遺傳算法優化BP神經網絡的巖質邊坡穩定性預測

黎璽克

摘要：為了解決邊坡工程中非線性變化給穩定性預測造成的困難，建立了GABP神經網絡計算模型預測巖質邊坡穩定性。采用定性評價和相互作用矩陣復核的方式，選取邊坡坡度、邊坡高度、斜坡結構類型、巖體強度、控滑結構面傾角、巖體結構特征、地表變形強度、人類活動強度8個評價因子作為BP神經網絡的輸入變量;利用遺傳算法對神經網絡的初始權值和閾值進行優化后訓練巖質邊坡穩定性預測模型;對比分析GABP神經網絡和BP神經網絡的預測效果。結果表明，優化后的預測結果誤差絕對值小于0.15的占85%，未優化的傳統神經網絡僅占45%，優化后的預測結果更加接近真實值，表明遺傳算法對傳統BP神經網絡的優化是有效的。研究結果對建立巖質邊坡穩定性預測模型具有一定的參考價值。

關鍵詞：區域地質學;遺傳算法;BP神經神經網絡;巖質邊坡;穩定性

中圖分類號：P694文獻標識碼：A

doi： 10.7535/hbgykj.2020yx03007

Abstract：

In order to resolve the difficulty of stability prediction caused by nonlinear change in slope engineering， a GABP neural network model was established to predict the stability of the rock slope. Firstly， eight evaluation factors， including slope， height， slope structure type， rock mass strength， angle of sliding control structure plane， rock mass structure characteristics， surface deformation strength and human activity intensity， were selected as input variables of BP neural network by qualitative evaluation and interaction matrix review. Secondly， the initial weights and thresholds of neural network were optimized by genetic algorithm to train the prediction model of rock slope stability. Finally， the prediction effects of GABP neural network and BP neural network were compared and analyzed. Results show that 85% of the optimized prediction error absolute values are less than 0.15， while nonoptimized errors only account for 45% of traditional neural network. The optimized prediction results are more close to the real value which indicates that the genetic algorithm is effective for the traditional BP neural network optimization.

The study can be consulted for establishing prediction models of rock slope stability.

Keywords：

regional geology; genetic algorithm; BP neural network; rock slope; stability

受地形地貌的影響，中國西南地區地質災害發生頻率較高，災后治理需要耗費大量的人力和物力，災前防治可有效減少生命財產的損失，因此，對邊坡穩定性的預測研究具有重要的意義[1]。

傳統的研究方法通常把影響邊坡穩定性的因子量化后獨立代入模型進行物理分析，然而在實際邊坡工程實踐中，各變量相互作用構成一個微觀和宏觀上連續非線性變化的復雜的巨型系統，簡化模型將影響分析結果精度。人工神經網絡的出現很好地解決了這個問題，通過模擬生物神經元的結構特征和作用機理，解決邊坡系統中的非線性問題。已有學者將巖土工程學科和計算機學科相結合，尋求解決邊坡問題的新方法[25]。馮夏庭等[6]利用BP神經網絡對96個圓弧和鍥體破壞邊坡實例訓練學習，建立邊坡安全系數預測模型;李興等[7]通過神經網絡算法調整模糊邏輯系統的參數，對高速公路邊坡進行危險性評價;鮮木斯艷·阿布迪克依木等[8]將MIV理論和神經網絡算法結合繪制龍南縣滑坡易發區間圖;李驊錦等[9]以黑方臺95處滑坡為研究對象，運用迭代BP神經網絡算法尋求不同影響因素的內在聯系及其與滑距的關系;馮非凡等[10]將神經網絡算法應用在滑坡敏感性評價中，為了避免BP神經網絡陷入局部極小值，采用粒子群算法優化其權值和閾值。

筆者從2018年貴州省地質災害排查數據中選取73處巖質邊坡作為實驗樣本，隨機抽取53組訓練樣本和20組測試樣本，通過定性分析和相互作用矩陣復核的方式選取8個評價因子，采用遺傳算法（genetic algorithm，GA）對多層前饋式誤差反向傳播網絡算法（bakepropagation，BP）的初始權值和閾值優化后訓練巖質邊坡穩定性預測模型，用測試樣本檢驗模型的準確性，研究結果可為巖質邊坡穩定性預測提供參考價值。

1基本原理

1.1BP神經網絡

BP神經網絡是一種具有自學習和自適應能力的人工神經網絡模型，由輸入數據的前向傳播和誤差值的反向傳播兩部分組成。標準的神經網絡拓撲結構包含輸入層節點、隱含層節點、輸出層節點，層與層各節點相互連接，同一層各節點互不作用。該算法將研究對象n個樣本X=（x1，x2，…，xj，…，xn）作為神經網絡的輸入層節點，期望結果Y=（y1，y2，…，yi，…，yn）作為相應的輸出節點，通過相應的權值和閾值進行計算，比較預測結果與實際結果可得到誤差值，見式（1），適應度函數是衡量誤差值是否符合要求的標準，對不滿足要求的計算結果網絡將在權向量空間運用梯度下降法進行誤差反向傳播，其中隱含層和輸出層每一步權值的修正量，見式（2），通過反復迭代，使誤差達到期望值，完成BP神經網絡計算模型的建立[1112]。

1.2遺傳算法優化BP神經網絡

傳統的BP神經網絡采用誤差函數的梯度下降法，因為學習率的不可知性和權值及閾值的隨機性，算法在尋找到局部最優解時就停止計算，不利于建立正確的網絡模型，同時，隱含層的層數和節點數也直接影響網絡模型的學習效果，層數過多，計算過程緩慢，隱含層節點數過多易造成網絡模型過度學習，隱含層節點數過少易造成片面學習，BP神經網絡的局限性影響計算結果的效率和精度，筆者采用遺傳算法對其進行優化。

遺傳算法以“優勝劣汰”的自然法則為基礎，通過選擇、交叉、變異3種自然界進化的方法，建立一種自動搜索全局最優解的計算模型，它可以克服BP神經網絡在（-1，1）區間自動生成初始權值和閾值的隨機性，使網絡模型更加準確。該算法首先隨機產生初始種群作為第1代，采用實數編碼規則，將權值和閾值編入個體的染色體中，根據適應度函數評判每一代個體的優劣性，采用比例選擇法使適應度函數低的優秀個體更易遺傳到下一代，然后通過交叉操作，子代在遺傳父代優良基因的基礎上重組得到新的個體，更加適應環境變化。為了保證個體的多樣性，變異是進化過程中的關鍵步驟，它不僅可以使個體趨于最優解時加快收斂速度，也可以使算法陷入局部最優解時跳出局部，搜索全局最優，避免算法未成熟先收斂，通常設定較小的變異概率指導變異操作執行，最后判斷個體是否滿足適應度函數，若滿足條件，遺傳算法終止，將進化后的優秀個體即初始權值和閾值代入BP神經網絡中進行仿真訓練，得到網絡模型[1314]。

2應用實例

2.1選取評價因子

自然界中不確定因素眾多，邊坡作為一個復雜的系統，其穩定性受多種因素影響，本研究秉承代表性、整體性、可取性的原則，從邊坡的幾何特征、邊坡結構特征、邊坡影響因素3個方面選取邊坡坡度（P1）、邊坡高度（P2）、斜坡結構類型（P3）、巖體強度（P4）、控滑結構面傾角（P5）、巖體結構特征（P6）、地表變形強度（P7）、人類活動強度（P8）8個影響因素作為邊坡穩定性的評價因子。

為了驗證評價因子選取的正確性，在定性評價的基礎上建立相互作用矩陣進行復核。相互作用矩陣可考慮各個變量相互作用對整個邊坡穩定性系統的影響，研究結果具有代表性。首先根據半定量專家取值法對相互作用矩陣進行賦值計算，選取10位從事地質工作的專業人員對該矩陣進行評估打分，取有效數據的平均值計算，計算結果可繪制

評價因子相互作用矩陣CouseEffect圖（如圖1所示）。從圖1可以看出，數據點集中分布在C=E的垂直線上，表明選取的8個評價因子對邊坡穩定性的影響大，進行邊坡穩定性分析時應該全部考慮這8個評價因子[15]。

2.2選取數據

從2018年貴州省地質災害排查數據中選取73處具有代表性的巖質邊坡作為實驗樣本，其中穩定狀態為穩定、較穩定、基本穩定、不穩定的樣本數量分別為17處、18處、18處、20處，從總樣本集中隨機抽取53組訓練樣本和20組測試樣本，輸入參數為前文確定的8個評價因子，由于計算模型輸入層的特殊性，需要將定性評價結果量化，在查閱大量文獻的基礎上，結合研究區域地質環境特征，建立如表1所示評價因子量化規則。

2.3確定模型參數

根據經驗公式與試算法確定隱含層節點數為17，建立8171三層神經網絡拓撲結構，其中BP神經網絡的參數包括：訓練次數為1 000次，學習速率為0.1，訓練目標為0.001;遺傳算法優化的參數包括：迭代次數為50次，種群規模為25，交叉概率為0.25，變異概率為0.06。

2.4實驗結果與分析

為了展現遺傳算法對BP神經網絡的優化作用，將GABP神經網絡和BP神經網絡2種模型的預測結果對比，如圖2所示，可以看出遺傳算法優化后的模型預測效果明顯優于傳統BP神經網絡。

繪制2種模型預測結果與期望結果的誤差曲線，如圖3和圖4所示。從圖中可知，BP神經網絡預測結果誤差較大，最大誤差為0.279 9，優化后的算法誤差較小，最大誤差為0.181 3。從表4可以看出，20個測試樣本在傳統BP神經網絡預測的結果中，誤差絕對值小于0.15的占45%，而遺傳算法優化后的預測結果絕對值小于015的占85%，明顯高于優化前的算法，所以GABP神經網絡對BP神經網絡的優化是成功的。

3結語

1）傳統的BP神經網絡因其初始權值和閾值的隨機性以及自身算法的局限性，計算結果易陷入局部最優解，模型泛化能力不強，遺傳算法具有“優勝劣汰”的算法特點，可以優化初始權值和閾值，兩者結合可以充分發揮算法優勢，提高模型的準確性。

2）以貴州省73處典型巖質邊坡作為實驗對象，選取53組樣本作為訓練集，20組樣本作為測試集，對比BP神經網絡和GABP神經網絡的預測結果，發現遺傳算法優化后的BP神經網絡預測效果更佳，誤差絕對值小于0.15的樣本數達到85%，明顯高于相同條件下傳統BP神經網絡的樣本數（45%）。實驗結果表明遺傳算法對BP神經網絡的優化是有效的。

3）在今后的研究中，可進一步擴大樣本集，提高模型對樣本的學習效果，訓練更加完善的巖質邊坡穩定性預測模型。

參考文獻/References：

[1]黃潤秋，向喜瓊，巨能攀.我國區域地質災害評價的現狀及問題[J].地質通報，2004，23（11）：10781082.

HUANG Runqiu， XIANG Xiqiong， JU Nengpan. Assessment of Chinas regional geohazards： Present situation and problems[J]. Geological Bulletin of China， 2004，23（11）：10781082.

[2]任慶國，苗蘭弟.支持向量機模型在斷層破碎帶圍巖變形預測中的應用[J].河北工業科技，2017，34（3）：194201.

REN Qingguo， MIAO Landi. Application of support vector machine model in fracture zone surrounding rock deformation prediction[J]. Hebei Journal of Industrial Science and Technology， 2017，34（3）：194201.

[3]翟會君，翟亞鋒，朱濤，等.基于回歸ELM神經網絡模型的滑坡變形及失穩預測模型[J].河北工業科技，2017，34（6）： 440447.

ZHAI Huijun， ZHAI Yafeng， ZHU Tao， et al. Prediction model of landslide deformation and instability based on regressionELM neural network model[J]. Hebei Journal of Industrial Science and Technology， 2017，34（6）： 440447.

[4]樊玉敬， 錢龍， 劉碩，等. 雷達崗滑坡形成機理及穩定性分析[J]. 河北工業科技， 2013，30（2）：6365.

FAN Yujing， QIAN Long， LIU Shuo， et al. Formation mechanism and stability of Leidagang landslide[J]. Hebei Journal of Industrial Science and Technology， 2013，30（2）：6365.

[5]史笑凡，楊春風，王可意.基于支持向量機和改進BP神經網絡的路基邊坡穩定性研究[J].公路交通科技，2019，36（1）： 3137.

SHI Xiaofan， YANG Chunfeng， WANG Keyi. Study on stability of roadbed slope based on SVM and improved BP neural network[J].Journal of Highway and Transportation Research and Development， 2019，36（1）： 3137.

[6]馮夏庭，王泳嘉，盧世宗.邊坡穩定性的神經網絡估計[J].工程地質學報，1995，3（4）：5461.

FENG Xiating， WANG Yongjia， LU Shizong. Neural network estimation of slope stability[J]. Journal of Engineering Geology， 1995，3（4）：5461.

[7]李興，張鵬.基于模糊神經網絡的高速公路邊坡危險性評價與防護策略[J].公路工程，2018，43（5）：305309.

LI Xing， ZHANG Peng. Risk assessment and protection strategy of expressway slope based on fuzzy neural network[J].Highway Engineering， 2018，43（5）：305309.

[8]鮮木斯艷·阿布迪克依木，何書.基于MIVBP神經網絡的滑坡易發性空間預測[J].人民長江，2019，50（11）：140144.

ABUDIKEYINU XMSY， HE Shu. Spatial prediction on landslide vulnerability based on MIVBP neural network[J]. Yangtze River， 2019，50（11）：140144.

[9]李驊錦，許強，何雨森，等.甘肅黑方臺滑坡滑距參數的BP神經網絡模型[J].水文地質工程地質，2016，43（4）：141146.

LI Huajin， XU Qiang， HE Yusen， et al. BP neural network model for analyzing the impact factors of the travel distance of the Heifangtai landslide in Gansu[J].Hydrogeology and Engineering Geology， 2016，43（4）：141146.

[10]馮非凡，武雪玲，牛瑞卿，等.粒子群優化BP神經網絡的滑坡敏感性評價[J].測繪科學，2017，42（10）：170175.

FENG Feifan， WU Xueling， NIU Ruiqing， et al. Landslide susceptibility assessment based on PSOBP neural network[J]. Science of Surveying and Mapping， 2017，42（10）：170175.

[11]李燦，周海清，宋強輝.基于BP神經網絡的客土噴播邊坡侵蝕模數預測模型研究[J].粉煤灰綜合利用，2019（3）：812.

LI Can， ZHOU Haiqing， SONG Qianghui. Rsesarch on prediction model of erosion modulus of guest soil spraying slope based on BP neural network[J]. Fly Ash Comprehensive Utilization， 2019（3）：812.

[12]閔江濤，楊杰，馬晨原.基于改進GABP網絡算法的邊坡力學參數反演分析[J].水電能源科學，2019，37（11）：152155.

MIN Jiangtao， YANG Jie， MA Chenyuan. Back analysis of slope mechanics parameters based on improved GABP network algorithm[J].Water Resources and Power， 2019，37（11）：152155.

[13]臧焜巖，李梅紅.基于GABP模型的露天礦邊坡穩定性預測[J].中國礦業，2019，28（6）：144148.

ZANG Kunyan， LI Meihong. Slope stability prediction of openpit mine based on GABP model[J]. China Mining Magazine， 2019，28（6）：144148.

[14]戴妙林，屈佳樂，劉曉青，等.基于GABP算法的巖質邊坡穩定性和加固效應預測模型及其應用研究[J].水利水電技術，2018，49（5）：165171.

DAI Miaolin， QU Jiale， LIU Xiaoqing，et al. Study on GABP hybrid algorithmbased prediction model and its application to rock slope stability and reinforcement effect[J]. Water Resources and Hydropower Engineering， 2018，49（5）：165171.

[15]趙建軍，賀宇航，黃潤秋，等.基于因子分析法的邊坡穩定性評價指標權重[J].西南交通大學學報，2015，50（2）：325330.

ZHAO Jianjun， HE Yuhang， HUANG Runqiu， et al. Weights of slope stability evaluation indexes based on factor analysis method[J]. Journal of Southwest Jiaotong University， 2015，50（2）：325330.