基于遗传优化BP神经网络的尾矿库边坡稳定性预测

2019-09-10王蒙王斌王飞

赤峰学院学报·自然科学版 2019年11期

王蒙　王斌　王飞

摘要：针对BP神经网络具有收敛速度慢以及极值容易陷入局部最小的劣势，提出使用遗传算法对BP神经网络进行改进，优化BP神经网络的权值和阈值，并将改进的算法应用于尾矿库边坡稳定性预测中.算例仿真结果表明，所提算法对尾矿库边坡稳定性预测具有较高的精确度.

关键词：遗传算法;BP神经网络;尾矿库边坡

中图分类号：TP274 文献标识码：A 文章编号：1673-260X（2019）11-0113-03

目前，我国是全球最主要的矿业大国之一，据有效数据统计，我国矿山尾矿库数量约为12000座，其中，具有不稳定安全隐患的数量占37%.尾矿库边坡是尾矿库的重要组成部分，其稳定性也决定了尾矿库的安全性能.对尾矿库边坡稳定性进行分析和预测成为现阶段研究的热点问题[1].由于尾矿库边坡具有复杂性及非线性的特点，同时又会受到自然因素、工程因素及运行变化的影响，因此，对尾矿库边坡各影响因素进行处理是进行尾矿库边坡稳定性预测需要解决的重要问题.

文献[2]作者将灰色理论引入到尾矿库边坡稳定性预测中，进行基于灰色模型的边坡中期预测.文献[3]考虑了尾矿库边坡各影响因素的作用，提出了基于Verhulst灰色理论的边坡稳定性的预测模型.由于尾矿库边坡各影响因素具有较大的随机性和不确定性，因此，传统的预测方法精确度不够高.BP神经网络是做智能化计算及分析应用比较广泛的一种智能算法，具备线性处理能力，可以很好地拟合非线性系统，适合应用在尾矿库边坡稳定性预测和分析中.因此，本文考虑采用BP神经网络构建尾矿库边坡稳定性预测模型，进行尾矿库边坡稳定性预测和分析.由于BP神经网络具有收敛速度慢以及极值容易陷入局部最小的劣势，提出使用遗传算法对BP神经网络进行改进，通过实例仿真测试，验证了所提算法的有效性.

1 基于BP神经网络的尾矿库边坡稳定性预测

1.1 BP神经网络原理

BP神经网络是人工神经网络中的一种，其具有3层或者三层以上的误差反向传播网络.BP神经网络的组成一般包括三个部分：输入层、隐含层和输出层.输入信号从输入层输入，经隐含层处理后往输出层进行前向传播，误差信号则进行反向传递.其结构图如图1所示.

1.2 BP神经网络尾矿库边坡稳定性预测模型构建

1.2.1 输入输出样本的选择

基于BP神经网络构建为尾矿库边坡稳定性预测模型，首先要确定BP神经网络模型中输入层和输出层的节点个数.对于输入向量来说，其选择的基本要求是样本变量更容易提取，同时样本变量对输出目标的影响更大，进一步地，样本变量之间应具有更小的相关性.对尾矿库边坡来说，应选择提取容易并且对边坡稳定性影响较大的样本数据.本文基于文献[4]数据，选择了影响尾矿库边坡稳定的6个输入样本值为：孔隙水压力、渗水流量、尾矿库边坡变形、尾矿库水位、边坡倾角、累积降雨量.

输出向量选择的是边坡稳定和不稳定两种状态，将这两种状态进行编码，用1表示稳定状态，0表示不稳定状态[5-6].

1.2.2 模型建立

通过以上对BP神经网络的输入和输出进行分析，确定尾矿库边坡稳定性预测的输入层、隐含层和输出层节点数目，同时确定网络结构.通过文献分析和实验，隐含层节点数目采用下式进行求得.

l<■+a （1）

其中，l为隐含层节点个数，m，n分别是输出层和输入层神经元节点个数，a取0-10中的任意常数.本文设计尾矿库边坡稳定性BP神经网络预测模型的网络结构如图2所示.

2 遗传算法优化BP神经网络

遗传算法是一种随机全局自适应优化算法，遗传算法的实质是通过群体搜索技术，根据适者生存的原则选择优良个体、被选出的优良个体两两配对，通过随机交叉其染色体的基因并随机变异某些染色体的基因生成下一代群体按照此方法使群体逐代进化，直到满足进化终止条件，最终得到最优解或准最优解.

Step1：初始化种群.随机生成含M个个体的初始种群，个体的编码方式选用实数编码，个体包含了BP神经网络的权值和阈值.编码长度为：

L=L1×L2+L2×L3+L1+L2+L3 （2）

其中，L1，L2，L3为输入层、隐含层和输出层节点数.

Step2：适应度函数设计.本文以尾矿库边坡稳定性的预测值与期望输出值误差函数的倒数作为适应度函數.

Step3：选择.采用轮盘赌法选择下一代个体.