基于神經網絡對泥石流危險范圍的研究

張 晨，王 清，張 文，谷復光，2

(1.吉林大學建設工程學院，長春130026，364208320@qq.com;2.吉林建筑工程學院測勘工程學院，長春130021)

泥石流是我國最主要的地質災害之一，它的形成機制受各種各樣的外在因素和內部條件控制.其中任何因素的變化對泥石流的形成規模和危害范圍都會造成影響.可以說，泥石流是個巨大而復雜的系統［1-4］.泥石流是地震發生后危害最大、涉及范圍最廣的次生災害之一.因此，對泥石流危險范圍的評價不僅具有重要的科學價值，更具有重大的社會意義.日本學者池谷浩等人早在1979年就開始了這方面的研究，率先從統計學角度探討這一問題，高橋保和水山高久在1980年開始研究危險范圍的預測模型，從水力學角度探討這一課題.奧地利很早也應用交通信號定義泥石流的危險區，加拿大的O.Hungr等認為泥石流危險范圍的確定要主要依靠感性認識.國內，劉希林等首先提出用流域面積單因子預測泥石流危險范圍［5］.

綜合多年的研究成果［6-10］，對泥石流危險范圍的研究主要分為兩類，第一類是利用模型實驗來分析泥石流可能的堆積趨勢和危害范圍，第二類是利用數學模型進行模擬預測.目前來講，上述方法都未對泥石流進行分類研究.不同類型的泥石流系統受到不同影響因素的作用是不同的，再加上不同的地質條件和水文氣象條件，其堆積區的形成往往不是一種單一的模型可以準確預測的.因此，本次研究將利用改進BP神經網絡的自主學習能力對不同種類泥石流的不同影響因素進行評估，從而對預測模型進行修正.

1 研究方法

本次研究深入云南金沙江流域，對其中的典型泥石流進行現場考察，通過遙感解譯提取出流域面積、主溝長度、流域相對高差和主溝平均坡度等指標值，并統計出泥石流的堆積區最大長度和最大寬度.使用文獻［7］中的傳統預測模型作為基本方法對研究對象進行危險范圍預測，算出預測結果的相對誤差值:

式中:L為泥石流堆積扇最大長度，B為泥石流堆積山最大寬度，A為流域面積，H為流域相對高差，D為主溝長度，G為主溝平均坡度.

為了定量評估各個因素對泥石流危險范圍的影響程度，對其中的一個因素前的系數進行變換，保持其他因素前的系數不變.設變換前因子系數為m0，變換后系數為m.變換規則為

用每次變化后的模型重新做一次預測，重新計算出相對誤差.這樣，對于某一種因素就可以得到關于堆積扇最大長度和最大寬度的兩條誤差曲線，將其擬合得出斜率.這樣就可以得到某一種因素的誤差系數kL和kB，其中kL為關于最大長度的誤差系數，kB為關于最大寬度的誤差系數.利用改進BP神經網絡的學習能力訓練由因子指標值作為輸入層，kL和kB作為輸出層的網絡.下面為了對不同種類的泥石流分別進行分析，另取泥流、泥石流、水石流各10個例子作為研究對象，利用訓練好的網絡預測出各種不同類型泥石流的不同影響因子的kL和kB.進而對原始模型進行修正，修正公式為

其中:Kx為修正后的系數，Ky為原系數，k'為以不同種類的泥石流為研究對象算出的平均kL或kB，k0為第一次計算出的平均kL或kB.研究方法流程圖見圖1所示.

圖1 研究方法流程圖

2 實例分析

人工神經網絡以模擬人類大腦作為切入點，具有非線性動態處理能力，可以完成泥石流各參數之間的復雜的非線性映射.目前應用于工程地質方面的神經網絡絕大多數都是BP神經網絡.它可以調節各個神經元權值和閥值［11-13］，本研究采用改進BP神經網絡來進行分析.

本研究遵循Kolmogrov定理［14］，設有n個輸入單元，2n+1個中間單元和m個輸出單元.這樣的三層網絡可以精確地表達任何映射，協調中間層的容量和訓練時間.

2.1 設置訓練網絡

首先選擇調查區內的各種類型的老年型泥石流共100條，以其流域面積、主溝長度、流域相對高差和主溝平均坡度的指標值提取出來作為輸入單元，將kL和kB作為輸出單元(部分參數選擇見表1).由于輸入單元數為4，中間單元數為9.這樣就確定了一個4—9—2的網絡結構.選用來作為初始權值的量級，以便控制收斂速度，其中s為中間層數，r為輸入數.自適應學習速率公式為

其中:E為平方誤差，R為學習速率.

為了避免小數據被大數據淹沒，對數據的歸一化處理十分必要，大多歸一化計算都是將數據處理為0～1之間.考慮到網絡節點作用函數的值域特點，將數據歸一到0.1～0.9，這樣能夠更好地反映出樣本特點，運用公式×0.8+ 0.1即可.其中x為某指標值，xmin和xmax分別表示指標值中的最小和最大值.

在對網絡設置完畢并歸一化處理之后即可開始訓練網絡，訓練出4個影響因子的誤差系數預測網絡.部分輸入單元的原始數據見表1所示.訓練結果顯示見表2所示.

表1 部分輸入單元取值

表2 訓練結果

2.2 預測各類泥石流數據的誤差系數

選取泥流、泥石流、水石流各10條溝作為輸入單元數據，帶入不同網絡中進行誤差系數的預測.預測結果見表3.

表3 網絡預測結果

2.3 對傳統模型的修正

根據式(3)對傳統的模型進行修正，泥流、泥石流、水石流的修正結果分別見式(5)—(7)所示.

2.4 修正模型和傳統模型的比較分析

為了驗證修正模型的效果，另取3種類型的老年型泥石流各10條作為檢驗數據，使用3種修正模型和傳統模型對研究對象進行對比預測，結果見表4.

表4 對比分析結果

3 計算結果分析

從表2的預測系數可以看出，同一種影響因素在不同種類的泥石流中的誤差系數不盡相同.從表中可以看出，泥流中流域面積的誤差系數最大，泥石流中主溝長度的誤差系數最大，水石流中相對高差和主溝坡度的誤差系數相差不多，較其他兩種因素要大一些.由于本次研究對誤差系數的設定，誤差系數的物理意義是不同影響因素對泥石流危險范圍影響程度的定量表達，所以可以這樣認為，上述誤差系數較大的因素就是對不同種類的泥石流起主要影響作用的因素.深入研究出現上述現象的原因，對于水石流，顆粒組成以推移或層移運動的粗粒為主，作懸移運動的細顆粒比例很少，使其流體質量濃度較低，所以溝道坡度和主溝最大相對高差就成為影響流體運動和堆積的主要因素，從而控制泥石流的危險范圍.對于泥流，流體內部主要以細顆粒為主，運動方式主要以懸移運動為主，當流體質量濃度較高時，流體比較容易進入層流狀態，當流體質量濃度較低時，比較容易進入紊流狀態.不同流態下泥流受到的阻力規律是不同的，紊流狀態下的泥流除了克服常規阻力以外，還要具備一定的速度才能保證流體正常地運動［15-16］，也就是說，泥流的正常運移與流態密切相關，流態又與流體質量濃度有很大的關系.同時，流域面積與流域產沙量成正比，流域產沙量影響到流域內松散固體物質儲量，因此流域面積的大小決定了流體的物質來源，進而對流體的質量濃度有重大影響.由此可推知，流域面積對泥流的運行、發展以及最終的堆積起重要作用.對于泥石流，流體中的細顆粒密度介于泥流和水石流之間，泥石流的主要物質來源是溝道兩側的崩滑體和松散堆積物.因此，當泥石流從溝道中流出時，其具有的流體質量濃度主要取決于沿途接納物源的情況.主溝長度這一指標不但決定了泥石流沿途接納固體物質的能力，還決定了流體的流程，對最終泥石流的堆積起到關鍵影響作用.從表3的對比分析結果可以看出，經過修正的模型對不同種類的泥石流具備更好的危險范圍預測能力，這也從側面驗證了上述結論的正確性.

4 結論

1)提出了誤差系數的概念，使不同影響因子對泥石流危險范圍的影響程度可以定量化地表達，得知不同種類泥石流對于上述影響因素的敏感程度，并從流體力學的角度對結論進行了深層次解析.

2)利用改進BP神經網絡的學習能力預測出各影響因子對金沙江流域的各種類泥石流的危險范圍的量化影響程度.

3)利用本研究提出的修正公式對傳統預測模型進行了修正，結果顯示具有很強的實用性和準確性.

［1］ 劉希林，莫多聞.泥石流風險評價［M］.成都:四川科學技術出版社，2003.

［2］ 劉希林，趙源，蘇鵬程.四川德昌縣虎皮灣溝泥石流及災害損失評估［J］.災害學，2005，20(3):73-77.

［3］ ROMEO R W，FLORIS M，VENERI F.Area-scale landslide hazard and risk assessment［J］.Environmental Geology，2006，51(1):1-13.

［4］ SHIU Y Y，CHUN K F，KWOK L C，et al.Fractal dimension estimation and noise filtering using hough transforms［J］.Signal Processing，2004，84:907-917.

［5］ 劉希林.泥石流堆積扇危險范圍雛議［J］.災害學. 1990，5(3):86-89.

［6］ WEI Fangqiang，HU Kaiheng，LOPEZ J L，et al. Method and its application of the momentum model for debris flow risk zoning［J］.Chinese Science Bulletin，2003，48(6):594-598.

［7］ 劉希林，唐川，陳明.泥石流危險范圍的流域背景預測法［J］.自然災害學報，1992，1(3):56-67.

［8］ KELIM X，WHIPPLE.Predicting debris-flow runout and deposition on fans，the importance of the flac hydrograph.Erosion，Debris Flows and Environment in Mountain Regions［C］//Proceedings of the Chengdu Symposium 1992.Chendu:IAHS Pub，1992:337-345.

［9］ BENDA L.The influence of debris flows on channel sand valley floors in the Oregon Coast Range［J］. Earth Surf Proc Land，2002，15:457-466.

［10］ TAKAHASHIT.Debris flow on prismatic open channel［J］.Journal of Hydraulic Division，1980，106 (3):381-396.

［11］ 趙源，劉希林.人工神經網絡在泥石流風險評價中的應用［J］.地質災害與環境保護，2005，16(2): 135-138.

［12］ 莫永強，丁德馨，肖猛.改進BP神經網絡在邊坡穩定性評價中的應用［J］.礦冶，2006，15(2):10-12.

［13］ 宮會麗，宋學艷，丁香乾.基于粗糙集與人工神經網絡的變壓器故障診斷［J］.中國海洋大學學報，2005，35(6):1045-1048.

［14］ 馬洪生，鄭希靈.邊坡穩定性影響因素定量分析神經網絡法［J］.路基工程，2005，(5):42-45.

［15］ MEJIA-NAVARR M，WOHL E E，OAKS S D.Geological hazards vulnerability and risk assessment using GIS model for Glenwood Springs，Colorado［J］.Geomorphology，1994，10:331-354.

［16］ FELL R.Landslide risk assessment and acceptable risk［J］.Canadian Geotechnical Journal，1994，31: 261-272.