基于模式識別的土石壩邊坡穩態預測

陳志強,周科平

(中南大學資源與安全工程學院, 湖南長沙 410083)

基于模式識別的土石壩邊坡穩態預測

陳志強,周科平

(中南大學資源與安全工程學院, 湖南長沙 410083)

針對邊坡穩定性預測中存在的影響因素隨機性、不確定性的特點,提出了利用神經網絡良好的非線性處理能力和模式識別功能來預測邊坡穩定性的方法,并構造了相應的神經網絡模型。預測結果表明,該模型具有很高的預測精度,能有效解決邊坡穩定性的預測問題。

邊坡工程;模式識別;神經網絡;穩態預測

模式識別研究的目的就是利用計算機對物理現象進行分類,在錯誤概率最小的條件下,使識別的結果盡量與客觀物體相符合。

由于水文地質條件、巖土體物理力學性質、巖土層組合結構、成壩機制、干灘長度、排洪設施、壩體浸潤線、安全超高、壩體滲流性、地震烈度、地表水以及庫內是否含水情況等因素的影響與控制,土石壩邊坡工程具有非線性、不確定性,以及對土石壩邊坡認識上的模糊性,使得原有的邊坡穩定性分析方法不能準確有效的給出判定結果。鑒于上述原因,引入人工神經網絡的方法,應用其模式識別的功能,利用其“黑箱模型”的特點,對邊坡穩定性的影響因子進行了分析,并且進行預測。

1 人工神經網絡基本原理

1.1 網絡模型的選擇

BP神經網絡是一種多層前饋型網絡,由輸入層、輸出層及隱含層組成,隱含層可有一個或多個,每層由若干個神經元組成。其神經元的傳遞函數多是sigmoid型函數,因此輸出量是0～1或者-1～1的連續量,可以實現從輸入到輸出的任意非線性映射。隱含層的層數和神經元數目的確定往往需要設計者的經驗和多次實驗來確定。對于BP神經網絡,有一個重要定理:對于任何在閉區間內的一個連續函數都可以用單隱層(網絡為3層拓撲結構)的BP網絡逼近,故一般隱含層的層數確定為1。至于隱含層神經元數目則要通過多次的訓練來確定。

1.2 學習過程

學習過程由信號的正向傳播與誤差的反向傳播兩個過程組成。正向傳播用于網絡計算,對于某一輸入求出對應的輸出;反向傳播用于逐層傳遞誤差,修改連接權值,以使網絡進行正確的計算。兩個方向的傳播過程交替進行,直到學習總誤差達到最小值為止。

BP網絡通過對簡單的非線性函數的復合來完成映射,因此可用于預測。

1.3 神經網絡模式識別預測的原理

神經網絡模式識別預測的基本原理是:通過對足夠多有代表性的樣本的學習,神經網絡能夠通過學習獲得足夠的信息量,建立起輸入單元與輸出單元之間的非線形關系,實現對已有樣本的分類,當輸入檢驗樣本進行預測時,神經網絡會根據已有的信息對其作出相應的判斷和辨識。神經網絡預測流程見圖1。

圖1 神經網絡預測流程

2 土石壩邊坡穩定性分析的神經網絡設計

2.1 邊坡穩定性的影響參數

邊坡穩定性的影響因素很多,有外部的因素,也有邊坡本身的因素。主要的外部因素有降水、地震及人類生產活動、工程建設的影響;邊坡本身的因素主要指巖層或土層的物理性質、化學性質和工程應用特性等。由于外部因素的作用具有隨機性、時空性,所以可以忽略。根據圓弧滑動法,僅選取邊坡本身參數作為預測的指標,它們分別是:巖石容重γ,內聚力c,內摩擦角φ,邊坡角β,邊坡高度H,孔隙壓力比γu。

2.2 邊坡穩定性的學習模型

將上述6個影響邊坡穩定性的因素作為網絡的輸入信息,即輸入層有6個神經元。

Kolmogorov定理證明:一個3層的BP神經網絡可以實現任意n維到m維的映射,故采用3層神經網絡結構,即只含有一個隱含層。隱含層神經元數量的選取沒有一個固定的方法,不過根據經驗,在一個3層的BP神經網絡中,隱含層的神經元數目M近似可取為輸入層神經元數目N的兩倍多一個,即滿足下面的關系式:

由此,初始設定隱含層的神經元數目為13個,然后經過實際訓練來不斷調整。

網絡一般設定輸出為安全系數和邊坡穩定狀態,但安全系數作為判別穩定狀態的一種手段,與土石壩邊坡實際的穩定狀態有出入,在實際工程中有出現“邊坡安全系數大于1而破壞的情況”,所以采用失穩和穩定作為輸出向量。其中邊坡穩定狀態是個無法直接量化的參數,試采用模式識別的辦法,定義邊坡穩定時取(1,0),邊坡失穩時取(0,1)。

邊坡穩定性訓練的網絡拓撲結構如圖2所示。

圖2 BP神經網絡拓撲結構

3 網絡訓練與邊坡穩定性預測

進行網絡訓練時,必須保證選擇的樣本具有真實性、代表性和廣泛性,否則將影響網絡的預測能力和應用范圍。同時數據樣本的數量選擇要適當,選擇太多,學習速度會太慢,選擇過少,又不能充分反映客觀情況。從收集的45個典型土石壩邊坡實例中選取40個用于建立土石壩邊坡穩定性的神經網絡模型,其余5個樣本作為檢驗網絡模型的檢驗樣本。利用學習樣本,對網絡進行訓練,直到精度達到1e-6為止,學習完成后即建立了預測模型,然后對剩余的5個樣本進行預測,結果如表1。

表1 土石壩邊坡實例及預測結果

考慮到影響邊坡穩定的各控制因素間的數量級相差很大,同時同一控制因素數值之間也有較大的離散性,所以在學習之前首先對學習樣本和預測樣本采用公式(2)進行歸一化處理:

BP網絡經577次迭代學習后,網絡誤差達到精度要求,訓練誤差res=0.0094,并且網絡的絕對誤差也很小,不到1%。

通過對比分析可知,運用該網絡模型進行預測具有很高的精度,誤差很小,對邊坡狀態的預測準確率接近100%。如圖3所示,可見其誤差精度很高,完全滿足模式識別所允許的誤差要求。

圖3 預測誤差

4 結 論

(1)神經網絡具有很強的推廣預測能力,采用已訓練的網絡,將待測樣本的預測平方誤差和作為網絡學習是否合理的判據。

(2)安全系數做為一種邊坡穩定性的判據,有其不足,常常出現“安全系數大于1邊坡仍失穩”的矛盾。而采用模式識別的方法,可有效避免這一問題,準確有效的實現邊坡穩定性狀態的預測。

(3)根據收集的45個土石壩邊坡工程的實例,選取具有代表性的巖石容重、內聚力、內摩擦角、邊坡角、邊坡高度、孔隙壓力比建立了土石壩邊坡穩定性的神經網絡預測模型,并對未學習的樣本進行了預測,預測結果與邊坡實際狀態完全一致,預測準確率達到100%,有較強的工程應用價值。

[1]楊淑瑩.模式識別與智能計算——Matlab技術實現[M].北京:電子工業出版社,2008.

[2]陳祖煜,汪小剛,等.巖質邊坡穩定分析——原理·方法·程序[M].北京:中國水利水電出版社,2005.

[3]陳祖煜,等.土質邊坡穩定分析-原理·方法·程序[M].北京:中國水利水電出版社,2003.

[4]飛思科技產品有限公司.神經網絡理論與MATLABR2007實現[M].北京:電子工業出版社,2007.

[5]Sah N K, Sheorey P R, Upadhyaya L N. Maximum likelihood estimation of slope stability [ J ]. International Journal of Rock Mechanics Mining Science Geomechanics Abstract , 1994, 31 (1) :47～53.

[6]馮夏庭,王泳嘉,等.邊坡穩定的神經網絡估計[J].工程地質學報,1995,3(4):54～61.

2009-09-09)

陳志強(1983-),男,甘肅張掖人,在讀碩士研究生,主要研究智能計算在巖土工程與災害防治中的應用。