基于人工神经网络模型的边坡稳定性分析

王硕

摘要：影响边坡稳定性的因素复杂，导致很难利用传统的方法定量的描述边坡的稳定性。人工神经网络模型的优势在于可以利用系统的整体性质而不依赖于明确的关系。本文利用已发表的滑坡或边坡的数据应用于人工神经网络模型，以此预测滑坡的稳定性，并与传统的极限平衡法和最大似然估计法法得到的结果进行比较。结果表明人工神经网络方法预测边坡的稳定状况是可行的。

关键词：边坡稳定性；预测；人工神经网络

Abstract:Theinteractionsbetweenfactorsthataffectslopeinstabilityarecomplex,multi-factorial,andoftendifficulttodescribemathematically,imposingachallengeforpredictionusingtraditionalmethods.ThepoweroftheANNapproachliesinemployingthebehaviorofthesystemratherthanknowledgeofexplicitrelations.Publisheddatahasbeenusedtoillustratetheapplicationofthesetechniquestopredictingthestateofslopestability.Theresultsshowthatartificialneuralnetworktopredicttheslopestabilityconditionsisfeasible.

Keywords:slopestability,prediction,artificialneuralnetwork

1前言

边坡稳定性受多种因素的综合影响，如地质因素和工程因素等。一些不确定性因素大都具有模糊性，随机性，变异性等特点，因此不同类型的边坡稳定性的各因素的权重是变化的，这些因素的非线性关系较为复杂，因此在边坡稳定性分析应动态地选择评价因素。边坡稳定分析的智能化引起了广泛的关注，但由于没有成熟的理论指导，仍采用传统方法来获得专家的经验，知识表示方法也单一，建立基于“满意解”的有效专家系统工作，仍是一项艰巨任务。近年来发展起来的人工神经网络方法，具有自学习，自组织联想记忆能力和较强的容错能力，奠定了边坡稳定性研究的基础。

本文在综合分析边坡失稳破坏模式及其影响因素的基础上，根据国内[1-3]在各种类型边坡的稳定状况等32个工程实例为学习训练样本，讨论了运用人工神经网络方法预测边坡稳定性的有效性。

2人工神经网络模型

人工神经网络（ArtificialNeuralNetwork，ANN），自从20世纪50年代Rosenblatt首次将单层感知器应用于模式分类学习以来，已经有了几十年的研究历史。但是，由于Minsk和Papert指出单层系统的局限性，并表达了对多层系统的悲观看法，在20世纪70年代对ANN的研究兴趣减弱。直至80年代中期Rumelhart等重新阐述了反传训练方法，使得在人工神经网络领域的理论和应用研究[4-6]开始在世界范围内重新兴起。人工神经网络是一种按照人脑的组织和活动原理而构造的一种数据驱动型非线性映射模型，它具有并行处理、自适应自组织、联想记忆、容错鲁棒以及逼近任意非线性等特性，在预测评估、模式识别、信号处理、组合优化及知识工程等领域具有广泛的应用。

近年来，已有多种ANN模型被提出并得以深入研究。其中，80%~90%的人工神经网络模型是采用前馈反向传播网络（Back-PropagationNetwork简称BP人工神经网络）或它的改进形式，它是前向网络的核心部分，体现了网络最精华的部分。标准的BP人工神经网络采用梯度下降算法，在非线性多层网络中，反向传播计算梯度。BP神经网络主要分为三层，即输入层、隐含层和输出层。它是一单向传播的多层前向网络，网络除输入输出节点外，有一层或多层的隐含层节点，同层节点中没有任何耦合。输入信号从输入层节点，依次传过各隐含层节点，然后传到输出节点，每一层节点的输出只影响下一层节点的输出。节点的激活函数必须是可微、非减的，通常取为S型函数。其拓扑结构如图1所示，BP神经网络算法流程见图2。

3边坡稳定性预测

极限平衡法（LEM）是对圆弧型滑坡稳定性进行分析和预测的一种常用方法。由于利用极限平衡法进行边坡稳定性分析有时较为复杂，一些尝试着进行简化的方法不断发展，基于统计理论的最大似然估计法（MLE）就是其中一种。本文就是利用人工神经网络对圆弧形破坏的边坡进行分析和预测，并把预测结果与极限平衡法和最大似然估计法得到的结果进行比较。本文人工神经网络模型的输入数据来自已发表的文献，共考虑了32个圆弧型滑坡，其中18个已经发生了滑动，14个处于稳定状态。

本文考虑了6个影响滑坡稳定性的主要因素，分别是：土的容重γ、土的内摩擦角φ、内聚力C、坡脚ψ、坡高H、孔压比率p。上述32个滑坡的参数如表1所示。为了进行结果的分析，本文从表1所选的32个滑坡中随机的选择两个（表1中序号为10和30的滑坡），其余的30个滑坡作为人工神经网络模型的训练输入数据。滑坡的状态分为两种，即失稳破坏状态和稳定状态，分别用0和1表示。

本文所利用的人工神经网络模型包含两个隐含层，如图3所示，经过21844个时步的计算，误差收敛于1.0×10-5，可见，本文的计算结果是令人满意的。人工神经网络模型得到两个输出结果，分别是：边坡安全系数和边坡稳定性状态（稳定状态或已破坏）。同时，本文利用传统的边坡稳定性分析方法极限平衡法和最大似然估计法与人工神经网络模型得到的计算结果进行比较，同时以观测得到的边坡状态与模型预测结果进行对比，见表2所示。

图3人工神经网络计算收敛曲线

从表中可以看出，人工神经网络模型得到的边坡稳定性系数与极限平衡法得到的边坡稳定性系数较为接近，与最大似然估计法得到的结果差别较大。人工神经网络模型得到的边坡稳定性状态预测与观测值基本一致。由表2可见，人工神经网络模型对于边坡稳定性的预测能力与极限平衡法相近。表2中利用极限平衡法得到的序号为1和2的边坡的稳定性系数分别是1.40和1.35，这两个数值非常接近，因此很难分辨边坡的稳定状态。然而，当稳定系数稍稍大于1.0时，并不能说明该边坡是稳定的。其中的原因是，现场取样得到的物理力学参数一般是代表整个边坡的平均的参数，而边坡的稳定性通常由潜在滑面的物理力学参数来控制。观测值表明序号为1的边坡处于稳定状态，而边坡2已经发生滑动，本文用到的人工神经网络预测边坡1和2的稳定状态分别是0.010和0.994，与观测值吻合。

为了进一步检验人工神经网络模型的有效性，在上述32个边坡中，边坡10和边坡30并没有由于神经网络的训练，在输入层输入边坡的相关参数后，得到的结果如表3所示，可以看出，预测的边坡稳定性与观测值是一致的，说明人工神经网络模型边坡的稳定性预测是可靠的。

4结论

本文利用已发表的滑坡或边坡的数据应用于人工神经网络模型，以此预测滑坡的稳定性，并与传统的极限平衡法和最大似然估计法法得到的结果进行比较。

人工神经网络模型得到的边坡稳定性系数与极限平衡法得到的边坡稳定性系数较为接近，与最大似然估计法得到的结果差别较大。人工神经网络模型得到的边坡稳定性状态预测与观测值基本一致，说明人工神经网络模型边坡的稳定性预测是可靠的。

表2人工神经网络的输出结果并与极限平衡法和最大似然估计法

参考文献：

[1]刘沐宇,冯夏庭.基于神经网络范例推理的边坡稳定性评价方法[J].岩土力学,2005,02:193-197.

[2]向超文,徐锦洪,李焜,於志斌.人工神经网络边坡稳定预报模型[J].工程地质计算机应用,2006,01:1-918.

[3]邹义怀,江成玉,李春辉.人工神经网络在边坡稳定性预测中的应用[J].矿冶,2011,04:38-4155.

[4]陈乐求,彭振斌,陈伟,彭文祥,吴启红.基于模糊控制的人工神经网络模拟在土质边坡安全预测中的应用[J].中南大学学报(自然科学版),2009,05:1381-1387.

[5]周宁,傅鹤林,袁勇.基于模糊神经网络的边坡稳定性评价方法[J].地下空间与工程学报,2009,S2:1826-1832.

[6]李元松,陈文峰,李新平,田昌贵,夏进,郭运华.基于模糊神经网络的边坡稳定性评价方法[J].武汉理工大学学报,2013,01:113-118.