基于RBF神经网络方法的铀尾矿坝失稳预报分析研究

赵 然，郭 赞

(南华大学 环境保护与安全工程学院，湖南 衡阳 421001)



基于RBF神经网络方法的铀尾矿坝失稳预报分析研究

赵 然，郭 赞

(南华大学 环境保护与安全工程学院，湖南 衡阳 421001)

指出了尾矿坝是矿产业设施的重要组成部分，尾矿坝的安全稳定运行对选矿厂的生产起着非常重要的作用，所以，对尾矿坝进行稳定性监测是非常必要的。针对尾矿坝的库水位，应用RBF神经网络算法对样本数据进行预测并且与实际值进行了对比，符合程度很好，说明预测值与实际值十分接近，误差很小；同时，此次网络训练经多次迭代运算，误差曲线收敛于目标值，效果良好。综上说明，此次训练效果良好，可以用于预测其他参数。预测结果表明：库水位高程误差在0.001 m内，属于合理范围，尾矿库的库水位处于安全状态，风险较低。

坝体稳定性；RBF神经网络；铀尾矿坝；库水位

1　引言

当前，国内外一些专家学者对于尾矿坝有一些深入的研究。基于此，笔者总结了国内外尾矿库事故的经验教训，论述了尾矿库的安全现状及其危害性，列举了国内外重特大尾矿库溃坝灾害的案例，并对典型案例发生的原因进行了一些简要的分析，指出了尾矿库的安全在线监测对于把握好尾矿库的安全现状，加强尾矿库的安全监管，减少尾矿库的事故发生等具有重要的意义。

尾矿库的事故，通常是由于监测预警运行维护不到位或者尾矿库自身缺陷所致。一旦尾矿坝失事，造成的伤害是难以估量的。因此，加强尾矿库稳定性的研究，这是值得引起广大科研学者和企业管理人员的高度重视。本文就采用了RBF神经网络的方法，试图建立一个铀尾矿坝的失稳预报专家模型，对铀尾矿坝进行实时稳定性预报，并提出合理应对措施，对于减少铀尾矿坝的事故发生，确保人民群众生命财产安全和社会环境安全都具有极其重要的现实意义。

2　RBF神经网络方法的主要原理

径向基函数神经网络(Radial Basis Function Neural Network，缩写RBF)是一种使用频繁的三层前馈型网络，不仅可以在函数逼近方面可以运用，模式分类也可以运用。较于别的类型人工神经网络，RBF网络有生理学基础、优良的逼近性能、结构简单、学习速度快等特点。

径向基函数属于数值分析的探究领域，在某些程度上运用了多维空间的传统严格插值的结果。多变量严格插值的问题，需要插值必须通过全部的训练数据点，用数学语言描述如下：

设定一个含有N个不同的点的集合{xi∈Rn|i=1,2,…,N}以及相应的N个实数的集合{yi∈R1|i=1,2,…,N}，找寻一个函数F：RN→R1满足下列插值条件式为：

F(x)=yi,i=1,2,…,N

(1)

在RBF方法中，函数F具有如下形式：

(2)

(2)式中{φ(‖x-xi‖)|i=1,2,…,N}是一个含有N个随便的径向基函数的集合，‖·‖表示范数，一般为欧式范数，xi∈RN，为训练数据，作为径向基函数的中心。

把(1)式代入(2)式，得到关于权值的齐次线性等式

(3)

φji=φ(‖xj-xi‖),j,i=1,2,…,N

(4)

令y=[y1,y2,…,yN]T，表示期望输出向量；w=[w1,w2,…,wN]T，表示连接权值向量；φ=[φji|j,i=1,2,…,N]，表示插值矩阵。式(3)可以写成：

φw=y

(5)

如果φ∈RN*N可逆，可以解出权向量w，表示为：

w=φ-1y

(6)

(1)Gaussian函数：

(7)

(2) 多二次函数：

φ(r)=(r2+c2)1/2,c>0,r∈R

(8)

(3) 逆多二次函数：

(9)

3　某铀尾矿坝的工程概况

某铀尾矿坝位于我国南部某省的A市某乡境内，距离市区15 km。该坝地处B河流的上游，其南、西、北均被该河流包围，北距该河流约2 km，南距该河流约3 km，西距该河流约5 km。东面3 km处有某大铁路与某国道通过。尾矿库东偏北1.5 km处是某大型工厂，东北方向约2 km是该库厂区的生活区。尾矿库位于水冶厂区以南约800 m的丘陵山谷中。库区为丘陵地貌，地形高差变化不大，比高20～30 m，最高的一个山头仅只40 m左右。尾矿库建在一条南北向，两端开口的山沟内。北端建初期坝，坝高12 m，坝顶标高82 m，南端建拦水坝，坝高17 m，坝顶标高83 m。

4　监测点的测量与分析

根据整个坝体的9个不同坝段，选定了51个监测点，从2013年9月开始至2014年5月，每月对该51个监测点进行一次水位测量，得到一个整体的系列数据，再运用MATLAB软件的神经网络工具箱进行编程，MATLAB是一个可以搭载解释性语言，可以运用工程性的计算机语言来提供各种矩阵的计算，并有强大的处理信息的功能。它还有较强的开放性和作图功能，可以使分析结果以图表的形式表达出来。其中神经网络工具箱可以为本文编制的数据进行训练和仿真，给出动态的过程和可视化的训练工作，可以及时发现并解决问题。

采用MATLABR2010b版本的运行环境进行编程，经过神经网络多次训练后，训练结果较好，输入参数即可得出就能得出此段的高程差的预测值，训练样本预测值与实测值如图1和图2所示。

图1　网络模型预测误差曲线

由以上两图可知，应用RBF神经网络算法对样本数据进行预测并且与实际值进行对比，符合程度很好，说明预测值与实际值十分接近，误差很小；同时，此次网络训练经多次迭代运算，误差曲线收敛于目标值，效果良好。综上说明，此次训练效果良好，可以用于预测其他参数。预测结果表明，库水位高程误差在0.001 m内，属于合理范围，尾矿库的库水位处于安全状态，风险较低。

图2　RBF网络模型输出预测曲线

5　结语

本文以铀尾矿坝为研究对象，结合目前我国在这方面的研究，并根据实际情况对某铀尾矿坝进行分析。通过RBF神经网络在MATLAB中的实现，训练样本，最后得出了样本的预测值，同时对待评价处进行了预测，得出预测结果在可接受风险范围之内。综上结论，该尾矿坝风险较低，也说明了通过科学的预测方法得出了具有建设结论。

但是本文只对有限的因素进行了研究，而实际情况非常复杂，缺少野外的现场经验实测，对于确定的评价指标体系过于理想化，在数值模拟过程中也没有全面考虑各方面可能带来的影响。在最后的预测中，预测值和实测值的误差虽然在允许的范围内，但对于最后结论还是没有达到预期的目标，日后应结合具体实例不断完善。

[1]王国华,段希祥,庙延钢，等. 国内外尾矿库事故及经验教训[J]. 科技资讯,2008(1):23～24.

[2]李青石,李庶林,陈际经. 试论尾矿库安全监测的现状及前景[J]. 中国地质灾害与防治学报,2011(1):99～106.

[3]王利岗,张达. 在线监测系统在胡家峪铜矿尾矿库的应用[J]. 矿冶,2012(2):71～75.

[4]欧阳振华. 尾矿库坝体稳定性在线监测系统研究[J]. 金属矿山,2011(7):127～130.

[5]胡军,胡珊. 尾矿坝自动化安全监测系统设计与实现[J]. 矿业研究与开发,2010(2):90～93.

[6]李忠奎,廖国礼. 尾矿库溃坝监测预警系统设计研究[J]. 有色金属(矿山部分),2008(6):33～35.

[7]于广明,宋传旺,潘永战，等. 尾矿坝安全研究的国外新进展及我国的现状和发展态势[J]. 岩石力学与工程学报,2014(S1):3238～3248.

[8]吕方可,刘永,郭赞,等. 基于RBF神经网络方法的铀尾矿坝稳定性分析[J]. 绿色科技,2015(2):225～227.

[9]宋志飞,王群,赵雪芳,等. 某尾矿坝稳定性数值分析[J]. 工业安全与环保,2015(1):40～43，47.

[10]Rico M,Benito G,Salgueiro A R. Reported tailings dam failures,A review of the European incidents in the worldwide context[J],Journal of Hazardous Materials 2008(152):846～852.

[11]Salgueiro A R, Pereira H G, Maria-Teresa R. Application of correspondence analysis in the assessment of mine tailings dam breakage risk in the mediterranean region[J], Risk Analysis, 2008,28(1):13～23.

[12]Sum H L, Yao W X. The basic properties of some typical systems’ reliability in interval form[J]. Structural Safety, 2008,30(4):364～373.

[13]飞思科技产品研发中心.神经网络理论与MATLAB7实现[M].北京：电子工业出版社，2005：25～230.

2016-05-14

湖南省研究生科研创新项目资助(编号：2014SCX04)

赵然(1989—)，女，南华大学环境保护与安全工程学院硕士研究生。

TV649

A

1674-9944(2016)14-0051-02