神經(jīng)網(wǎng)絡(luò)模型在邊坡坍塌預(yù)測(cè)中的應(yīng)用★

李希峰

(聊城大學(xué)建筑工程學(xué)院，山東聊城 252059)

0 引言

強(qiáng)度大的暴雨和持續(xù)時(shí)間長(zhǎng)的連陰雨，常會(huì)導(dǎo)致邊坡不同程度的坍塌，對(duì)邊坡的穩(wěn)定影響很大，且降雨強(qiáng)度越大，持續(xù)時(shí)間越長(zhǎng)，塌的越厲害，有“小雨小塌，大雨大塌”之說(shuō)［1］。例如:2010年7月四川出現(xiàn)了持續(xù)時(shí)間長(zhǎng)、強(qiáng)度大的連續(xù)降雨，就發(fā)生了一萬(wàn)多處大小不等的滑坡和坍塌［7］。

降雨入滲促使邊坡朝不利的方向發(fā)展，其作用是多方面的，歸納起來(lái)有如下幾種:

1)降雨沿著土體中的孔隙或裂隙向下入滲，往往會(huì)在邊坡的某處聚集，形成較高的局部水頭，使土體里的動(dòng)水壓力和靜水壓力增高，下滑力增加。

2)降雨入滲減小了由土體自重所產(chǎn)生的抗滑力，并且使滑動(dòng)面上的土體軟化，抗剪強(qiáng)度降低。

3)降雨入滲使土體由非飽和狀態(tài)轉(zhuǎn)化為飽和狀態(tài)。根據(jù)現(xiàn)代土力學(xué)知識(shí):當(dāng)土體處于非飽和狀態(tài)時(shí)將產(chǎn)生負(fù)的孔隙水壓力，有利于邊坡的穩(wěn)定，當(dāng)有連續(xù)不斷的降雨或者暴雨入滲時(shí)，由于水分不斷地下移，非飽和帶將逐漸消失，由非飽和帶產(chǎn)生的負(fù)的孔隙水壓力也將逐漸消失，處于臨界狀態(tài)的邊坡就會(huì)失穩(wěn)而破壞。

4)降雨入滲可能會(huì)改變土體的性質(zhì)。例如:在黃土地區(qū)和膨脹土地區(qū)，土體遇水性質(zhì)將發(fā)生顯著改變，不利于邊坡的穩(wěn)定。

邊坡的坍塌強(qiáng)度不僅與降雨持續(xù)時(shí)間和降雨強(qiáng)度有關(guān)，還與邊坡土體本身性質(zhì)相關(guān)。由于降雨時(shí)間和空間的不均勻性，同時(shí)降雨強(qiáng)度和土體本身性質(zhì)也存在著空間分布的不均勻性。所以降雨與邊坡坍塌強(qiáng)度之間的關(guān)系是非常復(fù)雜的，具有高度非線性。

1 區(qū)域降水條件下預(yù)測(cè)邊坡坍塌強(qiáng)度的神經(jīng)網(wǎng)絡(luò)模型

1．1 模型輸入指標(biāo)選取

由于降雨時(shí)間和空間的非均勻性，同時(shí)降雨強(qiáng)度也存在著時(shí)間和空間的不均勻性，所以在指標(biāo)的選取時(shí)選取能反映降雨這種特性的指標(biāo):降雨量、蒸發(fā)量。降雨量是指某一時(shí)間間隔內(nèi)的累計(jì)降雨量，如把某一地區(qū)雨季(3月～9月)的累計(jì)降雨量叫做該區(qū)域的降雨量。蒸發(fā)量是指某一時(shí)間間隔內(nèi)的累計(jì)蒸發(fā)量，如把某一地區(qū)非雨季(第一年10月～第二年2月)的累計(jì)蒸發(fā)量叫做該區(qū)域的蒸發(fā)量。

1．2 邊坡坍塌強(qiáng)度的神經(jīng)網(wǎng)絡(luò)模型

雖然三層前向網(wǎng)絡(luò)可以精確地逼近任何復(fù)雜的函數(shù)，但往往存在迭代次數(shù)多、收斂慢等各種缺點(diǎn)，所以本文采用多層前向網(wǎng)絡(luò)，隱含層取2層。選取降雨量、蒸發(fā)量作為輸入層神經(jīng)元;輸出層取3個(gè)神經(jīng)元，它的取值是(1，0，0)，(0，1，0)，(0，0，1)，分別表示坍塌強(qiáng)度的大坍塌、中坍塌、小坍塌，在這里用一組正交向量來(lái)表示它們目的是盡量使它們分開(kāi)，方便識(shí)別。模型中隱含層的神經(jīng)元的個(gè)數(shù)為7個(gè)，激活函數(shù)為正切sigmoid函數(shù)，隱含層到輸出層也采用正切sigmoid函數(shù)。其網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)見(jiàn)圖1，其中w1，w2，w3表示權(quán)值，b1，b2，b3表示閥值。

2 計(jì)算實(shí)例

選取文獻(xiàn)［1］中的24個(gè)實(shí)例做訓(xùn)練樣本，其余的4個(gè)實(shí)例做預(yù)測(cè)樣本。由于所選資料的所在地區(qū)屬于膨脹土地區(qū)，為提高預(yù)測(cè)精度，加入了反映膨脹土特性的裂土類別，所建立網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)見(jiàn)圖1。

圖1 神經(jīng)網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)

網(wǎng)絡(luò)通過(guò)78次的學(xué)習(xí)，誤差小于0．001，可以認(rèn)為網(wǎng)絡(luò)已滿足實(shí)際應(yīng)用的要求。而要達(dá)到同樣的精度，采用附加動(dòng)量法的梯度下降法，需要3 297次。

樣本的參數(shù)與預(yù)測(cè)的結(jié)果見(jiàn)表1。

表中的干濕系數(shù)是與蒸發(fā)量有關(guān)的一個(gè)量，其在文獻(xiàn)［1］中的定義是:

其中，g為干濕系數(shù);Q為累計(jì)降雨量;Z為累計(jì)蒸發(fā)量;q為累計(jì)蒸發(fā)量期間的降雨量。裂土類別是與膨脹土的自由膨脹率(Fs)有關(guān)的一個(gè)量，其定義為:1類(Fs＜50)，2類(50＜Fs＜70)，3類(Fs＞70)。

表1 神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)樣本與預(yù)測(cè)結(jié)果

為了檢驗(yàn)所構(gòu)造的神經(jīng)網(wǎng)絡(luò)模型的正確性和映射的精確程度，將學(xué)習(xí)好的網(wǎng)絡(luò)作回歸判斷表1中的學(xué)習(xí)樣本，具體結(jié)果見(jiàn)表1。

由回歸判斷的結(jié)果可以看出，用于訓(xùn)練得24個(gè)樣本均判斷正確。而用于預(yù)測(cè)的另外4個(gè)樣本，除安康2011年的結(jié)果判斷錯(cuò)誤外，其余3個(gè)樣本均判斷正確，正確率達(dá)75%，高于文獻(xiàn)［1］所用的方法。作者曾用25個(gè)樣本訓(xùn)練，預(yù)測(cè)余下的3個(gè)樣本，均判斷正確。由此可見(jiàn)，當(dāng)用于訓(xùn)練的樣本越多時(shí)，人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度是越高的。由驗(yàn)證和預(yù)測(cè)的結(jié)果可以看出該神經(jīng)網(wǎng)絡(luò)模型具有足夠精度和非線性逼近能力，能滿足實(shí)際應(yīng)用的要求，且隨著訓(xùn)練樣本的增加，其預(yù)測(cè)精度提高。

3 結(jié)語(yǔ)

本文首先分析了降雨影響邊坡穩(wěn)定的各種作用，指出降雨與邊坡坍塌強(qiáng)度之間的關(guān)系是非常復(fù)雜的。然后選擇降雨量和蒸發(fā)量作為評(píng)價(jià)因素，建立了邊坡坍塌強(qiáng)度的神經(jīng)網(wǎng)絡(luò)模型，并且選用Levenberg-Marquardt算法，減小了網(wǎng)絡(luò)的訓(xùn)練次數(shù)。經(jīng)實(shí)例計(jì)算驗(yàn)證，用人工神經(jīng)網(wǎng)絡(luò)的方法預(yù)測(cè)邊坡坍塌強(qiáng)度是可行的。

［1］武海濤．膨脹土邊坡穩(wěn)定性及綜合治理研究［D］．武漢:武漢理工大學(xué)碩士論文，2006．

［2］趙林明，胡浩云，魏德華，等．多層前向人工神經(jīng)網(wǎng)絡(luò)［M］．鄭州:黃河水利出版社，2010．

［3］陳海軍，酈能惠，聶德新，等．巖爆預(yù)測(cè)的人工神經(jīng)網(wǎng)絡(luò)模型［J］．巖土工程學(xué)報(bào)，2002(3):89-92．

［4］張曉軍，吳亞萍，尚偉宏，等．利用模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行沙土液化勢(shì)評(píng)判［J］．工程地質(zhì)學(xué)報(bào)，2001(9):6-10．

［5］邢文訓(xùn)，謝金星．現(xiàn)代優(yōu)化計(jì)算方法［M］．北京:清華大學(xué)出版社，2003．

［6］張德豐．MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)［M］．北京:科學(xué)出版社，2009．

［7］殷躍平．中國(guó)典型滑坡［M］．北京:科學(xué)出版社，2007．