边坡岩体稳定性的人工神经网络预测模型

第31卷增刊12019年6月中国煤炭地质COAL GEOLOGY OF CHINAVol.31Sup.1Jun.2019doi:10.3969/j.issn.1674-1803.2019.S1.10文章编号:1674-1803(2019)S1-0055-03基于BP 神经网络对边坡稳定性预测分析管宏飞1,江㊀平1,郭㊀飞2,李红涛1(1.湖北省地质勘察基础工程有限公司,湖北宜昌㊀443002;2.三峡大学土木工程与建筑学院,湖北宜昌㊀443002)摘㊀要:采用BP 软件建立了人工神经网络的边坡稳定性预测模型,并以杨东坪小学后侧边坡为例进行田边稳定性预测㊂结果表明,所预测边坡稳定性与实际情况基本相符,能够满足工程需求,因此利用BP 神经网络对边坡稳定性进行预测是可行的㊂关键词:BP 神经网络;边坡稳定性;秭归杨东坪中图分类号:P641.4+61;F426.21㊀㊀㊀㊀㊀㊀文献标识码:ASlope Stability Prediction Analysis Based on BP Neural NetworkGuan Hongfei 1,Jiang Ping 1,Guo Fei 2and Li Hongtao 1(1.Hubei Geological Survey Foundation Engineering Co.Ltd.,Yichang,Hubei 443002;2.College of Civil Engineering and Architecture,China Three Gorges University,Yichang,Hubei 443002)Abstract :The artificial neural network slope stability prediction model has been modeled through back propagation (BP)algorithm.Taking a slope in rear side of the Yangdongping primary school as example carried out stability prediction.The result has shown that the predicted slope stability is basically tally with actual situation,can meet engineering requirements.Thus the use of BP neural net-work to carry out slope stability prediction is feasible.Keywords :BP neural network;slope stability;Yangdongping,Zigui County第一作者简介:管宏飞(1988 ),男,岩土工程专业硕士研究生,从事岩土工程治理设计工作㊂收稿日期:2019-05-18责任编辑:樊小舟0㊀引言随着我国基础设施建设的高速发展,在建设过程中难免会出现大量的边坡,这些边坡一旦失稳,将带来巨大的经济损失㊂影响边坡稳定性的因素很多,在分析和治理过程中,需要对边坡各影响因素综合分析,影响因素之间关系错综复杂,因此需进行边坡稳定性影响因素的敏感性分析㊂通过对影响边坡稳定性因素的敏感性分析,可以找出边坡失稳的主导因素,为边坡失稳灾害的防治及人工边坡的优化设计提供依据㊂本文利用BP 神经网络的相互作用矩阵,对边坡稳定性影响因素的敏感性进行分析,对边坡稳定性进行预测,形成边坡预测专家决策系统,为边坡设计进行具有指导㊂1㊀基于神经网络的边坡稳定性预测分析1.1㊀边坡影响因素边坡稳定性影响因素很多,其中主要影响因素为地层岩性㊁覆盖层物质组成㊁岩土层的抗剪强度(或是主控结构面参数)㊁岩质边坡是否为顺层㊁边坡坡高坡角以及变形迹象㊂地层岩性以及物质组成为地质基本条件,岩性越差,边坡稳定性往往越差,比如三叠系巴东组第二段紫红色粉砂质泥岩最易形成滑坡;岩土层的抗剪强度更是边坡稳定性的主控因素,一般来说,边坡坡高越高㊁坡度越陡,边坡稳定性越差㊂1.2㊀BP 神经网络的基本原理人工神经网络无需事先确定输入输出之间映射关系的数学方程,仅通过自身的训练,学习某种规则,在给定输入值时得到最接近期望输出值的结果㊂作为一种智能信息处理系统,人工神经网络实现其功能的核心是算法㊂BP 神经网络是一种按误差反向传播(简称误差反传)训练的多层前馈网络,其算法称为BP 算法,它的基本思想是梯度下降法,利用梯度搜索技术,以期使网络的实际输出值和期望输出值的误差均方差为最小㊂目前,人工神经网络应用最广的是BP 网络,也是研究最多的一种神经网络㊂BP 算法的基本思想是学习过程由信号的正向传播与误差的反向传播两个过程组成㊂其基本结构包含了一个输入层,一个或多个隐含层和一个输出层;由传递函数来完成层与层之间各神经元的映射㊂隐含层的神经元通常采用Sigmoid 形的传递,输出层的神经元通常为线56㊀中㊀国㊀煤㊀炭㊀地㊀质第31卷性传递函数(图1)㊂神经网络结构确定以后,就可用输入输出样本集对神经网络进行学习,其过程也就是对蕴含着知识的权值和阈值进行训练㊂当期望输出与网络计算输出的差值达到要求的精度时就完成了对网络的训练,这时网络的权值和阈值也就确定下来了,可以用于预测了㊂图1㊀BP 网络模型示意Figure 1㊀A schematic diagram of BP neural network model1.3㊀输入参数处理根据已有边坡样本类型,对于地层岩性㊁覆盖层物质以及是否为顺向坡组成需采用数字代号替换,地层岩性根据岩性划分为1~4共4个类型(分别为砂岩㊁灰岩㊁泥岩以及花岗岩和流纹岩);表层出露覆盖层划分为填土㊁含碎石粉质粘土㊁碎石土㊁全风化岩层㊁强风化岩层以及中风化岩层(划分为1~5共5个类别);对于是否为顺层,若为顺层,输入1,否则输入0;对于边坡有无变形,有变形输入1,无变形输入0㊂1.4㊀输出变量处理边坡稳定性作为输出变量,将边坡稳定状态简化为欠稳定和基本稳定两种(欠稳定为0,基本稳定为1)1.5㊀人工神经网络边坡模型的训练对所收集到的大量边坡治理设计事例中,以24个典型的边坡设计作为参考,进行神经网络模型有效性训练㊂每一个学习样本由8种征兆参数值组成,采用三层BP 网络结构进行训练[2-4],网络收敛后固定权值与阈值㊂选取的边坡稳定性学习样本的有关参数指标分为输入参数和输出指标㊂其中输入参数依次为地层岩性㊁覆盖层物质组成㊁顺向状态㊁粘聚力㊁内摩擦角㊁边坡坡高㊁边坡坡角以及变形迹象(表1);输出指标为边坡稳定状态(表2)㊂一般规定1为存在,0为不存在㊂表1㊀边坡稳定性训练样本Table 1㊀Slope stability training samples序号地层岩性覆盖层顺层状态粘聚力/kPa摩擦角/(ʎ)边坡坡角/(ʎ)边坡高度/m变形迹象11401515706021301714652013240361165814351172050615220161360716410184570617410184570608120161335301925017208015010230361135 5.51114201720503012150172070100133516023459.511421014174550152606020652001632020164514117260503550280181202522351101933120153035120310141760221212405345510.50221506025521002314082845311241110840100增刊1管宏飞,等:基于BP神经网络对边坡稳定性预测分析57㊀表2㊀边坡样本稳定性输出结果Table2㊀Slope sample stability output results 序号稳定性稳定状态10欠稳定20欠稳定30欠稳定40欠稳定50欠稳定61基本稳定71基本稳定81基本稳定90欠稳定100欠稳定111基本稳定121基本稳定130欠稳定140欠稳定151基本稳定160欠稳定171基本稳定181基本稳定190欠稳定200欠稳定210欠稳定221基本稳定230欠稳定240欠稳定2㊀工程实例分析现以秭归县杨东坪小学后侧边坡为例,证实边坡稳定性预测决策功能㊂杨东坪小学后侧边坡场地属构造剥蚀侵蚀中低山区,总体呈东南高㊁西北低的斜坡地形,为山麓斜坡堆积地貌㊂场地西侧和东侧为原始地貌,场地南高北低,地形高差29~30m,边坡坡度陡峭,坡度30ʎ~45ʎ,平均坡度38ʎ㊂根据勘察揭露,场地覆盖层主要为第四系残坡积层含粉质粘土碎石(Q4el+dl),下伏基岩为志留系下统罗惹坪组下段灰绿色 黄绿色粉砂岩(S1lr1)㊂由于修建教工宿舍楼场坪开挖,在K0+000~K0 +033段边坡前缘形成高8~12m的临空面,在K0+ 033~K0+060段前缘形成高6~8m的临空面,加上后期降雨作用导致该两段边坡前缘失稳,牵引边坡整体滑移㊂野外调查表明,变形体各部位有不同程度的变形㊁裂缝等现象,在变形体后缘公路外侧出现一条长约10m,宽5~10cm裂缝,走向近东西,裂缝深2~5cm㊂变形体东西两侧出现纵向拉裂缝,北侧缝宽0.5~2m,可见深度约1m,裂缝走向与滑坡方向一致,后缘出现大量横向羽状裂缝,前缘出现坍滑,横宽约15m,纵向长约8m㊂根据边坡实际地质情况,其基本输入参数如表3所示㊂将表3基本数据代入网络预测模型[5],结果表明,边坡处于欠稳定状态,这与现场实际情况是基本相符的㊂表3㊀边坡输入基本信息Table3㊀Basic slope inputted information地层岩性覆盖层顺层状态粘聚力/kPa摩擦角/(ʎ)边坡坡角/(ʎ)边坡高度/m变形迹象140828383013㊀结语①利用BP神经网络的相互作用矩阵,对边坡稳定性进行预测,形成边坡预测专家决策系统,对边坡稳定性预判具有一定的指导意义㊂②本文仅对边坡稳定性进行了预测分析,在实际工程运用中,更需要利用决策系统对边坡治理措施进行预判,这样意义更大,但考虑到工程实际情况,放坡和工程加固措施往往相辅相成,两者常存在交叉影响关系,故而会影响预测结果,仍有诸多不足需深入研究改进㊂③由于边坡稳定性受多方因素影响,地层岩性种类繁杂,且岩土体具有不连续性和各向异性㊂因此,用传统的线性化方法难以准确描述边坡的非线性特征,对于大型复杂的边坡稳定性预测尚存在一定的困难㊂参考文献:[1]孙平定,蔡润,谢成阳,等.基于遗传优化神经网络的边坡稳定性评价[J].现代电子技术,2019(05):75-78.[2]冯夏庭,王泳嘉,卢世宗.边坡稳定性的神经网络估计[J].工程地质学报,1995(04):54-61.[3]苏俊霖,杨建明,罗辉,等.基于改进BP神经网络的高速公路边坡稳定性分析[J].公路与汽运,2018(01):90-93.[4]何翔,李守巨,刘迎曦.岩土边坡稳定性预报的人工神经网络方法[J].岩土力学,2003(S2):73-76.[5]贺可强,雷建和.边坡稳定性的神经网络预测研究[J].地质与勘探,2001(06):72-75.。

RBF神经网络在边坡稳定性分析中的应用建立了露天矿岩质边坡稳定性分析评价的径向基函数（RBF）神经网络模型。

实例检验结果表明，基于RBF神经网络建立的边坡稳定性分析模型是合理的、可靠的。

将该模型应用于白云鄂博东矿边坡的稳定性分析中，取得了有益的结果，为该矿的安全生产提供了决策依据。

标签：露天矿边坡；RBF神经网络；稳定性分析0 前言白云鄂博矿区位于内蒙古自治区中部，是包钢生存和发展的重要原料基地。

该矿床东西长18 km，南北宽2～3 km，面积48 km2。

矿区内铁、稀土及铌的矿化规模较大，根据铁矿石的边界品位划分为主矿、东矿、西矿、东介勒格勒和东部接触带等5个采场。

已探明铁矿石储量约14 亿t，铁含量31 %～35 %，以主、东（约5.7亿t）和西采场（约8.1亿t）为主。

其中东矿经过五十余年的开采，现已进入深部开采。

本文拟采用RBF神经网络对东矿边坡的稳定性进行分析，以便为白云鄂博东矿的安全生产提供决策依据。

1 东矿边坡基本情况为便于对白云鄂博东矿边坡进行稳定性评价，进行了边坡分区。

分区的原则是将工程地质条件、边坡几何形状和边坡倾向基本相同的区段划分为同一区，这样各区边坡可用单一的剖面和相同的计算参数来表征。

边坡分区是在工程地质分区的基础上进行的。

按此原则东矿采场可划分为六个边坡分区，即A、B、C、D、E、F。

在A区和E区的不同地段，由于边坡形状、高度等方面还存有差异，故又分别将其分为两个亚区，即A1、A2和E1、E2亚区。

边坡分区示意图见图1。

本文拟对其中的E1、E2、F区进行边坡稳定性分析，三个分区的基本情况分述如下：（1）E1亚区。

位于采场南帮19～26行间、工程地质分区第Ⅳ区的中部，边坡面产状为360/41.5，高度为389m，坡面走向近似直线。

本区边坡岩体主要为长石板岩，其边坡岩体结构类型为逆坡向层状结构。

（2）E2亚区。

位于采场西南17～21行间、第Ⅳ工程地质分区的偏西部，为运输道出口地段。

基于人工神经网络的边坡稳定性评价研究随着我国科学技术的进步与飞速发展，越来越多的新技术利用到边坡工程中，边坡稳定性评价对工程的建设和地质灾害的治理具有重要的作用，本文主要介绍了神经网络的理论基础以及其在边坡稳定性评价的简单应用。

标签：人工神经网络；边坡稳定性；评价0 引言对于地质工程来说边坡的稳定性评价是一项重要的研究任务，尤其是在岩土工程中。

近年来，边坡稳定性的相关研究向着多元的方向发展，因此许多研究方法应运而生，但是总体归纳起来，目前边坡稳定性的研究常用的方法有定性分析法、定量分析法、不确定性分析法。

人工神经网络评价法就是定量分析法当中的一种，人工神经网络技术的引入，为边坡工程的稳定性研究提供了重要的手段。

1 边坡评价方法简介边坡稳定性的评价方法主要有三种，即定性、定量、不确定分析三种。

定性分析法是勘察结束后，根据影响边坡的因素、边坡破坏的机制和可能产生的失稳变形模式对已经产生破坏的岩土体的形成原因和机制进行评价，在此基础上对边坡稳定性进行评价，并对其的发展趋势做出定性分析和评价。

这种方法不仅能对边坡稳定性的影响因素全面分析，还可以对边坡的发展趋势做出评价，具有一定的优越性。

定量分析方法目前不能实现完全定量，只能达到半定量分析，目前常用的方法是有限单元法、流形元法等。

非确定性分析方法相对于上述两种方法来说更接近实际情况，主要方法包括有可靠度评价、灰色系统评价等。

2 神经网络技术理论基础2.1 人工神经网络概述神经网络是以人脑的思维方式研究为基础，利用数学方法抽象模拟人脑的基本功能的一种连接网络，是由大量的并且简单的处理单元组成的神经系统。

这种系统不仅能够反映出人脑的一些功能，能做出某种简化、抽象和模拟，其行为是丰富多彩的。

2.2 神经元模型与神经网络模型一种简化的神经元模型是一种多输入单输出的非线性的模型，如图1所示。

对于传统的神经元模型来说，通常采用同一非线性的映射，使得每个神经元都产生兴奋，仅仅通过细胞之间的权值变化表示，这种情况导致学习算法比较繁琐，收敛较慢。

神经网络技术在岩质边坡稳定性研究中的应用摘要：利用模糊数学的基本原理，在visual c＋＋语言的基础上，研制开发了岩质边坡稳定性系统评价的bp模型的计算机程序，通过实际工程分析，预测结果与实际完全吻合，说明所采用的bp神经网络算法评价岩质边坡稳定性是可行的，可以用来指导实际，该计算程序简单，易操作，有一定的推广应用价值。

关键词：岩质边坡；神经网络abstract: using the basic principles of fuzzy mathematics, in visual c + + language, and on the basis of the research and development of rock slope stability evaluation system of the bp model computer programs, and through the practical engineering analysis, forecast results and the practical perfectly, explain the bp neural network algorithm rock slope stability assessment is feasible, and can be used to guide practical, the calculation procedure is simple, easy to operate, has the certain application value.keywords: rock slope; neural network中图分类号：tp183文献标识码：a 文章编号：在高速公路、基础工程、露天矿山、水利水电等工程中，边坡的稳定性非常重要。

在边坡稳定性分析中。

最基本的评价指标是极限平衡方程的求解。

文章编号：1009-6825（2012）35-0053-03神经网络模型在边坡坍塌预测中的应用★收稿日期：2012-10-08★：山东省自然科学基金（项目编号：ZR2010DQ018）作者简介：李希峰（1978-），男，讲师李希峰（聊城大学建筑工程学院，山东聊城252059）摘要：尝试建立了在区域降水条件下，选取蒸发量和降雨量作为评价参数，预测边坡坍塌强度的神经网络模型，实例的计算和验证表明，用人工神经网络的方法来预测在降水条件下边坡的坍塌强度是可行的。

关键词：神经网络模型，边坡，Levenberg-Marquardt 算法中图分类号：TU413．62文献标识码：A0引言强度大的暴雨和持续时间长的连阴雨，常会导致边坡不同程度的坍塌，对边坡的稳定影响很大，且降雨强度越大，持续时间越长，塌的越厉害，有“小雨小塌，大雨大塌”之说［1］。

例如：2010年7月四川出现了持续时间长、强度大的连续降雨，就发生了一万多处大小不等的滑坡和坍塌［7］。

降雨入渗促使边坡朝不利的方向发展，其作用是多方面的，归纳起来有如下几种：1）降雨沿着土体中的孔隙或裂隙向下入渗，往往会在边坡的某处聚集，形成较高的局部水头，櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅使土体里的动水压力和静水压力曲线，可以看出，随着粘聚力C 的增大，边坡稳定性系数K 值增加甚微，近于水平。

在粘聚力C 值增加近一倍，从1．0MPa 变化到1．8MPa ，安全系数仅增加了0．28，图3表明，边坡稳定性受粘聚力的影响很小。

表2随粘聚力变化的安全系数粘聚力C 1．01．21．41．61．8安全系数0．890．961．031．101．17另外，也可通过计算敏感系数来确定最敏感因素，具体计算方法如下：影响边坡稳定的诸因素中某一因素产生变化时所对应边坡稳定性系数K 的变化幅度与基准条件下K 的比值η1，该因素的变化量与总变幅的比值η2，敏感系数S 为η1与η2的比值的百分率，即：S =η1/η2（4）其中，η1=|ΔK /K |；η2=|ΔX |/|X max －X min|。

岩土工程中应用人工神经网络方法研究岩土工程是土地利用和建筑工程领域的重要分支，涉及土地的开发、土方工程、地基工程、水利工程等方面。

在岩土工程中，需要通过大量的实验数据和模型计算来预测地下水位、地层结构、地下水流、土体变形等物理现象，以确保工程安全和稳定性。

然而，传统的数值计算方法往往需要大量的计算资源和时间，且精度常常存在一定误差。

因此，越来越多的研究者开始尝试将机器学习算法应用于岩土工程领域，其中最有潜力的算法之一便是人工神经网络方法。

人工神经网络(ANN)是一种基于生物神经网络结构和功能的数学模型。

通过学习和自适应调整自身参数，ANN能够表现出类似人类的智能，即能够自主学习和提高自身的预测能力。

在岩土工程中，ANN可以通过输入土体材料参数、实验参数和地质地貌等信息，来预测土体力学、土力学和岩石力学等相关参数。

相比传统的数值计算方法，ANN在处理海量数据、提升预测精度和节约计算成本等方面有很大的优势。

在应用ANN进行岩土工程预测前，需要先建立一个合适的ANN模型，该模型包括输入层、隐层和输出层三个部分。

其中，输入层是将岩土工程所需要输入的参数进行编码后传入网络的部分，隐层是对输入层进行加权后计算的中间层，输出层是根据隐层结果计算所需预测输出结果的部分。

建立模型后，需要进行数据的训练和校验，让模型逐渐学习和优化自身的预测能力。

最终，该ANN模型能够通过输入不同的参数，预测出岩土工程所需要的结果。

岩土工程中的应用案例十分广泛，如地下水位预测、土体变形和岩石力学参数预测等。

比如，在地下水位预测方面，研究者可以将过去的地下水位记录和气象数据输入ANN模型进行训练，建立出一个可用于预测未来地下水位的ANN模型。

在土体变形方面，通过对土体应变进行监测并输入ANN模型进行训练，可以预测土体变形的变化趋势和范围。

在岩石力学参数预测方面，研究者可以利用ANN模型预测岩石的抗压强度、弹性模量和泊松比等参数，从而更好地了解岩石的物理特性和承载能力。

地下工程围岩稳定性分类的人工神经网络模型
由于时常出现路基围岩稳定性较差等质量问题，通常在进行路基挖掘前是需要认真分
析路基围岩稳定性评价的，而本文将提出一种利用人工神经网络（ANNs）技术来评价地下
工程围岩稳定性的方法。

首先，基于实际情况，对围岩稳定性评价要求设定5个等级 : 优秀、良好、中等、
较差、不良。

通过与专家的讨论，根据现实围岩稳定性的信息，包括了围岩节理网络状况、围岩类型、围岩强度及其分布度等要素，确定了路基围岩稳定性等级分类模型，并对
它们进行了不同程度的加权分配，确定了具体的输入参数。

其次，将上述参数应用于人工神经网络模型，使用BP神经网络算法构建围岩稳定性
分类模型，该算法可以有效地根据输入数据提取特征，提高模型精度。

最后，将这个模型应用于深水平井施工实体基坑边坡围岩的稳定性评价，结果表明：
该模型具有很好的准确性，有助于提供准确的围岩稳定性信息。

本文的研究结果表明，构建的人工神经网络模型能够有效地评价地下工程围岩稳定性，准确、快速地提供深水平井施工实体基坑边坡围岩的稳定性信息，对于对路基挖掘质量具
有重要应用价值。

但是，也有需要提高的地方，如围岩应力条件模型等，以便进一步提高
模型准确性和实用性。

同时，在稳定性分类模型方面，应该引入新的数据要素，以满足现
实评价的需要。