基于RBF神經網絡方法的鈾尾礦壩穩定性分析

呂方可，劉 永，郭 贊，盛 宇

（南華大學環境保護與安全工程學院，湖南 衡陽421001）

1 引言

鈾尾礦壩的穩定性直接或間接地影響著人們的生活和生命，因此人們對鈾尾礦壩穩定性進行了廣泛而深入的研究。目前鈾尾礦壩的安全形勢是相當嚴峻的，國內有學者研究了RBF神經網絡對尾礦壩數據的監測，說明RBF神經網絡優于BP神經網絡，但并未對尾礦壩的穩定性做出預測和評價。也有學者對尾礦壩的穩定性做了評價，但是運用的是模糊理論，所做出的評價和分級得出的結論具有主觀性，并不能對鈾尾礦壩進行客觀真實的分析。由于影響尾礦壩穩定性的因素有很多，比如尾礦壩坡度、粘聚力等，存在著眾多不確定的因素，從而使尾礦壩穩定性的分析研究顯得非常復雜和不確定，因此無法準確地評價其穩定性。常用研究穩定性的方法有中心點法、驗算點法、響應面法及蒙特卡洛模擬方法，但是這些方法有一定的不足之處。近年來發展的人工神經網絡在工程領域得到廣泛的利用，人工神經網絡為鈾尾礦壩的穩定性分析開拓了新思路。本文采用RBF神經網絡方法，可以保證全局收斂的線性優化，并且還具有唯一最佳逼近點的優點，在逼近能力、分類能力和學習速度等方面均優于其他神經網絡。

2 RBF神經網絡

徑向基函數網絡是以函數逼近理論為基礎而構造的一類前向網絡，其學習等價于在多維空間中尋找訓練數據的最佳擬合平面。該網絡的每個隱層神經元傳遞函數都構成了擬合平面的一個基函數，網絡因此得名。

圖1 尾礦壩穩定性因素指標體系

一個典型的徑向基函數網絡包括輸入層、隱層和輸出層。P為輸入矩陣，網絡的輸入維數為R，W 為權值矩陣，a為各層輸出。隱層神經元個數為S1，輸出層神經元個數為S2。隱層傳遞函數為高斯函數；輸出層傳遞函數為線性函數。ai1表示隱層輸出矢量a1的第i個元素，wi1表示第i個隱層神經元的權值量，即隱層神經元權值w1的第i行。

3 指標體系的確定

某鈾水冶廠及其鈾尾礦庫均在中國東南某省境內，其南、西和北面均為某江所包圍。尾礦庫建于水冶廠以南約800m的近南北向丘陵山谷中，由9個壩和丘陵山頭圍截而成。丘陵頂部絕對標高介于75～110m之間，洼地內原為稻田、水塘，標高約52～60m。當初，在北端建初期壩，壩高12m，壩頂標高82.0m，在南端建攔水壩（后稱第一攔水壩），壩高17m，壩頂標高83.0m，兩壩相距約1400m，形成了第一尾礦庫。

本指標體系由從事尾礦庫管理工作者、從事尾礦庫研究學者和參與尾礦庫相關項目的碩士研究生共同確定。從筑壩情況、施工質量到生產管理三個方面來確定指標因素，該指標可能根據不同的尾礦壩有不同的作用，可酌情處理。二級指標主要包含在筑壩過程中，影響壩體穩定性的各階段（如初期壩，投產前，在尾礦庫周邊低凹地段用當地土石材料修筑成的較低的壩；后期壩，利用尾礦本身的自然沉積而逐步加高形成的等）。現在的狀態和重要參數（匯水面積、壩坡坡度和浸潤線）是在《尾礦庫安全監測技術規范（AQ2030－2010）》和《尾礦庫安全技術規范AQ2006－2005》指出的相關參數（圖1）。

4 RBF神經網絡評估的一般步驟

一般步驟見圖2。

圖2 RBF神經網絡分析程序

圖3 RBF神經網絡訓練效果

4.1 前期準備

鈾尾礦壩穩定性主要受筑壩情況、施工質量以及生產管理等重要因子影響，這里利用RBF網絡結構自適應確定輸出與初始權值無關等優良特性，將該網絡應用于某鈾尾礦壩的穩定性預測中，演示訓練樣本集與監測樣本集的構建，原始數據的預處理，神經網絡的構建和評價整個過程。

4.2 網絡的創建與測試

RBF網絡的輸入層神經元的個數為14，由于輸出的是鈾尾礦壩的穩定性系數，所以輸出神經元個數為1，利用函數創建一個精確的神經網絡，該函數在創建RBF網絡時，自動選擇隱含層的數目，使得誤差為0。

確定評語集合為v＝｛v1，v2，…，vj｝，本文根據實際情況將評語劃分為5個等級，分別為：非常安全（v1）、安全（v2）、一般（v3）、危險（v4）和非常危險（v5）。網絡測試的目的是為了確定網絡是否滿足實際應用的要求。需要指出的是，測試數據應該和訓練用的樣本數據不一致，否則，測試得出的結果永遠都是滿意的。

根據對影響鈾尾礦壩穩定性因素的分析，可以確定各因素指標作為輸入變量，其中的3個一級指標，14個二級指標可以由Excel隨機函數生成，隨機函數在已知安全等級的5個區間隨機生成30組數據，各因素指標權重已經由參與相關項目的學者確定，定量數據采用數據統計分析形式收集量化，通過以上方法得到各指標實際數據 為：［5.4，5.4，4.4，3，7.2，4.2，6.6，7.2，7.4，7.2，3.4，6，4.6，4.2］。目標輸出劃分為1，2，3，4，5這5個等級，分別代表著非常安全、安全、一般、危險、非常危險（圖3）。

訓練后的模擬值和真實值的擬合程度非常高，運行后的結果為k＝3，表示該鈾尾礦壩的穩定性等級屬于一般的。

5 結論

（1）本文采用RBF神經網絡方法進行了鈾尾礦壩的穩定性分析，得出的鈾尾礦穩定性系數為3，表明該鈾尾礦壩為一般安全性尾礦壩。

（2）本文以預防潰壩事故為出發點，總結了在尾礦庫建設、運行過程中導致失穩事故發生的主要因素，為提出科學、合理的安全技術措施及安全管理對策，消除危害因素，防止潰壩事故的發生，保證尾礦庫安全運行，最大程度減少人員傷亡和財產損失提供有效依據。

（3）進行RBF網絡訓練的樣本數越多，數據分析的結果就越精確。因此，應搜集盡可能多的數據對訓練樣本進行補充。

［1］郎學政，許同樂，黃湘俊.利用PCA和神經網絡預測尾礦壩地下水位［J］.水文地質工程地質，2014，41（2）：13～17.

［2］于廣明，宋傳旺，潘永戰.尾礦壩安全研究的國外新發展及我國的現狀和發展態勢［J］.巖石力學與工程學報，2014，33（1）：3238～3248.

［3］陸秋生，唐春凱，李 巖.靈山金礦尾礦壩穩定性分析［J］.勘察科學與技術，2014（5）：26～28.

［4］張樂文，張德永，邱道宏.徑向基函數神經網絡在地應力場反演中的應用［J］.巖土力學，2012，33（3）：799～804.

［5］張頂學，劉新芝，關治洪.RBF神經網絡算法及應用［J］.石油化工高等學校學報，2007，20（3）：86～88.

［6］楊麗紅，李全明，程五一.國內外尾礦壩事故主要危險因素的分析研究［J］.中國安全生產科學技術，2008，4（5）：28～31.

［7］畢衛華，譚曉慧，侯曉亮.基于RBF神經網絡的邊坡穩定可靠度分析［J］.地下空間與工程學報，2010，6（2）：423～428.

［8］王飛躍，楊鎧騰，徐志勝.基于浸潤線矩陣的尾礦壩穩定性分析［J］.巖土力學，2009，30（3）：840～844.

［9］夏美瓊，李向陽，趙 發.基于模糊理論的某鈾尾礦壩穩定性綜合評價［J］.南華大學學報，2014，28（2）：38～43.

［10］謝振華，陳 慶.尾礦壩監測數據分析的RBF神經網絡方法［J］.金屬礦山，2006，364：69～74.

［11］古新蕊.尾礦壩穩定性及影響因素研究［D］.阜新：遼寧工程技術大學，2011.

［12］國家安全生產監督管理總局.AQ2006－2005尾礦庫安全技術規程［S］.北京：國家安全生產監督管理總局，2006

［13］麻光亮，邵玉剛.BP和RBF神經網絡在邊坡穩定性評估中的比較研究［J］.路基工程，2012（1）：161～164.

［14］?zer A，Tolga Bromwell，Leslie G.Stability assessment of an earth dam on silt／clay tailings foundation：A case study［J］.Engineering Geology，2012，151：89～99

［15］傅薈璇，趙 紅.MATLAB神經網絡應用設計［M］.北京：機械工業出版社，2010：153～156.