基于人工神經網絡的延吉溝泥石流危險度評價

崔承洋 李志萍

摘 要：本文結合延吉溝地質實況，選取了縱比降、流域面積、泥石流容重、泥石流溝長、危險區域面積和黏粒含量等6個項目為影響因子，采用研究區域附近6條典型泥石流溝作為樣本訓練神經網絡，對其可能發生的泥石流地質災害進行危險度評價，所得結果與人工經驗算法結果基本一致，表明神經網絡算法是一種實用的評價方法。

關鍵詞：泥石流；神經網絡；危險度評價

中圖分類號：P642.23 文獻標識碼：A 文章編號：1003-5168（2018）07-0151-03

Risk Assessment of Debris Flow in Yanji Gully Based

on Artificial Neural Network

CUI Chengyang LI Zhiping

（North China University of Water Resources and Electric Power，Zhengzhou Henan 450000）

Abstract： Combining with geological live Yanji ditch， selected the longitudinal slope， the basin area， landslide， debris flow gully length bulk density， dangerous area and clay content and so on six projects as the impact factors， using a sample of several typical debris flow ditch in training neural networks， the possible landslides geological hazard risk evaluation， the result is consistent with the artificial experience results， show that neural network algorithm is a kind of excellent evaluation method.

Keywords： debris flow；neural network；risk assessment

延吉溝位于四川省嶺南縣境內東北隅。延吉溝流域內沖溝發育，常年徑流，山高坡陡，溝床縱比降較大，加之坡面和溝床上存在大量松散堆積物，在暴雨條件下極易形成泥石流。因其泥石流匯入金沙江，位于某水電站的建設區域，所以極有可能對水電站造成不良影響。本文選取BP神經網絡方法對延吉溝泥石流進行危險度評價。

1 研究區域概況

延吉溝流域位于金沙江白鶴灘峽谷左岸，大涼山山脈南坡。流域內地勢西高東低，地貌類型屬中山區。流域最高點海拔拉魯梁子2 620m，最低點588m，相對高差2 032m。延吉溝自西向東匯入金沙江，金沙江枯水期水面高程約591m，河床底高程為570～575m[1]。延吉溝流域地質見圖1。

延吉溝兩側的沖溝切割較深，溝道狹窄，多跌水陡坎，溝谷平均縱坡比降大于200‰。流域沖溝呈樹枝狀發育，匯水面積較大，主溝內常年流水，支流沖溝一般呈季節性流水，水量受季節性影響比較明顯，汛期地表徑流豐富，溝谷流水漲落頻繁，最終排于金沙江。

延吉溝流域支溝山高坡陡，溝床縱比降大，再加上當地居民不合理的生產活動，使坡面和溝床上的松散堆積物擁有較大的勢能，當遇到暴雨時，受坡面和溝谷徑流的影響，可能產生動能強大的泥石流[2]。

2 神經網絡計算原理

神經網絡是從信息處理角度對人腦神經元網絡進行抽象，從而建立起的某種按不同方式連接的簡單模型組成的網絡。神經網絡方法是一種運算模型，其采用大量的節點相互聯接構成，使每個節點代表一種特定的輸出函數，每個位于兩個節點間的連接都代表一個對于通過該連接信號的加權值，亦稱為權重，這相當于人工神經網絡的記憶。網絡的輸出則依網絡的連接方式、權重值和激勵函數的不同而不同。網絡自身表達通常都是對自然界某種算法或者函數的逼近，也可能是對一種邏輯策略的表述。人工神經網絡采取并行分布式系統，采用了與傳統人工智能和信息處理技術完全不同的機理，克服了傳統計算方法基于邏輯符號的人工智能在處理直覺、非結構化信息方面的缺陷，具有自適應、自組織和實時學習的特點。

人工神經網絡算法程序實現的具體步驟如下。

①初始化所有權系數wji、wkj，學習速率[η]，迭代次數l=1，累計誤差。

②輸入一個樣本[X=X1，X2，…，Xnt]，期望輸出[d=d1，d2，…，dc]。

③計算隱含層各節點：

[Yj=i=1n+1Wjiθi] （1）

其中，[θi=Xi]，[θn+1=1]，[?j=fYj，j=1，2，…，h]。

④計算輸出各節點：

[Zk=j=1h+1Wkj?j，?n+1=1，Ok=fZk，k=1，2，…，c] （2）

⑤計算誤差：

[dk-Ok2] （3）

⑥修正輸出層：

[Wkjδk=dk-OkOk1-Ok] （4）

[Wkj=Wkj+ηδk?j，k=1，2，…，c] （5）

⑦修正隱含層：

[Wjiβj=?j1-?jk=1cδkWkj] （6）

[Wji=Wji+ηβjθi，k=1，2，…，c] （7）

⑧檢查系統是否對所有訓練樣本完成一輪訓練使P>N，若P

最終檢查網絡總誤差是否達到精度要求，若滿足E3 神經網絡模型建立

應用BP網絡模型進行訓練，首先要確定輸入樣本，選取延吉溝附近矮子溝、大寨溝、海子溝、白鶴灘溝、涼水溝和牛路溝等6個泥石流溝作為訓練樣本進行泥石流風險因子的訓練。風險因子選擇影響泥石流危險度的6個主要因素，即縱比降、流域面積、泥石流容重、溝長、危險區面積和黏粒含量作為BP網絡的輸入（見表1），以泥石流危險度評價結果作為BP網絡的輸出[3]。

本文所采用的BP網絡模型分為三層：輸入層、隱含層和輸出層。輸入層設定6個神經元，分別代表1-6個因子指標；輸出層設定為一個神經元，用數字1-3來表示危險度的高低（較小，中等，較大）。

利用《泥石流災害防治工程勘查規范》DZ/T 0220-2006推薦的人工經驗算法對矮子溝等泥石流溝進行危險度評價，結果見表2。

基于上述數據建立的BP網絡模型，應用MATLAB軟件，根據步驟編寫程序，利用程序進行網絡訓練及參數識別。

設定網絡的學習率為0.1；目標值為0.001；最大迭代次數為8 000次。隱含層轉移函數選取tansig函數，輸出層轉移函數選擇purelin函數。然后，將歸一化的數據帶入BP網絡中進行運算。因為BP網絡模型的輸出層采用的轉移函數是purelin函數，因此函數的輸出范圍默認為[0-1]。在網絡應用樣本數據之前需要對選取的樣本數據進行預處理[4]。處理公式為：

[T=X-Xmin/Xmax-Xmin] （8）

式中，[T]是處理后的數據，[X]為原始數據，[Xmax]和[Xmin]分別是原始數據的最大值和最小值。延吉溝泥石流預處理風險因子見表3。

隱含層神經元的閾值矢量為：

b{1}={1.830 7 0.915 4 0 0.915 4 1.830 7}。

訓練后隱含層神經元到輸出層神經元的連接權值矢量為：

LW={-0.098 2 0.094 0 -0.407 4 0.489 4 -0.622 1}。

隱含層神經元的閾值矢量為：b{2}={0.373 6}

計算得出延吉溝危險度評價為1.593 5，與人工經驗算法基本一致，屬于輕度泥石流。

4 結論與建議

①利用矮子溝等6個溝進行訓練，選擇縱比降、流域面積、泥石流容重、溝長、危險區面積和黏粒含量6個因子，BP神經網絡方法計算延吉溝危險度為1.593 5，人工經驗算法計算結果為2，二者相差不大。

②在使用BP神經網絡對延吉溝流域進行泥石流危險度評價時，選取的目標因子的多寡對泥石流危險度的精確度影響較大。本次選取了縱比降、流域面積、泥石流容重、溝長、危險區面積和黏粒含量作為影響因子，泥石流流速、泥石流流量、植被面積和松散物體積等由于收集資料不全面在此并未使用。但基于泥石流精準度方面的考慮，采用的相關影響因子越多，泥石流危險度的評價就越為精準。

③延吉溝流域內發育的主要沖溝為坡面降雨型低頻小型稀性泥石流溝，其泥石流易發程度為輕微。但在高烈度地震和強降雨的偶然聯合作用下，其洪峰流量對流域內的人員安全存在一定威脅，因此需要對延吉溝泥石流進行防范，制定一定的工程處理措施。建議修筑排導槽或是在清源區加大植被覆蓋面積以防范泥石流的暴發。

參考文獻：

[1]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（6）：35-36.

[2]胡桂勝，陳寧生.金沙江白鶴灘水電站壩址近場區泥石流運動特征與發展趨勢分析[J]. 水土保持研究，2014（2）：238-245.

[3]賀拿，陳寧生.白鶴灘水電站壩址近場區泥石流臨界雨量研究[J].水利學報，2015（2）：239-247.

[4]王小川，史峰.MATLAB神經網絡43個案例分析[M].北京：北京航空航天出版社，2013.