边坡稳定性评价BP网络模型在输电线路塔基工程中的应用

2013-09-03柳玉波李鹏云

黑龙江科学 2013年2期

柳玉波，张峰，李鹏云

(1.广东电网公司韶关供电局，广东韶关 512026;2.广东电网公司，广州 510600;3.广东电网公司电力科学研究院，广州 510600)

电塔基础的承载体边坡犹如皮肤，电塔基础犹如肤毛，“皮之不存，毛将焉附”能够非常恰当地形容电塔基础对它下面边坡的依赖关系。如果边坡因为滑坡或者冲刷而完全失去承载功能或承载功能下降，往往导致其上电塔倒塌、倾斜而失去挂线功能。由此可见电塔基础下面边坡对电塔的重要性。

边坡稳定性安全系数计算一般采用数值计算方法，极限平衡法是在工程中应用最广也是最可靠的数值计算方法之一，该方法在应用时其准备工作也较烦琐，特别是圆弧形破坏和楔形破坏情况。因此，若有可能的话，采用一种准备工作更为简单的方法估算边坡的安全系数应是受欢迎的。

研究基于工程实例，探索应用人工神经网络BP模型建立土质边坡安全系数估算方法，并对广东输电线路塔基边坡情况进行预报与对比，论证该估算方法的合理性。

1 BP 网络模型［1－2］

本文采用误差逆传播(简称BP)神经网络模型，所谓误差逆传播就是把输出层出现的误差归结为各连接权的“过错”。通过把输出层单元的误差逐层向输入层“分摊”给各层单元，从而获得参考误差，并调整各边连接权。网络结构由三部分组成，即输入层LA，隐含层LB和输出层LC，如图1所示。其算法步骤如下:

(1)网络初始化，给权重矩阵(V和W)及阈值(θ和γ)赋［－1，+1］区间的随机值。

(2)给学习样本赋输入值与希望输出值。

(3)计算网络节点的值:

(4)计算代价函数:BP网络通过代价函数最小化过程完成输入到输出的映射。

式中，Cj为实际输出为希望输出;q为输出层神经元个数;N为样本个数。

图1 BP型神经网络的拓扑结构Fig.1 BP neural network topology

(5)连接权和阈值调整。

输出层与隐含层之间调整:

隐含层与输入层之间的调整:

式中:k为迭代次数;α、β为学习率;dj、ei为输出层和隐含层节点参考误差。公式:

(6)重复迭代运算直至代价函数小于预先给定的某一值为止，网络学习结束。

(7)用学习好的网络，输入待测的样本参数，就可以直接得到预测结果。

2 模型的建立和实现

2.1 广东地区输电线路塔基土质边坡稳定性预测模型建立

笔者在对广东韶关地区输电线路塔基边坡工程广泛地质调查基础上，认为广东地区输电线路塔基土质边坡工程地质特征各参数变化范围为密度1 400～2 300kg/m3、凝聚力0～60kPa、内摩擦角12°～39°、坡角6°～66°、坡高0 ～50m。

研究收集了30个危险圆弧破坏的、不考虑孔隙压力比的且符合广东地区输电线路塔基土质边坡工程地质特征各参数变化范围的土坡实例［3］，其安全系数采用极限平衡法计算后修正，如表1所示。

边坡稳定性安全系数计算的神经网络模型采用四层结构，影响边坡稳定性的各种因素，如土体容重、内聚力、内摩擦角、边坡角、边坡高度、孔隙压力比等用网络的输入节点表达，安全系数用网络的输出节点表达。网络的输入层与输出层之间的隐含层可有一个或多个。本例中采用自适应方法确定的网络结构为5—8—2—1。采用BP模型计算的安全系数和采用极限平衡法计算的安全系数很一致。据此我们采用intel Fortran语言开发了广东地区输电线路塔基滑坡风险评价系统。

表1 危险圆弧破坏的边坡实例Tab.1 Cases of circular slope failure

2.2 输电线路塔基滑坡风险评价系统在塔基边坡稳定性预测中应用实例

通洛乙线N90塔基滑坡区位于110kV通洛乙线N90号塔位下方，该滑坡长约27m，宽约34m，坡度约为41°。滑坡区原始坡面地形为30°～55°，微具汇水地形特征，因强降雨及持续降雨致使坡体充水软化，最终导致边坡极限平衡被打破而变形失稳。勘察测量结果表明，该边坡典型剖面坡高16.5m，坡角41°，滑坡带包含全风化花岗岩和强风化花岗岩，滑坡带饱和土体容重为20.6kN/m3。直剪试验结果全风化花岗岩内摩擦角33°和凝聚力1kPa，考虑滑坡带包含全风化花岗岩和强风化花岗岩，计算用内摩擦角33°和凝聚力10kPa。采用输电线路塔基滑坡风险评价系统计算结果表明，该边坡稳定性安全系数为0.958(见图2)，边坡不稳定。该边坡曾经发生过滑坡，现在锚固后而稳定，可见计算结果和实际情况一致。