基于BP人工神經(jīng)網(wǎng)絡(luò)的公路巖質(zhì)邊坡穩(wěn)定坡角預(yù)測(cè)

孔德鐠 彭 明

(1.南昌航空大學(xué)土木建筑學(xué)院，江西 南昌 330063； 2.江西省交通科學(xué)研究院，江西 南昌 330052)

?

基于BP人工神經(jīng)網(wǎng)絡(luò)的公路巖質(zhì)邊坡穩(wěn)定坡角預(yù)測(cè)

孔德鐠1彭 明2

(1.南昌航空大學(xué)土木建筑學(xué)院，江西 南昌 330063； 2.江西省交通科學(xué)研究院，江西 南昌 330052)

將大量已建公路邊坡工程的數(shù)據(jù)作為訓(xùn)練樣本，建立了BP人工神經(jīng)網(wǎng)絡(luò)模型，并按照RMR巖體質(zhì)量分類系統(tǒng)將收集到的邊坡地質(zhì)資料進(jìn)行分類，獲取參數(shù)值后輸入已建立好的BP人工神經(jīng)網(wǎng)絡(luò)模型，綜合比較了穩(wěn)定邊坡角預(yù)測(cè)值與已建公路的邊坡角實(shí)際值，結(jié)果表明,采用BP神經(jīng)網(wǎng)絡(luò)方法預(yù)測(cè)公路巖質(zhì)邊坡穩(wěn)定坡角是可行的。

BP人工神經(jīng)網(wǎng)絡(luò)，巖質(zhì)邊坡，RMR，邊坡角

公路邊坡的穩(wěn)定性受地質(zhì)因素及工程因素綜合影響，大部分影響因素具有隨機(jī)性、模糊性和可變性[1]。BP人工神經(jīng)網(wǎng)絡(luò)技術(shù)具備處理多種因素之間存在復(fù)雜非線性關(guān)系的問題，神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、自組織聯(lián)想記憶能力和強(qiáng)容錯(cuò)性[2]。周寶生等[3]利用BP人工神經(jīng)網(wǎng)絡(luò)對(duì)受到多種因素影響的煤層巷道圍巖位移進(jìn)行預(yù)測(cè)。楊濤等[4]用BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)巖爆。徐衛(wèi)亞等[5]利用BP人工神經(jīng)網(wǎng)絡(luò)來預(yù)測(cè)三峽船閘高邊坡變形。

本文著眼于解決巖質(zhì)邊坡穩(wěn)定邊坡角預(yù)測(cè)問題，通過BP人工神經(jīng)網(wǎng)絡(luò)建立預(yù)測(cè)模型，對(duì)巖質(zhì)邊坡穩(wěn)定邊坡角進(jìn)行高精度預(yù)測(cè)。

1 巖體質(zhì)量分級(jí)因子及輸入數(shù)據(jù)量化

本文依據(jù)收集資料及巖體質(zhì)量分級(jí)系統(tǒng)綜合考慮后，最終定義RMR巖體分類系統(tǒng)的參數(shù)為影響因子，同時(shí)利用RMR巖體質(zhì)量分類系統(tǒng)的評(píng)價(jià)標(biāo)準(zhǔn)對(duì)巖質(zhì)邊坡的數(shù)據(jù)進(jìn)行量化。

RMR巖體分類系統(tǒng)中包含巖體強(qiáng)度，RQD值，節(jié)理間距，結(jié)構(gòu)面連續(xù)性，張開度，粗糙度，填充度以及風(fēng)化程度，地下水條件，結(jié)構(gòu)面產(chǎn)狀與工程方向這10個(gè)參數(shù)，每個(gè)參數(shù)依據(jù)實(shí)際現(xiàn)場(chǎng)測(cè)量的邊坡數(shù)據(jù)的值域劃分為5個(gè)部分，每個(gè)部分的評(píng)分值不同[6]。本文將這10個(gè)影響參數(shù)作為BP人工神經(jīng)網(wǎng)絡(luò)的輸入層。

2 巖質(zhì)邊坡穩(wěn)定坡角的預(yù)測(cè)方法

將RMR巖體質(zhì)量分級(jí)系統(tǒng)中的10個(gè)參數(shù)作為BP人工神經(jīng)網(wǎng)絡(luò)輸入層，巖質(zhì)邊坡的穩(wěn)定邊坡角作為BP人工神經(jīng)網(wǎng)絡(luò)輸出層，建立BP人工神經(jīng)網(wǎng)絡(luò)模型，具體如圖1所示。

2.1 預(yù)測(cè)網(wǎng)絡(luò)創(chuàng)建

BP人工神經(jīng)網(wǎng)絡(luò)輸入層數(shù)值采用RMR巖體質(zhì)量分類系統(tǒng)中每一個(gè)參數(shù)的評(píng)價(jià)值。輸出層數(shù)值采用坡角角度值。

在收集和綜合分析計(jì)算國外大量的不同巖體結(jié)構(gòu)類型和穩(wěn)定狀態(tài)的公路邊坡工程實(shí)例基礎(chǔ)上，篩選了310個(gè)工程實(shí)例作為BP人工神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)訓(xùn)練樣本。

隱層節(jié)點(diǎn)L=2×10+1=21，迭代次數(shù)暫定為50 000次，訓(xùn)練網(wǎng)絡(luò)精度采用0.001，訓(xùn)練函數(shù)采用Levenberg-Marquardt的BP算法訓(xùn)練函數(shù)trainlm，最終的隱含層結(jié)構(gòu)取值根據(jù)神經(jīng)網(wǎng)絡(luò)訓(xùn)練情況確定。

2.2 預(yù)測(cè)網(wǎng)絡(luò)訓(xùn)練

確保其他條件不變時(shí)，選取不同的中間層神經(jīng)元數(shù)目，然后運(yùn)用編程的手段進(jìn)行仿真，通過計(jì)算得到計(jì)算值和輸出數(shù)據(jù)期望值的均方差，選取其中最小的數(shù)值所對(duì)應(yīng)的隱含層神經(jīng)元數(shù)目就是我們需要的中間層神經(jīng)元數(shù)目。

經(jīng)過反復(fù)試驗(yàn)、調(diào)整以及比較，最終確定網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)為23，網(wǎng)絡(luò)結(jié)構(gòu)為10-23-1，網(wǎng)絡(luò)隱含層和輸出層傳遞函數(shù)采用tansig及purelin函數(shù)，訓(xùn)練函數(shù)為trainlm，期望目標(biāo)為0.01，其他按默認(rèn)值，其他參數(shù)為系統(tǒng)默認(rèn)值。網(wǎng)絡(luò)經(jīng)過4 614次循環(huán)訓(xùn)練網(wǎng)絡(luò)才訓(xùn)練完成。

2.3 預(yù)測(cè)網(wǎng)絡(luò)測(cè)試

在MATLAB中，利用BP網(wǎng)絡(luò)的LM算法得到:當(dāng)訓(xùn)練次數(shù)達(dá)到4 614次時(shí)，網(wǎng)絡(luò)已經(jīng)收斂，誤差處于穩(wěn)定狀態(tài)，此時(shí)網(wǎng)絡(luò)的訓(xùn)練誤差值為e=1.664 4×10-6。

將前10個(gè)樣本利用sim函數(shù)進(jìn)行仿真，可知仿真輸出值與期望值差別甚微，這就說明利用BP人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練成功，能夠用BP網(wǎng)絡(luò)進(jìn)行可靠的預(yù)測(cè)和仿真計(jì)算。

2.4 BP人工神經(jīng)預(yù)測(cè)網(wǎng)絡(luò)應(yīng)用

1)工程案例中輸入數(shù)據(jù)的確定。本文收集了5條已建成的巖質(zhì)邊坡公路的數(shù)據(jù)資料，波多黎各龐塞省PR-139號(hào)公路，伊朗哈馬丹省HT公路，新西蘭Saddle公路，伊朗塞姆南省KY公路以及臺(tái)灣梅山Y(jié)K公路。

根據(jù)各個(gè)研究區(qū)域邊坡的節(jié)理數(shù)據(jù)得到RMR巖體質(zhì)量分類系統(tǒng)參數(shù)評(píng)價(jià)值表(見表1)。

表1 RMR巖體質(zhì)量分類系統(tǒng)參數(shù)評(píng)價(jià)值表

2)BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)穩(wěn)定邊坡角。

將上一節(jié)的RMR巖體質(zhì)量分類系統(tǒng)參數(shù)評(píng)價(jià)值表代入到已經(jīng)訓(xùn)練好的BP人工神經(jīng)網(wǎng)絡(luò)中進(jìn)行預(yù)測(cè)，最終得到穩(wěn)定邊坡坡角(見表2)。從表2中BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與已建公路邊坡工程實(shí)際坡角值對(duì)比中可以發(fā)現(xiàn)，最大的相對(duì)誤差為2.892 06%，預(yù)測(cè)精度很高，表明利用BP人工神經(jīng)網(wǎng)絡(luò)法來預(yù)測(cè)邊坡角是可行的。

表2 BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值結(jié)果匯總表

3 結(jié)論

運(yùn)用BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)巖質(zhì)邊坡穩(wěn)定邊坡角.TIF，BP網(wǎng)絡(luò)預(yù)測(cè)模型由10個(gè)節(jié)點(diǎn)的輸入層、23個(gè)節(jié)點(diǎn)的隱含層和1個(gè)節(jié)點(diǎn)的輸出層共三層組成。

通過BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與已建公路邊坡工程邊坡角實(shí)際值對(duì)比，表明利用BP人工神經(jīng)網(wǎng)絡(luò)法對(duì)公路巖質(zhì)邊坡穩(wěn)定坡角進(jìn)行預(yù)測(cè)是可行的。

[1] 孫廣忠.論“巖體結(jié)構(gòu)控制論”[J].工程地質(zhì)學(xué)報(bào),1993(1):14-18.

[2] 張青貴.人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論[M].北京：中國水利水電出版社,2004：67-68.

[3] 周保生.綜放回采巷道圍巖穩(wěn)定性分類及其支護(hù)對(duì)策的研究[J].巖石力學(xué)與工程學(xué)報(bào)，1999，18(5)：545.

[4] 楊 濤，李果維.基于先驗(yàn)知識(shí)的巖爆預(yù)測(cè)研究[J].巖石力學(xué)與工程學(xué)報(bào)，2000，19(4)：429-431.

[5] 徐衛(wèi)亞,蔣 晗,謝守益,等.三峽永久船閘高邊坡變形預(yù)測(cè)人工神經(jīng)網(wǎng)絡(luò)分析[J].巖土力學(xué)，1999，20(2)：27-31.

[6] Bieniawski Z T.Classification of rock masses for engineering:the RMR system and future trends[J].Comprehensive rock engineering,1993(3):553-573.

On forecasting of stables slope angle of road rock slope based on BP artificial neural network

Kong Depu1Peng Ming2

(1.College of Civil Engineering, Nanchang Hangkong University, Nanchang 330063, China;2.Jiangxi Communications Academy, Nanchang 330052, China)

Taking the data of the built road slope projects as the training samples, the paper establishes the BP artificial neural network model, classifies the slope geological documents from the RMR rock quality classification system, inputs the established BP artificial neural network model after obtaining the parameter value, undertakes the comprehensive comparison of the predicated value of the stable slope angle and slope angle of the built road, and proves by the result that it is feasible to adopt the BP neural network method to forecast the road rock slope stability slopes.

BP artificial neural network, rock slope, RMR, slope angle

1009-6825(2017)08-0069-02

2017-01-08

孔德鐠(1992- )，男，在讀碩士

U416.14

A