基于BP技术在岩土边坡稳定性分析中的应用

基于BP技术在岩土边坡稳定性分析中的应用论文作者：李纯结作者单位：山东科技大学所学专业：岩土工程指导老师：孔德森副教授基于BP技术在岩土边坡稳定性分析中的应用李纯结刘伟韩松峰（山东科技大学土木建筑学院岩土所青岛266510）摘要：在土木工程中，常常遇到边坡倒塌这一类工程现象，造成大量的人员伤亡和财产损失。而影响边坡稳定的因素很多，如粘聚力、坡角等，它们都具有随机性，非线性关系，很难预测。本文利用模糊数学的基本原理，在VisualC++语言的基础上，研制开发了岩土边坡稳定系统评价的BP模型的计算机程序，通过实际工程分析，预测结果与实际完全吻合，说明所采用的BP算法评价岩土边坡稳定是正确的，可以用来指导实际，该计算程序简单，易操作，有一定的推广应用价值。对建立一个可持续发展的和谐社会具有极其重要的意义。关键词：边坡；稳定；模糊数学；预测BaseonBPTechnologyapplicationinthepredictionoftheconstructionprojectssituationLICHUN-jieLIUWeiHANGSong-feng(CollegeofCivilandArchitectureEng.,SUSTQingdao,Shandong266510,China)Abstract:Inconstructionprojects,therearealotofuncertainfactors,suchastheworksprogress,constructionsecuritysituation.Theyareveryrandom,nonlinearrelationship,andtheyaredifficulttopredict.Inthispaper,usingprincipleoffuzzymath,onthebasisofVisualC++language,developingevaluationofthesystem'scomputerprogramBPmodeloftheconstructionprocessofconstructionprogressandtheconstructionofthesecuritysituation,Throughpracticalengineeringanalysis,forecastandactualresultsarethesame,showingthatusingtheneuralnetworkalgorithmforBPconstructionprogressandevaluationofthesecuritysituationiscorrect,itcanbeusedtoguidepractice,Thecalculationproceduresaresimple,easyoperation,thepopularizationandapplicationofacertainvalue.ItisextremelyimportantsignificancetoestablishasafeShandongharmonioussociety.Keyword:construction;constructionsecurity;fuzzymath;prediction前言在土木工程活动中，经常遇到边坡的稳定问题。边坡坍塌是一种常见的工程现象,边坡由于稳定性丧失而滑动,通常称为“滑坡”，其失稳的主要形式是边坡在一定范围内整体地沿着某一曲面产生向下和向外移动。边坡失稳常会造成严重的工程事故，瞬间向下滑动，淹埋村庄，毁坏铁路、桥梁，堵塞河道，造成灾难性的后果；小则几十或几百立方米的土体滑动，基坑坍塌，造成人员伤亡和给施工带来困难。因此，分析边坡的稳定性，在工程上具有重要的实用意义和经济意义。边坡的种类有：(1)天然边坡，如山坡和岸坡，包括河流、湖泊、水库以及海边岸坡等；(2)人工开挖而成的，如基槽、基坑、渠道以及路堑的边坡；(3)人工填筑的，如土坝、路堤的边坡等。关于边坡稳定性的研究有数十年的历史,近二三十年来也有较大进展,目前,边坡稳定分析理论主要有极限平衡理论、塑性极限分析、模糊极值理论和有限单元法[1,2]。但由于自然界的因素非常复杂,目前理论上的定量分析只能限于较简单的情况。近年来，一门新兴边缘学科——人工神经网络引起了人们的广泛关注。本文将利用这一技术，通过分析该问题中影响边坡稳定性的主要不确定性信息，建立坡稳定性预测方法，通过检测坡稳定性影响因素可以智能化地实时确定边坡是否稳定，对减少施工过程中“滑坡”现象和控制施工进度具有十分重要的指导意义。是一种简便、实用、易于操作并能取得较为满意结果的分析方法。对建立一个可持续发展的和谐社会具有十分重要的意义。1神经网络简介BP神经网络是一种前传网络，即所处理的信息逐层向前流动，而当学习权值时，却是根据理想输出和实际输出的误差，由前向后逐层修改权值，从而减小误差准则函数，最终使网络输出逼近样本实际输出，达到训练神经网络的目。它采用了误差的后向传播(BackPropagation)的学习理论，因此而得名[3]。BP神经网络是一种多层前向网络，由输入层、隐含层(又称为中间层)和输出层组成。隐含层可以是一层也可以是多层。目前应用最广泛的是三层神经网络，即输入层、一层隐含层和输出层组成的BP神经网络。其学习过程由向前传播和向后传播两部分组成(如图1)。误差函数的求取是一个由输出层向输入层反向传播的递归过程。通过反复学习训练样本来修正权值。采用最速下降法使得权值沿着误差函数的负梯度方向变化，最后稳定于最小值。输出层隐含层输入层向前计算误差误差向后传递图1：神经网络结构示意图Fig.1SketchdrawingoftheBPnetmode1.1输入模式顺传播(1)从样本集中取一个样本(XP,YP)，将XP输人网络；(2)计算相应的实际输出OP。在此阶段，信息从输入层经过逐级的变换，传送到输出层。这个过程也是网络在完成训练后正常运行时的过程。在此过程中，网络执行的是下列运算:(1)(2)...()21(...((()npnpOFFFX=1.2向后传播阶段(1)计算实际输出0P与相应的理想输出YP的差；(2)按极小化误差的方式调整权矩阵；这两个阶段的工作一般应受到精度的控制，在这里取211()2mppjpjjEyO==-å作为网络关于第P个样本的误差测度。而网络关于整个样本集的误差测度为:pEE=å1.3循环记忆训练BP网络的训练、学习过程分两部分：首先，将数据输入网络输入层，输入层神经元接受到信息后，根据输入层神经元的传递函数将信息传给隐含层，隐含层神经元将信息传递给输出层；然后，用BP网络将实际输出与目标相比较，如果误差超过给定值，则将误差向后传递，也就是向输出层。2BP技术在岩土边坡稳定性中的预测2.1边坡稳定性的影响因素影响边坡稳定性的因素很多，根据对已有研究成果[4]的分析，宜区分为内部因子和外部因子。内部因子首选地质、地貌条件，如粘聚力、内摩擦角、坡角、坡高等；外部因子是各种作用在边坡上的促使内部条件发生变化的因子，如降雨和地震两个主要因子。综上，本文建立评价影响边坡稳定性的主要指标粘聚力/MPa、内摩擦角/°、坡角/°、坡高/m、年均降雨量/mm、最大地震烈度，这6个影响因素将成为神经网络的输入参数。本文，确定边坡稳定性的评价标准，本文评价标准分为5类：稳定、较稳定、一般、不稳定、极不稳定5类。本文也以此5类作为评价集，设置5类标准值为：稳定（A类）、较稳定（B类）、一般（C类）、不稳定（D类）、极不稳定（E类）。其输出参数分别为：稳定[0,0,0,0,1]A类、较稳定[0,0,0,1,0]B类、一般[0,0,1,0,0]C类、不稳定[0,1,0,0,0]D类、极不稳定[1,0,0,0,0]（E类）。2.2实例分析实例1:北京某地区人工开挖而成的基槽。经过测量，主要参数如下：C=0.03MPa，φ=23°,边坡开挖1：0.5放坡,故坡角β＝63.5°,基坑挖深11.5m(H=38.5m),资料查得北京地区地震活动频繁，历史上最大地震烈度为9，区内降水较多，年均降水量达700mm左右，7、8月常有暴雨。实例2：河南阳地区人工填筑的土坝的边坡。经过测量主要参数如下:C=0.023MPa,φ=18°,坡高135m(H=235m),坡度1：2～1：2.5，故坡角β＝24°，资料查得河南南阳地区的降雨丰富，年均降雨量为1000mm左右，全年50%的降水集中在夏季，常有暴雨且分布不均，大雨过后,常有诱发滑坡发生，历史上该地区最大地震烈度为7。2.3网络训练本文影响边坡稳定的因素有6个，主要指标粘聚力/MPa、内摩擦角/°、坡角/°、坡高/m、年均降雨量/mm、最大地震烈度，这6个影响因素将成为神经网络的输入参数。经过计算，本文隐含层取1个，输入层为1个，即边坡稳定性指标。其网络示意图如图2所示。边坡稳定粘聚力内摩擦角坡角坡高年均降雨量最大地震烈度图2：预测边坡稳定性神经网络结构示意图Fig.2SketchdrawingoftheBPnetmode建立训练样本集和评价样本集。本文采用5组数据作为网络训练样本，其具体数据见表1。然后对例1和例2的边坡稳定性进行预测，将例1和例2的数据作为预测样本。具体见表2所示。表1神经网络训练样本数据Table.1Thetrainingsampledataofneuralnetwork标号粘聚力内摩擦角坡角坡高年均降雨量最大地震烈度输出120.019.016.215.213.311.4A216.816.013.612.811.29.6B313.713.011.110.49.17.8C411.611.09.48.87.76.6D59.59.07.77.26.35.4E表2神经网络预测样本数据Table.1Thepredictionsampledataofneuralnetwork标号粘聚力内摩擦角坡角坡高年均降雨量最大地震烈度输出北京0.0323.063.538.57009.0D河南0.02318.024.0235.010007.0E经过1885次学习，网络各单元连接权值趋于稳定，训练结束。本次预测的结果为：例1中，北京地区的输出值为[0,1,0,0,0]，属于不稳定D类；例2中的预测结果为[1,0,0,0,0]，属于极不稳定（E类）。此数据与实际情况相符合。例2中的边坡已经产生了严重性的滑坡。说明采用BP技术预测岩土边坡稳定性可靠是正确的，对实际具有指导意义。3总结（1）本文介绍的BP网络模型评价分类方法是一种智能化的通用方法，对其它的岩土工程类问题同样适用。（2）该方法综合考虑了多种因素对岩土边坡稳定性评价的影响，避免了单因素对边坡稳定性进行评价所带来的偏差，具有很强的现实指导意义。参考文献[1]赵明华.土力学与基础工程[M].武汉:武汉工业大学出版社2000.[2]赵明华,邹新军等.边坡稳定分析及其在堤防工程中的应用[J].湖南大学学报(自然科学版),2001,28(3)[3]刘伟.BP神经网络技术在室内环境预测中的应用[J].青岛理工大学学报.2007.10[4]沈良峰,卢建峰等.岩土边坡稳定性分析的模糊综合评价实用方法[J].湘潭矿业学院学报.2002.9