基于RBF神經網絡的河道疏浚工程岸坡穩定性分析

曾秀娟，謝 濤

(贛州市水利電力勘測設計研究院，江西 贛州 341000)

現階段隨著我國經濟水平的不斷提高，交通運輸行業越來越發達[1]。我國交通運輸行業的重心已經由陸地擴大到海洋與河流。水利條件較為優越的城市開辟了越來越多的新航道，用以運載經濟貨物或乘客。隨著我國航道數量不斷增多，目前水運航道出現了較為飽和的情況，部分航道無法支撐其較大的運載需求，導致航道擁擠或運載效率低下等情況。為提高水運航道的運載量，需要對航道進行疏浚工程施工，即拓寬原有航道的寬度，增大水運航道的運載量。除此之外，部分天然航道存在由于缺乏科學的設計規劃，導致航道堵塞，也需要對其進行疏通[2]。而在進行航道疏浚工程的過程中，為了防止海浪對建筑產生腐蝕作用，或者水體對建筑底部產生水壓，導致建筑坍塌的情況，需要建造岸坡來保證內部工程的安全進行。岸坡可以隔絕水體與施工建筑，保護建筑不受海水的沖擊，在河道疏浚工程中承擔著十分重要的作用。然而現階段，我國河道疏浚工程中岸坡存在經常失穩的問題，由于原料的限制，在正常阻擋水體侵擾時，岸坡自身的結構也會受到水體的沖擊，導致結構不穩，出現變形或坍塌的情況[3]。如果疏浚工程持續時間過長，那么岸坡受海浪侵蝕的時間也會增加，將會加大岸坡崩落、崩塌的風險。因此需要在岸坡完工后對其穩定性進行分析，排查可能會影響岸坡坍塌的隱患，以此來保證河道竣工的施工能夠順利完成。同時，分析岸坡的穩定性也有利于對岸坡的失穩進行有效的預測與預防，做到在坍塌之前及時發現問題并采取補救措施，減少岸坡崩塌的風險，從而減少不必要的工程損失，保證施工人員的生命安全，提高河道疏浚的工程質量[4]。

但是當前使用的河道疏浚岸坡穩定性分析方法，存在分析誤差較大、分析精度較低的問題，不利于河道疏浚工程的實際需求。為了解決這一問題，本文提出基于RBF神經網絡的河道疏浚工程岸坡穩定性分析方法，以期為我國水利工程的建設提供一定的技術支持。

1 基于RBF神經網絡的河道疏浚工程岸坡穩定性分析

1.1 建立RBF神經網絡模型

RBF神經網絡是一種具備單隱藏層的神經網絡，可用于河道疏浚工程中對岸坡的穩定性進行預測與分析。對此首先需要建立基于RBF神經網絡模型，具體建立步驟如圖1所示。

圖1 RBF神經網絡模型流程圖

首先需要確定影響河道疏浚岸坡穩定性的因素，將該因素作為模型的輸入參數[5]。在河道疏浚工程中，影響岸坡穩定性的因素一般可以分為岸坡高度、岸坡垂直高度與水平寬度的比值、單位容積內岸坡重量、岸坡荷載力、全反力與支持力的最大夾角、岸坡兩端堤線的垂直距離、坡面泥沙凝聚力、單位重量內水體的機械能這8種。而根據灰色理論，可以將影響岸坡穩定性最主要的因素確定為全反力與支持力的最大夾角、岸坡兩端堤線的垂直距離、坡面泥沙凝聚力、單位重量內水體的機械能和單位容積內岸坡重量這5個因素，將這5個因素作為主要預測因子輸入進神經網絡模型中，輸入的神經元個數為5個。

在確定了影響岸坡穩定性的主要因素后，需要對岸坡的穩定性狀態進行判斷與劃分，以便于神經網絡模型能夠更好的判斷岸坡穩定性[6]。一般來講岸坡的穩定性狀態通常可以用“穩定”、“不穩定”、“極其不穩定”、“非常穩定”、“潛在失穩”等來進行描述，這里為了便于模型進行學習與判斷，直接將岸坡空間狀態分為“穩定”與“不穩定”兩種狀態，分別用0和1來表示。用穩定系數M來評價岸坡的穩定性狀態，M通常是由多個岸坡相關的安全系數綜合決定的[7]。根據河道疏浚工程岸坡設計方案，穩定系數的臨界值一般取1.75，則可以得出穩定系數與穩定性的描述關系，即：

M≥1.75時為穩定狀態，M<1.75時為不穩定狀態。

因此，模型的輸出參數為“0”或“1”，分別代表岸坡處于穩定狀態或不穩定狀態。而輸入參數為5個，即岸坡穩定性的影響因素[8]。接下來需要對網絡結構進行確定，在RBF網絡結構中，除了輸入層與輸出層之外還包含一層中間層，需要對中間層的節點數量進行確定，節點數量如果過少，則模型無法實現復雜條件判斷；節點數過多則會影響模型的判斷準確性，經過科學測試，當中間層節點數為10個時，模型的訓練與學習能力最強，因此將中間層節點數定為10，構建3層神經網絡結構，具體結構圖如圖2所示。

圖2 RBF神經網絡結構圖

為了提高模型的預測能力，需要為模型提供學習樣本，即對岸坡數據進行采集與歸一化。在歷史工程案例中，選取最具代表性的岸坡參數做為模型的學習樣本。在篩選過程中，注意要避免特征相同的樣本數量過多，提高模型的學習效率與訓練效率[9]。同時選取的參數需要覆蓋所有岸坡的參數特征，保證模型能夠進行全面的學習。在采集完基礎數據后，需要對數據進行歸一化處理，再輸入進模型當中。所謂歸一化就是將參數全部歸至[0，1]的區間內，方便模型進行學習，對采集數據進行歸一化可采取下列公式進行：

(1)

式中，x—輸入的參數；X1—歸一化后的數據；max—該參數能取到的最大值；min—其最小值。

對數據進行歸一化后，即可將以歸一化的數據輸入至模型中進行學習與訓練，利用BF算法對模型進行訓練，具體流程如圖3所示。

圖3 RBF網絡模型訓練流程

根據上述流程對RBF神經網絡模型進行訓練，即可得到訓練完成的網絡模型，可用該模型對岸坡穩定性進行分析與預測。

1.2 岸坡穩定性分析

利用構建完成的RBF神經網絡模型對岸坡穩定性狀態進行分析，主要分為兩部分。需要為模型提供大量工程樣本供模型進行學習，構建影響穩定性因素與穩定狀態之間的映射關系，使模型獲得求解途徑。待學習完畢后，即可將岸坡的各項指標輸入進神經網絡，模型會將其學習到的工程理論與指標進行匹配，通過自動學習與推理，對岸坡的實際結構狀態進行分析。在此過程中還需利用圓弧滑動算法計算岸坡的變形量，具體公式如下：

(2)

式中，γ—岸坡偏移量，mm；q—岸坡土面寬度，m；b—岸坡頂部荷載力，N；W—荷載的標準重力值，N；α—岸坡水平線與弧線的夾角，(°)；P—岸坡中心到弧線圓心的垂直距離，m；Y—弧線的半徑，m；∑M—因摩擦因素產生的轉動力矩，N·m。

岸坡受到摩擦力產生的偏移量則為：

(3)

式中，γ1—岸坡因摩擦力產生的偏移量，mm。

岸坡在水平方向受到的地震摩擦力為：

(4)

式中，W—岸坡水平方向的地震系數；C—岸坡綜合穩定系數；γ2—地震摩擦力，N。

岸坡水體分布壓力值為：

(5)

式中，β—水體壓力分布系數；c—水體凝聚力標準值，Pa；?—水體分布壓力值，Pa。則岸坡變形量可表示為：

(6)

根據上述步驟即可計算出岸坡的變形量。將該變形量作為輸入參數輸入進RBF網絡模型當中，即可完成對岸坡穩定性的分析。并根據上述公式計算結果，獲取岸坡安全系數Fs，具體如下：

(7)

式中，f—岸坡載荷，N；Mi—塊體的變形分量。至此，可通過岸坡安全系數，實現對河道疏浚工程岸坡穩定性的判斷，完成基于RBF神經網絡的河道疏浚工程岸坡穩定性分析方法的設計。

2 實驗驗證

為了更好地說明提出的基于RBF神經網絡的河道疏浚工程岸坡穩定性分析方法在分析精度優于傳統的分析方法，在理論方面設計完成后，進行實驗測試環節，對該分析方法的實際分析效果進行分析。

2.1 實驗環境描述

本次實驗選取常規的岸坡穩定性分析方法作為對比對象，選用一個具有明顯破壞跡象的典型庫岸邊坡作為分析對象，利用兩種分析方法對其進行穩定性分析，最后與實際測量計算出的安全系數進行對比，通過比較分析方法與實際安全系數的擬合程度，來證明分析方法的分析精度。本次選取的庫區岸邊坡地質結構如圖4所示。

圖4 某庫區岸坡地質結構圖

根據上圖可知，該岸坡積累的厚度在空間上呈現分布不均的特點，下伏基巖較厚，逆向巖層較薄，具體組成巖體成分為泥巖、石英砂巖和其他硅質巖。

選取的庫區岸坡為中低山溶蝕地貌，岸坡寬度在900m以上，橫斷面間距為50m，非汛期時的水位線在240m以上，屬于大型庫區岸坡。勘探深度應達到最大沖刷深度以下3～5m，對卵石層不宜少于8m，對砂層不宜少于10m，基巖應進入中風化層不少于1m。在靠近岸坡邊緣布置9個鉆孔，15個探坑，鉆孔深度應穿過可能坍岸面以下5m。整體坡度較為平緩，巖體露出較少，表面的植被發育完全。岸坡巖土層結構參數見表1。

表1 岸坡巖層結構

上述結構參數表可作為兩種分析方法的主要數據支撐進行分析操作。同時為了提高實驗結果的可靠性，考慮到實際施工過程當中天氣的多變性，本次實驗選擇利用模擬軟件對岸坡進行模擬降雨的操作，模擬在不同降雨強度下，岸坡參數的實際變化，記錄在降雨環境下岸坡高度、岸坡垂直高度與水平寬度的比值、單位容積內岸坡重量、岸坡荷載力、全反力與支持力的最大夾角、岸坡兩端堤線的垂直距離、坡面泥沙凝聚力、單位重量內水體機械能等參數，在此基礎上利用兩種分析方法對岸坡的穩定性進行分析，本次模擬降雨強度范圍設定為0～200mm。

2.2 實驗結果與分析

2.2.1模型樣本訓練

選擇該水庫工程的數據作為訓練樣本供RBF神經網絡模型進行訓練與學習。隨機選取300組數據作為樣本集，并按照260∶20∶20的比例，將樣本集劃分為訓練集、預測集和驗證集。經過7個訓練周期，期望輸出值為0.84，實際輸出值為0.83，期望輸出與實際輸出值大小幾乎相同，且相對誤差較小，訓練精度為98.7%，測試精度為96.4%，訓練結果滿足實驗要求，可將模型應用至該水庫工程岸坡穩定性分析之中。

2.2.2結果分析

以岸坡安全系數Fs為實驗指標，得出庫區岸坡安全系數計算結果如圖5所示。

圖5 庫區岸坡安全系數計算結果

根據實驗結果可知，岸坡安全系數會隨著降雨強度的增加而有所變化。隨著降雨強度的增加，岸坡的安全系數會逐步遞減。當降雨強度超過200mm時，岸坡安全系數會下降到1.5以下。通過對比實際測量值與分析方法分析值的擬合程度，可以看出傳統的分析方法分析出的岸坡安全系數與實際測量計算出的安全系數差距較大，說明傳統的穩定性分析方法存在一定的誤差，無法對岸坡的實際穩定情況進行準確分析。而提出的基于RBF神經網絡的河道疏浚工程岸坡穩定性分析方法分析出的岸坡安全系數在與實際測量分析值的擬合程度上明顯更高，說明提出的岸坡穩定性分析方法能夠對岸坡安全結構等方面進行精確分析。

由此可以證明，本文設計的基于RBF神經網絡的河道疏浚工程岸坡穩定性分析方法的分析精度更高。這是由于提出的岸坡穩定性分析方法建立了RBF神經網絡模型，可以對通過實際參數對岸坡穩定性進行精準預測，能夠滿足河道疏浚工程中對岸坡的分析需求。

3 結語

本文所提出的河道疏浚工程岸坡穩定性分析方法與BRF神經網絡結構進行了有效地結合，通過將岸坡變形量作為輸入參數輸入進神經網絡模型中，實現對岸坡空間穩定性的智能化分析，極大地提高了分析的準確性，在分析結果上具有較高的科學度與可靠度。

但是由于時間的關系，本文在研究中沒能考慮更多的影響河道疏浚工程岸坡穩定性的風險因素，因此在接下來的研究中，將對風險因素展開研究，為保障對河道疏浚工程中的施工人員的生命安全、減少不必要的工程損失、提高整體的施工質量，提供更多的技術支持。