基于概率神經網絡的邊坡穩定性預測

摘要：邊坡穩定性預測是巖土工程中的一項重要研究內容，傳統的基于力學的分析方法在進行分析時，要對巖土體的力學行為進行一些假設，由于巖土邊坡的復雜性，這些假設往往和巖土體的實際力學行為相去甚遠，因而其精度不是很高。基于范例的巖土邊坡穩定性神經網絡預測方法具有良好的自學習能力和高度的非線性映射能力。根據實際的46個邊坡的參數及其穩定性資料，建立了概率神經網絡的預測方法。PNN的特點在于快速運算、精確度高，以及可以給出一個指示基于決策的可信度大小的結果。

關鍵詞：概率神經網絡 邊坡 穩定性 預測

0 引言

建筑結構損傷識別是力學反問題中的重要研究課題之一。國內外許多學者已成功利用神經網絡解決了結構損傷識別問題。C.Y.Kao和Shih—Lin Hung利用損傷前后變化的振型來識別一個五層三維框架結構的損傷；P.C.Kaminskif分別采用自振頻率、頻率變化量以及正則化的頻率變化率作為網絡輸入參數，并對三者的有效性進行比較；崔飛(2000)和Hejela(1990)根據結構靜態位移觀測數據提出了基于局域優化搜索策略的結構損傷識別方法；徐宜桂1997建立了基于結構損傷后第一階振型變化識別結構損傷部位和大小的方法李偉(2000)和李守巨(2001)提出了基于遺傳算法的結構參數識別方法。本文應用概率神經網絡(PNN)，驗證了作為模式分類工具的概率神經網絡對巖土邊坡穩定性預測這一類問題的有效性。

1 概率神經網絡(PNN)

概率神經網絡是一種適用于模式分類的徑向基神經網絡，它是由一個徑向基網絡層和一個競爭網絡層組成。PNN的早期研究工作是同貝葉斯分類器一起發展的，貝葉斯定理提供了完成最有分類的方法，因而它成為評價其它分類方法好壞的標準。與傳統的BP網絡相比，PNN除保留BP網絡所具有的學習、歸納和并行計算的特征外，主要有以下幾方面的優點：

1.1 快速運算。由于PNN一次完成，不需要學習，因而它大約比BP網絡大約快五個數量級。

1.2 有足夠的訓練數據，不管訓練數據矢量與類別之間具有多么復雜的關系，PNN能夠保證收斂到貝葉斯分類器，而BP算法卻可能在一個局部最優處中斷，無法保證得到一個全局最優的滿意解。

1.3 PNN允許在訓練集中添加或刪除數據而不需要重復訓練，BP算法對訓練集的任何變動都需要對整個訓練過程重復進行。

1.4 PNN給出一個指示基于決策的可信度大小的結果，而BP神經網絡卻不能提供這樣的可信度指示。

2 基于PNN神經網絡的邊坡穩定性預測

大量的工程經驗表明，影響邊坡穩定性的因素主要有：邊坡巖土體的物理力學性質、邊坡的幾何形態、地下水、外部載荷等。其中巖土體的物理幾何性質主要由巖土體的密度、巖土體的內聚力以及內摩擦角控制；邊坡的幾何形態主要由邊坡的坡角和邊坡的高度控制：地下水的影響由孔隙壓力比控制。

本文采用文獻中的41個邊坡實例作為神經網絡的訓練樣本，選用另5個作為測試數據，利用PNN神經網絡對其進行邊坡穩定性預測，預測的結果和邊坡的實際情況的對比見表3.1所示。

下面是本算例的神經網絡設計：

％輸入樣本點

結果輸出：vc＝

1

2

1

1

1

與實際值完全相符，由此可得將概率神經網絡用于結構損傷識別具有很大的潛力。

3 結論

邊坡穩定性問題是一個高度非線性問題，利用神經網絡的高度非線性映射能力預報邊坡的穩定性，能克服數值分析法理論和實際相差較大的缺陷。用概率神經網絡進行邊坡穩定性預測，實際上是根據測試樣本于各類訓練樣本之間的距離來確定測試樣本屬于哪一類，從而確定邊坡狀態的，而BP網絡是通過模式識別功能對測試樣本進行識別的。就邊坡穩定性預報而言，用概率神經網絡進行穩定性預報總體上比BP網絡具有更高的正確率。