舒蘇荀，龔文惠

（華中科技大學(xué) 土木工程與力學(xué)學(xué)院，湖北 武漢 430074）

1 引 言

安全系數(shù)法無法考慮邊坡工程中的各種主觀和客觀不確定因素；可靠度分析方法雖然能對這些不確定性分別加以某種形式的定量考慮，但相關(guān)的行業(yè)標(biāo)準(zhǔn)和規(guī)范尚不健全[1]。采用安全系數(shù)和可靠度相結(jié)合的評價(jià)標(biāo)準(zhǔn)，可以準(zhǔn)確和全面地衡量邊坡在各種不確定因素影響下的穩(wěn)定性。

受巖土體內(nèi)部物質(zhì)成分、結(jié)構(gòu)構(gòu)造以及外部環(huán)境條件的影響，土的性質(zhì)具有空間變異性：即土層中任意兩點(diǎn)的土性特征既差別又相關(guān)，且相關(guān)性隨著兩點(diǎn)間距離的增加而減小[2]。采用隨機(jī)變量模型的傳統(tǒng)可靠度分析方法并未充分考慮這種空間變異性[3]。為此，Griffiths[4]、潘健[5]、吳振君[6]、楊繼紅[7]等將Vanmarcke的隨機(jī)場模型[8]引入邊坡的可靠度分析，利用一維隨機(jī)場或各向同性隨機(jī)場模擬土性參數(shù)的空間變異性。實(shí)際上，土的層狀結(jié)構(gòu)導(dǎo)致土性參數(shù)在水平方向和豎向上的空間變異性顯著不同，用二維隨機(jī)場模擬土性參數(shù)的空間分布更為合理。但二維隨機(jī)場模型下邊坡可靠度的計(jì)算較為復(fù)雜耗時(shí)，如果能建立邊坡參數(shù)與失效概率、安全系數(shù)之間的映射，根據(jù)邊坡參數(shù)由映射直接得到失效概率和安全系數(shù)，將能極大地提高邊坡穩(wěn)定性分析效率。

基于以上考慮，本文利用徑向基函數(shù)（radial basis function，RBF）神經(jīng)網(wǎng)絡(luò)良好的非線性映射和函數(shù)逼近能力，建立二維隨機(jī)場模型下邊坡失效概率和安全系數(shù)的預(yù)測模型，用于對邊坡進(jìn)行穩(wěn)定性分析。

2 隨機(jī)場和RBF神經(jīng)網(wǎng)絡(luò)理論

2.1 隨機(jī)場理論

視土層為統(tǒng)計(jì)均勻的前提下，土性參數(shù)的空間分布特征可以用隨機(jī)場來描述：土層中相距為τ 的任意兩點(diǎn)的土性特征是否相關(guān)，由τ 與土體波動范圍δ 的大小關(guān)系決定，τ >δ 時(shí)，兩點(diǎn)的土性特征基本不相關(guān)；τ <δ 時(shí)，兩點(diǎn)土性特征的相關(guān)程度由相關(guān)函數(shù) ρ (τ) 表征。

不同于隨機(jī)變量模型描述土性參數(shù)的點(diǎn)特征，隨機(jī)場模型描述的是土性參數(shù)的空間平均特征[8]?？紤]圖1中二維隨機(jī)場S (t1，t2)的兩個(gè)矩形單元D和D′，它們的面積分別為 T1× T2和，形心坐標(biāo)分別為（t1i，t2i）和（）。

采用局部平均法[9]對隨機(jī)場進(jìn)行離散時(shí)，S (t1，t2)在D 和D′內(nèi)的局部平均分別為

式中：T1m和 T2n（m，n=0，1，2，3）的幾何意義見圖1；Γ2(T1m，T2n)是以 T1m和 T2n為邊長的矩形單元的方差折減函數(shù)，它表征由于空間平均而使該單元的點(diǎn)方差向空間平均方差縮減的程度。

通過對每個(gè)單元進(jìn)行局部平均，土性參數(shù)的隨機(jī)場被離散成各個(gè)單元上的隨機(jī)變量。對于相關(guān)函數(shù)為指數(shù)余弦型函數(shù)或高斯函數(shù)的隨機(jī)場，還可以通過降維的方法將二維隨機(jī)場簡化為兩個(gè)方向上的一維隨機(jī)場[10]。

圖1 二維單元的局部平均Fig.1 Local average of two-dimensional element

2.2 RBF神經(jīng)網(wǎng)絡(luò)理論

RBF神經(jīng)網(wǎng)絡(luò)是一種基于徑向基函數(shù)的前向型人工神經(jīng)網(wǎng)絡(luò)，它的學(xué)習(xí)能力與映射能力均強(qiáng)于巖土工程中常用的BP神經(jīng)網(wǎng)絡(luò)，且不會陷入局部極小[11-12]。圖2為RBF神經(jīng)網(wǎng)絡(luò)的一種典型結(jié)構(gòu)，它由輸入層、隱含層和輸出層組成；各層包含若干神經(jīng)元，神經(jīng)元在層間通過激勵函數(shù)傳遞信息。

設(shè)輸入層神經(jīng)元為X=(x1，x2，…，xo)T，隱含層神經(jīng)元為U=(u1，u2，…，up)T，輸出層神經(jīng)元為Y=(y1，y2，…，yq)T。采用高斯徑向基函數(shù)時(shí)，隱含層神經(jīng)元可以表示為

式中：Cj=（c1，c2，…，co）T為 uj的徑向基函數(shù)中心向量；σj為 uj的徑向基函數(shù)寬度；為X 與Cj之間的徑向距離。

輸出層神經(jīng)元可以表示為

式中： wjk為 uj與 yk之間的連接權(quán)值，由RBF神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中自行調(diào)整。

通過式（4）、（5），RBF神經(jīng)網(wǎng)絡(luò)可以建立由輸入層到隱含層，再到輸出層的映射。

3 邊坡穩(wěn)定性分析方法

本文的邊坡穩(wěn)定性分析方法主要由3個(gè)部分組成：生成邊坡參數(shù)的隨機(jī)樣本、求解各組樣本的安全系數(shù)和失效概率、訓(xùn)練并建立RBF神經(jīng)網(wǎng)絡(luò)模型。分析流程如圖3所示。

3.1 邊坡參數(shù)樣本的生成

RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果與樣本容量有關(guān)，在一定的范圍內(nèi)，樣本容量越大，訓(xùn)練效果越好。由于難以同時(shí)收集到大量工程實(shí)例的數(shù)據(jù)，且土體波動范圍的資料經(jīng)常缺失，本文根據(jù)表1中歸納的邊坡土性參數(shù)常用分布范圍[13-18]及算例的幾何參數(shù)采用拉丁超立方抽樣（Latin hypercube sampling，LHS）方法產(chǎn)生參數(shù)的隨機(jī)樣本。

LHS方法是一種高效的分層多維抽樣方法，其基本原理詳見文獻(xiàn)[1]，具體的抽樣過程可以在Matlab中利用相關(guān)的函數(shù)實(shí)現(xiàn)。

圖3 邊坡穩(wěn)定性分析流程Fig.3 Flow chart of slope stability analysis

表1 邊坡土性參數(shù)分布范圍Table 1 Distribution ranges of soil parameters

3.2 樣本的邊坡穩(wěn)定性分析

3.2.1 安全系數(shù)的計(jì)算

確定性的邊坡穩(wěn)定性分析方法主要有極限平衡法、極限分析法和有限元強(qiáng)度折減法。由于在二維隨機(jī)場模型下求解失效概率需要對邊坡劃分網(wǎng)格，為保持一致，此處采用有限元強(qiáng)度折減法計(jì)算各組參數(shù)樣本對應(yīng)的安全系數(shù)。計(jì)算過程中視邊坡土體為理想彈塑性材料，服從摩爾-庫侖強(qiáng)度準(zhǔn)則。通過用強(qiáng)度折減系數(shù)Ft對土體的抗剪強(qiáng)度參數(shù)c 和φ 進(jìn)行折減

得到一組新的抗剪強(qiáng)度參數(shù)c′和φ′。用c′和φ′進(jìn)行有限元分析，通過改變Ft調(diào)整c′和φ′的數(shù)值，使邊坡達(dá)到臨界狀態(tài)（以有限元計(jì)算不收斂作為判據(jù)），取此時(shí)的強(qiáng)度折減系數(shù)為邊坡的安全系數(shù)Fs。

3.2.2 可靠度計(jì)算

在土性參數(shù)的二維隨機(jī)場模型下，將蒙特卡羅模擬和有限元法結(jié)合求解各組參數(shù)樣本對應(yīng)的邊坡可靠度，步驟如下：

（1）根據(jù)應(yīng)力梯度劃分邊坡模型的有限元網(wǎng)格。

（2）生成土性參數(shù)的隨機(jī)場，并采用局部平均法離散。為方便下一步的操作，令局部平均單元的尺寸與有限元網(wǎng)格的尺寸相同。

（3）將離散后的隨機(jī)場疊加到有限元網(wǎng)格上（見圖4），用強(qiáng)度折減法分析邊坡是否失穩(wěn)。圖中有限單元的顏色越深，表示該單元的抗剪強(qiáng)度越高。

圖4 隨機(jī)場疊加到有限元網(wǎng)格Fig.4 Ramdom field mapping onto finite element mesh

（4）重復(fù)步驟（2）～（3）M（M為蒙特卡羅模擬的次數(shù)）次。雖然每次土性參數(shù)的均值和標(biāo)準(zhǔn)差、土體的水平波動范圍和豎向波動范圍均相同，但由于生成的隨機(jī)場不同，土性參數(shù)的空間分布是不同的。當(dāng)M 足夠大時(shí)，設(shè)其中邊坡失穩(wěn)發(fā)生了M′次，則邊坡失效概率Pf可以近似為

進(jìn)而得到邊坡的可靠度指標(biāo)為

3.3 RBF神經(jīng)網(wǎng)絡(luò)的建模

從分析后的參數(shù)樣本中隨機(jī)抽取20組作為測試樣本，用余下的樣本對RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。分開訓(xùn)練用于預(yù)測安全系數(shù)和失效概率的神經(jīng)網(wǎng)絡(luò)。其中，預(yù)測安全系數(shù)的RBF神經(jīng)網(wǎng)絡(luò)的輸入變量為c 和φ 的均值、坡角α 和坡高H（γ 和υ 對計(jì)算精度影響相對較小[19]，可視其為常數(shù)，分別取值為20 kN/m3和0.3）。而預(yù)測失效概率的RBF神經(jīng)網(wǎng)絡(luò)的輸入變量除上述參數(shù)外，還包括c 和φ 的變異系數(shù)以及δh和δv。

采用正交最小二乘法對RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，當(dāng)預(yù)測精度滿足要求時(shí)，即可停止訓(xùn)練。為避免訓(xùn)練樣本中各變量的分布范圍差異過大影響神經(jīng)網(wǎng)絡(luò)的預(yù)測效果，訓(xùn)練前先用下式將各變量的分布范圍歸一化到0～1內(nèi)。

式中：xil為第l 組樣本中變量 xi的原始值；min{ xi}和max{ xi}分別為所有樣本中參數(shù) xi的最小值和最大值。

在訓(xùn)練結(jié)束后，再用下式將各變量還原到原始的分布范圍。

4 算例分析

采用圖5中的邊坡模型，為使建立的模型對參數(shù)在一定范圍內(nèi)的邊坡均可適用，考慮坡角α 的范圍為14°～45°，坡高H 的范圍為5～30 m。結(jié)合表1中土性參數(shù)的分布特征，利用拉丁超立方抽樣法生成500（由試算法確定）組邊坡參數(shù)的隨機(jī)樣本，按本文方法建立邊坡穩(wěn)定性分析的RBF神經(jīng)網(wǎng)絡(luò)模型。所建模型對測試樣本的預(yù)測效果見表2，預(yù)測值和計(jì)算值的對比見圖6。

圖5 邊坡計(jì)算剖面Fig.5 Slope profile

表2 RBF神經(jīng)網(wǎng)絡(luò)模型預(yù)測效果Table 2 Prediction performance of RBF neural network model

表2中，有限元強(qiáng)度折減法與Morgenstern-Price極限平衡法[20]得到的安全系數(shù)計(jì)算結(jié)果基本一致，最大誤差不超過0.094，這表明本文利用有限元強(qiáng)度折減法計(jì)算均質(zhì)土坡的安全系數(shù)是可靠的。20組測試樣本安全系數(shù)計(jì)算值與預(yù)測值的最大絕對誤差為0.047，平均絕對誤差為0.011，可見所建立的RBF神經(jīng)網(wǎng)絡(luò)模型對安全系數(shù)具有較好的預(yù)測效果。

圖6 計(jì)算值與預(yù)測值對比Fig.6 Comparisons between calculated and predicted results

雖然第5、7、10、15組測試樣本失效概率預(yù)測值與計(jì)算值之間的絕對誤差均大于0.02，但兩者之間的差異是可以接受的：（1）這幾組測試樣本失效概率的相對誤差較?。ǚ謩e為2.26%、3.73%、4.83%和10.34%）；（2）第5、7、10組測試樣本的安全系數(shù)均小于1，失效概率均大于0.8，表明邊坡已經(jīng)破壞，第15組測試樣本的安全系數(shù)在1.1和1.2之間，失效概率大于0.19，表明邊坡有較大的失穩(wěn)可能性，需采取相應(yīng)措施，這兩種情況下，表中失效概率的絕對誤差并不會影響對邊坡穩(wěn)定性的判斷。綜合考慮所有的測試樣本，失效概率的平均絕對誤差為0.009，這表明，RBF神經(jīng)網(wǎng)絡(luò)模型對失效概率同樣具有良好的預(yù)測精度。此外，對比表中二維隨機(jī)場模型與各向同性隨機(jī)場模型下的失效概率計(jì)算結(jié)果，可以發(fā)現(xiàn)：采用各向同性隨機(jī)場模型得到的計(jì)算結(jié)果大部分偏高，小部分偏低，這表明采用二維隨機(jī)場模型得到的計(jì)算結(jié)果會更為精確。

圖6中，安全系數(shù)的預(yù)測值與計(jì)算值幾乎完全吻合。除了第5、7、10、15組測試樣本，失效概率的預(yù)測值與計(jì)算值均能較好擬合。這表明，建立的RBF神經(jīng)網(wǎng)絡(luò)模型可以用于邊坡的穩(wěn)定性分析。

從計(jì)算時(shí)間來看，雖然直接用有限元強(qiáng)度折減法計(jì)算邊坡的安全系數(shù)較為快捷，但在土性參數(shù)二維隨機(jī)場模型下計(jì)算邊坡的可靠度需要耗費(fèi)一定的時(shí)間（測試樣本的平均耗時(shí)為41.5 min）。而RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型一旦建成，可以同時(shí)對多個(gè)邊坡進(jìn)行分析，且對安全系數(shù)和失效概率的預(yù)測耗時(shí)不到1 min。

5 結(jié) 論

（1）基于二維隨機(jī)場模型的邊坡可靠度分析方法比基于隨機(jī)變量的邊坡可靠度分析方法更能合理描述土性參數(shù)的空間變異性，得到相對精確的結(jié)果。

（2）根據(jù)邊坡參數(shù)的分布特征，采用拉丁超立方抽樣產(chǎn)生參數(shù)樣本，將經(jīng)過確定性分析和可靠度分析后的樣本數(shù)據(jù)作為RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。這樣既可以通過增加訓(xùn)練樣本數(shù)目來提高RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測精度，又避免了實(shí)際工程中難以尋找大量邊坡參數(shù)數(shù)據(jù)的難題。且本文所建立的RBF神經(jīng)網(wǎng)絡(luò)邊坡穩(wěn)定性分析模型對土性參數(shù)和幾何參數(shù)在本文考慮范圍內(nèi)的均質(zhì)邊坡均可適用。

（3）通過用RBF神經(jīng)網(wǎng)絡(luò)建立邊坡參數(shù)與安全系數(shù)和失效概率的映射，省略了繁瑣的計(jì)算過程，可由邊坡參數(shù)直接得到安全系數(shù)和失效概率的計(jì)算結(jié)果，極大地提高了邊坡穩(wěn)定性分析的效率。

本文所建立的RBF神經(jīng)網(wǎng)絡(luò)分析模型適用于均質(zhì)邊坡，對于非均質(zhì)邊坡，亦可依照本文方法建立其穩(wěn)定性分析模型。但由于現(xiàn)階段在二維隨機(jī)場模型下計(jì)算非均質(zhì)邊坡的失效概率較為復(fù)雜，建議采用一維隨機(jī)場或各向同性隨機(jī)場進(jìn)行近似處理，隨機(jī)場的模擬方法也可由局部平均法替換為方差折減法等相對簡單的隨機(jī)場離散方法，具體工作將在今后繼續(xù)展開。

[1]張璐璐，張潔，徐耀，等.巖土工程可靠度理論[M].上海:同濟(jì)大學(xué)出版社，2011.

[2]謝康和，周健.巖土工程有限元分析理論與應(yīng)用[M].北京:科學(xué)出版社，2002.

[3]李典慶，蔣水華，周創(chuàng)兵，等.考慮參數(shù)空間變異性的邊坡可靠度分析非侵入式隨機(jī)有限元法[J].巖土工程學(xué)報(bào)，2013，35(8):1413－1422.LI Dian-qing，JIANG Shui-hua，ZHOU Chuang-bing，et al.Reliability analysis of slopes considering spatial variability of soil parameters using non-intrusive stochastic finite element method[J].Chinese Journal of Geotechnical Engineering，2013，35(8):1413－1422.

[4]GRIFFITHS D V，F(xiàn)ENTON G A.Probabilistic slope stability analysis by finite elements[J].Journal of Geotechnical and Geoenvironment Engineering，2004，130(5):507－518.

[5]潘健，周森.考慮參數(shù)空間變異性的不排水邊坡可靠度分析[J].汕頭大學(xué)學(xué)報(bào)(自然科學(xué)版)，2010，25(3):74－80.PAN Jian，ZHOU Sen.Analysis of influence of spatial variability on undrained slope reliability[J].Journal of Shantou University (Natural Science)，2010，25(3):74－80.

[6]吳振君，王水林，葛修潤.約束隨機(jī)場下的邊坡可靠度隨機(jī)有限元分析方法[J].巖土力學(xué)，2009，30(10):3086－3092.WU Zhen-jun，WANG Shui-lin，GE Xiu-run.Slope reliability analysis by random FEM under constraint random field[J].Rock and Soil Mechanics，2009，30(10):3086－3092.

[7]楊繼紅，劉漢東，秦四清，等.考慮土性參數(shù)空間變異性的邊坡可靠度分析[J].工程地質(zhì)學(xué)報(bào)，2007，15(2):205－211.YANG Ji-hong，LIU Han-dong，QIN Si-qing，et al.Relaibility analysis of slope stability taking into consideration of spatial variability of soil parameters[J].Journal of Engineering Geology，2007，15(2):205－211.

[8]VANMARCKE E，SHINOZUKA M，NAKAGIRI S，et al.Random fields and stochastic finite element[J].Structural Safety，1986，(3):143－166.

[9]劉寧.可靠度隨機(jī)有限元法及其工程應(yīng)用[M].北京:中國水利水電出版社，2001.

[10]楊艷榮.基于隨機(jī)場理論的土質(zhì)邊坡可靠度分析[D].鄭州:鄭州大學(xué)，2011.

[11]畢衛(wèi)華，譚曉慧，候曉亮，等.基于RBF神經(jīng)網(wǎng)絡(luò)的邊坡穩(wěn)定可靠度分析[J].地下空間與工程學(xué)報(bào)，2010，6(2):423－428.BI Wei-hua，TAN Xiao-hui，HOU Xiao-liang，et al.Reliability analysis of slope based on RBF neural network[J].Chinese Journal of Underground Space and Engineering，2010，6(2):423－428.

[12]邱道宏，李術(shù)才，薛翊國，等.基于數(shù)字鉆進(jìn)技術(shù)和量子遺傳-徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的圍巖類別超前識別技術(shù)研究[J].巖土力學(xué)，2014，35(7):2013－2018.QIU Dao-hong，LI Shu-cai，XUE Yi-guo，et al.Advanced prediction of surrounding rock classification based on digital drilling technology and QGA-RBF neural network[J].Rock and Soil Mechanics，2014，35(7):2013－2018.

[13]SZYNAKIEWICZ T，GRIFFITHS D V，F(xiàn)ENTON G A.A probabilistic investigation of c'-φ' slope stability[C]//Proceedings of the 6th International Congress on Numerical Methods in Engineering and Scientific Applications.Caracas:[s.n.]，2002.

[14]BABU G L S，MUKESH M D.Effect of soil variability on reliability of soil slopes[J].Geotechnique，2004，54(5):335－337.

[15]EI-RAMLYH，MORGENSTERN N R，CRUDEN D M.Probabilistic stability analysis of a tailings dyke on pre-sheared clay shale[J].Canadian Geotechnical Journal，2003，40(1):192－208.

[16]PHOON K K，KULHAWY F H.Characterization of geotechnical variability[J].Canadian Geotechnical Journal，1999，36(4):612－624.

[17]謝桂華.巖土參數(shù)隨機(jī)性分析與邊坡穩(wěn)定可靠度研究[D].長沙:中南大學(xué)，2009.

[18]閆澍旺，郭林坪，曹永華.巖土工程可靠度分析中方差折減函數(shù)確定的一般規(guī)律[J].巖土力學(xué)，2014，35(8):2286－2292.YAN Shu-wang，GUO Lin-ping，CAO Yong-hua.Regularity of determination of reduction function of variance in reliability analysis of geotechnical engineering[J].Rock and Soil Mechanics，2014，35(8):2286－2292.

[19]張魯渝，鄭穎人，趙尚毅，等.有限元強(qiáng)度折減系數(shù)法計(jì)算邊坡穩(wěn)定安全系數(shù)的精確研究[J].水利學(xué)報(bào)，2003，(1):21－27.ZHANG Lu-yu，ZHENG Ying-ren，ZHAO Shang-yi，et al.The feasibility study of strength reduction method with FEM for calculating safety factors of soil slope stability[J].Journal of Hydraulic Engineering，2003，(1):21－27.

[20]MORGENSTERN N R，PRICE V E.The analysis of the stability of general slip surface[J].Geotechnique，1965，15(1):79－93.