基于灰色神經網絡的邊坡形變預測研究

曹望成++劉志宇++馬寶英

【摘 要】利用智能方法對邊坡形變進行預測，進而對礦區安全進行評估近年來成為研究的熱點。針對邊坡形變數據小樣本、貧信息、高非線性等特點，本文將灰色理論與神經網絡方法相結合構建灰色神經網絡，充分利用灰色模型處理小樣本和神經網絡處理非線性的能力，對礦區邊坡形變進行預測。實驗分析表明，利用灰色神經網絡進行形變預測是正確有效的，預測精度取得了較好的效果。

【關鍵詞】灰色模型；神經網絡；形變預測

一、引言

長期以來，礦區安全一直是人們比較關注的問題。由于礦區在開采過程中會對巖層結構造成一定的破壞，導致開采區域邊坡產生形變，因此近年來許多專家學者研究通過監測邊坡的形變來對礦區的安全等級進行預估。縱觀這些研究成果，大多集中在三種方法，即灰色理論、時間序列分析法以及人工神經網絡方法。

二、灰色理論

灰色理論是一種研究少數據、貧信息、不確定性問題的新方法。該理論強調通過對無規律系統已知信息的研究，提煉和挖掘有價值的信息，進而用已知信息去解釋未知信息，使系統不斷“白化”?；疑Ｐ秃喎QGM模型，該模型的構建過程為：首先對原始數據進行檢驗，包括非負性處理等。然后對原始數據序列做一次累加，使累加后的數據呈現一定的規律性，然后用典型曲線擬合該曲線。

三、BP神經網絡

BP （Back Propagation）神經網絡全稱是基于誤差反向傳播算法的人工神經網絡，由信息的正向傳播和誤差的反向傳播兩個過程組成。輸入層各神經元負責接收來自外界的輸入信息，并傳遞給中間層各神經元；中間層是內部信息處理層，負責信息變換，根據信息變化能力的需求，中間層可以設計為單隱層或者多隱層結構；最后一個隱層傳遞到輸出層各神經元的信息，經進一步處理后，完成一次學習的正向傳播處理過程，由輸出層向外界輸出信息處理結果。當實際輸出與期望輸出不符時，進入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權值，向隱層、輸入層逐層反傳。一直進行到網絡輸出的誤差減少到可以接受的程度，或者預先設定的學習次數為止。

四、灰色神經網絡

灰色理論善于處理小樣本、貧信息問題，而神經網絡則對復雜非線性映射問題比較有優勢，將這兩種方法結合構建灰色神經網絡，可以很好地對邊坡形變進行預測，同時這兩種方法可以互相彌補各自的缺陷。

五、實驗分析

本實驗完成的是對某礦區邊坡形變的預測。共選取了3個監測點，并且這3個監測點分布在一條線上，這樣更有利于客觀的分析形變所導致的安全隱患。監測數據是利用邊坡掃描雷達采集，該雷達上還集成有氣象傳感模塊。每一個監測點都收集了7天內不同時間點測得的共150組數據，包括三維坐標數據和當時的氣象數據。其中120組數據用于訓練網絡，其余30組數據用于測試網絡。首先，能夠采集獲得的是包含三維的邊坡坐標數據，為了使用和表示方便，本文按照 公式將其轉化為實際的位置數據，并將其與基準位置做差，作為當前時刻的形變數據，用于訓練和測試網絡。其次，多種自然因素以及形變數據的量綱有很大區別，為了更有效的訓練網絡，本文對輸入數據進行了歸一化處理。將所有訓練數據處理完成以后，輸入網絡進行訓練，網絡進化次數設定為100，訓練結果如圖1所示。

從圖1可以明顯看出網絡的訓練效果很好，很短的時間內就進化達到誤差的要求。下面將3個監測點的測試數據輸入網絡進行預測，同時與單獨使用灰色模型和BP神經網絡的預測結果相比較，分別如圖2，3，4所示。

從各監測點的預測結果圖可以明顯看出，灰色神經網絡具有最高的預測精度，平均誤差為0.023，最大誤差為0.031。而單獨采用灰色模型或BP神經網絡方法進行預測的精度要明顯低于灰色神經網絡方法，平均誤差分別為0.092和0.13，最大誤差分別達到了0.15和0.18。另一方面，灰色神經網絡的用時要明顯少于BP神經網絡，略高于灰色模型方法，但是對于實際工程應用來說，是完全符合要求的。

本文的另一個創新點是不僅使用形變的歷史數據進行建模，同時考慮影響形變的氣象因素，為了考察這種方式的優越性，本文還與單獨使用形變數據建立的模型進行預測對比，結果如圖5所示。

圖5的預測比較結果充分說明，同時使用形變和氣象數據建立的模型的預測精度要明顯高于單獨使用形變數據建立的模型。更為重要的一點是，在預測第6個數據點時，由于降雨量和風速的影響，邊坡的實際形變量突增，本文的方法因為充分考慮了氣象因素，所以預測結果與實際結果非常接近，而單獨使用形變數據建立的模型的預測結果與實測結果相差較大，可見氣象因素對于形變的影響很大，尤其當在短時期內出現突然的氣象變化時，僅依靠形變的歷史數據無法給出正確的預測結果。

六、結束語

通過對某礦區邊坡實測形變數據的實驗分析，本文建立的灰色神經網絡具有較高的預測精度和較低的工作用時。對比實驗表明，這種方式建立的預測模型的適應能力更強，對于氣象因素對于邊坡形變的影響反應更為及時。

【參考文獻】

[1]張偉航，甘德清，陳超，羅詩佳.邊坡變形監測研究與進展[J].礦山測量，2010（01）.

[2]王焱，孫雁鳴，佟維妍.基于遺傳算法的露天礦邊坡檢測傳感網絡優化[J].計算機測量與控制，2011（02）.

[3]馬海榮，蔡林桓，李川.優化GM（1，1）模型在滑坡形變預測預報中的應用研究[J].工程地球物理學報，2012（04）.

[4]代永新，趙武鹍.基于混沌神經網絡方法的邊坡穩定性分析[J].金屬礦山，2012（11）.