RNN 在水利工程邊坡穩(wěn)定性中的研究

彭睿哲

（中國電建集團西北勘測設計研究院有限公司，陜西 西安710065）

水利工程施工過程中必然需要對山體進行開挖，坡體穩(wěn)定性是工程建設可行性和施工管理的關鍵。邊坡穩(wěn)定性分析對于勘查、設計和施工而言相當重要[1]。近年來，由于計算機的高速發(fā)展，水利工程邊坡穩(wěn)定性研究成為當下研究的熱點。支持向量機、隨機森林、極限學習機等機器學習方法被廣泛應用于邊坡穩(wěn)定性研究[2]。

對于工程設計、施工和管理者而言，利用循環(huán)神經網絡算法能夠較好地對邊坡穩(wěn)定性進行計算分析，搭建用于水利工程邊坡穩(wěn)定性分析的模型，可以準確地獲得所需的分析結果。

1 工程概況

該工程壩址位于河口上游650m 處，工程邊坡位于壩址左岸，山體三面臨空，山頂俯視成圓形，山脊地形相對平緩，分布著殘積塊碎石土，結構相對松散。山體自然坡度一般為40°～52°，總體是河谷一側相對較陡。

滑坡體位于壩上50m 處，俯視呈現(xiàn)不規(guī)則的“長方形”。該滑坡坡度達35°，上部緩，下部陡，坡面明顯有三級緩坡臺面，其中高程達2610m 一帶有小范圍裸露基巖。滑坡后緣有”圈椅”狀錯坎，坎高達10 m，上下游側以小沖溝為界，堆積體長約320m 寬140m，滑坡體平均厚度約11.5m，向偏西方向滑動，估算滑坡堆積體方量約41×104m3。

2 循環(huán)神經網絡原理

循環(huán)神經網絡通過模擬人腦對數據進行處理，通過各層的連接傳送信號以達到解決非線性問題的目的。包括輸入、輸出層和中間隱層[3]。隱層是循環(huán)神經網絡的核心，隱層數量直接決定著網絡的效果。圖1 為循環(huán)神經網絡結構圖。

設輸出層的輸入為N1，隱層輸入為h，激活函數為σ，則有：

圖1 循環(huán)神經網絡結構圖

模型具體建立過程如下：(1)初始化連接權和偏置；(2)選取實際工程數據作為樣本集；(3) 為輸入節(jié)點設置合適的參數；(4)為輸出節(jié)點設置適當的標準；(5)計算隱層節(jié)點參數；(6)訓練次數達到設定值或誤差符合要求時，訓練結束。

3 實驗

本文以某水利工程為例，選取600 組數據用于循環(huán)神經網絡訓練，100 組數據用于驗證。對比了循環(huán)神經網絡的預測值和真實值的關系，如圖2 所示。

圖2 循環(huán)神經網絡預測效果

圖2 的預測結果說明循環(huán)神經網絡具有較好的擬合效果和預測結果，能夠較為準確地預測出邊坡穩(wěn)定系數。均方誤差和平均絕對誤差作為算法性能的重要評價指標，可以通過式（6）-式（8）得到。

本節(jié)通過均方誤差MSE 和平均絕對誤差MAE 將循環(huán)神經網絡預測模型(RNN)分別和線性回歸模型（LR）、灰度模型（GM(1,1)）進行對比，結果見表1。

表1 不同模型誤差對比