基于BP人工神經(jīng)網(wǎng)絡(luò)的公路巖質(zhì)邊坡穩(wěn)定坡角預(yù)測

孔德鐠 彭 明

(1.南昌航空大學土木建筑學院，江西 南昌 330063； 2.江西省交通科學研究院，江西 南昌 330052)

?

基于BP人工神經(jīng)網(wǎng)絡(luò)的公路巖質(zhì)邊坡穩(wěn)定坡角預(yù)測

孔德鐠1彭 明2

(1.南昌航空大學土木建筑學院，江西 南昌 330063； 2.江西省交通科學研究院，江西 南昌 330052)

將大量已建公路邊坡工程的數(shù)據(jù)作為訓練樣本，建立了BP人工神經(jīng)網(wǎng)絡(luò)模型，并按照RMR巖體質(zhì)量分類系統(tǒng)將收集到的邊坡地質(zhì)資料進行分類，獲取參數(shù)值后輸入已建立好的BP人工神經(jīng)網(wǎng)絡(luò)模型，綜合比較了穩(wěn)定邊坡角預(yù)測值與已建公路的邊坡角實際值，結(jié)果表明,采用BP神經(jīng)網(wǎng)絡(luò)方法預(yù)測公路巖質(zhì)邊坡穩(wěn)定坡角是可行的。

BP人工神經(jīng)網(wǎng)絡(luò)，巖質(zhì)邊坡，RMR，邊坡角

公路邊坡的穩(wěn)定性受地質(zhì)因素及工程因素綜合影響，大部分影響因素具有隨機性、模糊性和可變性[1]。BP人工神經(jīng)網(wǎng)絡(luò)技術(shù)具備處理多種因素之間存在復(fù)雜非線性關(guān)系的問題，神經(jīng)網(wǎng)絡(luò)具有自學習、自組織聯(lián)想記憶能力和強容錯性[2]。周寶生等[3]利用BP人工神經(jīng)網(wǎng)絡(luò)對受到多種因素影響的煤層巷道圍巖位移進行預(yù)測。楊濤等[4]用BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測巖爆。徐衛(wèi)亞等[5]利用BP人工神經(jīng)網(wǎng)絡(luò)來預(yù)測三峽船閘高邊坡變形。

本文著眼于解決巖質(zhì)邊坡穩(wěn)定邊坡角預(yù)測問題，通過BP人工神經(jīng)網(wǎng)絡(luò)建立預(yù)測模型，對巖質(zhì)邊坡穩(wěn)定邊坡角進行高精度預(yù)測。

1 巖體質(zhì)量分級因子及輸入數(shù)據(jù)量化

本文依據(jù)收集資料及巖體質(zhì)量分級系統(tǒng)綜合考慮后，最終定義RMR巖體分類系統(tǒng)的參數(shù)為影響因子，同時利用RMR巖體質(zhì)量分類系統(tǒng)的評價標準對巖質(zhì)邊坡的數(shù)據(jù)進行量化。

RMR巖體分類系統(tǒng)中包含巖體強度，RQD值，節(jié)理間距，結(jié)構(gòu)面連續(xù)性，張開度，粗糙度，填充度以及風化程度，地下水條件，結(jié)構(gòu)面產(chǎn)狀與工程方向這10個參數(shù)，每個參數(shù)依據(jù)實際現(xiàn)場測量的邊坡數(shù)據(jù)的值域劃分為5個部分，每個部分的評分值不同[6]。本文將這10個影響參數(shù)作為BP人工神經(jīng)網(wǎng)絡(luò)的輸入層。

2 巖質(zhì)邊坡穩(wěn)定坡角的預(yù)測方法

將RMR巖體質(zhì)量分級系統(tǒng)中的10個參數(shù)作為BP人工神經(jīng)網(wǎng)絡(luò)輸入層，巖質(zhì)邊坡的穩(wěn)定邊坡角作為BP人工神經(jīng)網(wǎng)絡(luò)輸出層，建立BP人工神經(jīng)網(wǎng)絡(luò)模型，具體如圖1所示。

2.1 預(yù)測網(wǎng)絡(luò)創(chuàng)建

BP人工神經(jīng)網(wǎng)絡(luò)輸入層數(shù)值采用RMR巖體質(zhì)量分類系統(tǒng)中每一個參數(shù)的評價值。輸出層數(shù)值采用坡角角度值。

在收集和綜合分析計算國外大量的不同巖體結(jié)構(gòu)類型和穩(wěn)定狀態(tài)的公路邊坡工程實例基礎(chǔ)上，篩選了310個工程實例作為BP人工神經(jīng)網(wǎng)絡(luò)模型學習訓練樣本。

隱層節(jié)點L=2×10+1=21，迭代次數(shù)暫定為50 000次，訓練網(wǎng)絡(luò)精度采用0.001，訓練函數(shù)采用Levenberg-Marquardt的BP算法訓練函數(shù)trainlm，最終的隱含層結(jié)構(gòu)取值根據(jù)神經(jīng)網(wǎng)絡(luò)訓練情況確定。

2.2 預(yù)測網(wǎng)絡(luò)訓練

確保其他條件不變時，選取不同的中間層神經(jīng)元數(shù)目，然后運用編程的手段進行仿真，通過計算得到計算值和輸出數(shù)據(jù)期望值的均方差，選取其中最小的數(shù)值所對應(yīng)的隱含層神經(jīng)元數(shù)目就是我們需要的中間層神經(jīng)元數(shù)目。

經(jīng)過反復(fù)試驗、調(diào)整以及比較，最終確定網(wǎng)絡(luò)隱含層節(jié)點數(shù)為23，網(wǎng)絡(luò)結(jié)構(gòu)為10-23-1，網(wǎng)絡(luò)隱含層和輸出層傳遞函數(shù)采用tansig及purelin函數(shù)，訓練函數(shù)為trainlm，期望目標為0.01，其他按默認值，其他參數(shù)為系統(tǒng)默認值。網(wǎng)絡(luò)經(jīng)過4 614次循環(huán)訓練網(wǎng)絡(luò)才訓練完成。

2.3 預(yù)測網(wǎng)絡(luò)測試

在MATLAB中，利用BP網(wǎng)絡(luò)的LM算法得到:當訓練次數(shù)達到4 614次時，網(wǎng)絡(luò)已經(jīng)收斂，誤差處于穩(wěn)定狀態(tài)，此時網(wǎng)絡(luò)的訓練誤差值為e=1.664 4×10-6。

將前10個樣本利用sim函數(shù)進行仿真，可知仿真輸出值與期望值差別甚微，這就說明利用BP人工神經(jīng)網(wǎng)絡(luò)訓練成功，能夠用BP網(wǎng)絡(luò)進行可靠的預(yù)測和仿真計算。

2.4 BP人工神經(jīng)預(yù)測網(wǎng)絡(luò)應(yīng)用

1)工程案例中輸入數(shù)據(jù)的確定。本文收集了5條已建成的巖質(zhì)邊坡公路的數(shù)據(jù)資料，波多黎各龐塞省PR-139號公路，伊朗哈馬丹省HT公路，新西蘭Saddle公路，伊朗塞姆南省KY公路以及臺灣梅山Y(jié)K公路。

根據(jù)各個研究區(qū)域邊坡的節(jié)理數(shù)據(jù)得到RMR巖體質(zhì)量分類系統(tǒng)參數(shù)評價值表(見表1)。

表1 RMR巖體質(zhì)量分類系統(tǒng)參數(shù)評價值表

2)BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測穩(wěn)定邊坡角。

將上一節(jié)的RMR巖體質(zhì)量分類系統(tǒng)參數(shù)評價值表代入到已經(jīng)訓練好的BP人工神經(jīng)網(wǎng)絡(luò)中進行預(yù)測，最終得到穩(wěn)定邊坡坡角(見表2)。從表2中BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測值與已建公路邊坡工程實際坡角值對比中可以發(fā)現(xiàn)，最大的相對誤差為2.892 06%，預(yù)測精度很高，表明利用BP人工神經(jīng)網(wǎng)絡(luò)法來預(yù)測邊坡角是可行的。

表2 BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測值結(jié)果匯總表

3 結(jié)論

運用BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測巖質(zhì)邊坡穩(wěn)定邊坡角.TIF，BP網(wǎng)絡(luò)預(yù)測模型由10個節(jié)點的輸入層、23個節(jié)點的隱含層和1個節(jié)點的輸出層共三層組成。

通過BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測值與已建公路邊坡工程邊坡角實際值對比，表明利用BP人工神經(jīng)網(wǎng)絡(luò)法對公路巖質(zhì)邊坡穩(wěn)定坡角進行預(yù)測是可行的。

[1] 孫廣忠.論“巖體結(jié)構(gòu)控制論”[J].工程地質(zhì)學報,1993(1):14-18.

[2] 張青貴.人工神經(jīng)網(wǎng)絡(luò)導論[M].北京：中國水利水電出版社,2004：67-68.

[3] 周保生.綜放回采巷道圍巖穩(wěn)定性分類及其支護對策的研究[J].巖石力學與工程學報，1999，18(5)：545.

[4] 楊 濤，李果維.基于先驗知識的巖爆預(yù)測研究[J].巖石力學與工程學報，2000，19(4)：429-431.

[5] 徐衛(wèi)亞,蔣 晗,謝守益,等.三峽永久船閘高邊坡變形預(yù)測人工神經(jīng)網(wǎng)絡(luò)分析[J].巖土力學，1999，20(2)：27-31.

[6] Bieniawski Z T.Classification of rock masses for engineering:the RMR system and future trends[J].Comprehensive rock engineering,1993(3):553-573.

On forecasting of stables slope angle of road rock slope based on BP artificial neural network

Kong Depu1Peng Ming2

(1.College of Civil Engineering, Nanchang Hangkong University, Nanchang 330063, China;2.Jiangxi Communications Academy, Nanchang 330052, China)

Taking the data of the built road slope projects as the training samples, the paper establishes the BP artificial neural network model, classifies the slope geological documents from the RMR rock quality classification system, inputs the established BP artificial neural network model after obtaining the parameter value, undertakes the comprehensive comparison of the predicated value of the stable slope angle and slope angle of the built road, and proves by the result that it is feasible to adopt the BP neural network method to forecast the road rock slope stability slopes.

BP artificial neural network, rock slope, RMR, slope angle

1009-6825(2017)08-0069-02

2017-01-08

孔德鐠(1992- )，男，在讀碩士

U416.14

A