基于人工神經網絡的高速公路邊坡滑坡風險分析

王雙華 WANG Shuang-hua

（云南省普洱公路局，普洱 665099）

0 引言

自1988 年我國第一條高速公路滬嘉高速通車以來，高速公路建設經歷了長足的發展，截至2022 年底，我國高速公路總里程已達到17.73 萬公里，已是經濟社會發展的重要支撐。然而，高速公路的建設和管理也面臨著各種自然和人為的風險和挑戰，尤其是在地質條件復雜的山區和丘陵地帶，高速公路邊坡的穩定性問題成為一個亟待解決的難題。高速公路邊坡滑坡是一種常見的地質災害，其發生頻率較高（圖1），危害程度較大，影響范圍較廣，對生命財產安全、交通運輸、環境保護等方面都有嚴重的影響，目前仍是我們所必須面對的重大威脅。

圖1 2010 年-2021 年我國山體滑坡發生次數

圖2 四層神經網絡

高速公路邊坡滑坡防治是一項復雜而艱巨的工程任務，需要綜合考慮地質、水文、氣候、工程、經濟等多方面因素，采取科學合理的技術措施和管理措施，以保證邊坡的安全穩定。為此，國內外許多學者為應對邊坡滑坡災害做了大量研究：袁維[1]等人提出了一種多源數據“融合-預測-預警”的三步式滑坡監測預警方法，針對階躍型滑坡的變形特征，分別采用經驗模態分解法、滑動多項式擬合法、隨機森林算法和斜率變點分析法，對滑坡的綜合變形進行分解、預測和預警，并以向家壩水庫某滑坡體為例，驗證了該方法的可行性和有效性。李琦[2]等人設計了一種滑坡地質災害遠程無線實時預警監測系統，采用北斗衛星定位、無線傳感器網絡和人工智能技術，實現了滑坡的精準定位、實時監測、智能預警和遠程管理。楊詩詩[3]等人以三峽庫區為研究區，基于專業監測數據，建立了降雨型滑坡預警雨量閾值的計算方法，并分析了不同類型滑坡的預警雨量閾值與降雨特征的關系。唐堯[4]等人利用國產高分辨率遙感數據，對四川省攀西地區的滑坡災害進行了孕災致災演變及周期監測分析，提出了基于遙感技術的滑坡災害智能預警分析方法，為滑坡災害的防治提供了科學依據。熊弢[5]等人利用現場調查、室內試驗和數值模擬等方法，分析了云南省普賢鄉場滑坡的地質構造、地形地貌、巖土力學特性、滑動機制和穩定性，提出了滑坡的成因類型和防治對策。鄧昊[6]等人則基于物理模型試驗和數值模擬，分析了地震和強降雨對堆積層滑坡變形破壞機制的影響，揭示了不同工況下滑坡的應力分布、位移變化和破壞模式，提出了堆積層滑坡的穩定性評價方法和防治措施。

由上述內容可見，目前針對邊坡滑坡災害對策的研究思路多為對滑坡發生機制的研究以及通過監測及時發現滑坡并預警，相比之下，利用人工智能技術預測邊坡滑坡風險的研究還很少見，尚處于起步階段。本研究將基于高速公路滑坡的重大誘因——降雨量[7]為著目點，綜合考慮斜面特性與單位時間降雨量與累計降雨量，利用人工神經網絡對高速公路滑坡災害的風險進行評價。

1 神經網絡模型

本研究使用神經網絡的機器學習模型對高速公路邊坡滑坡的風險進行分析。神經網絡是一種模仿人腦的計算模型，它是一種適合處理非線性、不確定和復雜問題的方法，可以從大量的數據中提取特征和規律，從而實現邊坡的分類、識別和預測[8]。神經網絡的優勢在于它具有很強的魯棒性和容錯性，可以并行處理數據，具有自學習、自組織和自適應的能力，在處理不完整或不清晰的信息時，可以進行信息融合和多媒體技術的應用，高速地尋找優化解。

神經網絡由節點層組成，包含一個輸入層、一個或多個隱藏層和一個輸出層。每個節點也稱為一個人工神經元，它們連接到另一個節點，具有相關的權重和閾值。如果任何單個節點的輸出高于指定的閾值，那么會激活該節點，并將數據發送到網絡的下一層。否則，數據不會傳遞到網絡的下一層[9]。神經網絡依靠訓練數據來學習，并隨時間推移提高自身準確性。這些學習算法經過了調優，提高了準確性后，就會成為計算機科學和人工智能領域的強大工具，使我們能夠快速對數據進行分類和聚類。

在本研究中，使用由輸入層、兩個隱藏層和輸出層組成的四層神經網絡進行計算，對不同訓練步數下的訓練結果進行比較。隱藏層使用的激活函數是sigmoid 函數，輸出層使用softmax 函數。四層神經網絡是一種常用的網絡結構，可以實現較好的擬合能力和泛化能力。輸入層負責接收邊坡的特征及降雨量數據，輸出層負責輸出邊坡是否發生滑坡的判斷結果。兩個隱藏層可以增加網絡的非線性和復雜度，提高網絡的表達能力。隱藏層使用的sigmoid 函數是一種常用的激活函數，它將神經元的輸出映射到（0，1）區間，具有平滑性和可微性，sigmoid 函數可以實現非線性變換，增強網絡的擬合能力，且它還可以避免輸出值過大或過小，導致梯度消失或爆炸的問題。輸出層使用softmax函數是一種常用的輸出函數，其可以實現分類的概率輸出，適合于分類問題。

2 數據集

本研究中用于學習的數據集由40 條發生滑坡的數據和320 條未發生滑坡的數據組成。在其中選擇發生滑坡的和未發生滑坡各80%的隨機數據用作訓練數據，其余的用作驗證數據。輸入項目包括邊坡的地形、土質、支護結構三個因素的評價分、以及一周的累計降雨量和一周的最大單位時間（小時，下同）降雨量。各評價因素的給分標準如下，該標準僅適用于本研究，與規范化的邊坡評價方法有一定的出入。

邊坡的地形評價分主要考慮其邊坡系數，根據邊坡系數的大小，給邊坡分配一個地形評分，邊坡越穩定，評分越高，越不易發生滑坡。評分的范圍在0-1 之間，分為五種等級（表1）。

表1 邊坡地形評價標準

邊坡的土質評分以砂土、壤土、粘土三種大致的分類進行評分：粘土得分1 分、壤土0.5 分、砂土0 分。

邊坡的支護結構評分根據表2 所示邊坡的支護類型評分標準表給出，表中，相應支護結構類型的評分為該支護完整情況下的得分，根據支護的損壞情況、覆蓋率等會對相應類型的邊坡酌情扣0.1/0.2 分（無邊坡除外，無邊坡一律得分0 分）。

表2 邊坡支護類型評分標準

使用的降雨數據是通過中國氣象局官方網站進行獲取的，對于發生滑坡的數據，使用了發生滑坡前一周的累計降雨量和發生滑坡前一周內的最大單位時間降雨量。不發生滑坡的數據是指發生塌陷的邊坡自投入使用以來該邊坡所經歷的降雨量中，累計降雨量最大的一周以及該周最大單位時間降雨量的數據集。以不發生滑坡為1、發生滑坡為0 進行訓練學習，輸出時以發生滑坡或不發生滑坡中較大概率者作為判斷結果。

圖3 是收集的數據集的一周累積降雨量和最大小時降雨量（包括發生滑坡的和未發生滑坡的）。從這張圖來看，在周累計降雨量和最大單位時間降雨量之間，無法找到發生滑坡的降雨量和未發生滑坡的降雨量之間的明確界限。因此，單純地考慮降雨量的多少，無法對是否發生滑坡做出判斷。

圖3 降雨量數據

3 結果

圖4 和圖5 顯示了利用神經網絡進行機器學習結果。圖4 展示了訓練步數與對學習數據判斷的正確率和對驗證數據判斷的正確率之間的關系；圖5 展示了訓練步數和靈敏度之間的關系，靈敏度表示能夠將發生滑坡的數據判定正確的概率。圖4 中，當訓練步數從2000 到10000 變化時，學習數據正確率和驗證數據正確率分別在88.2%～94.7%和91.3%～96.1%之間。但是，當考慮靈敏度時，我們發現它處于40.4%至68.6%的較低值。這意味著整體正確率受未發生滑坡數據判斷結果的影響較大，未發生滑坡數據的判斷準確率較高。當訓練步數為2000 時，學習數據正確率、驗證數據正確率和靈敏度均小于使用其他訓練步數時的正確率，說明此時訓練步數不足。在對學習數據和驗證數據的判斷上，雖然訓練步數4000 次時的正確率均比5000 次時更高，但由于靈敏度較低，并不能認為4000 左右的訓練步數是最合適的。訓練步數6000 步后學習數據正確率、驗證數據正確率波動，且沒有穩定趨勢，靈敏度略有下降，考慮到計算時間隨著訓練步數的增加而變長，5000-6000 的訓練步數對于本研究中使用的神經網絡結構和數據集是最合適的，在這個范圍內選擇適當的訓練步數可以獲得較好的機器學習結果。

圖4 學習數據正確率及驗證數據正確率

4 總結及展望

在本研究中，我們分析了過去的邊坡失穩數據，探討了應用神經網絡對高速公路邊坡滑坡風險判斷的可能性。本研究得到的結論如下：①盡管有必要提高對降雨引起的邊坡破壞風險評估的準確性，但本研究提出的運用神經網絡作為一種判斷風險的方法是可行的。②訓練步數變多會大大增加計算時間，綜合學習數據正確率、驗證數據正確率、靈敏度綜合考慮，認為本研究的訓練步數為5000-6000 比較合適。③本研究的靈敏度最高在68%左右，意味著有1/3 左右的滑坡未被準確預測。為了對高速公路邊坡進行安全評估，有必要提高靈敏度，增加滑坡數據的樣本數量。

本研究取得了一定的效果，但仍有一些不足和可優化的點。在未來的研究中，考慮可以從以下幾個方面進行改進和拓展：①增加數據集的規模和質量，尤其是發生滑坡的數據，以提高神經網絡的學習能力和靈敏度。②考慮更多的影響邊坡穩定性的因素，如邊坡的初始應力狀態，邊坡的支護措施等，以提高神經網絡的泛化能力和適應性。③優化神經網絡的結構和參數，增加隱藏層的數量，選擇不同的激活函數，調整權重和閾值等，以提高神經網絡的計算效率和準確性。

通過以上的改進和拓展，我們期望能夠建立一個更加完善和高效的高速公路邊坡滑坡風險評價的機器學習模型，為高速公路邊坡的安全管理和防災減災提供更有價值的參考和支持。