基于粒子群算法與RBF 神經(jīng)網(wǎng)絡(luò)的露天礦邊坡穩(wěn)定系數(shù)預(yù)測(cè)

韓 亮，賀昌斌，柴書罡

（中煤平朔集團(tuán)有限公司 安太堡露天礦，山西 朔州 036006）

現(xiàn)有邊坡穩(wěn)定性分析的確定性方法理論完善，推導(dǎo)嚴(yán)謹(jǐn)，在工程實(shí)踐中具有一定的實(shí)用性及可靠性；然而，露天礦邊坡是一個(gè)動(dòng)態(tài)、開放的復(fù)雜系統(tǒng)，其穩(wěn)定性不但受地質(zhì)、工程等各種可測(cè)的確定性因素影響，還受多種隨機(jī)、模糊、可變、不可測(cè)的不確定性因素影響，各種影響因素之間的關(guān)系復(fù)雜，且往往是非線性的，導(dǎo)致邊坡穩(wěn)定性分析評(píng)價(jià)很難或不可能建立明確的數(shù)學(xué)、力學(xué)模型并進(jìn)行準(zhǔn)確地求解；此外，由于確定性方法在進(jìn)行邊坡穩(wěn)定性分析評(píng)價(jià)時(shí)，僅選擇了其中起主要控制作用的可測(cè)因素建立模型，對(duì)不可測(cè)因素進(jìn)行了簡(jiǎn)化，導(dǎo)致了評(píng)價(jià)結(jié)果存在一定程度的不可靠性[1]。

RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度很大程度上依賴于網(wǎng)絡(luò)的隱含層基函數(shù)中心值C、寬度σ 以及隱含層至輸出層的連接權(quán)值w 等參數(shù)的選擇，RBF 神經(jīng)網(wǎng)絡(luò)參數(shù)主要通過經(jīng)驗(yàn)與試算的方式確定，極易由于參數(shù)選取不當(dāng)對(duì)RBF 神經(jīng)網(wǎng)絡(luò)的收斂性及預(yù)測(cè)精度產(chǎn)生較大影響。為克服RBF 神經(jīng)網(wǎng)絡(luò)參數(shù)選取不當(dāng)產(chǎn)生的問題，引入具有全局搜索能力的粒子群算法（Particle Swarm Optimization，PSO）對(duì)RBF 神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，在此基礎(chǔ)上，構(gòu)建RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)露天礦邊坡穩(wěn)定系數(shù)。

1 粒子群算法與RBF 神經(jīng)網(wǎng)絡(luò)

1.1 粒子群算法

粒子群算法（Particle Swarm Optimization，PSO）是Kennedy 與Eberhart 于1995 年提出的群體智能仿生優(yōu)化算法，算法采用“群體”與“進(jìn)化”的概念，群體由在n 維搜索空間中的個(gè)體（粒子）構(gòu)成，個(gè)體在搜索空間以一定速度飛行，飛行速度由個(gè)體的飛行經(jīng)驗(yàn)和群體的飛行經(jīng)驗(yàn)進(jìn)行動(dòng)態(tài)調(diào)整，并依據(jù)個(gè)體的適應(yīng)值大小決定下一步操作。

粒子群算法初始時(shí)刻，將數(shù)據(jù)進(jìn)行聚類后得到的聚類中心設(shè)置為第一批潛在解，并隨機(jī)生成第一批速度向量Vi，在每一次迭代中，粒子通過跟蹤個(gè)體極值Pbest和全局極值Gbest更新自己的位置與速度[2]：

式中：k 為當(dāng)前迭代次數(shù)；V 為粒子速度；X 為粒子位置；c1、c2為加速因子，為非負(fù)常數(shù)；r1、r2為分布于[0，1]之間的隨機(jī)數(shù)。

1.2 RBF 神經(jīng)網(wǎng)絡(luò)

RBF（Radial Basis Function，徑向基函數(shù)）神經(jīng)網(wǎng)絡(luò)由于具有結(jié)構(gòu)自適應(yīng)確定、系統(tǒng)輸出與初始權(quán)值無(wú)關(guān)等優(yōu)良特性，在多維曲面擬合、自由曲面重構(gòu)等領(lǐng)域得到廣泛應(yīng)用[3]。

基本RBF 神經(jīng)網(wǎng)絡(luò)由3 層構(gòu)成，第1 層是輸入層，其作用是連接網(wǎng)絡(luò)與外界環(huán)境，將信號(hào)傳遞到隱層；第2 層為唯一的一個(gè)隱層，其作用是從輸入層到隱層之間進(jìn)行非線性變換，與BP 神經(jīng)網(wǎng)絡(luò)不同，大多數(shù)情況下隱層都具有較高的維數(shù)，其神經(jīng)元傳遞函數(shù)由呈輻射狀的作用函數(shù)-徑向基函數(shù)構(gòu)成；第3層是線性輸出層，它對(duì)作用于輸入層的激活模式做出響應(yīng)。

RBF 神經(jīng)網(wǎng)絡(luò)常用的基函數(shù)有以下幾種形式[4]：①高斯函數(shù)；②復(fù)二次函數(shù)；③廣義復(fù)二次函數(shù)；④逆復(fù)二次函數(shù)。最常用的是高斯核函數(shù)：

式中：uj為第j 個(gè)隱層節(jié)點(diǎn)的輸出；X 為輸入樣本；Cj為高斯函數(shù)的中心值；σj為標(biāo)準(zhǔn)化常數(shù)；Nh為隱層節(jié)點(diǎn)數(shù)。

由上式可知，節(jié)點(diǎn)輸出范圍在0～1，且輸入樣本越靠近節(jié)點(diǎn)中心，輸出值越大。

相關(guān)研究表明[5]，RBF 神經(jīng)網(wǎng)絡(luò)與BP 神經(jīng)網(wǎng)絡(luò)一樣具有以任意精度逼近任意連續(xù)函數(shù)的能力，兩者的主要差別在于各自使用了不同的作用函數(shù)。BP神經(jīng)網(wǎng)絡(luò)隱節(jié)點(diǎn)作用函數(shù)的函數(shù)值在無(wú)限大的輸入空間范圍內(nèi)為非零值，而RBF 神經(jīng)網(wǎng)絡(luò)中的徑向基函數(shù)作用則是局部的。由于RBF 神經(jīng)網(wǎng)絡(luò)的隱層徑向基函數(shù)族是閉集，可以達(dá)到與被逼近函數(shù)距離范數(shù)的下確界，是最佳逼近，而BP 神經(jīng)網(wǎng)絡(luò)隱層作用函數(shù)的逼近函數(shù)族是非閉集合，所以不具有最佳逼近性質(zhì)。因此，RBF 神經(jīng)網(wǎng)絡(luò)具有BP 神經(jīng)網(wǎng)絡(luò)無(wú)法比擬的優(yōu)點(diǎn)：全局優(yōu)化、最佳逼近的性質(zhì)，以及相對(duì)快速的學(xué)習(xí)方法[6]。

2 基于粒子群與RBF 的邊坡穩(wěn)定系數(shù)預(yù)測(cè)模型

2.1 露天礦邊坡穩(wěn)定系數(shù)的原理

基于粒子群算法與RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)邊坡穩(wěn)定系數(shù)的實(shí)質(zhì)是曲面插值，認(rèn)為影響邊坡穩(wěn)定性的定量化因素與穩(wěn)定系數(shù)的空間分布能夠用一個(gè)復(fù)雜的非線性函數(shù)進(jìn)行逼近，建立邊坡穩(wěn)定性影響因素與穩(wěn)定系數(shù)之間的函數(shù)關(guān)系：

式中：x1,x2,…,x 為影響邊坡穩(wěn)定的定量化因素；fs為邊坡穩(wěn)定系數(shù)。

RBF 神經(jīng)網(wǎng)絡(luò)以邊坡巖體密度ρ、黏聚力C、內(nèi)摩擦角φ、邊坡角α、邊坡高度H、孔隙壓力比γu等6 個(gè)可量化的影響因素作為網(wǎng)絡(luò)輸入，以邊坡穩(wěn)定系數(shù)fs作為網(wǎng)絡(luò)的輸出，即網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)為6，輸出層節(jié)點(diǎn)數(shù)為1。用已獲得的量化的邊坡穩(wěn)定性影響因素及穩(wěn)定系數(shù)為訓(xùn)練樣本對(duì)RBF 神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將邊坡穩(wěn)定性影響因素屬性值與邊坡穩(wěn)定系數(shù)之間的非線性函數(shù)關(guān)系隱藏在收斂后的RBF 網(wǎng)絡(luò)之中，然后將待預(yù)測(cè)的邊坡影響因素量化屬性值作為網(wǎng)絡(luò)輸入，利用訓(xùn)練好的RBF 神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真預(yù)測(cè)，即可得到待預(yù)測(cè)邊坡的穩(wěn)定系數(shù)。

預(yù)測(cè)邊坡穩(wěn)定系數(shù)的RBF 神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖1。

圖1 邊坡穩(wěn)定系數(shù)預(yù)測(cè)RBF 神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

粒子群算法模擬的蟻群搜索方式克服了傳統(tǒng)算法依賴初始聚類中心且容易陷入局部最優(yōu)的缺點(diǎn)。粒子群算法以RBF 輸入數(shù)據(jù)擬合殘差絕對(duì)值的和為適應(yīng)度值，并將粒子群算法作為RBF 神經(jīng)網(wǎng)絡(luò)訓(xùn)練的前導(dǎo)性計(jì)算，以期獲得RBF 神經(jīng)網(wǎng)絡(luò)訓(xùn)練的最優(yōu)參數(shù)值。

粒子群算法的目標(biāo)函數(shù)min f（i）為：

式中：fci為通過模型計(jì)算得到的邊坡穩(wěn)定系數(shù)值；fi為已知樣本點(diǎn)邊坡穩(wěn)定系數(shù)值；i 為樣本數(shù)據(jù)序號(hào)；n 為樣本數(shù)據(jù)組數(shù)。

2.2 露天礦邊坡穩(wěn)定系數(shù)模型的建立

1）訓(xùn)練樣本數(shù)據(jù)歸一化。由于所選取的邊坡穩(wěn)定性影響因素量綱不同，因此各因素之間具有不可共度性，不能進(jìn)行直接比較，必須把這些量化的因素按某種效用函數(shù)歸一化到某一無(wú)量綱區(qū)間。采用線性歸一化方法對(duì)所選取的6 個(gè)邊坡穩(wěn)定性影響因素及邊坡穩(wěn)定系數(shù)訓(xùn)練樣本數(shù)據(jù)進(jìn)行歸一化處理。若訓(xùn)練樣本數(shù)據(jù)中第i 個(gè)影響因素的最大與最小值分別為ximin與ximax，則歸一化后的第i 個(gè)影響因素為xi′。設(shè)訓(xùn)練樣本數(shù)據(jù)中邊坡穩(wěn)定系數(shù)的最大、最小值分別為fsmax、fsmin，則歸一化后的第i 個(gè)邊坡穩(wěn)定系數(shù)為fsi′。

2）應(yīng)用粒子群算法優(yōu)化RBF 神經(jīng)網(wǎng)絡(luò)模型參數(shù)。①確定粒子群算法初始潛在解：采用隨機(jī)方法確定輸入數(shù)據(jù)的中心向量；②確定粒子群參數(shù)值：粒子個(gè)數(shù)取20，最大迭代次數(shù)取100，加速因子c1=c2=1.494 45；③初始化粒子初值和速度，并用適應(yīng)度函數(shù)計(jì)算粒子群中各粒子的適應(yīng)度值；④對(duì)每個(gè)粒子，比較其適應(yīng)度與它所經(jīng)歷的最好中心點(diǎn)的適應(yīng)度，如果更好，則更新Pbest；⑤對(duì)每個(gè)粒子，比較它的適應(yīng)度與群體所經(jīng)歷的最好中心點(diǎn)的適應(yīng)度，如果更好，則更新Gbest；⑥更新粒子的速度與中心點(diǎn)；⑦重復(fù)步驟④～步驟⑥，直到適應(yīng)度值滿足結(jié)束條件或達(dá)到最大迭代次數(shù)，返回全局最小適應(yīng)度值對(duì)應(yīng)的中心點(diǎn)Gbest對(duì)應(yīng)的粒子作為RBF 神經(jīng)網(wǎng)絡(luò)參數(shù)。

3）RBF 神經(jīng)網(wǎng)絡(luò)建立與訓(xùn)練。將經(jīng)粒子群算法優(yōu)化得到的全局最小適應(yīng)度值對(duì)應(yīng)的中心點(diǎn)Gbest作為RBF 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)，利用MATLAB 神經(jīng)網(wǎng)絡(luò)工具箱建立RBF 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)，將歸一化后的6 個(gè)邊坡穩(wěn)定性影響因素（邊坡巖體密度ρ、黏聚力C、內(nèi)摩擦角φ、邊坡角α、坡高H、孔隙壓力比γu）樣本值作為網(wǎng)絡(luò)輸入層的輸入，對(duì)應(yīng)的歸一化后的邊坡穩(wěn)定系數(shù)樣本fs作為網(wǎng)絡(luò)輸出，對(duì)RBF 神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，建立起邊坡巖體密度ρ、黏聚力C、內(nèi)摩擦角φ、邊坡角α、邊坡高度H、孔隙壓力比γu與邊坡穩(wěn)定系數(shù)fs之間的非線性映射關(guān)系，并儲(chǔ)存于網(wǎng)絡(luò)之中。

4）網(wǎng)絡(luò)仿真。將待預(yù)測(cè)邊坡的巖體密度ρ、黏聚力C、內(nèi)摩擦角φ、邊坡角α、邊坡高度H、孔隙壓力比γu數(shù)據(jù)進(jìn)行歸一化處理，將處理后的數(shù)據(jù)輸入到訓(xùn)練好的RBF 神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真，RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)出與各組輸入數(shù)據(jù)對(duì)應(yīng)的邊坡穩(wěn)定系數(shù)fsi*，將此預(yù)測(cè)數(shù)據(jù)按下式進(jìn)行反向還原，即得到各邊坡穩(wěn)定系數(shù)預(yù)測(cè)值fs：

式中：fs*為RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的邊坡穩(wěn)定系數(shù)值，fs為反向還原后的邊坡穩(wěn)定系數(shù)值。

3 應(yīng)用實(shí)例與結(jié)果分析

基于MATLAB 軟件平臺(tái)，編制基于粒子群算法與RBF 神經(jīng)網(wǎng)絡(luò)[7]的露天礦邊坡穩(wěn)定系數(shù)預(yù)測(cè)程序PSO-RBF。原始邊坡樣本數(shù)據(jù)共45 組，經(jīng)粒子群算法優(yōu)化RBF 神經(jīng)網(wǎng)絡(luò)參數(shù)后，建立RBF 神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)模型，另外5 組樣本作為檢驗(yàn)數(shù)據(jù)，用以檢驗(yàn)RBF神經(jīng)網(wǎng)絡(luò)的泛化能力。另選取6 組邊坡數(shù)據(jù)[8]，分別應(yīng)用PSO-RBF 神經(jīng)網(wǎng)絡(luò)與單純RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)邊坡穩(wěn)定系數(shù)。

選取其中的40 組邊坡樣本數(shù)據(jù)見表1。

邊坡穩(wěn)定系數(shù)分析計(jì)算值與PSO-RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值見表2。

RBF 與PSO-RBF 神經(jīng)網(wǎng)絡(luò)邊坡穩(wěn)定系數(shù)預(yù)測(cè)值對(duì)比見表3（表中邊坡穩(wěn)定系數(shù)計(jì)算值是采用二維剛體極限平衡法計(jì)算得出）。

由表2（表中邊坡穩(wěn)定系數(shù)計(jì)算值是采用二維剛體極限平衡法計(jì)算得出）可知，PSO-RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)邊坡穩(wěn)定系數(shù)最大相對(duì)誤差3.02%，最小0.35%，平均誤差1.60%，預(yù)測(cè)精度完全能夠滿足實(shí)際工程需要。

由表3 分析可知，RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)性能不夠穩(wěn)定，6 組數(shù)據(jù)中有2 例預(yù)測(cè)結(jié)果誤差較大，相對(duì)誤差已分別達(dá)到11.48%和15.10%，PSO-RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果相對(duì)比較均衡，相對(duì)誤差最大僅為2.49%，與單純的RBF 神經(jīng)網(wǎng)絡(luò)方法項(xiàng)目比，PSORBF 神經(jīng)網(wǎng)絡(luò)邊坡穩(wěn)定系數(shù)預(yù)測(cè)方法的預(yù)測(cè)性能更穩(wěn)定、精度更高。

表1 PSO-RBF 神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本數(shù)據(jù)

表2 邊坡穩(wěn)定系數(shù)分析計(jì)算值與PSO-RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值

表3 RBF 與PSO-RBF 神經(jīng)網(wǎng)絡(luò)邊坡穩(wěn)定系數(shù)預(yù)測(cè)值對(duì)比

4 結(jié)語(yǔ)

1）RBF 神經(jīng)網(wǎng)絡(luò)是由大量處理單元組成的非線性大規(guī)模自適應(yīng)系統(tǒng)，其隱層可實(shí)現(xiàn)從輸入空間到隱空間的非線性變換，對(duì)解決諸如邊坡穩(wěn)定系數(shù)預(yù)測(cè)這類復(fù)雜非線性問題具有獨(dú)特的優(yōu)勢(shì)。利用粒子群算法全局搜索能力對(duì)RBF 神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，避免了由于RBF 神經(jīng)網(wǎng)絡(luò)參數(shù)選取不當(dāng)對(duì)邊坡穩(wěn)定系數(shù)預(yù)測(cè)精度的影響。

2）在影響露天礦邊坡穩(wěn)定的眾多因素中，選取了邊坡巖體密度ρ、黏聚力C、內(nèi)摩擦角φ、邊坡角α、邊坡高度H、孔隙壓力比γu等6 個(gè)可量化的典型影響因素，建立了基于粒子群算法的RBF 神經(jīng)網(wǎng)絡(luò)邊坡穩(wěn)定系數(shù)預(yù)測(cè)模型。

3）實(shí)踐應(yīng)用表明，基于粒子群算法與RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)邊坡穩(wěn)定系數(shù)結(jié)果可靠，能夠滿足實(shí)際工程需要。與單純的RBF 神經(jīng)網(wǎng)絡(luò)方法相比，PSO-RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度更高，性能更穩(wěn)定。