人工神經網絡邊坡穩定性高級工程師期刊論文

　　摘要：人工神經網絡最大的能力就在于可以模擬人大腦的思維，能在完全不知道數據分布規律的情況下處理各種參數間的復雜非線性映射關系。本次研究正是利用神經網絡的這一巨大優勢，對邊坡的穩定性進行分析和預測。將已經通過驗證的一些邊坡影響因子參數輸入神經網絡模型，作為輸入單元，再經過隱含層和輸出單元的訓練，最終得到預測結果。預測結果與實際工程結果非常接近，為邊坡穩定性評價提供了一種新的方法。

　　關鍵詞：BP神經網絡,邊坡穩定性

　　0 引言

　　隨著計算機技術進步，神經網絡技術進入人們視線。復雜的非線性關系是邊坡穩定性分析中最大的障礙，而神經網絡則具備良好的處理上述關系能力，所以，本次研究使用BP神經網絡方法對邊坡穩定性進行預測。

　　1 BP神經網絡對邊坡穩定性的分析

　　一個具有n個輸入單元，2n+1個中間單元和m個輸出單元的三層網絡能精準表達出任何映射。所以，本文采用該模式進行預測。

　　1.1 對輸入單元的確定

　　土質邊坡穩定性受多因素影響。這里取土體重度γ，坡體高度h，坡角β，孔隙水壓力比，內聚力c、內摩擦角φ作為邊坡的主要影響因素。

　　由上可知，本次神經網絡，輸入層6個神經元，隱含層13個神經元，輸出層1個神經元。

　　1.2 BP神經網絡的訓練

　　通過35個算例的影響因子數據和安全系數，讓神經網絡形成一套特有的映射關系。

　　1.2.1網絡訓練樣本參數的歸一化

　　因為樣本存在差異，對數據進行歸一化是很必要的。根據本次網絡特點，將樣本的數據處理到0.1~0.9之間，公式 即可。

　　1.2.2 網絡初始權值

　　本次選用 為初始權值的數量級，其中s是隱含層的神經元數，r是輸入數。

　　1.2.3自適應學習速率選擇

　　在網絡訓練的過程當中，如果訓練速率是定值，那就不能保證每個訓練階段都是合理的，所以使用動態、可調節的速率來訓練網絡將會非常必要。

　　這里E是平方誤差，R是學習速率。誤差小于上次誤差時，學習速率將放大1.05倍;誤差大于上次誤差的1.03倍時，學習速率將縮小到原來的0.6倍，其他情況不變。

　　由上可知，這里選用6-13-1的網絡結構，樣本總數是35，初始學習速率是0.7，遞增因子是1.05，遞減因子是0.6，誤差速率為1.04，目標誤差是0.01。因子取值情況見表1所示。

　　網絡的節點作用函數使用非線性可微連續Sigmoid型函數： 。

　　1.3 網絡對邊坡的預測

　　網絡訓練完成后，拿出5組新邊坡輸入訓練好的神經網絡中進行模擬，從而檢驗該方法的合理性，選取出來的邊坡都是具有極強代表性的，具體數據見表2所示。

　　2 結論

　　表3中的安全系數1是神經網絡的預測結果，安全系數2是工程上測定出的安全系數，從表中的數據可以看出，本次神經網絡的預測結果和實際值相差很小，具有一定的工程意義。

　　(1)借助大量通過驗證的邊坡數據，對BP神經網絡進行訓練，形成了一套同類邊坡的映射機理。

　　(2)利用訓練好的神經網絡，對一些典型邊坡進行穩定性預測，得到的結論與實際結果相差不大。

　　(3)通過分析可知，本次研究為邊坡穩定性分析提供了一種更為簡單而易行的方法。

　　參考文獻(Reference)

　　[1]戴自航，盧才金.邊坡失穩機理力學解釋[J].巖土工程學報，2006,28(10):1193-1197.

　　[2]張彩雙，李俊杰，胡軍.有限元強度折減法的邊坡穩定分析[J].中國農村水利水電，2006(5):72-74.

　　[3]莫永強，丁德馨，肖猛.改進BP神經網絡在邊坡穩定性評價中的應用[J].礦冶，2006，15(2):10-12.

　　[4] J.Bojorque G.DE Roeck J.Maertens.Comments on ‘Two-dimensional slop stability analysis by limit equilibrium and strength reduction methods’ by Y.MCheng, T.Lansivaara and W.B.Wei [J].Computer and Geotechnics， 2007 ，34:305-308.

　　[5]邱道宏，陳劍平，闕金聲. 基于粗糙集和人工神經網絡的洞室巖體質量評價[J].吉林大學學報(地球科學版)，2008，38 (1):87-91.