鄭麗霞

(沈陽市蘇家屯區(qū)渾南灌區(qū)管理處,遼寧 沈陽 110101)

堤岸工程是一項重要的防洪工程，尤其是夏季暴雨、臺風的到來，堤岸可有效防止洪水灌入城鎮(zhèn)。堤岸工程的穩(wěn)定性是保證人民安全的關(guān)鍵因素。許多專家學者對堤岸穩(wěn)定性進行了研究。趙宇坤等[1]使用飽和—非飽和理論研究了汛期水位驟升驟降對堤岸穩(wěn)定性的影響，分析了坡體內(nèi)部水位的變化，繪制不同工況下堤岸穩(wěn)定狀態(tài)圖。張芳枝等[2]通過數(shù)值模擬手段研究河流沖刷對堤岸穩(wěn)定性的影響，結(jié)果表明：坡腳位置滲流流速最大，沖刷造成岸坡塑性區(qū)范圍增大，降低了堤岸穩(wěn)定性。劉動等[3]通過現(xiàn)場實測資料使用神經(jīng)網(wǎng)絡(luò)模型對河流沖刷作用下河床、堤岸變形進行預測研究。馬崇武等[4]通過數(shù)值模擬研究堤岸穩(wěn)定性最小時的水位值，對工程建設(shè)意義重大。肖瑤等[5]考慮巖土體強度劣化對岸坡穩(wěn)定性的影響，當巖土體強度劣化達到30%時，岸坡穩(wěn)定性達到臨界破壞值。陳將宏等[6]選取了四個因素作為評價岸坡穩(wěn)定性的影響因素并確定其權(quán)重。

在實際工程中，堤岸工程的失穩(wěn)破壞往往不是單一因素決定的，影響其穩(wěn)定性的是多個因素的組合作用。利用實際工程直接對單一因素的權(quán)重進行分析具有明顯的局限性。因此，采用正交試驗的方法對影響因素敏感性進行分析。該方法可進行多次試驗，選取具有客觀代表性的組合進行試驗，可有效提高試驗的效率。隨著計算機技術(shù)的快速發(fā)展，人工智能不斷地用于工程計算方面，可有效逼近非線性計算結(jié)果，有較強的適用性[7]。選取了土體強度(X1黏聚力，X2內(nèi)摩擦角，X3坡比，X4坡高)，邊界因素(X5墻前水位，X6墻后水位，X7墻后荷載)等7個指標作為堤岸穩(wěn)定性評價的影響因素，進行敏感性分析。

1 堤岸穩(wěn)定性影響因素敏感性分析

1.1 BP神經(jīng)網(wǎng)絡(luò)模型

按照結(jié)構(gòu)方面分析，可以將神經(jīng)網(wǎng)絡(luò)分成輸入層、隱含層和輸出層三個層次(見圖1)。輸入層和隱含層以及隱含層和輸出層之間包含有大量的神經(jīng)元。不同的神經(jīng)元具備不同的權(quán)值，這些權(quán)值可以作為神經(jīng)網(wǎng)絡(luò)定量計算時的連接強度。

(從上至下分別代表輸入層、隱含層、輸出層)圖1 BP神經(jīng)網(wǎng)絡(luò)模型

在使用神經(jīng)網(wǎng)絡(luò)模型進行分析計算的過程中，從輸入層輸入數(shù)據(jù)，通過隱含層的分析計算后，輸入的數(shù)據(jù)變?yōu)榉蔷€性數(shù)據(jù)，最后從輸出層輸出結(jié)果，數(shù)據(jù)的這種傳輸過程即為數(shù)據(jù)的正方向傳輸[8]。通過對比輸出結(jié)果與既定目標之間的差距可以得知神經(jīng)網(wǎng)絡(luò)的計算精度，當計算精度達不到目標要求時，通過反向傳輸來重新調(diào)整閾值。經(jīng)過多次試驗，調(diào)整輸出結(jié)果直至精度可以滿足要求。這種反向傳播調(diào)整試驗精度就是神經(jīng)網(wǎng)絡(luò)的學習過程[9]。

計算過程如下。定義函數(shù)γ：

(1)

式中：n為輸出層內(nèi)包含的所有單元的總數(shù)；y為目標輸出值；y′為實際輸出值。

每個連接強度即權(quán)值的修正公式如式(2)所示。

(2)

式中：ωi為輸入數(shù)據(jù)x到隱含層i的權(quán)重；α為神經(jīng)網(wǎng)絡(luò)模型系統(tǒng)學習的工作效率；Ii為第i個隱含層的傳輸函數(shù)。

輸入層與隱含層之間一般采用Sigmoid函數(shù)進行數(shù)據(jù)的傳輸，該函數(shù)輸入值為(-∞,+∞)，輸出值區(qū)間范圍為(0，1)，這樣的輸入輸出值范圍有助于模型在進行訓練學習過程中進行精度的對比。Sigmoid函數(shù)如式(3)所示。

f(x)=(1+e-x)-1

(3)

式中：x為輸入值。

隱含層到輸出層之間的關(guān)系滿足Purelin函數(shù)，即輸出值與輸入值相等。

學習訓練工作完成后，精度滿足設(shè)計要求時，該模型即可用于實際工作。

1.2 基于Garson的參數(shù)敏感性分析方法

在神經(jīng)網(wǎng)絡(luò)的學習訓練過程中，輸入層—隱含層、隱含層—輸出層之間的連接強度即權(quán)值確定了不同單元的輸入值對輸出值影響的程度。一個單元對輸出結(jié)果影響程度的大小即為該單元對輸出結(jié)果影響的敏感性。因此，可以使用以下算法表達這種影響程度(式4)。

(4)

式中：Ri k為輸入值的對輸出值的影響程度；Wi j為輸入層i—隱含層j的連接強度即權(quán)值；Wj k為隱含層j—輸出層k的連接強度即權(quán)值；N、M分別為輸入層、輸出層的總數(shù),2N+M為隱含層總數(shù)。

2 工程應(yīng)用

以某段堤岸為例，計算穩(wěn)定性影響因子的敏感因素。經(jīng)過現(xiàn)場調(diào)查和室內(nèi)試驗獲取該地區(qū)各影響因素取值和巖土體力學參數(shù)。黏聚力為15 kPa，內(nèi)摩擦角為15°，坡比為2.1，坡高5 m，墻前水位3 m，墻后水位1 m，墻后荷載5 kPa。查閱相關(guān)資料單影響因子的評價等級分級如表1所示。

表1 指標評價等級

為保證計算方便可靠、快捷，采用正交試驗。各指標作為輸入層，通過組合計算得到的安全系數(shù)作為輸出層。正交試驗結(jié)果如表2所示。

將試驗數(shù)據(jù)輸入模型中，輸入層的神經(jīng)元共有7個，輸出層神經(jīng)元只有1個，因此，當隱含層神經(jīng)元個數(shù)取15個時神經(jīng)網(wǎng)絡(luò)學習訓練效果最好。神經(jīng)網(wǎng)絡(luò)不停地學習至誤差達到目標時可停止學習，此時可獲取輸入值與輸出值的關(guān)系。引入Garson算法對權(quán)值矩陣進行相應(yīng)的處理，獲取各輸入神經(jīng)元的相對貢獻量。

通過表3可以看出堤岸穩(wěn)定性對各因素的敏感程度按照強弱順序如下：X1黏聚力，X2內(nèi)摩擦角，X3坡比，X4坡高，X5墻前水位，X6墻后水位，X7墻后荷載。

表2 正交試驗結(jié)果

表3 各影響因素相對貢獻程度

3 結(jié) 論

(1)選取7個因素作為影響堤岸穩(wěn)定性的評價指標，采用神經(jīng)網(wǎng)絡(luò)與Garson算法組合模型對不同因素的敏感性進行分析，結(jié)果與實際工程較為符合，具有一定的可行性。

(2)文中研究邊坡為均質(zhì)邊坡，對于復雜的多層邊坡需要更多的工程實例作為驗證，對該模型的適用性進行進一步改進。

(3)堤岸穩(wěn)定性對于黏聚力和內(nèi)摩擦角的變化最為敏感。