基于LSTM法的高速公路邊坡穩(wěn)定性研究

摘 要：為了準(zhǔn)確分析高速公路邊坡性狀，確保路基的穩(wěn)定性，結(jié)合高速公路邊坡環(huán)境特征，以邊坡監(jiān)測(cè)數(shù)據(jù)為基礎(chǔ)，利用長(zhǎng)短期記憶人工神經(jīng)網(wǎng)絡(luò)（LSTM）方法建立了高速公路邊坡穩(wěn)定性預(yù)測(cè)模型。以影響邊坡穩(wěn)定性的邊坡質(zhì)量系數(shù)、邊坡結(jié)構(gòu)系數(shù)、坡高系數(shù)、坡角系數(shù)、工程因素等因素為評(píng)估依據(jù)，采用降噪補(bǔ)缺、數(shù)據(jù)變換等方法處理LSTM前端數(shù)據(jù)，利用LSTM方法計(jì)算高速公路邊坡穩(wěn)定系數(shù)，與遞歸神經(jīng)網(wǎng)絡(luò)（RNN）方法進(jìn)行比較。結(jié)果表明，高速公路邊坡預(yù)測(cè)穩(wěn)定系數(shù)為1.69，邊坡安全穩(wěn)定性良好，且符合實(shí)際。新方法的最大相對(duì)誤差為1.60%，絕對(duì)MAPE僅為1.80%，較傳統(tǒng)RNN方法預(yù)測(cè)更加精準(zhǔn)。所得結(jié)論驗(yàn)證了深度學(xué)習(xí)在邊坡穩(wěn)定性預(yù)測(cè)評(píng)估過(guò)程中的有效性，對(duì)深入研究公路邊坡穩(wěn)定性具有借鑒價(jià)值。

關(guān)鍵詞：巖土力學(xué);高速公路工程;邊坡穩(wěn)定性;深度學(xué)習(xí);LSTM理論;預(yù)測(cè)

中圖分類(lèi)號(hào)：U416?? 文獻(xiàn)標(biāo)識(shí)碼：A

DOI： 10.7535/hbgykj.2021yx02011

Research on highway slope stability based on LSTM method

LI Bo

（Hubei Electric Power Survey and Design Institute Company Limited， Wuhan， Hubei 430000， China）

Abstract：

In order to accurately analyze the properties of the highway slope and ensure the stability of the roadbed， combined with the environmental characteristics of the highway slope， based on the slope monitoring data， the forecast model of highway slope stability was established by using the Long and Short-term Memory （LSTM） artificial neural network method. According to the factors such as slope quality coefficient， slope structure coefficient， slope height coefficient， slope angle coefficient， and engineering factors that affect slope stability， the LSTM front-end data was processed by noise reduction method and data transformation method， and the LSTM method was used to calculate the highway slope stability coefficient and was compared with the recurrent neural network （RNN） method. The research results show that the predicted stability coefficient of the highway slope is 1.69， the slope safety and stability is good and in line with reality. The maximum relative error of this method is 1.60%， and the absolute MAPE is only 1.80%， which is more accurate than the traditional RNN method. The conclusions verify the effectiveness of deep learning in the slope stability prediction and evaluation process， and have reference value for indepth study of highway slope stability.

Keywords：

geotechnical mechanics;highway engineering;slope stability;deep learning;LSTM theory;prediction

公路建設(shè)受到地形、地質(zhì)、自然環(huán)境等因素的影響，公路邊坡極易發(fā)生失穩(wěn)、滑坡及坍塌等地質(zhì)災(zāi)害[1]。高速公路邊坡穩(wěn)定性評(píng)估信息具有不完整性、多重性和不確定性等特點(diǎn)，如果評(píng)估不準(zhǔn)確，容易導(dǎo)致事故的發(fā)生[2-3]。因此，對(duì)高速公路邊坡穩(wěn)定性預(yù)測(cè)的研究是有效提高高速公路邊坡安全穩(wěn)定性、降低安全風(fēng)險(xiǎn)事故的重要舉措。

對(duì)于高速公路邊坡穩(wěn)定性的研究，賀為民等[4]針對(duì)高速公路滑坡現(xiàn)場(chǎng)進(jìn)行勘查分析，引入極限平衡理論，運(yùn)用FLAC法評(píng)估了公路邊坡的安全穩(wěn)定性，討論了影響滑坡的重要因素;張士倫等[5]考慮到高速公路邊坡巖體內(nèi)部結(jié)構(gòu)與外界環(huán)境要素的特點(diǎn)，在模糊分析理論的基礎(chǔ)上提出了松散邊坡穩(wěn)定性綜合評(píng)估模型，為研究邊坡工程的安全穩(wěn)定性提供了參考;KUMAR等[6]從工程巖體分類(lèi)等級(jí)出發(fā)對(duì)高速公路邊坡穩(wěn)定性開(kāi)展研究，建議從巖體等級(jí)（RMR）、斜坡質(zhì)量等級(jí)（SMR）、以及地質(zhì)強(qiáng)度指數(shù)（GSI）方面評(píng)價(jià)邊坡安全穩(wěn)定情況;何永波等[7]為提升高速公路邊坡穩(wěn)定性預(yù)測(cè)訓(xùn)練速度，提出了基于神經(jīng)網(wǎng)絡(luò)的可靠度分析方法，提高了邊坡穩(wěn)定的計(jì)算精度;CHEN等[8]針對(duì)無(wú)黏性土質(zhì)公路邊坡環(huán)境特點(diǎn)，根據(jù)監(jiān)測(cè)數(shù)據(jù)構(gòu)建時(shí)間序列模型，運(yùn)用神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練預(yù)測(cè)了高速公路邊坡的穩(wěn)定性。

傳統(tǒng)預(yù)測(cè)方法難以準(zhǔn)確評(píng)估邊坡穩(wěn)定性影響因素的安全等級(jí)。因此，筆者在分析高速公路邊坡穩(wěn)定性影響因素的基礎(chǔ)上，引入長(zhǎng)短期記憶人工神經(jīng)網(wǎng)絡(luò)（LSTM）方法，研究影響因素的時(shí)間序列特征，構(gòu)建邊坡穩(wěn)定性預(yù)測(cè)模型，表征邊坡穩(wěn)定性變化機(jī)理，為有效研究高速公路邊坡穩(wěn)定性提供基礎(chǔ)。

1 影響邊坡穩(wěn)定性的因素

巖質(zhì)邊坡的損壞變形是指在各種應(yīng)力和工程因素作用下，巖性土質(zhì)強(qiáng)度不斷減弱的過(guò)程，嚴(yán)重影響邊坡的安全穩(wěn)定性。研究表明，公路邊坡的安全穩(wěn)定性是受到多種因素共同作用的結(jié)果[9-10]。筆者在工程實(shí)踐中，分析公路邊坡施工環(huán)境特征，歸納影響公路邊坡穩(wěn)定性因素，結(jié)合《建筑邊坡工程技術(shù)規(guī)范》（GB 50330-2013），將邊坡穩(wěn)定性影響因素歸納為邊坡巖體質(zhì)量系數(shù)（SRQC）、邊坡結(jié)構(gòu)系數(shù)（SSC）、坡高系數(shù)（SHC）、坡角系數(shù)（SCC）、工程因素影響系數(shù)（EFEC）和環(huán)境條件影響因素（CCEC）等。

1）邊坡巖體質(zhì)量系數(shù)

邊坡巖體的質(zhì)量表達(dá)了巖體結(jié)構(gòu)的完整性、巖體結(jié)構(gòu)層間的發(fā)育特性、地下水作用效應(yīng)等地質(zhì)巖性屬性，是綜合表征巖體邊坡穩(wěn)定性的重要指標(biāo)。

2）邊坡結(jié)構(gòu)系數(shù)

巖體結(jié)構(gòu)層間的不同結(jié)合、坡面的不同結(jié)合是影響邊坡巖體變形破壞的最重要因素，主要表現(xiàn)為結(jié)構(gòu)面或結(jié)構(gòu)面的交匯傾向、傾角與坡面傾向傾角之間的關(guān)系。

3）坡高系數(shù)

高邊坡巖體的安全穩(wěn)定性和巖體本身穩(wěn)定性能有著密不可分的聯(lián)系，隨著邊坡穩(wěn)定高度的增大，邊坡巖土的受力情況惡化也逐漸加大，進(jìn)一步擴(kuò)大巖體結(jié)構(gòu)層面切割的破壞幾率，從而降低邊坡巖體的安全穩(wěn)定狀態(tài)。

4）坡角系數(shù)

巖體結(jié)構(gòu)層面的內(nèi)摩擦角對(duì)高邊坡巖體的穩(wěn)定性有著重要影響，隨著邊坡坡角的增大，其抗滑穩(wěn)定性降低，導(dǎo)致邊坡巖體穩(wěn)定受損加重。

5）工程因素影響系數(shù)

工程因素對(duì)邊坡穩(wěn)定具有重要影響，在其爆破施工過(guò)程中，選擇不同的爆破形式與坡形施工位置，對(duì)巖體邊坡的作用效應(yīng)不盡相同，易對(duì)巖體邊坡產(chǎn)生破壞，形成崩塌。

6）環(huán)境條件影響因素

影響邊坡工程穩(wěn)定性的環(huán)境因素包含水文、地質(zhì)、氣象、地震等，其發(fā)生狀況不同對(duì)邊坡穩(wěn)定性影響程度不同。因環(huán)境因素范圍寬泛，且和其他因素之間存在共性，故本文不作考慮。

2 邊坡穩(wěn)定性的深度預(yù)測(cè)模型

2.1 深度學(xué)習(xí)方法的適用性

對(duì)邊坡穩(wěn)定性的監(jiān)測(cè)是保障其穩(wěn)定性的前提，高速公路邊坡穩(wěn)定性監(jiān)測(cè)數(shù)據(jù)的收集受以下因素影響：1）監(jiān)測(cè)過(guò)程中數(shù)據(jù)存在含噪失真等問(wèn)題，導(dǎo)致數(shù)據(jù)不連續(xù)甚至缺失現(xiàn)象;2）統(tǒng)計(jì)后的監(jiān)測(cè)數(shù)據(jù)量較大，難以選取具有代表性的邊坡穩(wěn)定性評(píng)估數(shù)據(jù);3）邊坡穩(wěn)定性預(yù)測(cè)過(guò)程中，監(jiān)測(cè)數(shù)據(jù)容易受到多重共線(xiàn)性的干擾。因此，有必要針對(duì)高速公路邊坡特征，選取適合的邊坡數(shù)據(jù)分析模型，以滿(mǎn)足邊坡安全穩(wěn)定性分析的需求。

深度學(xué)習(xí)方法能夠深層次挖掘高速公路邊坡安全穩(wěn)定性監(jiān)控?cái)?shù)據(jù)之間存在的規(guī)律，實(shí)現(xiàn)對(duì)數(shù)據(jù)的準(zhǔn)確預(yù)測(cè)。將監(jiān)測(cè)數(shù)據(jù)導(dǎo)入深度學(xué)習(xí)網(wǎng)絡(luò)中，通過(guò)多次擬合訓(xùn)練，提取有效的數(shù)據(jù)信息，判斷數(shù)據(jù)之間存在的規(guī)律，最終獲得最佳的數(shù)據(jù)擬合形式，實(shí)現(xiàn)對(duì)高速公路邊坡安全穩(wěn)定性的預(yù)測(cè)。深度學(xué)習(xí)具有能夠自主學(xué)習(xí)、自適應(yīng)和容錯(cuò)性等特點(diǎn)，適合函數(shù)優(yōu)化逼近問(wèn)題，在原來(lái)多層神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上增加了人類(lèi)大腦特征學(xué)習(xí)部分，能夠模仿人腦對(duì)信號(hào)的處理方式，提升對(duì)數(shù)據(jù)的網(wǎng)絡(luò)訓(xùn)練性能，能夠準(zhǔn)確把握監(jiān)測(cè)數(shù)據(jù)的有效性[11-12]。鑒于此，筆者利用深度學(xué)習(xí)方法對(duì)高速公路邊坡數(shù)據(jù)進(jìn)行挖掘，建立邊坡安全穩(wěn)定預(yù)測(cè)模型，提取監(jiān)控過(guò)程中的有效信息并進(jìn)行記錄分析，為高速公路邊坡的安全穩(wěn)定性預(yù)測(cè)做準(zhǔn)備。

2.2 前端處理優(yōu)化

為了提高高速公路邊坡穩(wěn)定性預(yù)測(cè)的精準(zhǔn)度，在進(jìn)行監(jiān)測(cè)數(shù)據(jù)處理的過(guò)程中，需要對(duì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行降噪、補(bǔ)缺和變換等處理?，F(xiàn)假設(shè)有包含T個(gè)監(jiān)測(cè)樣本信息數(shù)據(jù)的序列yj（t）， t=1，2，…，T; j=1，2，…，J，缺失與異常值分別用yjnu（t），yjan（t）來(lái)表征，對(duì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行前端優(yōu)化處理主要分2步。

步驟一：降噪、補(bǔ)缺

通常在收集數(shù)據(jù)的過(guò)程中，有很多不相符的重復(fù)數(shù)據(jù)，一般被當(dāng)作噪聲。在對(duì)噪聲數(shù)據(jù)信息進(jìn)行處理的過(guò)程中，為了能更好地復(fù)原數(shù)據(jù)信息的真實(shí)情況，首先將輸入序列yj1（t）按照順序?yàn)V波，然后將濾波過(guò)后的數(shù)據(jù)結(jié)果逆轉(zhuǎn)方向再次放入濾波器，最后將所得到的數(shù)據(jù)結(jié)果逆轉(zhuǎn)輸出，獲取到需要的降噪平滑序列yj2（t）。用公式表示為

zj1（t）=yj1（t）hj（t），

zj2（t）=zj1（T-1-t），zj3（t）=zj2（t）hj（t），

yj2（t）=zj3（T-1-t），（1）

式中：hj（t）表示為濾波器過(guò)程中的響應(yīng)序列;zj1（t）和zj3（t）為2次濾波后的數(shù)據(jù)結(jié)果;zj2（t）和yj2（t）和為2次濾波后對(duì)應(yīng)的逆轉(zhuǎn)序列。

步驟二：數(shù)據(jù)變換

將步驟一處理后的平滑序列yj2（t）進(jìn)行歸一化，不僅能夠加快算法尋找最優(yōu)解的速度，并且能夠避免梯度變化引起的數(shù)值變換困難。

yj3（t）=yj2（t）-min（yj2（t））max（yj2（t））-min（yj2（t）） ，（2）

式中：min（yj2（t））和max（yj2（t））分別為平滑序列yj2（t）中的最小值和最大值。

2.3 基于LSTM法的邊坡穩(wěn)定性預(yù)測(cè)

遞歸神經(jīng)網(wǎng)絡(luò)（RNN）是深度學(xué)習(xí)中比較出名的卷積神經(jīng)網(wǎng)絡(luò)，在傳統(tǒng)多層神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，增添了部分卷積層與降維層，模擬人腦對(duì)事物的決策判斷[13]。最明顯的優(yōu)勢(shì)是在神經(jīng)網(wǎng)絡(luò)中融入了時(shí)間序列，考慮了不同時(shí)間節(jié)點(diǎn)輸入樣本數(shù)據(jù)對(duì)下一節(jié)點(diǎn)數(shù)據(jù)的影響程度。當(dāng)RNN具備足夠的隱藏層數(shù)目時(shí)，可以以任何精度逼近需要預(yù)測(cè)的序列，但是伴隨著時(shí)間序列長(zhǎng)度的增加，會(huì)導(dǎo)致RNN出現(xiàn)梯度爆炸以及消失問(wèn)題，使得訓(xùn)練學(xué)習(xí)出現(xiàn)局部最優(yōu)等問(wèn)題，導(dǎo)致RNN的輸出精度降低。為此，長(zhǎng)短期記憶人工神經(jīng)網(wǎng)絡(luò)（LSTM）法有效避免了梯度消失缺點(diǎn)，提升了在時(shí)間序列較長(zhǎng)影響下的訓(xùn)練處理能力。

LSTM法是基于RNN改進(jìn)的神經(jīng)網(wǎng)絡(luò)，其主要特點(diǎn)是引入了記憶模塊，能夠?qū)Ξ?dāng)前的信息進(jìn)行學(xué)習(xí)，分析提取樣本數(shù)據(jù)間的信息特征，利用此信息傳遞，能夠讓LSTM具有持久的記憶能力，更為方便地解決RNN算法中的梯度爆炸和消失問(wèn)題[14-15]。LSTM法在處理信息過(guò)程中，能夠利用自己的記憶模塊對(duì)信息進(jìn)行有規(guī)律的把握。其中，記憶模塊分為遺忘門(mén)（flt）、輸入門(mén)（ilt）和輸出門(mén)（olt）三部分，主要被用于記憶信息數(shù)據(jù)傳播過(guò)程中的誤差反饋，并通過(guò)修正相關(guān)參數(shù)更新數(shù)據(jù)序列或遺棄不合規(guī)部分，其結(jié)構(gòu)如圖1所示。

遺忘門(mén)一般被用于控制上一時(shí)間節(jié)點(diǎn)中內(nèi)部狀態(tài)Clt-1所需遺棄的數(shù)據(jù)信息，輸入門(mén)主要是保留當(dāng)前情況下等候狀態(tài)C～lt所需利用的數(shù)據(jù)信息，輸出門(mén)是被用于保證當(dāng)前狀態(tài)Clt下記憶模塊中需要向外輸出的信息數(shù)據(jù)，其計(jì)算過(guò)程對(duì)應(yīng)如下。

1）根據(jù)上一時(shí)間節(jié)點(diǎn)外部狀態(tài)hlt-1和當(dāng)前狀態(tài)輸入值hl-1t-1，計(jì)算出對(duì)應(yīng)的flt，ilt和C～lt，由計(jì)算可得，輸出單元狀態(tài)的值為0或1，0表示將所有數(shù)據(jù)信息都遺棄，1則表示全部數(shù)據(jù)信息保留。

flt=σ（wf·[hlt-1，hl-1t-1]+bf） ，（3）

ilt=σ（wi·[hlt-1，hl-1t-1]+bi） ，（4）

C～lt=tanh（wC·[hlt-1，hl-1t-1]+bC） 。（5）

2）利用flt與ilt更新記憶單元狀態(tài)Clt。

Clt=flt⊙Clt-1+ilt⊙C～lt 。（6）

3）通過(guò)olt將Clt信息傳遞給hlt，如式（5）和式（6）所示。

olt=σ（wo·[hlt-1，hl-1t-1]+bo） ，（7）

hlt=olt⊙tanh（Clt） ，（8）

式中：σ（·），tanh（·）分別為Sigmoid函數(shù)和雙曲正切函數(shù);w，b分別為權(quán)重矩陣和偏置向量;⊙表示兩向量的標(biāo)量積。

2.4 誤差分析

為評(píng)價(jià)基于前端數(shù)據(jù)優(yōu)化與LSTM法的高速公路邊坡穩(wěn)定性預(yù)測(cè)模型的精確性，結(jié)合預(yù)測(cè)值與實(shí)際值，采用相對(duì)誤差β和絕對(duì)平均百分比誤差（MAPE）2種方法作為評(píng)估標(biāo)準(zhǔn)，量化模型計(jì)算的精確性，同時(shí)對(duì)比驗(yàn)證模型的優(yōu)越性，具體公式如下：

β=Δ/L×100%，（9）

MAPE=1N∑l+1i=1yi-yi^yi ，（10）

式中：β為實(shí)際相對(duì)誤差，用百分?jǐn)?shù)表示;Δ為絕對(duì)誤差;L為實(shí)際值;y為預(yù)測(cè)輸出值。

2.5 仿真流程

筆者結(jié)合前端數(shù)據(jù)優(yōu)化與LSTM方法進(jìn)行高速公路邊坡穩(wěn)定監(jiān)測(cè)樣本的訓(xùn)練和預(yù)測(cè)，分析高速公路邊坡安全穩(wěn)定性，步驟如下：

1）對(duì)初始數(shù)據(jù)樣本進(jìn)行前端優(yōu)化，獲取通過(guò)降噪平滑、數(shù)據(jù)變化處理后的新樣本數(shù)據(jù)序列;

2）在t時(shí)刻將處理后的樣本數(shù)據(jù)序列輸入到輸入層，根據(jù)激勵(lì)函數(shù)計(jì)算需要輸出的樣本信息數(shù)據(jù)結(jié)果;

3）將t-1時(shí)間節(jié)點(diǎn)隱藏層中的輸出和細(xì)胞單元中存貯的信息輸入至LSTM的節(jié)點(diǎn)中，分別通過(guò)遺忘門(mén)、輸入門(mén)、輸出門(mén)以及細(xì)胞單元處理，獲取可以進(jìn)入下一時(shí)間節(jié)點(diǎn)的輸出層或者隱藏層數(shù)據(jù)結(jié)果;

4）將獲取到的輸出樣本信息結(jié)果數(shù)據(jù)輸入至輸出層，計(jì)算得出最后的訓(xùn)練輸出數(shù)據(jù);

5）將誤差進(jìn)行反向傳播，更新完善各個(gè)部分的權(quán)值，記錄全局最優(yōu)值;

6）判斷實(shí)際誤差值E與預(yù)定誤差值δ大小。若E<δ，輸出全局最優(yōu)值;反之E>δ，進(jìn)行反向傳播，回到步驟2）。

3 案例分析

3.1 數(shù)據(jù)收集與處理

影響公路邊坡穩(wěn)定性的因素較多，綜合考慮各因素之間的聯(lián)系，筆者以SQRC，SSC，SCC，SHC和EFEC等因素為穩(wěn)定性評(píng)價(jià)因素，結(jié)合相關(guān)文獻(xiàn)[16-17]收集邊坡評(píng)價(jià)信息，以多條高速公路的邊坡穩(wěn)定性分析數(shù)據(jù)為例，如表1所示。將高速公路邊坡穩(wěn)定性分析報(bào)告中的穩(wěn)定系數(shù)作為預(yù)測(cè)對(duì)象，其中選擇前17組數(shù)據(jù)作為訓(xùn)練樣本，后3組數(shù)據(jù)作為預(yù)測(cè)樣本，利用LSTM方法進(jìn)行邊坡穩(wěn)定性預(yù)測(cè)實(shí)驗(yàn)。

由于在監(jiān)測(cè)過(guò)程中對(duì)部分指標(biāo)數(shù)據(jù)的統(tǒng)計(jì)存在遺漏，導(dǎo)致樣本數(shù)據(jù)中存在缺失值，影響數(shù)據(jù)的準(zhǔn)確計(jì)算。因此，筆者提出數(shù)據(jù)前處理方法，旨在彌補(bǔ)樣本數(shù)據(jù)中的缺失值，保證計(jì)算的準(zhǔn)確性。

為更加準(zhǔn)確預(yù)測(cè)高速公路邊坡的安全穩(wěn)定性，對(duì)樣本數(shù)據(jù)分別進(jìn)行降噪平滑和數(shù)據(jù)變化處理，得到樣本信息數(shù)據(jù)處理前后對(duì)比圖，如圖2所示。其中，處理過(guò)后將之前樣本中的缺失值與異常值進(jìn)行了優(yōu)化補(bǔ)缺，使得數(shù)據(jù)之間變化規(guī)律更加平滑，貼近實(shí)際效果。

3.2 樣本訓(xùn)練與預(yù)測(cè)

利用LSTM法對(duì)高速公路邊坡樣本數(shù)據(jù)進(jìn)行訓(xùn)練和預(yù)測(cè)，同時(shí)與RNN算法進(jìn)行對(duì)比，驗(yàn)證LSTM模型在高速公路邊坡穩(wěn)定性評(píng)估過(guò)程中的準(zhǔn)確性，訓(xùn)練結(jié)果如圖3和圖4，預(yù)測(cè)分析結(jié)果見(jiàn)表2。

通過(guò)分析圖3和圖4的曲線(xiàn)變化可以看出，LSTM法擬合預(yù)測(cè)值與實(shí)際值相差不是很大，與實(shí)際規(guī)律比較符合。在高速公路邊坡樣本數(shù)據(jù)中，大部分?jǐn)?shù)據(jù)來(lái)源于不同的地質(zhì)監(jiān)測(cè)點(diǎn)，對(duì)預(yù)測(cè)準(zhǔn)確性影響性較大。而本文提出的模型是通過(guò)多次深度分析訓(xùn)練數(shù)據(jù)得到最佳的擬合函數(shù)，進(jìn)而尋求全局最優(yōu)解。因此，盡管部分監(jiān)測(cè)點(diǎn)數(shù)據(jù)在擬合過(guò)程中存在較大誤差，但是整體的擬合效果貼近于實(shí)際值，說(shuō)明本方法具有一定的實(shí)用性與準(zhǔn)確性。

對(duì)利用改進(jìn)LSTM法和RNN法得到的高速公路邊坡穩(wěn)定性預(yù)測(cè)結(jié)果進(jìn)行絕對(duì)誤差指標(biāo)與絕對(duì)平均百分比誤差（MAPE指標(biāo)）分析并比較討論，結(jié)果見(jiàn)表2。由表2可以看出：LSTM法與RNN法在樣本數(shù)據(jù)預(yù)測(cè)結(jié)果和實(shí)際安全系數(shù)變化規(guī)律接近的情況下，前者預(yù)測(cè)精度顯然優(yōu)于后者，其最大相對(duì)誤差為1.60%，MAPE為1.80%，小于RNN法預(yù)測(cè)數(shù)值，表明LSTM法預(yù)測(cè)效果良好。

4 結(jié) 語(yǔ)

筆者以邊坡監(jiān)測(cè)數(shù)據(jù)為基礎(chǔ)，利用優(yōu)化后的長(zhǎng)短期記憶人工神經(jīng)網(wǎng)絡(luò)（LSTM）法建立了高速公路邊坡穩(wěn)定性預(yù)測(cè)模型，所得結(jié)論如下。

1）考慮高速公路邊坡穩(wěn)定性監(jiān)測(cè)易受到時(shí)間跨度影響，引入深度學(xué)習(xí)方法，采用優(yōu)化后的LSTM法構(gòu)建高速公路邊坡穩(wěn)定的性預(yù)測(cè)模型，為高速公路邊坡穩(wěn)定性預(yù)測(cè)提供依據(jù)。

2）分析了影響高速公路邊坡穩(wěn)定性各要素，預(yù)測(cè)高速公路邊坡安全穩(wěn)定系數(shù)。結(jié)果表明，根據(jù)優(yōu)化后的LSTM方法計(jì)算，高速公路邊坡安全穩(wěn)定系數(shù)預(yù)測(cè)值分別為1.00，1.79，1.69，邊坡安全穩(wěn)定情況較好。

影響高速公路邊坡穩(wěn)定性要素眾多，各要素風(fēng)險(xiǎn)之間具有一定的影響性和轉(zhuǎn)移性，今后可引入邊坡穩(wěn)定性風(fēng)險(xiǎn)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，開(kāi)展高速公路邊坡穩(wěn)定的脆弱性研究。

參考文獻(xiàn)/References：

[1] DENG Xianghui， XU Tian， WANG Rui. Risk evaluation model of highway tunnel portal construction based on BP fuzzy neural network[J]. Computational Intelligence and Neuroscience， 2018，76（10）： 221-229.

[2] ZHAO Huan， TIAN Weiping， LI Jiachun， et al. Hazard zoning of trunk highway slope disasters： A case study in northern Shaanxi[J]. Bulletin of Engineering Geology and the Environment， 2018，77（4）： 1355-1364.

[3] 邱祥， 蔣煌斌， 歐健， 等.“暫態(tài)”飽和-非飽和邊坡穩(wěn)定性分析方法研究[J].中國(guó)公路學(xué)報(bào)，2020，33（9）： 63-75.

QIU Xiang， JIANG Huangbin， OU Jian， et al. Stability analysis method of “Transient” saturated-unsaturated slope[J].China Journal of Highway and Transport，2020，33（9）： 63-75.

[4] 賀為民， 楊杰. 豫西高速公路滑坡成因分析[J].自然災(zāi)害學(xué)報(bào)，2013，22（3）： 244-250.

HE Weimin， YANG Jie. Analysis of landslide cause of expressway in Western Henan Province[J]. Journal of Natural Disasters， 2013，22（3）： 244-250.

[5] 張士倫， 張孟喜， 吉隨旺， 等. 基于模糊分析的松散體邊坡穩(wěn)定性評(píng)價(jià)[J].上海交通大學(xué)學(xué)報(bào)， 2015，49（7）： 1035-1039.

ZHANG Shilun， ZHANG Mengxi， JI Suiwang， et al. Loose media slope stability evaluation based on fuzzy analysis[J]. Journal of Shanghai Jiaotong University， 2015，49（7）： 1035-1039.

[6] KUMAR S， KUMAR K， DOGRA N N. Rock mass classification and assessment of stability of critical slopes on national highway-22 in Himachal Pradesh[J]. Journal of the Geological Society of India， 2017，89（4）： 407-412.

[7] 何永波， 李青， 張寧， 等. RBF神經(jīng)網(wǎng)絡(luò)可靠度分析方法在邊坡穩(wěn)定性研究中的應(yīng)用[J].中國(guó)安全生產(chǎn)科學(xué)技術(shù)， 2019， 15（7）： 130-136.

HE Yongbo， LI Qing， ZHANG Ning， et al. Application of RBF neural network reliability analysis method in slope stability research[J]. Journal of Safety Science and Technology， 2019， 15（7）： 130-136.

[8] CHEN Yanyan， WANG Shuwei， CHEN Ning， et al. Forecasting cohesionless soil highway slope displacement using modular neural network[J]. Discrete Dynamics in Nature and Society， 2012，56（7）： 112-120.

[9] 吳博， 趙法鎖， 吳韶艷. 基于組合賦權(quán)-功效系數(shù)法的黃土邊坡穩(wěn)定性評(píng)價(jià)[J].災(zāi)害學(xué)， 2020， 35（2）： 34-38.

WU Bo，ZHAO Fasuo， WU Shaoyan. Stability evaluation of loess slope based on combined weighting and efficiency coefficient method[J]. Journal of Catastrophology，2020，35（2）： 34-38.

[10]DENG Dongping， LIANG Li. Limit equilibrium analysis of slope stability with coupling nonlinear strength criterion and double-strength reduction technique[J]. International Journal of Geomechanics， 2019， 19（4）：81-89.

[11]SHOAIB M， SHAMSELDIN A Y， KHAN S， et al. Input selection of wavelet-coupled neural network models for rainfall-runoff modelling[J]. Water Resources Management， 2019，33（3）： 955-973.

[12]黎璽克. 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的巖質(zhì)邊坡穩(wěn)定性預(yù)測(cè)[J].河北工業(yè)科技，2020，37（3）：164-169.

LI Xike. Prediction of rock slope stability based on BP neural network optimized by genetic algorithm[J]. Hebei Journal of Industrial Science and Technology，2020，37（3）：164-169.

[13]楊仲江， 馬俊彥， 王昊. 序列結(jié)構(gòu)的RNN模型在閃電預(yù)警中的應(yīng)用[J]. 災(zāi)害學(xué)， 2020，35（2）：90-96.

YANG Zhongjiang，MA Junyan， WANG Hao. Application of sequence structure RNN model in lightning early warning[J]. Journal of Catastrophology， 2020， 35（2）： 90-96.

[14]秦文虎， 陳溪瑩. 基于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的水質(zhì)預(yù)測(cè)模型研究[J].安全與環(huán)境學(xué)報(bào)， 2020， 20（1）： 328-334.

QIN Wenhu， CHEN Xiying. Water quality forecast and prediction model based on long- and short-term memory network[J]. Journal of Safety and Environment，2020， 20（1）： 328-334.

[15]任秋兵， 沈揚(yáng)， 李明超， 等. 水工建筑物安全監(jiān)控深度分析模型及其優(yōu)化研究[J/OL].水利學(xué)報(bào).[2020-11-09]. https：//doi.org/10.13243/j.cnki.slxb.20200270.

REN Qiubing， SHEN Yang， LI Mingchao， et al. Safety monitoring model of hydraulic structures and its optimization based on deep learning analysis[J/OL]. Journal of Hydraulic Engineering. [2020-11-09]. https：//doi.org/10.13243/j.cnki.slxb.20200270.

[16]郭瑞清， 木合塔爾·扎日， 劉新喜. 基于自適應(yīng)神經(jīng)元模糊推理系統(tǒng)的巖質(zhì)邊坡穩(wěn)定性評(píng)價(jià)方法[J]. 巖石力學(xué)與工程學(xué)報(bào)，2006，25（sup1）： 2785-2789.

GUO Ruiqing， ZARI Muhtar，LIU Xinxi. Stability evaluation method of rock mass slope based on adaptive neural-net work based fuzzy interference system[J]. Chinese Journal of Rock Mechanics and Engineering，2006，25（sup1）： 2785-2789.

[17]江婷， 沈振中， 徐力群，等， 基于支持向量機(jī)-小波神經(jīng)網(wǎng)絡(luò)的邊坡位移時(shí)序預(yù)測(cè)模型[J]. 武漢大學(xué)學(xué)報(bào)（工學(xué)版）， 2017， 50（2）： 174-181.

JIANG Ting， SHEN Zhenzhong， XU Liqun， et al. Time series prediction model of slope displacement based on support vector machines-wavelet neural network[J]. Engineering Journal of Wuhan University， 2017， 50（2）： 174-181.

收稿日期：2020-09-25;修回日期：2020-12-16;責(zé)任編輯：張 軍

作者簡(jiǎn)介：李 勃（1964—），男，湖北通城人，高級(jí)工程師，主要從事巖土工程管理、地質(zhì)災(zāi)害勘測(cè)與預(yù)測(cè)等方面的研究。

E-mail：569797198@qq.com

李勃. 基于LSTM法的高速公路邊坡穩(wěn)定性研究[J].河北工業(yè)科技，2021，38（2）：142-147.

LI Bo. Research on highway slope stability based on LSTM method[J]. Hebei Journal of Industrial Science and Technology， 2021，38（2）：142-147.