基于BP神經網絡預測露天礦邊坡破壞模式

閔 偉 何昌碩

根據露天礦礦區地質環境、構造、地層、巖性與水文地質條件進行分析。準確地對露天礦邊坡的破壞模式做出評價,為巖質邊坡工程的穩定性分析與治理提供了必要的依據。如何準確、科學、便捷的進行巖質邊坡破壞模式的預測,一直是巖石工程界專家學者們研究的熱門話題,本文嘗試用BP神經網絡方法來對露天礦邊坡的破壞模式進行預測。

1 BP神經網絡的模型

BP神經網絡(Back Propagation)又稱誤差反向傳播多層前饋神經網絡,是目前工程應用中最廣泛也是發展最成熟的一種神經網絡模型。它是一單向傳播的多層前向網絡,網絡除輸入輸出層節點外,有一層或多層的隱含層節點,同層節點中沒有任何耦合。輸入信號從輸入層節點,依次傳過各隱含層節點,然后傳到輸出層節點,每一層節點的輸出只影響下一層節點的輸出。節點的激活函數必須是可微、非減的,通常取S型函數[1]。BP網絡模型見圖1。

2 BP神經網絡的學習算法

BP算法是一個快速下降的方法,使用了最優化方法中最普通的一種沿梯度下降算法,目的是使實際輸出和預期的樣本輸出之間的均方差最小化。它要求轉化函數有連續可微分的非線性特征[2]。一般使用S型邏輯非線性函數:

3 創建BP神經網絡

3.1 輸入層的確定

首先必須確定露天礦邊坡破壞模式的影響因素。主要是以巖體結構為最基本的控制因素,考慮了結構面與邊坡產狀的組合關系、巖性、巖體的強度、邊坡的特征參數和地下水的條件等因素。本文把影響露天礦邊坡破壞模式的主要因素進行了分類,并以此7個影響因素作為BP神經網絡的輸入層。

3.2 隱含層神經元個數的確定

網絡隱含層神經元的數目對網絡的預測有一定的影響。根據Kolmogorov定理可知,一般將隱含層神經元的數目取定為2n+1,n指的是輸入層神經元的個數[3]。

3.3 輸出層的確定

一般輸出層神經元的數目是根據BP網絡所要求的輸出數據的項數來確定的,在本文中只要求預測露天礦邊坡的破壞模式,網絡中只有1項輸出數據,所以在創建BP網絡時,則將輸出層神經元的個數定為1。

4 實例分析

為了提高BP網絡的訓練精度,通過查閱大量的工程案例及文獻資料,本文共搜集了42個露天礦的相關工程地質、巖體結構、邊坡的特征參數及邊坡的破壞情況。用37個露天礦的相關影響因素和邊坡破壞模式作為神經網絡的訓練樣本,其余5個露天礦的相關信息則用來作為測試神經網絡的預測效果及精度。但由于這些因素多是定性指標,必須對其進行量化后才能作為神經網絡的輸入值,本文采用的量化方法是針對單個影響因素在所有樣本工程中可能出現的特征情況進行統計,然后用數字來表示在所有樣本中出現的特征。這里對所有定性描述的影響因素和邊坡破壞模式進行量化介紹,見圖2。

由于BP神經網絡常采用sigmoid函數,它的輸出范圍為[0,1],所以要對樣本及測試數據進行歸一化處理。值得注意的是,為了能讓預測輸出均值能跟實際值進行比較,在編程的時候必須得對輸出均值進行反歸一化處理。這些操作在Matlab6.5的平臺上得以實施,考慮到每次網絡測試的結果都不一樣,則應該將程序運行多次,取其所得結果的平均值作為輸出的邊坡破壞模式的信息,然后與邊坡破壞模式的實際信息作比較(見表1)。

表1 測試樣本邊坡破壞模式的實際值和預測值

通過對測試樣本邊坡破壞信息的上述比較可以看出,當程序運行多次后,在5個測試樣本的預測輸出均值中,只有一個預測誤差為17.14%,其余的預測誤差都很小,這說明其誤差基本滿足實際工程的需要。則應用BP神經網絡對邊坡破壞模式進行預測是合理的、可行的。

5 結語

1)通過對測試樣本邊坡破壞信息的比較,可以看出應用BP神經網絡進行預測得出的預測輸出均值與實際值之間存在的誤差很小,說明其對邊坡破壞模式的預測是合理的、可靠的。2)BP神經網絡在實際工程運用中,由于邊坡破壞模式的因素大多都是定性的分析,則在對樣本信息進行量化時,存在的人為因素會對神經網絡的學習和預測產生一定的影響。3)由于邊坡破壞模式的確定是研究邊坡穩定性的依據,則有必要收集大量實際工程邊坡破壞模式的相關影響數據,建立影響巖質邊坡破壞模式的數據庫,以便于對以后研究巖質邊坡破壞模式提供更多的依據。

[1]李曉鴻,馬 奎.用神經網絡進行邊坡穩定性預測[J].黑龍江科技信息,2007(9):17-18.

[2]馮夏庭.智能巖石力學導論[M].北京:科學出版社,2000.

[3]張德豐.MATLAB神經網絡應用設計[M].北京:機械工業出版社,2009.

[4]艾 強,王振剛.露天邊坡開采過程中穩定性變化特征[J].山西建筑,2009,35(18):79-80.