基于人工神经网络的延吉沟泥石流危险度评价

崔承洋 李志萍

摘 要：本文结合延吉沟地质实况，选取了纵比降、流域面积、泥石流容重、泥石流沟长、危险区域面积和黏粒含量等6个项目为影响因子，采用研究区域附近6条典型泥石流沟作为样本训练神经网络，对其可能发生的泥石流地质灾害进行危险度评价，所得结果与人工经验算法结果基本一致，表明神经网络算法是一种实用的评价方法。

关键词：泥石流；神经网络；危险度评价

中图分类号：P642.23 文献标识码：A 文章编号：1003-5168（2018）07-0151-03

Risk Assessment of Debris Flow in Yanji Gully Based

on Artificial Neural Network

CUI Chengyang LI Zhiping

（North China University of Water Resources and Electric Power，Zhengzhou Henan 450000）

Abstract： Combining with geological live Yanji ditch， selected the longitudinal slope， the basin area， landslide， debris flow gully length bulk density， dangerous area and clay content and so on six projects as the impact factors， using a sample of several typical debris flow ditch in training neural networks， the possible landslides geological hazard risk evaluation， the result is consistent with the artificial experience results， show that neural network algorithm is a kind of excellent evaluation method.

Keywords： debris flow；neural network；risk assessment

延吉溝位于四川省岭南县境内东北隅。延吉沟流域内冲沟发育，常年径流，山高坡陡，沟床纵比降较大，加之坡面和沟床上存在大量松散堆积物，在暴雨条件下极易形成泥石流。因其泥石流汇入金沙江，位于某水电站的建设区域，所以极有可能对水电站造成不良影响。本文选取BP神经网络方法对延吉沟泥石流进行危险度评价。

1 研究区域概况

延吉沟流域位于金沙江白鹤滩峡谷左岸，大凉山山脉南坡。流域内地势西高东低，地貌类型属中山区。流域最高点海拔拉鲁梁子2 620m，最低点588m，相对高差2 032m。延吉沟自西向东汇入金沙江，金沙江枯水期水面高程约591m，河床底高程为570～575m[1]。延吉沟流域地质见图1。

延吉沟两侧的冲沟切割较深，沟道狭窄，多跌水陡坎，沟谷平均纵坡比降大于200‰。流域冲沟呈树枝状发育，汇水面积较大，主沟内常年流水，支流冲沟一般呈季节性流水，水量受季节性影响比较明显，汛期地表径流丰富，沟谷流水涨落频繁，最终排于金沙江。

延吉沟流域支沟山高坡陡，沟床纵比降大，再加上当地居民不合理的生产活动，使坡面和沟床上的松散堆积物拥有较大的势能，当遇到暴雨时，受坡面和沟谷径流的影响，可能产生动能强大的泥石流[2]。

2 神经网络计算原理

神经网络是从信息处理角度对人脑神经元网络进行抽象，从而建立起的某种按不同方式连接的简单模型组成的网络。神经网络方法是一种运算模型，其采用大量的节点相互联接构成，使每个节点代表一种特定的输出函数，每个位于两个节点间的连接都代表一个对于通过该连接信号的加权值，亦称为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式、权重值和激励函数的不同而不同。网络自身表达通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表述。人工神经网络采取并行分布式系统，采用了与传统人工智能和信息处理技术完全不同的机理，克服了传统计算方法基于逻辑符号的人工智能在处理直觉、非结构化信息方面的缺陷，具有自适应、自组织和实时学习的特点。

人工神经网络算法程序实现的具体步骤如下。

①初始化所有权系数wji、wkj，学习速率[η]，迭代次数l=1，累计误差。

②输入一个样本[X=X1，X2，…，Xnt]，期望输出[d=d1，d2，…，dc]。

③计算隐含层各节点：

[Yj=i=1n+1Wjiθi] （1）

其中，[θi=Xi]，[θn+1=1]，[?j=fYj，j=1，2，…，h]。

④计算输出各节点：

[Zk=j=1h+1Wkj?j，?n+1=1，Ok=fZk，k=1，2，…，c] （2）

⑤计算误差：

[dk-Ok2] （3）

⑥修正输出层：

[Wkjδk=dk-OkOk1-Ok] （4）

[Wkj=Wkj+ηδk?j，k=1，2，…，c] （5）

⑦修正隐含层：

[Wjiβj=?j1-?jk=1cδkWkj] （6）

[Wji=Wji+ηβjθi，k=1，2，…，c] （7）

⑧检查系统是否对所有训练样本完成一轮训练使P>N，若P

最终检查网络总误差是否达到精度要求，若满足E3 神经网络模型建立

应用BP网络模型进行训练，首先要确定输入样本，选取延吉沟附近矮子沟、大寨沟、海子沟、白鹤滩沟、凉水沟和牛路沟等6个泥石流沟作为训练样本进行泥石流风险因子的训练。风险因子选择影响泥石流危险度的6个主要因素，即纵比降、流域面积、泥石流容重、沟长、危险区面积和黏粒含量作为BP网络的输入（见表1），以泥石流危险度评价结果作为BP网络的输出[3]。

本文所采用的BP网络模型分为三层：输入层、隐含层和输出层。输入层设定6个神经元，分别代表1-6个因子指标；输出层设定为一个神经元，用数字1-3来表示危险度的高低（较小，中等，较大）。

利用《泥石流灾害防治工程勘查规范》DZ/T 0220-2006推荐的人工经验算法对矮子沟等泥石流沟进行危险度评价，结果见表2。

基于上述数据建立的BP网络模型，应用MATLAB软件，根据步骤编写程序，利用程序进行网络训练及参数识别。

设定网络的学习率为0.1；目标值为0.001；最大迭代次数为8 000次。隐含层转移函数选取tansig函数，输出层转移函数选择purelin函数。然后，将归一化的数据带入BP网络中进行运算。因为BP网络模型的输出层采用的转移函数是purelin函数，因此函数的输出范围默认为[0-1]。在网络应用样本数据之前需要对选取的样本数据进行预处理[4]。处理公式为：

[T=X-Xmin/Xmax-Xmin] （8）

式中，[T]是處理后的数据，[X]为原始数据，[Xmax]和[Xmin]分别是原始数据的最大值和最小值。延吉沟泥石流预处理风险因子见表3。

隐含层神经元的阈值矢量为：

b{1}={1.830 7 0.915 4 0 0.915 4 1.830 7}。

训练后隐含层神经元到输出层神经元的连接权值矢量为：

LW={-0.098 2 0.094 0 -0.407 4 0.489 4 -0.622 1}。

隐含层神经元的阈值矢量为：b{2}={0.373 6}

计算得出延吉沟危险度评价为1.593 5，与人工经验算法基本一致，属于轻度泥石流。

4 结论与建议

①利用矮子沟等6个沟进行训练，选择纵比降、流域面积、泥石流容重、沟长、危险区面积和黏粒含量6个因子，BP神经网络方法计算延吉沟危险度为1.593 5，人工经验算法计算结果为2，二者相差不大。

②在使用BP神经网络对延吉沟流域进行泥石流危险度评价时，选取的目标因子的多寡对泥石流危险度的精确度影响较大。本次选取了纵比降、流域面积、泥石流容重、沟长、危险区面积和黏粒含量作为影响因子，泥石流流速、泥石流流量、植被面积和松散物体积等由于收集资料不全面在此并未使用。但基于泥石流精准度方面的考虑，采用的相关影响因子越多，泥石流危险度的评价就越为精准。

③延吉沟流域内发育的主要冲沟为坡面降雨型低频小型稀性泥石流沟，其泥石流易发程度为轻微。但在高烈度地震和强降雨的偶然联合作用下，其洪峰流量对流域内的人员安全存在一定威胁，因此需要对延吉沟泥石流进行防范，制定一定的工程处理措施。建议修筑排导槽或是在清源区加大植被覆盖面积以防范泥石流的暴发。

参考文献：

[1]赵源，刘希林.人工神经网络在泥石流风险评价中的应用[J].地质灾害与环境保护，2005（6）：35-36.

[2]胡桂胜，陈宁生.金沙江白鹤滩水电站坝址近场区泥石流运动特征与发展趋势分析[J]. 水土保持研究，2014（2）：238-245.

[3]贺拿，陈宁生.白鹤滩水电站坝址近场区泥石流临界雨量研究[J].水利学报，2015（2）：239-247.

[4]王小川，史峰.MATLAB神经网络43个案例分析[M].北京：北京航空航天出版社，2013.