巖質邊坡開挖坡角的神經網絡選取方法分析

文自立

（中國水利水電第八工程局有限公司，湖南 長沙 410000）

巖質邊坡開挖坡角的神經網絡選取方法分析

文自立

（中國水利水電第八工程局有限公司，湖南 長沙 410000）

建立巖質邊坡的穩定開挖坡角的神經網絡非線性計算模型，分析邊坡開挖穩定坡角選取的影響因素，并根據神經網絡預測模型參數類型，確定參數的等級劃分標準和相應的參數數據輸入模式。搜集有關穩定邊坡開挖坡角的訓練樣本，通過網絡訓練得到標準化的網絡訓練評價數據庫，最后將需要預測評估的邊坡評價參數輸入計算模型中，獲得穩定邊坡的開挖坡角，通過數值計算、工程經驗證明穩定邊坡開挖坡角的選取是合理的。

境界邊坡；BP神經網絡；邊坡角；預測；訓練樣本

1　大型巖質邊坡穩定性影響因素分析及模型輸入參數的確定

確定大型巖質邊坡穩定性評價的特征指標是建立邊坡神經網絡分析模型的關鍵［5，6］。邊坡穩定開挖坡角神經網絡選取模型的基礎數據與巖質邊坡穩定性分析的主要因素密切相關。當然，影響邊坡穩定性的因素很多，實際工程千變萬化參數的收集收到人力、物力和試驗手段的限制，找出主要影響因素，并將主要影響因素進一步參數化，指標化，成為網絡分析模型建立的前提條件。通常對于多因素、非線性綜合影響的工程問題，一把選用專家調查法，對各類因素進行指標化，歸一化，進一步確定劃分標準并進行程度分級，并最終確定影響大型巖質邊坡主要影響指標。通過分析我國典型大型巖質邊坡實例，將從中選取的18項影響因素的影響程度劃分為5級，建立德爾菲法工作組，使專家組成員根據工作經驗或理論認知對大型巖質邊坡穩定性影響的各項因素進行分級。調查表的設置見表1。

五個分值等級分別為嚴重影響（A）、重要影響（B）、一般影響（C）、輕微影響（D）和極微影響（E），分別對應的分值為5、4、3、2和1。共發出200份調查問卷，返回189份，根據統計結果，得出了前10種主要影響因素，然后進行德爾菲法第二輪的調查，讓專家將10個主要因素進一步進行影響程度排序。排序結果見圖1。由圖1可知：對邊坡穩定性影響最大的因素包括巖石抗壓強度，最小的影響因素是動載擾動。將10 個因素進一步整合歸納為7個指標，這些指標是基于數理統計的復合指標，他們分別是巖體綜合抗壓、抗拉強度、邊坡巖體質量系數、內聚力、結構面力學特性、邊坡高度巖體重度［7-9］。

表1　大型巖質邊坡穩定性影響因素和程度等級調查表

圖1　大型巖質邊坡穩定性影響因素排序

2　大型巖質邊坡開挖坡角選取模型的網絡構造

BP神經網絡是由一個輸入層、多個隱含層和一個輸出層構成。隱含層數的選取決于研究問題的復雜性。通常隱含層數增加，能夠形成更加復雜的決策域，大大增強了BP神經網絡解決非線性問題的能力；但是，隱含層數的增加，使得網絡收斂性大大減弱。Hecht-Nielsen認為［10，12］，對于任何閉區間內的連續函數，可以用單個隱含層的網絡來逼近。用單隱層的網絡可完成任意連續函數的多維映射。而對于學習不連續函數，需要更多的隱層。輸入層和輸出層的節點數根據需要來確定，通常具體問題確定之后，輸入、輸出層的節點參數隨之確定。隱層節點的確定比較復雜，目前這一領域還是神經網絡研究的熱點領域。實際應用表明：

合理的隱含層單元數能夠獲得最佳的學習效果，即實現網絡泛化能力與學習時間的完美結合。目前，神經網絡中的隱層節點數的選擇還沒有形成共識。

本文在網絡模型，采用單隱含層網絡，隱層節點數通過試算確定。

大型巖質穩定邊坡坡角BP網絡選擇模型設置7個輸入節點數，他們分別是邊高、巖體質量、平均飽和單軸抗壓、抗拉強度及內聚力、容重及結構面產狀。本模型設置1個輸出節點，即邊坡坡角度數。隱含層節點數通過模型試算確定。本文網絡模型的結構為7-Number-1，7個輸入層節點、n個隱含層節點數、1個輸出層節點。

3　大型巖質邊坡開挖坡角選取模型的樣本庫創建

網絡訓練所需的樣本數主要取決于網絡映射關系的復雜程度和數據噪聲。在組織訓練樣本集時，要考慮參數之間及參數與結果之間的相互影響關系等多方面的關系，網絡需要的必要信息應盡可能多的提供，這是通常應遵循的基本原則［12］。

大型露天礦山邊坡坡角選擇具有代表性。通過對工程調研、文獻資料檢索以及礦山實地調查，收集了司家營鐵礦、廠壩露天礦、水廠鐵礦等多個國內外露天礦山的大型巖質邊坡參數，整理出34組樣本［13］。這些邊坡都是穩定的，使大型巖質邊坡角參數選取成為可能，所選樣本均是邊坡處于穩定或基本穩定狀態的大型巖質邊坡。有關輸入參數統計如表2所示。

大部分教師沿用傳統的數學教學方法，在課堂上以講理論知識和做大量的練習題為主要內容，尚未意識到對學生思維能力培養的重要性，導致學生思維能力不足，學習成績下降。教師要積極響應新時期素質教育的理念，教學方法也要與時俱進。每位學生都有不同的思維方式，在課下教師要和學生多交流，對學生的思想進行大概了解，對其進行總結，然后轉變傳統的教學模式；以學生為主體，讓學生對習題或知識點進行自我學習，教師起引導作用；尊重學生的思維，并對學生存在的錯誤耐心糾正，鼓勵學生利用創新思維解決難題，保持學生的個性，增強學生對數學學習的積極性。

表2　BP網絡學習樣本［13］

將表2數據進行歸一化處理，本文采用線性變換法［3］將表2中的樣本原始數據通過歸一化處理變換為［0，1］區間上的數值，將歸一化后的數據作為網絡訓練的輸入數據，也是學習的直接數據。數據規格化處理采用matlab工具箱進行。

表3　部分規一化處理后樣本數據

4　大型巖質邊坡開挖坡角選取模型訓練及優化

利用上述樣本數據，借助MATLAB軟件中的工具箱進行計算。采用自適應學習率調整算法進行模型計算和訓練，設定的系統平均誤差為0.00001，最大訓練次數為100000次。

通過試算確定隱層節點數。圖2是隱層節點數分別取15、20、25、28、30、35時的訓練收斂曲線。由圖可知，隱層節點數15時，模型在進行100000步計算后收斂于0.000141，隱層節點數20時，進行100000步計算后收斂于0.000132，取25時收斂于0.000103，取28，進行9686步，模型收斂于0.0001，達到模型預設目標，再往后，收斂值漸漸遠離目標值，故本文模型的大型巖石邊坡角選擇模型隱層節點數確定為28個。

圖2　網絡訓練收斂曲線

利用樣本對模型進行訓練，部分學習訓練結果見表4。表中數據說明了網絡計算值與期望輸出值的對比情況。由表中數據可以看出，網絡訓練輸出誤差小于5%，精度比較高。

表4　網絡訓練結果

利用模型前31組數據作為樣本，后三組數據用來檢驗模型的預測能力，表5是預測結果與實際值之間的對比。第34組數據誤差最小，第33組數據結果誤差最大。正如表5所示：誤差在1°左右，總體誤差值較小。

表5　預測結果與實際值對比

5　工程分析實例

5.1西藏驅龍銅礦大型露天礦邊坡角選取

根據礦區巖體分布及巖性特性和構造情況并綜合考慮礦區水文地質情況，將礦區邊坡角的穩定性等級劃分為三個區，分別為一區、二區和三區。根據礦山主要巖石物理力學參數及地質調查信息，對各分區巖層的綜合巖石力學參數進行了計算處理，并采用RMR的巖體質量評價體系和SMR結構面方位調整系數方法對三個區域的巖體質量和結構面方位系數進行了計算，用于邊坡穩定性神經網絡辨識的各項參數見表6所示。

表6　邊坡角預測基礎參數

表7　歸一化處理后基礎參數表

將原始參數進行規一化處理后，形成表7歸一化參數表。通過網絡模型訓練，得到邊坡開挖角度預測值分別為：一區邊坡角預測值43.5°，二區邊坡角41.5°，三區邊坡角38.8°。

5.2預測結果評價

采用數值計算法對該礦山邊坡的三個區域分別進行多開挖角度方案分析，分析結果如下：

通過對3個分區的3種方案分析計算，分區數值模擬計算結果如下：

（1）一區：邊坡角43°，K值1.7125；邊坡角44°，K值1.4625；邊坡角45°，K值1.2125。

（2）二區：邊坡角41°，K值1.6875；邊坡角42°，K值1.4375；邊坡角43°，K值1.0625。

（3）三區：邊坡角38°，K值1.7625；邊坡角39°，K值1.4375；邊坡角40°，K值1.2625。

根據相關規范的邊坡穩定系數的要求［14］：在一般情況下，應大于或等于1.1；當最終邊坡上部有重要建、構筑物，且露天采場服務年限大于20年時，應大于或等于1.4。如果采用數值計算方法，并結合該規范確定的合理開挖邊坡角為：區域一邊坡角44°，區域二邊坡角42°，區域三邊坡角39°，與網絡訓練結果一致，從安全系數角度看，網絡訓練出來的邊坡開挖角滿足規范對邊坡穩定性安全系數的要求。

6　結論

（1）通過改進的BP神經網絡計算方法建立的境界邊坡穩定開挖坡角訓練模型，可以通過較少的樣本，獲得比較滿意的訓練結果，計算量小，計算精度高，隨著樣本數量的增多，系統的知識儲備越豐富，預測結果也就愈精確。

（2）境界邊坡的最終開挖坡角可以通過BP神經網絡計算方法實現定量或半定量的評價，預測結果的評價可以采用有限差分法進行的開挖角度多方案計算，通過計算得到的安全系數與相關規范規定進行對比，綜合判定預測結果的合理性，系統預測出來的開挖角度必須滿足規范對開挖邊坡安全系數的基本要求。

（3）改進的BP神經網絡計算方法可以作為露天境界邊坡坡角的預測方法，但需要更加豐富的邊坡訓練樣本和更加科學合理的評估結果驗證方法，這些方面還需要進一步研究。

［1］ 高雋.人工神經網絡原理及仿真實例［M］.北京：機械工業出版社，2003.

［2］ 魏海坤.神經網絡結構設計的理論與方法［M］.北京：國防工業出版社，2005：2.

［3］ Simon Haykin.神經網絡原理［M］.北京：機械工業出版社，2004：109-173.

［4］ 楊安華，彭清娥，劉光中.BP算法固定學習率不收斂原因分析及對策［J］.系統工程理論與實踐，2002（12）：22-25.

［5］ TAKASE H.，KIKA H，HAYASHI T A study on the simple penalty termto the error function from the viewpoint of fault tolerant training［J］.Proceeding of the 2004 International Joint conference on Neural Network， 2004，14（3）：1045-1050.

［6］ 李杰，韓正之.神經網絡的學習誤差函數及泛化能力［J］.控制與決策，2001，15（1）：95-97.

［7］ 魏海坤.神經網絡結構設計的理論與方法［M］.北京：國防工業出版社，2005.［8］ Bieniawski Z T. Engineering Rock Mass Classification- A Complete Manual for Engineers and Geologists in Mining，Civil and Petroleum Engineering［M］.Wiley：Interscience Publication，1989.

［9］ 李勝偉，李天斌，王蘭生.邊坡巖體質量分類體系CSMR法及應用［J］.地質災害與環境保護，2001（2）：45-49.

［10］ 郝陪鋒，肖文棟，祝鋼，等.關于BP網絡變結構問題的研究［J］.控制與決策，2001，16（3）：287-290.

［11］ PU P，YAICHI H，SHIRO U. Mutation-Based Genetic Neural Network［J］.IEEE Transactions on Neural Networks，2005，16（3）：1021-1026.

［12］ WEI G.An Improved Fast-convergent Genetic Algorithm［J］. Proceeding of the 2003 IEEE International Conference on Robotics，Intelligent Systems and Signal Proceeding，October，2003，12（6）：254-258.

［13］ 苗明義.露天礦最終邊坡角的BP神經網絡預測及數值模擬驗證［J］.有色金屬，2013，65（3）：70-74.

Neural network forecasting method analysis on stability of final boundary slope angle

Based on improved BP neural network， the excavation slope angle of stability final boundary slope was obtained. Firstly，The factors on excavation angle of final boundary stable slope was analized to determine input parameters BP neural network predictive model， and classification of parameters criteria and the corresponding parameter data input mode was obtained according to the parameter type， while the number of the network layers and nodes were confirmed. Finally， 34 slope stability training samples were collected. the network appraisal database normalized and corresponding training curve were given by network training. The assessment about excavation slope angle was predicted by the slope evaluation parameters input to the calculation model. It is shown that forecasting slope stability angle is reasonable， to numerical calculation and systems engineering experience.

Final boundary slope； BP neural network； slope angle； prediction； training sample

P642

A

1008-1151（2016）03-0022-04

2016-02-12

文自立（1962-），男，中國水利水電第八工程局有限公司土建工程師，從事施工技術（水電、路橋、建筑）及施工管理工作。