邊坡穩定可靠度分析的新型四階矩法

周芬+郭奧飛+杜運興

摘 要：提出了一種邊坡穩定可靠度分析的新型四階矩計算方法.該方法將均勻設計法、徑向基神經網絡技術和最大熵原理相結合對邊坡進行可靠性分析.采用均勻設計法確定粘聚力和內摩擦角的網絡訓練樣本空間，并采用基于有限元的強度折減法計算樣本空間中樣本所對應的邊坡安全系數.利用這些樣本及對應的安全系數訓練徑向基神經網絡.利用訓練好的神經網絡獲得滿足統計數量要求的邊坡安全系數，并計算邊坡安全系數前四階矩.利用最大熵原理得到邊坡安全系數的概率密度函數近似表達式、邊坡失效概率以及相應的可靠指標.該方法的計算結果與蒙特卡羅法的計算結果對比表明該方法具有較高的精度.

關鍵詞：邊坡穩定；均勻設計法；徑向基神經網絡；最大熵；可靠度；四階矩

中圖分類號：TB83，TM753 文獻標識碼：A

文章編號：1674-2974（2016）05-0113-07

Abstract：In this study， a new four-order moment method for reliability analysis of slope stability was proposed. The reliability analysis of slope stability was conducted by the combination of the uniform design method， the RBF neural network technique， and the maximum entropy principle. The network training sample space of cohesion and internal friction angle was firstly determined by the uniform design method， and the slope safety factor related to the samples was obtained by the strength reduction method using the finite element analysis. The RBF neural network was trained by the samples and their corresponding safety factors. The safety factors of the slope satisfying the statistical requirement were obtained by the well-trained neural network， and the first four-order moments of the slope safety factor were calculated. Furthermore， the approximate expression of probability density function of the slope safety factor， the slope failure probability， and the corresponding reliability index were investigated by the maximum entropy principle. Compared with the results from Monte Carlo method， the proposed method shows high precision.

Key words：slope stability； uniform design method； RBF neural network； maximum entropy； reliability； four order moments

邊坡穩定性分析方法是巖土工程的一個重要研究內容.邊坡穩定分析一般有確定性分析方法和基于概率的不確定性分析方法.杜運興[[1]和陳昌富[[2]基于確定性分析方法對邊坡穩定性進行了研究，通過計算得到邊坡安全系數評估邊坡的穩定程度.然而由于土體參數的不確定性，在進行邊坡穩定分析時，采用基于概率的可靠度分析方法更為合適.目前，在邊坡穩定可靠度分析中常用的分析方法有一次二階矩法[[3-4]、二次二階矩法[[5]、響應面法[[6-7]、蒙特卡羅法[[8]等分析方法.采用一次二階矩法、二次二階矩法對邊坡進行可靠度分析時需要在迭代點處對非正態隨機變量進行近似當量正態化，同時迭代求解過程較為繁瑣；采用響應面法時受響應面函數的形狀和試驗取樣點選取多少的影響較大；當采用蒙特卡羅法進行可靠度分析時，需要數十萬次的有限元數值分析，工作量太大.為了克服以上方法所帶來的問題，四階矩法是一個較好的方法.王宇[[9]將四階矩可靠度分析方法引入到邊坡工程可靠度分析中，提出了邊坡工程可靠度分析的最大熵法.左育龍[[10]針對巖土工程的功能函數強非線性且難以顯式表達的特點，提出了基于人工神經網絡的四階矩法.以上兩種四階矩方法均利用泰勒級數展開的方法由基本隨機變量的前四階矩求得功能函數的前四階矩，并借助Pearson系統獲得功能函數的更高階矩.采用以上兩種四階矩方法時計算功能函數前四階矩的公式較為繁瑣并且會遇到隱式功能函數求偏導的問題.本文在這些研究的基礎上提出了一種邊坡穩定可靠度分析的新四階矩計算方法.該方法將均勻設計法、神經網絡技術和最大熵原理相結合對邊坡進行可靠性分析，克服了以上兩種四階矩法所具有的缺點.該方法考慮了基本隨機變量的概率分布類型，首先采用均勻設計法確定粘聚力和內摩擦角的網絡訓練樣本空間，并采用基于有限元的強度折減法[[11]確定樣本空間中樣本對應的邊坡安全系數，利用這些樣本以及樣本對應的安全系數訓練徑向基神經網絡.利用訓練好的神經網絡獲得滿足統計數量要求的安全系數，并計算邊坡安全系數的前四階矩.利用最大熵原理得到邊坡安全系數的概率密度函數近似表達式、邊坡失效概率以及相應的可靠度.雖然均勻設計法、徑向基神經網絡技術、最大熵方法在可靠度領域均已被采用，然而將該3種方法的結合運用尚屬首次.

1 邊坡穩定可靠度分析

1.1 網絡訓練樣本點的選取

訓練神經網絡需要一定的樣本點作為輸入向量，樣本點的選取對神經網絡的精度、效率尤其重要.樣本點的生成方法有中心復合設計法、隨機取樣法和均勻設計法等.畢衛華[[12]研究了樣本點的生成方法對邊坡可靠度的影響.該文獻認為在相同的精度下均勻設計取樣法比中心復合設計法更加有效；在相同的精度下均勻設計法比隨機取樣法需要生成的樣本點少，計算效率高.因此本文采用均勻設計法[[13]進行樣本點的選取.具體步驟如下：

1） 將土體參數粘聚力和內摩擦角作為需要考慮的兩個因素，確定這兩個因素的取值范圍，并確定相應因素的樣本空間容量，即均勻設計法中的水平數.在相應因素的范圍內均勻確定樣本的數值；

2）根據樣本空間容量選取均勻設計法中相應的使用表和設計表.根據因素數在使用表中確定設計表中所對應的列，設計表每一列的數值為影響因素在其樣本空間的位置；

3） 在本研究中因素數為2.將粘聚力和內摩擦角這兩個因素按其在樣本空間對應的位置獲取相應的樣本數值并形成訓練樣本.

1.2 徑向基神經網絡的建立

根據選取的樣本點，采用基于有限元的強度折減方法[[11]計算這些樣本點所對應的邊坡穩定安全系數.利用樣本點和樣本點對應的安全系數訓練神經網絡.本文選用的神經網絡是徑向基神經網絡[[14-15]，這種神經網絡采用高斯函數等徑向基函數作為神經元傳遞函數，能夠實現非線性關系的映射.徑向基神經網絡相對于BP神經網絡而言往往需要更多的神經元，但是它的訓練速度很快.在輸入向量樣本數目較多的情況下，徑向基神經網絡的效果是很好的.同時徑向基神經網絡可以克服BP網絡局部極小的缺點.

本文將土體參數{c，φ}作為神經網絡的輸入向量xi，土體參數{c，φ}對應的安全系數F作為期望輸出向量建立徑向基神經網絡.首先通過激活函數Ri（x）對輸入向量xi進行運算，然后對運算結果進行加權求和得到向量yi，，如圖1所示.

最后根據得到的yi，和已知的期望輸出向量F計算均方誤差，當均方誤差較大時，需要不斷增加中間神經元和個數，直到網絡的均方誤差滿足預先設定的值為止，從而建立一個精度較高的神經網絡.

1.3 邊坡安全系數前四階矩計算

利用以上建立的徑向基神經網絡便可以獲得任意一組土體參數{c，φ}所對應的安全系數F.按照統計要求的數量形成安全系數的樣本空間.根據此樣本空間便可以計算邊坡安全系數的前四階中心矩，具體步驟如下：

1）采用舍選法生成服從一定概率密度函數的粘聚力c和內摩擦角φ隨機數.本文采用的舍選法[[16]按照如下步驟確定隨機數.

①確定隨機數的產生區間[a，b]及概率密度函數為fx（x）.

②確定概率密度函數的上確界f0.

2 算例分析

本文所取算例為：考慮土體粘聚力、內摩擦角為隨機變量，假設粘聚力和內摩擦角服從獨立正態分布，其均值分別為25 kPa，20o，標準差分別為7.5 kPa，4o，土體重度假設為一定值19.6 kN/m3，邊坡剖面如圖3所示.

2.1 網絡訓練樣本點的選取

本文對邊坡穩定可靠性進行研究，選取粘聚力和內摩擦角作為隨機變量，因此屬于二因素試驗，由于正態分布在[μ-3σ，μ+3σ]范圍內部可以覆蓋總體99%以上的區域，因此在[μ-3σ，μ+3σ]范圍內部的取值可以近似地認為完全覆蓋了總體區域.本文將粘聚力和內摩擦角取值限定在[μ-3σ，μ+3σ]范圍內，粘聚力左、右截尾點分別為2.5 kPa，47.5 kPa，內摩擦角左右截尾點分別為8o，32o，根據式（10）得到粘聚力、內摩擦角截尾正態概率密度曲線分別如圖4和圖5所示.x/m

本文將神經網絡訓練樣本空間容量定為17，即粘聚力和內摩擦角水平數均為17，粘聚力樣本數值為（2.5， 5.3 125， 8.125， 10.937 5， 13.75， 16.562 5， 19.375， 22.187 5， 25， 27.812 5， 30.625， 33.437 5， 36.25， 39.062 5， 41.875， 44.687 5， 47.5），單位為kPa；內摩擦角樣本數值為（8.0，9.5， 11.0， 12.5， 14.0， 15.5， 17.0， 18.5， 20.0， 21.5， 23.0， 24.5， 26.0， 27.5， 29.0， 30.5， 32.0），單位為（°）.根據均勻設計法選取具有17個水平數的均勻設計表和使用表，如表1和表2所示.

根據表2確定兩因素設計應當選擇表1的第一，二列，表1中的每一列的數值為影響因素在其樣本空間的位置，如表3第一、二列所示.本文根據均勻設計法選取的粘聚力和內摩擦角訓練樣本點如表3第三列所示，本算例選用基于有限元的強度拆減法計算這些樣本點對應的安全系數，計算結果如表3第四列所示.將粘聚力和內摩擦角訓練樣本點繪制在平面圖上，如圖6所示，可以清楚看到利用均勻設計法選取的樣本點分布比較均勻，能夠較好地展現總體性質.

2.2 建立徑向基神經網絡

根據1.2所述方法建立徑向基神經網絡.為了驗證所建立的徑向基神經網絡的良好性，本文將在粘聚力和內摩擦角取值范圍內均勻選取9個驗證樣本點，分別利用訓練好的神經網絡、邊坡穩定分析軟件計算這些驗證樣本點的安全系數，如圖7所示，可以清楚觀察到徑向基神經網絡對隱式功能函數近似效果良好.

2.3 邊坡安全系數前四階中心矩計算并對數據進行處理

采用1.3所述方法得到一個樣本容量為n的安全系數樣本空間.當n的數目足夠多時可以近似總體，可以根據統計學知識比較精確地得到安全系數樣本的各階矩，然而n的數目太大時會對計算效率有一定影響.因此本文通過研究n的變化對邊坡可靠度的影響，建議n取1×105～1×106之間的數值.根據式（1）～式（3）計算安全系數F樣本的均值、標準差、前四階中心矩以及偏度系數、峰度系數，結果如表4所示.根據式（6）計算邊坡安全系數F的標準隨機變量Y的前四階原點矩，結果如表5所示.

偏度系數是描述分布偏離對稱性程度的一個特征數.當分布左右對稱時，偏度系數為0；當偏度系數大于0時，該分布右偏；當偏度系數小于0時，該分布左偏.峰度系數是用來度量數據在中心的聚集程度.對于正態分布，峰度系數為3；峰度系數大于3說明觀察量更加集中，有比正態分布更短的尾部；峰度系數小于3說明觀察量不那么集中，有比正態分布更長的尾部.通過對表4與表5中偏度系數和峰度系數的觀察，該算例邊坡安全系數概率密度分布并非對稱，而是稍微有點右偏，相比于正態分布而言分布較為集中.

2.4 邊坡安全系數概率密度函數

當求得邊坡安全系數F的標準隨機變量Y的前四階原點矩后，根據式（7），（8）可以得到安全系數的概率密度函數表達式式（11），安全系數的概率密度函數曲線如圖8所示.

2.5 邊坡失效概率

利用式（9）可以得到邊坡的失效概率，然后根據失效概率計算可靠指標.將計算結果與蒙特卡羅法計算結果進行比較，可發現兩個方法得到的結果較為吻合（見表6），說明本文所述方法精度較為良好.

3 結 論

建立了一套邊坡穩定可靠度分析的新型四階距方法，該方法具有如下優勢：

1）采用強度折減法確定邊坡的安全系數，該方法考慮了土體中的應力、應變的分布及變化，概念清晰，魯棒性較好.

2）提出的方法兼備了均勻設計法、徑向基神經網絡技術、最大熵原理的優點.均勻設計法具有在相同精度下需要較少的樣本點同時精度較高的優點；徑向基神經網絡技術具有訓練速度快同時又能克服BP神經網絡局部極小缺點的優點；最大熵原理具有僅根據樣本的前幾階矩就能得到樣本概率密度函數的優點.

3）提出的方法不需要求取功能函數的偏導數，克服了傳統可靠度分析方法不能精確計算功能函數偏導數、工作量大的缺點，能更加簡便地進行邊坡穩定可靠度分析且精度良好.

將本文方法計算得到的邊坡可靠指標與蒙特卡羅法計算結果進行對比，兩者結果吻合較好，表明本文所述方法精度良好，具有一定可行性.

參考文獻

[1] 杜運興，尚守平，周芬. 基于遺傳算法的邊坡穩定有限元分析[J]. 湖南大學學報：自然科學版，2006，33（6）：29-32.

[2] 陳昌富，楊宇. 邊坡穩定性分析水平條分法及其進化計算[J]. 湖南大學學報：自然科學版，2004，31（3）：72-75.

[3] CHOWDHURY R N， XU D W. Rational polynomial technique in lope-Reliability analysis[J]. Journal of Geotechnical Engineering， 1993， 119（12）： 1910-1928.

[4] 蘇永華，趙明華，張月英，等.利用差分法計算基于Spencer分析模式的邊坡穩定可靠度[J]. 巖石力學與工程學報，2006，S1：2751-2756.

[5] BREITUNG K. Asymptotic approximations for multinormalintegrals[J]. Journal of Engineering Mechanics， 1984， 110（3）： 357-366.

[6] WONG F S. Slope reliability and response surface method[J]. Journal of Geotechnical Engineering， 1985， 111（1）： 32-53.

[7] ZHENG Y， DAS P K. Improved response surface method and its application to stiffened plate reliability analysis[J]. Engineering Structures， 2000， 22（5）： 544-551.

[8] HUSEIN MALKAWI A I， HASSAN W F， ABDULLA F A. Uncertainty and reliability analysis applied to slope stability[J]. Structural Safety， 2000， 22（2）： 161-187.

[9] 王宇，張慧，賈志剛. 邊坡工程可靠性分析的最大熵方法[J].工程地質學報，2012，20（1）：51-57.

[10]左育龍， 朱合華， 李曉軍. 巖土工程可靠度分析的神經網絡四階矩法[J]. 巖土力學， 2013， 34（2）： 513-519.

[11]ZIENKIEWICZ O C， HUMPHESON C， LEWIS R W. Associated and non-associated visco-plasticity and plasticity in soil mechanics[J]. Geotechnique， 1975， 25（4）： 671-689.

[12]畢衛華， 譚曉慧， 侯曉亮， 等. 基于 RBF神經網絡的邊坡穩定可靠度分析[J].地下空間與工程學報， 2010， 6（2）： 423-428.

[13]方開泰. 均勻設計與均勻設計表[M].北京：科學出版社， 1994：5-46.

[14]朱凱， 王正林. 精通 MATLAB 神經網絡[M].北京：電子工業出版社， 2010：225-245.

[15]史峰， 王小川， 郁磊， 等. MATLAB 神經網絡 30 個案例分析[M].北京： 北京航空航天大學出版社， 2010：65-72.

[16]張明.結構可靠度分析——方法與程序[M].北京：科學出版社， 2009：89-174.