(wǎng)絡(luò)法的煤礦安全評價系統(tǒng)研究[D]．太原：太原理工大學(xué)，2012． Yang Tao．Research on Coal Mine Safety Evaluation System Based on BP Neural Network[D]．Taiyuan：Taiyuan University of Technology，2012．

[11] 江龍艷．基于PSO-BP神經(jīng)網(wǎng)絡(luò)的邊坡穩(wěn)定性模型研究[J]．有色金屬:礦山部分，2013，65(6)：53-57． Jiang Longyan．Study on slope stability model by PSO-BP neural network[J]．Nonferrous Metals:Mine Section,2013，65(6)：53-57．

[12] 徐國強(qiáng)，張亞賓，劉 兵，等．高陡邊坡的穩(wěn)定性分析與綜合評價[J]．金屬礦山，2010(1)：24-27． Xu Guoqiang，Zhang Yabin，Liu Bing，et al．Stability analysis and comprehensive appraisal of high and steep slopes[J]．Metal Mine，2010(1)：24-27．

[13] 宋志飛，徐秀鳴，孫世國．臨界滑動場法在露天礦邊坡穩(wěn)定性分析中的應(yīng)用[J]．金屬礦山，2013(9)：41-43． Song Zhifei，Xu Xiuming，Sun Shiguo．Application of the critical slip field method in slope stability analysis of open-pit mine[J]．Metal Mine，2013(9)：41-43．

[14] 徐 進(jìn)，彭雄志，歐加加，等．基于RBF神經(jīng)網(wǎng)絡(luò)的邊坡穩(wěn)定性預(yù)測[J]．四川建筑科學(xué)研究，2012，38(1)：130-133． Xu Jin，Peng Xiongzhi，Ou Jiajia，et al．A prediction of the slope stability based on RBF neural network[J]．Sichuan Building Science，2012，38(1)：130-133．

(責(zé)任編輯 徐志宏)

Early Warning Method of Slope Instability of Open-pit Mine Based on RBF Neural Network

Xie Zhenhua1Liang Shasha2Zhang Xuedong2

(1.DepartmentofSafetyEngineering，ChinaInstituteofIndustrialRelations，Beijing100048，China;2.CivilandEnvironmentalEngineeringSchool，UniversityofScienceandTechnologyBeijing，Beijing100083，China)

The slope instability has always been a key technical issue for the safe production in open-pit mine.The realization of the intelligent warning of slope instability is the core of instability research.The early warning model based on RBF neural network was established，taking the high-steep slope engineering of Aoshan pit in Nanshan Iron Mine of Masteel as a case.Gradient descent algorithm for training was improved，and according to the experience，the algorithm's learning step was set up.Six factors of cohesion，internal friction angle，slope angle，slope height，ratio of pore water pressure and bulk density were selected as network input units.And，25 sets of sample data selected were used to complete the learning of RBF neural network.Then，the early warning model was used to make early warning analysis on instability of two slopes of Aoshan pit in Nanshan Iron Mine.Stability classification of the two slopes is respectively level 1 and level 3，that are，extremely stable and basically stable，which are accordant with the current actual situation.This early warning method is worth being applied and spread.

RBF neural network，Slope instability，High-steep slope，Early warning model

2014-05-05

“十二五”國家科技支撐計劃重點項目(編號：2012BAK09B05)。

謝振華(1968—)，男，北京，副教授，博士。

TD77+1

A

1001-1250(2014)-09-007-04