神经网络模型在边坡坍塌预测中的应用★

2012-11-06李希峰

山西建筑 2012年35期

李希峰

(聊城大学建筑工程学院，山东聊城 252059)

0 引言

强度大的暴雨和持续时间长的连阴雨，常会导致边坡不同程度的坍塌，对边坡的稳定影响很大，且降雨强度越大，持续时间越长，塌的越厉害，有“小雨小塌，大雨大塌”之说［1］。例如:2010年7月四川出现了持续时间长、强度大的连续降雨，就发生了一万多处大小不等的滑坡和坍塌［7］。

降雨入渗促使边坡朝不利的方向发展，其作用是多方面的，归纳起来有如下几种:

1)降雨沿着土体中的孔隙或裂隙向下入渗，往往会在边坡的某处聚集，形成较高的局部水头，使土体里的动水压力和静水压力增高，下滑力增加。

2)降雨入渗减小了由土体自重所产生的抗滑力，并且使滑动面上的土体软化，抗剪强度降低。

3)降雨入渗使土体由非饱和状态转化为饱和状态。根据现代土力学知识:当土体处于非饱和状态时将产生负的孔隙水压力，有利于边坡的稳定，当有连续不断的降雨或者暴雨入渗时，由于水分不断地下移，非饱和带将逐渐消失，由非饱和带产生的负的孔隙水压力也将逐渐消失，处于临界状态的边坡就会失稳而破坏。

4)降雨入渗可能会改变土体的性质。例如:在黄土地区和膨胀土地区，土体遇水性质将发生显著改变，不利于边坡的稳定。

边坡的坍塌强度不仅与降雨持续时间和降雨强度有关，还与边坡土体本身性质相关。由于降雨时间和空间的不均匀性，同时降雨强度和土体本身性质也存在着空间分布的不均匀性。所以降雨与边坡坍塌强度之间的关系是非常复杂的，具有高度非线性。

1 区域降水条件下预测边坡坍塌强度的神经网络模型

1．1 模型输入指标选取

由于降雨时间和空间的非均匀性，同时降雨强度也存在着时间和空间的不均匀性，所以在指标的选取时选取能反映降雨这种特性的指标:降雨量、蒸发量。降雨量是指某一时间间隔内的累计降雨量，如把某一地区雨季(3月～9月)的累计降雨量叫做该区域的降雨量。蒸发量是指某一时间间隔内的累计蒸发量，如把某一地区非雨季(第一年10月～第二年2月)的累计蒸发量叫做该区域的蒸发量。

1．2 边坡坍塌强度的神经网络模型

虽然三层前向网络可以精确地逼近任何复杂的函数，但往往存在迭代次数多、收敛慢等各种缺点，所以本文采用多层前向网络，隐含层取2层。选取降雨量、蒸发量作为输入层神经元;输出层取3个神经元，它的取值是(1，0，0)，(0，1，0)，(0，0，1)，分别表示坍塌强度的大坍塌、中坍塌、小坍塌，在这里用一组正交向量来表示它们目的是尽量使它们分开，方便识别。模型中隐含层的神经元的个数为7个，激活函数为正切sigmoid函数，隐含层到输出层也采用正切sigmoid函数。其网络的拓扑结构见图1，其中w1，w2，w3表示权值，b1，b2，b3表示阀值。

2 计算实例

选取文献［1］中的24个实例做训练样本，其余的4个实例做预测样本。由于所选资料的所在地区属于膨胀土地区，为提高预测精度，加入了反映膨胀土特性的裂土类别，所建立网络的拓扑结构见图1。

图1 神经网络模型的拓扑结构

网络通过78次的学习，误差小于0．001，可以认为网络已满足实际应用的要求。而要达到同样的精度，采用附加动量法的梯度下降法，需要3 297次。

样本的参数与预测的结果见表1。

表中的干湿系数是与蒸发量有关的一个量，其在文献［1］中的定义是:

其中，g为干湿系数;Q为累计降雨量;Z为累计蒸发量;q为累计蒸发量期间的降雨量。裂土类别是与膨胀土的自由膨胀率(Fs)有关的一个量，其定义为:1类(Fs＜50)，2类(50＜Fs＜70)，3类(Fs＞70)。

表1 神经网络模型学习样本与预测结果

为了检验所构造的神经网络模型的正确性和映射的精确程度，将学习好的网络作回归判断表1中的学习样本，具体结果见表1。

由回归判断的结果可以看出，用于训练得24个样本均判断正确。而用于预测的另外4个样本，除安康2011年的结果判断错误外，其余3个样本均判断正确，正确率达75%，高于文献［1］所用的方法。作者曾用25个样本训练，预测余下的3个样本，均判断正确。由此可见，当用于训练的样本越多时，人工神经网络的预测精度是越高的。由验证和预测的结果可以看出该神经网络模型具有足够精度和非线性逼近能力，能满足实际应用的要求，且随着训练样本的增加，其预测精度提高。