基于RBF神經網絡的露天礦山邊坡失穩預警方法

謝振華 梁莎莎 張雪冬

(1.中國勞動關系學院安全工程系，北京 100048;2.北京科技大學土木與環境工程學院，北京 100083)

基于RBF神經網絡的露天礦山邊坡失穩預警方法

謝振華1梁莎莎2張雪冬2

(1.中國勞動關系學院安全工程系，北京 100048;2.北京科技大學土木與環境工程學院，北京 100083)

邊坡失穩研究是露天礦山安全生產的關鍵問題，邊坡失穩智能化預警的實現是失穩研究的核心內容。以馬鋼南山鐵礦凹山采場高陡邊坡工程為例，建立了RBF神經網絡預警模型，采用梯度下降訓練算法并進行了改進，根據經驗來設置算法的學習步長，選取黏聚力、內摩擦角，邊坡角、邊坡高度，孔隙水壓力比、容重等6個因素作為網絡的輸入單元，利用所選的25組樣本數據完成了RBF神經網絡的學習。應用學習好的預警模型對南山鐵礦凹山采場的2個幫進行了邊坡失穩預警分析，得到2個幫的穩定性等級結果分別為1級和3級，即極穩定和基本穩定，與現場情況一致。該預警方法合理，具有推廣應用價值。

RBF神經網絡 邊坡失穩 高陡邊坡 預警模型

露天礦山邊坡滑坡、坍塌事故一直都是礦山邊坡安全方面存在的主要問題之一。邊坡滑坡事故不僅給企業和國家帶來了巨大的經濟損失，更給人民生命財產帶來巨大的威脅。因此對邊坡失穩的研究和探索具有著十分重要的現實意義。

邊坡失穩預警是一項較為復雜的綜合性工作，目前不少文獻對邊坡失穩預警進行了研究。金海元等人采用層次分析法和信息熵法對該邊坡預警指標體系進行權重計算，并運用未確知數學理論進行了權重未確知信息的計算，最終判定邊坡的穩定狀態[1]。賈亮等人提出了黃土邊坡失穩的簡單預警方法，以地貌特征、階地類型、物理性質及力學性質為指標，結合邊坡穩定狀況調查成果，將黃土邊坡劃分為不穩定、穩定和極穩定3類[2]。鄔愛清等采用非連續變形分析數值模型反映滑坡啟動的識別方法，并對該滑坡體的啟動條件和滑坡全過程特征進行數值模擬[3]。這些方法理論完善，推導嚴謹，在實踐中有一定的實用性及可靠性，但是在智能性、及時性方面存在缺陷。由于邊坡工程系統是一個開放的復雜巨系統，影響邊坡安全的因素很多，這些因素大部分均具有隨機性、模糊性、可變性等不確定性[4]，且影響因素之間相互作用，變量之間的關系十分復雜，很難用數學方程來描述。本研究采用人工神經網絡建立邊坡穩定影響因素和邊坡預警等級之間的高度非線性映射模型，實現邊坡失穩的智能化預警。

1 RBF神經網絡原理

徑向基函數(RBF)神經網絡是一種單隱層前饋型網絡，隱節點激活函數選取徑向基函數，具有收斂速度快、網絡規模小、逼近精度高等特點，不存在局部極小問題，用于邊坡工程的研究具有獨特的優勢[5-6]。因此，選用RBF神經網絡建立邊坡失穩預警模型，對馬鋼南山礦進行邊坡失穩預警。

RBF最基本的網絡構成包括3層，如圖1所示。其中隱含層單元層數的選擇比較復雜，節點數目根據具體問題的需要而定。RBF網絡輸入層到隱含層的變換是非線性的，隱含層到輸出層的映射是線性的，即網絡的實際輸出是各單元響應的線性和，它為作用于輸入層的輸入模式提供響應[7-8]。因此，很容易達到從非線性輸入空間向輸出空間映射的目的[9]。

圖1 RBF網絡結構模型

RBF神經網絡的學習算法很多，常用的有：正交最小二乘算法、梯度下降訓練算法、自組織學習算法。本研究選取梯度下降訓練算法并進行了改進，可以根據經驗來設置算法的學習步長，能更好地適應露天礦山邊坡的特性。

2 RBF神經網絡模型的建立

2.1 輸入與輸出層的設計

在建立預測模型前，需選擇與邊坡失穩密切相關的因素作為輸入變量。本研究通過文獻分析及現場調研，選取黏聚力、內摩擦角，邊坡角、邊坡高度，孔隙水壓力比、容重等6個因素作為網絡的輸入單元，可以綜合反映邊坡的安全狀態。同時，將馬鋼南山鐵礦的邊坡穩定性分為5級，如表1所示。根據分級表確定輸出神經元的個數為5個。

表1 礦山邊坡穩定分級狀態

2.2 隱含層的設計

隱含層神經元數目的選擇是一個十分復雜的問題，尚沒有理想的解析式來確定，常常需要根據設計者的經驗和多次試驗來確定[10]。隱含層神經元的個數與問題的要求，以及與輸入、輸出層神經元的個數有著直接的關系。隱含層神經元個數太多會導致學習時間過長，誤差不一定最佳，還會導致容錯性差，不能識別以前沒有看到的樣本[11-12]。本研究隱含層神經元個數通過對樣本學習的多次試驗，不斷改變擱擴展速度spread的值，最終確定為18個。所以該RBF神經網絡的拓撲結構為6-18-5。

2.3 樣本數據的預處理

學習樣本的確立是建立RBF神經網絡的關鍵環節。根據文獻分析及現場調研，收集了與所研究邊坡相似的25組樣本數據，如表2所示。其中，前20組作為學習樣本，后5組作為檢驗樣本。

表2 樣本數據

由于選取的樣本數值大小存在著差異，為了提高網絡的訓練速度和泛化能力，避免某些數值小的數據被大的數據淹沒，須對數據歸一化處理[13-14]。

3 RBF神經網絡預警方法的實現

3.1 RBF神經網絡的訓練

(1)在Matlab命令窗口鍵入神經網絡的原始樣本數據向量，鍵入已計算好的目標向量預警等級t，利用Matlab程序語言將原始數據歸一化處理得到神經網絡的輸入向量p如下。

P=0 10530 65520 43040 00630 68420 27750 52630 86210 93670 53720 34210 63580 21050 06900 35440 00630 60530 36990 294700 20250 08770 21050 36990 61050 72410 92410 53720 34210 36990 61050 72410 96200 67910 34210 63580 09470 48280 30380 05230 86840 27750 02110 65520 58230 16000 68420 43350 45261 00000 93670 74880 34210 63580 67370 89661 00000 59300 34211 00000 07370 51720 55700 18600 868400 20000 65520 93670 027900 23120 67370 89660 98730 60930 34211 00000 56840 84481 00001 00000 34211 00001 00001 00000 93670 01630 34210 48550 15790 86210 93670 09771 00000 34680 66320 89660 98730 81860 34211 00000 66320 896600 69190 34211 000000 65520 303800 47370 23120 31580 82760 86080 81630 34210 7514

(2)用newrb函數新建一個RBF神經網絡，進行網絡訓練。訓練誤差曲線如圖2所示。

圖2 RBF神經網絡訓練誤差曲線

在樣本數據學習過程中不斷改變spread的值，觀察它對輸出的影響，經多次調試后取spread=0.5時結果最為理想。由圖2可知，神經網絡經過18步學習收斂，網絡誤差達到10-3。通過訓練的輸出結果與期望值比較，網絡準確地識別了學習樣本，實際輸出值與期望值完全吻合，建立了穩定性影響因素與邊坡失穩預警等級之間的非線性關系。接著用剩余的5個樣本數據測試已經訓練好的RBF神經網絡模型，并將輸出結果與實際值進行誤差比較，如圖3所示。從圖中可以看出除第1組測試數據有誤差外其余4組絕對誤差為0，測試誤差在允許范圍內，說明RBF神經網絡建立的預測模型是合理、可靠的。學習好的RBF神經網絡具備了回判能力，可以用來對邊坡失穩進行預警。

圖3 測試數據期望值與實際值誤差曲線

3.2 實例應用

馬鋼南山鐵礦凹山采場是馬鋼主要鐵礦石生產基地。凹山礦區內地質構造主要為火山巖構造及成礦后期的斷裂構造。礦區內斷裂構造十分發育，均以剪切節理的形式出現，在空間及方位上與區域斷裂構造關系密切。北西向及北東向2組剪切節理形成了密集的X型裂隙帶，常使巖層及礦體形成破裂狀、散體狀結構。凹山采場上部+115 m至+45 m各臺階高度為14 m，共5個臺階；下部+45 m至-165 m各臺階高度為15 m，共15個臺階；-165 m至201 m各臺階高度為12 m，共3個臺階。采場東、南、西3幫為運輸通道，已固定臺階寬度≥7 m，正在生產臺階寬度≥20 m，臺階邊坡角60°，整體邊坡角35°～43°；北幫由于巖體蝕變強烈，巖石松散松軟，臺階邊坡角放緩到45°～50°，整體邊坡角38°～42°。

通過現場調研，以及從馬鞍山礦山研究院提供的資料里收集整理了相關數據，并與南山鐵礦管理人員進行了溝通確認，從南山礦Ⅰ幫和Ⅱ幫數據中分別選出1組進行預警，數據如表3所示。

表3 南山鐵礦待預警數據

結果表明，凹山采場Ⅰ幫和Ⅱ幫的邊坡穩定性等級分別為1級和3級，即極穩定和基本穩定。這與該采場的現狀相一致，說明該模型具有一定的實用性。由現場調研得知，南山鐵礦對Ⅰ幫邊坡穩定性進行了研究并實施了框架梁、預應力錨桿等治理措施。Ⅱ幫部分地區有巖石剝落和松散的狀態。如果這種現象進一步擴大，需要對其進行相應的加固治理。

4 結 論

(1)選擇RBF神經網絡，可以對露天礦山邊坡失穩進行及時、智能化預警。

(2)以大量工程實例為學習預測樣本數據，建立了RBF神經網絡邊坡失穩預警模型，并借助Matlab神經網絡工具箱完成了網絡模型的學習和測驗，計算結果準確可靠，預測精度令人滿意，說明所建立的RBF神經網絡預警模型是合理的。

(3)用訓練好的預警模型對馬鋼南山鐵礦露天邊坡的2個幫進行了預警分析，所得結果與現場情況一致，表明建立的預警模型合理、可靠，具有一定的推廣應用價值。

[1] 金海元．巖石高邊坡監測預警綜合評價方法研究[J]．長江科學院院報，2011，28(1)：29-33． Jin Haiyuan．Rock high slope monitoring early warning and comprehensive evaluation method research[J]．Journal of Yangtze River Scientific Research Institute，2011，28(1)：29-33．

[2] 賈 亮，朱彥鵬，畢東濤．黃土邊坡穩定性的簡單判別方法——以蘭州地區階地黃土邊坡為例[J]．應用基礎與工程科學學報，2012，20(1)：13-16． Jia Liang，Zhu Yanpeng，Bi Dongtao．The simple discriminant method of loess slope stability:terrace loess slope in Lanzhou[J]．Journal of Basic Science and Engineering，2012，20(1)：13-16．

[3] 劉曉麗，林 鵬，韓國鋒，等．裂隙巖質邊坡滲流與非連續變形耦合過程分析[J]．巖石力學與工程學報，2013，32(6)：1248-1256． Liu Xiaoli，Lin Peng，Han Guofeng，et al．Hydro-mechanical coupling process on rock slope stability based on discontinuous deformation analysis and discrete fracture network models[J]．Chinese Journal of Rock Mechanics and Engineering，2013，32(6)：1248-1256．

[4] 陶志剛，張永軍，張 輝，等．某礦山小區邊坡穩定性評價及影響因素敏感性分析[J]．金屬礦山，2012(3)：141-144． Tao Zhigang，Zhang Yongjun，Zhang Hui，et al．Stability assessment and sensitivity analysis of slope at a mine quarter[J]．Metal Mine，2012(3)：141-144．

[5] 潘玉民，鄧永紅，張全柱，等．基于QPSO-RBF 的瓦斯涌出量預測模型[J]．中國安全科學學報，2012，22(12)：29-34． Pan Yumin，Deng Yonghong，Zhang Quanzhu，et al．Gas emission prediction model based on QPSO-RBF[J]．China Safety Science Journal，2012，22(12)：29-34．

[6] 劉利君，劉寶華，陳 闖．RBF神經網絡在露天礦邊坡位移預測中的應用[J]．煤炭技術，2011(6)：88-90． Liu Lijun，Liu Baohua，Chen Chuang．Application of RBF neural network in slope displacement prediction of open-pit mine[J]．Coal Technology,2011(6)：88-90．

[7] 馬成正，王洪德．基于FMEA與RBF神經網絡的LPG汽車罐車儲罐系統故障診斷[J]．中國安全科學學報，2011，21(1)：99-104． Ma Chengzheng，Wang Hongde．Fault diagnosis of LPG tank car based on FMEA and RBF neural network[J]．China Safety Science Journal，2011，21(1)：99-104．

[8] 王冬青，周啟友，陳劍杰，等．降雨和庫水位影響下水庫邊坡變形的RBF神經網絡預測[J]．西部探礦工程，2013(4)：19-22． Wang Dongqing，Zhou Qiyou，Chen Jianjie，et al．RBF neural network prediction of reservoir slope deformation under the influence of rainfall and water level [J]．West-china Exploration Engineering，2013(4)：19-22．

[9] 陳青江，王創業．RBF神經網絡在邊坡穩定性分析中的應用[J]．現代商貿工業，2011(15)：228-229． Chen Qingjiang，Wang Chuangye．RBF neural network application in slope stability analysis[J]．Modern Business Trade Industry，2011(15)：228-229．

[10] 楊 濤．基于BP神經網絡法的煤礦安全評價系統研究[D]．太原：太原理工大學，2012． Yang Tao．Research on Coal Mine Safety Evaluation System Based on BP Neural Network[D]．Taiyuan：Taiyuan University of Technology，2012．

[11] 江龍艷．基于PSO-BP神經網絡的邊坡穩定性模型研究[J]．有色金屬:礦山部分，2013，65(6)：53-57． Jiang Longyan．Study on slope stability model by PSO-BP neural network[J]．Nonferrous Metals:Mine Section,2013，65(6)：53-57．

[12] 徐國強，張亞賓，劉 兵，等．高陡邊坡的穩定性分析與綜合評價[J]．金屬礦山，2010(1)：24-27． Xu Guoqiang，Zhang Yabin，Liu Bing，et al．Stability analysis and comprehensive appraisal of high and steep slopes[J]．Metal Mine，2010(1)：24-27．

[13] 宋志飛，徐秀鳴，孫世國．臨界滑動場法在露天礦邊坡穩定性分析中的應用[J]．金屬礦山，2013(9)：41-43． Song Zhifei，Xu Xiuming，Sun Shiguo．Application of the critical slip field method in slope stability analysis of open-pit mine[J]．Metal Mine，2013(9)：41-43．

[14] 徐 進，彭雄志，歐加加，等．基于RBF神經網絡的邊坡穩定性預測[J]．四川建筑科學研究，2012，38(1)：130-133． Xu Jin，Peng Xiongzhi，Ou Jiajia，et al．A prediction of the slope stability based on RBF neural network[J]．Sichuan Building Science，2012，38(1)：130-133．

(責任編輯 徐志宏)

Early Warning Method of Slope Instability of Open-pit Mine Based on RBF Neural Network

Xie Zhenhua1Liang Shasha2Zhang Xuedong2

(1.DepartmentofSafetyEngineering，ChinaInstituteofIndustrialRelations，Beijing100048，China;2.CivilandEnvironmentalEngineeringSchool，UniversityofScienceandTechnologyBeijing，Beijing100083，China)

The slope instability has always been a key technical issue for the safe production in open-pit mine.The realization of the intelligent warning of slope instability is the core of instability research.The early warning model based on RBF neural network was established，taking the high-steep slope engineering of Aoshan pit in Nanshan Iron Mine of Masteel as a case.Gradient descent algorithm for training was improved，and according to the experience，the algorithm's learning step was set up.Six factors of cohesion，internal friction angle，slope angle，slope height，ratio of pore water pressure and bulk density were selected as network input units.And，25 sets of sample data selected were used to complete the learning of RBF neural network.Then，the early warning model was used to make early warning analysis on instability of two slopes of Aoshan pit in Nanshan Iron Mine.Stability classification of the two slopes is respectively level 1 and level 3，that are，extremely stable and basically stable，which are accordant with the current actual situation.This early warning method is worth being applied and spread.

RBF neural network，Slope instability，High-steep slope，Early warning model

2014-05-05

“十二五”國家科技支撐計劃重點項目(編號：2012BAK09B05)。

謝振華(1968—)，男，北京，副教授，博士。

TD77+1

A

1001-1250(2014)-09-007-04