于 雷,閆 巖,鄧巧巧

（1．核工業(yè)二四三大隊，內蒙古 赤峰 024000；2．內蒙古赤峰地質礦產勘查開發(fā)院，內蒙古 赤峰 024000）

1 引言

邊坡巖土體在一定坡高、坡角等條件下的穩(wěn)定程度就叫作邊坡穩(wěn)定性，與鐵路、市政、公路、礦山、土建等工程領域息息相關[1]。其中因邊坡失穩(wěn)引發(fā)的山體滑坡就是一種不局限于區(qū)域與破壞性的巨大地質災害，形成時不易被察覺，發(fā)生時極易造成片狀的連帶效果，故研究邊坡穩(wěn)定性具有重要的現實意義，通過分析、自動評價邊坡穩(wěn)定性，可以有效防止邊坡失穩(wěn)帶來的危害。

國內外學者對此進行大量研究，文獻[2]基于某露天煤礦的邊坡進行穩(wěn)定性研究，通過邊坡地質調查、工程地質鉆探等，對南端幫邊坡工程地質與水文地質條件展開分析；文獻[3]根據邊坡凍融作用對邊坡的影響與穩(wěn)定性情況，規(guī)劃出邊坡結構參數優(yōu)化方法與局部失穩(wěn)加固治理策略。

基于上述文獻方法優(yōu)勢，本文以大數據為基礎，深入研究礦山邊坡穩(wěn)定性評價模型。引入松弛變量，避免模型出現過擬合現象；通過數據預處理，提升邊坡失穩(wěn)判斷準確度，反映邊坡結構穩(wěn)定性的實際情況，發(fā)出正確的預警信號。

2 基于大數據環(huán)境的邊坡穩(wěn)定性自動評價模型構建

在礦山工程地質的基礎上，根據地層巖性、坡度、巖體變形破壞分類等因素，將礦區(qū)坡度劃分為幾個分區(qū)，反映了不同區(qū)域的坡度特征，作為邊坡穩(wěn)定性的對象。為建設邊坡穩(wěn)定性自動評價模型，對采集到的大數據進行預處理，包括數據聚類、異常數據識別、數據修正以及平滑處理，實現自動評價模型構建。

2.1 大數據預處理

用傳感器采集到的大數據較為復雜，有一定幾率存在偶然性誤差，對邊坡穩(wěn)定性產生錯誤的自動評價結果，所以，需要在使用數據前進行一系列數據清理操作。

2.1.1 數據聚類

邊坡失穩(wěn)前后存在一定數據特點，通過去除初始數據的異常數據，取得數據基本特征，提升邊坡失穩(wěn)判斷準確度[5]。

假設隸屬矩陣U的取值范圍是[0，1]，則經歸一化的各數據隸屬度和是1，表達式如下所示：

公式(1)中，c表示子類數量。

采用下列公式表達目標函數：

公式(2)中，第k個數據點與第i類的相似度用μik表示，取值范圍是μik[0，1]，數據點與類別間的歐幾里得距離用dik表示，加權指數為m，取值范圍是m[0，2]。

依據聚類準則架構下列拉格朗日函數：

為提升線性可分概率，簡化計算過程，將核誘導距離的兩項相加后替換歐幾里得距離，得到下列聚類目標表達式：

公式(5)中，vi表示模糊類劃分的第e個聚類中心，計算的個體數量為xk，k(xk-vi)表示高斯核函數。

在核函數中引入動態(tài)權重αi，賦予數據點多的類別更多權重，增加數據元素隸屬度，構建下列目標函數表達式：

2.1.2 異常數據識別

根據所獲取的聚類中心矩陣與分類矩陣，識別異常數據。神經元層作為超級神經元網絡模型的第一層，主要用于分割樣本數據空間，假設各神經元為(Ai，Ci)，其中，神經網絡向量空間的特征矢量Ai，吸引域用Ci界定。網絡模型的M個神經元節(jié)點與神經元層的K個神經元節(jié)點為全連接狀態(tài)，利用下列表達界定對應權重：

公式(8)中，m=1，2，…，M，k=1，2，…，K。

將邊坡變形數據分成P類，用X1，X2，…，XP表示，識別流程描述如下：

(1)超級神經元網絡模型的輸入設定為特征曲線X1，樣本輸出Y=(0，…，0)；

(2)在特征曲線Xi的首個分量中引入差值e，得到含有壞數據的新矢量，則樣本輸出為Y=(1，0，…，0)；同理獲得全部分量疊加偏差，構建正偏差樣本集合；

(3)用-e替換偏差e，重復上步流程，得到負偏差集合，結合正偏差集合，組成網絡模型的全部數據樣本集合；

(4)在模型中輸入待測數據集合，若含有壞數據，則輸出趨近于1，否則，趨近于0。

2.1.3 數據修正

當邊坡變形數據經過聚類分析與識別后，需實施修正處理，保證邊坡結構穩(wěn)定性的準確評估。

若曲線xj上的點t1與點t2之間存在壞數據，vi1與vi2分別是兩點對應的類別中心，則數據修正可通過下列修正公式實現：

公式(9)中，t[t1，t2]，數據向量xj對類中心vi1、vi2的隸屬度值分別是(t)與(t)，表達式分別如下所示：

經過修正后的曲線xj，令數據集與相似類別具有更高的擬合度，盡管判定正常數據為壞數據，但修正后也不會對自動評價結果造成不良影響。

2.1.4 平滑處理

完成邊坡變形數據修正后，把信號所有頻率拆分到不同頻帶中，完成濾波、信噪分離以及特征提取。圖1所示為該礦區(qū)區(qū)段的大數據預處理結果。

圖1 壞數據降噪處理對比示意圖

圖1是某一時段中位移傳感器的采集數據處理結果，該區(qū)段數據很有可能是傳感器受到了外界因素干擾，造成了突發(fā)噪聲問題，經過有效濾除噪聲，真實反映出邊坡結構穩(wěn)定性的實際情況，發(fā)出正確的預警信號。

2.2 自動評價模型實現

在邊坡穩(wěn)定性自動評價搜收集大數據預處理的基礎上，且因邊坡失穩(wěn)形式眾多，將邊坡穩(wěn)定性自動評價轉換成單分類問題，可精準判定邊坡穩(wěn)定性，及時發(fā)出預警信號。一般情況下，大多數樣本數據屬于正常類別，當數據偏離正常數據模型時被認為是異常類別。

假設自動評價模型的最優(yōu)目標函數為f：X→Y，針對已知的xiX，都有一個輸出yiY與之相對應。依據經驗風險最小化原則[7]，得到下列最優(yōu)自動評價目標函數表達式：

公式(12)中，損失函數為L，函數的正則化項為Ω，調和參數為η。

假設單分類支持向量機模型的半徑是R，中心是χ，含有全部正常數據的超球面，則根據樣本數據與球心特征空間之間的距離，對該樣本數據的異常程度進行判定，其中，樣本數據與球心特征空間的間距可采用下列計算公式求解：

如果樣本數據位于超球面中，自動評價函數f(x)＜0，則判定該數據屬于正常樣本；相反，則為異常樣本。因樣本數據集合的噪聲不可避免，故利用松弛變量ξi＞0 防止模型出現過擬合現象，數據需滿足下列約束條件：

修正目標函數的同時需滿足下列約束條件：

公式(15)中，平衡超球面半徑與松弛變量參數用C表示，用于預估樣本數據集的不純凈度。

采用拉格朗日乘子法計算該凸優(yōu)化問題，表達式如下所示：

公式(16)中，αi≥0，βi≥0。求偏導R、χ 以及ξi，得到下列表達式：

依據αi的數值大小，劃分樣本數據為正常數據、支持向量數據以及異常數據，對應的αi取值情況分別是αi=0、0＜αi＜C以及αi=C。

將巖體變形破壞判據設定為摩爾-庫倫屈服準則[8]，利用下列公式界定穩(wěn)定性參數：

3 實驗驗證

選取某境內的一個礦山作為邊坡穩(wěn)定性研究目標，作為我國鐵礦石資源的重要基地之一，該礦山的年生產量高達1538萬噸，在不斷增加生產需求的過程中，礦業(yè)公司對北采場展開了擴幫工程，坑底標高持續(xù)下降，當實際邊坡的最大垂直高度大于一定數值時，勢必會直接影響邊坡的正常穩(wěn)定性。

礦區(qū)位于復向斜褶皺帶的東北段，復向斜的組成部分為北山向斜、南山向斜以及一個背斜，呈W 形[4]。依據地層巖性、邊坡、巖體變形破壞分類等因素，劃分礦區(qū)邊坡為不同區(qū)段，反映不同區(qū)域的邊坡特征。圖2所示即為該礦區(qū)實際工程條件下工程地質區(qū)域劃分示意圖。

圖2 邊坡工程地質分區(qū)圖

圖2中的區(qū)段位置在北區(qū)采場下盤北面中部，標高最大值是186m，開采標高的最小值是-290m，邊坡總走向是東北向，中部存在輕微變化，臺階坡面角是73°，單臺階高度是17m，總體邊坡角約為43°，該區(qū)段屬于斷層發(fā)育，對深部邊坡的穩(wěn)定存在嚴重威脅。

在礦山邊坡放置三個傳感器，選取采集的近一個月數據作為自動評價模型的數據依據，根據下列治理原則進行實驗驗證。

圖3為經過數據預處理的864 個有效數據集自動評價結果。

圖3 有效數據集自動評價結果

通過圖3可知，當開采深度為225m、250m以及275m時，置信度較低，均在30%以下，數據存在結構異常狀態(tài)，表明該礦區(qū)的部分區(qū)域存在失穩(wěn)威脅。而在其他區(qū)域置信度較高，在80%以上。

根據圖4所示的數據采集情況，發(fā)現在第345 個時間點與562個時間點上，該礦區(qū)發(fā)生了局部的輕微失穩(wěn)現象。

圖4 基于時間點的失穩(wěn)評估示意圖

4 結束語

本文基于大數據環(huán)境，對礦山邊坡穩(wěn)定性自動評價模型展開研究。在今后的研究工作中，需進一步豐富邊坡自動評價模型的內涵，采集更多的數據完善自動評價模型的可靠性；根據大數據分析邊坡穩(wěn)定性只是礦山開采工程的其中一個研究方向，應探索更多、更好的算法與模型，深入指導采礦作業(yè)的開展。