王雙華 WANG Shuang-hua

（云南省普洱公路局，普洱 665099）

0 引言

自1988 年我國第一條高速公路滬嘉高速通車以來，高速公路建設(shè)經(jīng)歷了長足的發(fā)展，截至2022 年底，我國高速公路總里程已達(dá)到17.73 萬公里，已是經(jīng)濟(jì)社會發(fā)展的重要支撐。然而，高速公路的建設(shè)和管理也面臨著各種自然和人為的風(fēng)險和挑戰(zhàn)，尤其是在地質(zhì)條件復(fù)雜的山區(qū)和丘陵地帶，高速公路邊坡的穩(wěn)定性問題成為一個亟待解決的難題。高速公路邊坡滑坡是一種常見的地質(zhì)災(zāi)害，其發(fā)生頻率較高（圖1），危害程度較大，影響范圍較廣，對生命財產(chǎn)安全、交通運輸、環(huán)境保護(hù)等方面都有嚴(yán)重的影響，目前仍是我們所必須面對的重大威脅。

圖1 2010 年-2021 年我國山體滑坡發(fā)生次數(shù)

圖2 四層神經(jīng)網(wǎng)絡(luò)

高速公路邊坡滑坡防治是一項復(fù)雜而艱巨的工程任務(wù)，需要綜合考慮地質(zhì)、水文、氣候、工程、經(jīng)濟(jì)等多方面因素，采取科學(xué)合理的技術(shù)措施和管理措施，以保證邊坡的安全穩(wěn)定。為此，國內(nèi)外許多學(xué)者為應(yīng)對邊坡滑坡災(zāi)害做了大量研究：袁維[1]等人提出了一種多源數(shù)據(jù)“融合-預(yù)測-預(yù)警”的三步式滑坡監(jiān)測預(yù)警方法，針對階躍型滑坡的變形特征，分別采用經(jīng)驗?zāi)B(tài)分解法、滑動多項式擬合法、隨機(jī)森林算法和斜率變點分析法，對滑坡的綜合變形進(jìn)行分解、預(yù)測和預(yù)警，并以向家壩水庫某滑坡體為例，驗證了該方法的可行性和有效性。李琦[2]等人設(shè)計了一種滑坡地質(zhì)災(zāi)害遠(yuǎn)程無線實時預(yù)警監(jiān)測系統(tǒng)，采用北斗衛(wèi)星定位、無線傳感器網(wǎng)絡(luò)和人工智能技術(shù)，實現(xiàn)了滑坡的精準(zhǔn)定位、實時監(jiān)測、智能預(yù)警和遠(yuǎn)程管理。楊詩詩[3]等人以三峽庫區(qū)為研究區(qū)，基于專業(yè)監(jiān)測數(shù)據(jù)，建立了降雨型滑坡預(yù)警雨量閾值的計算方法，并分析了不同類型滑坡的預(yù)警雨量閾值與降雨特征的關(guān)系。唐堯[4]等人利用國產(chǎn)高分辨率遙感數(shù)據(jù)，對四川省攀西地區(qū)的滑坡災(zāi)害進(jìn)行了孕災(zāi)致災(zāi)演變及周期監(jiān)測分析，提出了基于遙感技術(shù)的滑坡災(zāi)害智能預(yù)警分析方法，為滑坡災(zāi)害的防治提供了科學(xué)依據(jù)。熊弢[5]等人利用現(xiàn)場調(diào)查、室內(nèi)試驗和數(shù)值模擬等方法，分析了云南省普賢鄉(xiāng)場滑坡的地質(zhì)構(gòu)造、地形地貌、巖土力學(xué)特性、滑動機(jī)制和穩(wěn)定性，提出了滑坡的成因類型和防治對策。鄧昊[6]等人則基于物理模型試驗和數(shù)值模擬，分析了地震和強(qiáng)降雨對堆積層滑坡變形破壞機(jī)制的影響，揭示了不同工況下滑坡的應(yīng)力分布、位移變化和破壞模式，提出了堆積層滑坡的穩(wěn)定性評價方法和防治措施。

由上述內(nèi)容可見，目前針對邊坡滑坡災(zāi)害對策的研究思路多為對滑坡發(fā)生機(jī)制的研究以及通過監(jiān)測及時發(fā)現(xiàn)滑坡并預(yù)警，相比之下，利用人工智能技術(shù)預(yù)測邊坡滑坡風(fēng)險的研究還很少見，尚處于起步階段。本研究將基于高速公路滑坡的重大誘因——降雨量[7]為著目點，綜合考慮斜面特性與單位時間降雨量與累計降雨量，利用人工神經(jīng)網(wǎng)絡(luò)對高速公路滑坡災(zāi)害的風(fēng)險進(jìn)行評價。

1 神經(jīng)網(wǎng)絡(luò)模型

本研究使用神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)模型對高速公路邊坡滑坡的風(fēng)險進(jìn)行分析。神經(jīng)網(wǎng)絡(luò)是一種模仿人腦的計算模型，它是一種適合處理非線性、不確定和復(fù)雜問題的方法，可以從大量的數(shù)據(jù)中提取特征和規(guī)律，從而實現(xiàn)邊坡的分類、識別和預(yù)測[8]。神經(jīng)網(wǎng)絡(luò)的優(yōu)勢在于它具有很強(qiáng)的魯棒性和容錯性，可以并行處理數(shù)據(jù)，具有自學(xué)習(xí)、自組織和自適應(yīng)的能力，在處理不完整或不清晰的信息時，可以進(jìn)行信息融合和多媒體技術(shù)的應(yīng)用，高速地尋找優(yōu)化解。

神經(jīng)網(wǎng)絡(luò)由節(jié)點層組成，包含一個輸入層、一個或多個隱藏層和一個輸出層。每個節(jié)點也稱為一個人工神經(jīng)元，它們連接到另一個節(jié)點，具有相關(guān)的權(quán)重和閾值。如果任何單個節(jié)點的輸出高于指定的閾值，那么會激活該節(jié)點，并將數(shù)據(jù)發(fā)送到網(wǎng)絡(luò)的下一層。否則，數(shù)據(jù)不會傳遞到網(wǎng)絡(luò)的下一層[9]。神經(jīng)網(wǎng)絡(luò)依靠訓(xùn)練數(shù)據(jù)來學(xué)習(xí)，并隨時間推移提高自身準(zhǔn)確性。這些學(xué)習(xí)算法經(jīng)過了調(diào)優(yōu)，提高了準(zhǔn)確性后，就會成為計算機(jī)科學(xué)和人工智能領(lǐng)域的強(qiáng)大工具，使我們能夠快速對數(shù)據(jù)進(jìn)行分類和聚類。

在本研究中，使用由輸入層、兩個隱藏層和輸出層組成的四層神經(jīng)網(wǎng)絡(luò)進(jìn)行計算，對不同訓(xùn)練步數(shù)下的訓(xùn)練結(jié)果進(jìn)行比較。隱藏層使用的激活函數(shù)是sigmoid 函數(shù)，輸出層使用softmax 函數(shù)。四層神經(jīng)網(wǎng)絡(luò)是一種常用的網(wǎng)絡(luò)結(jié)構(gòu)，可以實現(xiàn)較好的擬合能力和泛化能力。輸入層負(fù)責(zé)接收邊坡的特征及降雨量數(shù)據(jù)，輸出層負(fù)責(zé)輸出邊坡是否發(fā)生滑坡的判斷結(jié)果。兩個隱藏層可以增加網(wǎng)絡(luò)的非線性和復(fù)雜度，提高網(wǎng)絡(luò)的表達(dá)能力。隱藏層使用的sigmoid 函數(shù)是一種常用的激活函數(shù)，它將神經(jīng)元的輸出映射到（0，1）區(qū)間，具有平滑性和可微性，sigmoid 函數(shù)可以實現(xiàn)非線性變換，增強(qiáng)網(wǎng)絡(luò)的擬合能力，且它還可以避免輸出值過大或過小，導(dǎo)致梯度消失或爆炸的問題。輸出層使用softmax函數(shù)是一種常用的輸出函數(shù)，其可以實現(xiàn)分類的概率輸出，適合于分類問題。

2 數(shù)據(jù)集

本研究中用于學(xué)習(xí)的數(shù)據(jù)集由40 條發(fā)生滑坡的數(shù)據(jù)和320 條未發(fā)生滑坡的數(shù)據(jù)組成。在其中選擇發(fā)生滑坡的和未發(fā)生滑坡各80%的隨機(jī)數(shù)據(jù)用作訓(xùn)練數(shù)據(jù)，其余的用作驗證數(shù)據(jù)。輸入項目包括邊坡的地形、土質(zhì)、支護(hù)結(jié)構(gòu)三個因素的評價分、以及一周的累計降雨量和一周的最大單位時間（小時，下同）降雨量。各評價因素的給分標(biāo)準(zhǔn)如下，該標(biāo)準(zhǔn)僅適用于本研究，與規(guī)范化的邊坡評價方法有一定的出入。

邊坡的地形評價分主要考慮其邊坡系數(shù)，根據(jù)邊坡系數(shù)的大小，給邊坡分配一個地形評分，邊坡越穩(wěn)定，評分越高，越不易發(fā)生滑坡。評分的范圍在0-1 之間，分為五種等級（表1）。

表1 邊坡地形評價標(biāo)準(zhǔn)

邊坡的土質(zhì)評分以砂土、壤土、粘土三種大致的分類進(jìn)行評分：粘土得分1 分、壤土0.5 分、砂土0 分。

邊坡的支護(hù)結(jié)構(gòu)評分根據(jù)表2 所示邊坡的支護(hù)類型評分標(biāo)準(zhǔn)表給出，表中，相應(yīng)支護(hù)結(jié)構(gòu)類型的評分為該支護(hù)完整情況下的得分，根據(jù)支護(hù)的損壞情況、覆蓋率等會對相應(yīng)類型的邊坡酌情扣0.1/0.2 分（無邊坡除外，無邊坡一律得分0 分）。

表2 邊坡支護(hù)類型評分標(biāo)準(zhǔn)

使用的降雨數(shù)據(jù)是通過中國氣象局官方網(wǎng)站進(jìn)行獲取的，對于發(fā)生滑坡的數(shù)據(jù)，使用了發(fā)生滑坡前一周的累計降雨量和發(fā)生滑坡前一周內(nèi)的最大單位時間降雨量。不發(fā)生滑坡的數(shù)據(jù)是指發(fā)生塌陷的邊坡自投入使用以來該邊坡所經(jīng)歷的降雨量中，累計降雨量最大的一周以及該周最大單位時間降雨量的數(shù)據(jù)集。以不發(fā)生滑坡為1、發(fā)生滑坡為0 進(jìn)行訓(xùn)練學(xué)習(xí)，輸出時以發(fā)生滑坡或不發(fā)生滑坡中較大概率者作為判斷結(jié)果。

圖3 是收集的數(shù)據(jù)集的一周累積降雨量和最大小時降雨量（包括發(fā)生滑坡的和未發(fā)生滑坡的）。從這張圖來看，在周累計降雨量和最大單位時間降雨量之間，無法找到發(fā)生滑坡的降雨量和未發(fā)生滑坡的降雨量之間的明確界限。因此，單純地考慮降雨量的多少，無法對是否發(fā)生滑坡做出判斷。

圖3 降雨量數(shù)據(jù)

3 結(jié)果

圖4 和圖5 顯示了利用神經(jīng)網(wǎng)絡(luò)進(jìn)行機(jī)器學(xué)習(xí)結(jié)果。圖4 展示了訓(xùn)練步數(shù)與對學(xué)習(xí)數(shù)據(jù)判斷的正確率和對驗證數(shù)據(jù)判斷的正確率之間的關(guān)系；圖5 展示了訓(xùn)練步數(shù)和靈敏度之間的關(guān)系，靈敏度表示能夠?qū)l(fā)生滑坡的數(shù)據(jù)判定正確的概率。圖4 中，當(dāng)訓(xùn)練步數(shù)從2000 到10000 變化時，學(xué)習(xí)數(shù)據(jù)正確率和驗證數(shù)據(jù)正確率分別在88.2%～94.7%和91.3%～96.1%之間。但是，當(dāng)考慮靈敏度時，我們發(fā)現(xiàn)它處于40.4%至68.6%的較低值。這意味著整體正確率受未發(fā)生滑坡數(shù)據(jù)判斷結(jié)果的影響較大，未發(fā)生滑坡數(shù)據(jù)的判斷準(zhǔn)確率較高。當(dāng)訓(xùn)練步數(shù)為2000 時，學(xué)習(xí)數(shù)據(jù)正確率、驗證數(shù)據(jù)正確率和靈敏度均小于使用其他訓(xùn)練步數(shù)時的正確率，說明此時訓(xùn)練步數(shù)不足。在對學(xué)習(xí)數(shù)據(jù)和驗證數(shù)據(jù)的判斷上，雖然訓(xùn)練步數(shù)4000 次時的正確率均比5000 次時更高，但由于靈敏度較低，并不能認(rèn)為4000 左右的訓(xùn)練步數(shù)是最合適的。訓(xùn)練步數(shù)6000 步后學(xué)習(xí)數(shù)據(jù)正確率、驗證數(shù)據(jù)正確率波動，且沒有穩(wěn)定趨勢，靈敏度略有下降，考慮到計算時間隨著訓(xùn)練步數(shù)的增加而變長，5000-6000 的訓(xùn)練步數(shù)對于本研究中使用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和數(shù)據(jù)集是最合適的，在這個范圍內(nèi)選擇適當(dāng)?shù)挠?xùn)練步數(shù)可以獲得較好的機(jī)器學(xué)習(xí)結(jié)果。

圖4 學(xué)習(xí)數(shù)據(jù)正確率及驗證數(shù)據(jù)正確率

4 總結(jié)及展望

在本研究中，我們分析了過去的邊坡失穩(wěn)數(shù)據(jù)，探討了應(yīng)用神經(jīng)網(wǎng)絡(luò)對高速公路邊坡滑坡風(fēng)險判斷的可能性。本研究得到的結(jié)論如下：①盡管有必要提高對降雨引起的邊坡破壞風(fēng)險評估的準(zhǔn)確性，但本研究提出的運用神經(jīng)網(wǎng)絡(luò)作為一種判斷風(fēng)險的方法是可行的。②訓(xùn)練步數(shù)變多會大大增加計算時間，綜合學(xué)習(xí)數(shù)據(jù)正確率、驗證數(shù)據(jù)正確率、靈敏度綜合考慮，認(rèn)為本研究的訓(xùn)練步數(shù)為5000-6000 比較合適。③本研究的靈敏度最高在68%左右，意味著有1/3 左右的滑坡未被準(zhǔn)確預(yù)測。為了對高速公路邊坡進(jìn)行安全評估，有必要提高靈敏度，增加滑坡數(shù)據(jù)的樣本數(shù)量。

本研究取得了一定的效果，但仍有一些不足和可優(yōu)化的點。在未來的研究中，考慮可以從以下幾個方面進(jìn)行改進(jìn)和拓展：①增加數(shù)據(jù)集的規(guī)模和質(zhì)量，尤其是發(fā)生滑坡的數(shù)據(jù)，以提高神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力和靈敏度。②考慮更多的影響邊坡穩(wěn)定性的因素，如邊坡的初始應(yīng)力狀態(tài)，邊坡的支護(hù)措施等，以提高神經(jīng)網(wǎng)絡(luò)的泛化能力和適應(yīng)性。③優(yōu)化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)，增加隱藏層的數(shù)量，選擇不同的激活函數(shù)，調(diào)整權(quán)重和閾值等，以提高神經(jīng)網(wǎng)絡(luò)的計算效率和準(zhǔn)確性。

通過以上的改進(jìn)和拓展，我們期望能夠建立一個更加完善和高效的高速公路邊坡滑坡風(fēng)險評價的機(jī)器學(xué)習(xí)模型，為高速公路邊坡的安全管理和防災(zāi)減災(zāi)提供更有價值的參考和支持。