SA-BP神经网络在滑坡位移预测中的应用研究

张文杰

我国是世界上遭受自然灾害最为严重的国家之一。自20世纪80年代以来，随着经济的快速发展，人类工程活动日益频繁，在多种自然因素及人为活动的影响下，滑坡灾害成为各类灾害中频率最高、危害性最强的地质灾害类型之一，且有逐年加剧趋势。因此，如何精准有效地预防滑坡灾害已成为地质灾害研究领域的热点。

近年来，滑坡位移预测逐渐成为滑坡预警的有效手段之一，它允许研究人员在滑坡位移监测数据分析的基础上，采用相关数学模型进行拟合，从而更加精准地进行滑坡位移预测。这种方法易于实现且精度较高，因此发展迅速。目前，已有很多关于滑坡位移预测的智能算法研究，如BP神经网络、支持向量机、灰色模型等。

鉴于仅通过单个模型进行滑坡预测具有局限性，有学者尝试将多个模型组合起来共同进行滑坡预测，提出了混合预测法。本文则采用模拟退火算法（Simulated Annealing，SA）结合BP神经网络的混合模型对实例边坡位移进行预测，算例结果证明了方法的有效性。

SA-BP神经网络算法

1.SA算法

模拟退火算法最早于1953年由N. Metropolis等人提出，是一种以蒙特卡洛迭代求解策略为基础的随机寻优算法。该方法由两部分组成：Metropolis算法和退火过程。它的基本原理是模拟物理学中固体物质的退火过程，当温度升高时，固体中的分子内能增加，并做无序运动；当温度降低时，分子内能随温度下降而减小，并逐渐趋向于有序运动；在任意给定的温度条件下，固体材料内部都能够实现热平衡，此时可将其看作是一个局部最优解；在最低温度时，固体中的分子内能最小，此时可将热平衡视为全局最佳。

2.BP神经网络

BP神经网络是1986年由Rumelhart等人提出的一种多层前向反馈神经网络，通过模拟人类的大脑结构与功能来处理多变量问题，具有良好的学习能力，能够较好地处理非线性问题。基本的BP神经网络是由三层拓扑结构组成：输入层、隐藏层和输出层，其结构形式如图1所示。

3.SA-BP神经网络算法

BP神经网络调整权值和阈值都是采用梯度下降法，容易使其陷入局部最优且收敛速度较慢。模拟退火算法是一种新的随机搜索方法，既能实现全局搜索又能进行局部优化。借助模拟退火算法优化BP神经网络，将梯度下降法与随机扰动相结合，采用一种新的方式调节权值和阈值，以达到解决BP神经网络容易陷入局部最优、收敛慢等问题的目的，从而实现滑坡位移的有效预测。其计算流程见图2。

＞图1 BP神经网络结构图

＞ 图2 SA-BP模型流程图

＞图3 白水河滑坡GPS监测点布置平面图

＞ 图4 不同模型的预测值与监测值对比

工程实例

白水河滑坡位于三峡库区秭归县境内，距三峡大坝约56km处。滑体平均厚度约30m，南北方向长约600m，东西方向宽约700m，体积约为1260×104m3。该滑坡体为特大型老滑坡松散堆积体，出露地层为下侏罗统香溪群中厚层状砂岩夹、薄层状泥岩；滑坡后沿高程为410m，以岩土边界为界，其前沿高程约为70m，现已没入库水位以下，东西两侧以基岩山脊为界，总体坡度约30°；滑坡滑体主要由崩、坡积物及滑坡堆积物组成，滑带以含碎石或含角砾粉质黏土为主。自2003年三峡工程蓄水以来，相关单位对其进行了专业监测，GPS监测点布置如图3所示。

2007年1月至2012年12月，ZG118站点监测到的水平累计位移、水位和降雨量数据，水库水位和降雨量变化是导致白水河滑坡的主要破坏因素。

选择监测点ZG118的水平累计位移为研究对象，取2007年1月至2012年1月的数据作为预测模型的训练样本集，2012年2月至2012年12月的数据作为预测检验集。

取单月平均降雨量为降雨因子；月均水位为水位因子；时间函数t为时效因子。将3个影响因子作为输入，累计位移作为输出，进行基于SA-BP神经网络的滑坡位移预测分析。

将SA-BP神经网络模型与BP神经网络模型作对比，滑坡位移预测与监测值如图4所示。

综合上述分析可知，SA-BP神经网络模型对白水河滑坡的位移预测效果比BP模型要好，其误差值更低，精度更高。

结 论

本文结合SA算法和BP神经网络，建立基于SA算法优化BP神经网络的滑坡位移预测模型。通过SA算法优化BP神经网络的初始连接权值和阈值，寻找BP神经网络的全局最优权值和阈值。将所建立的滑坡位移预测模型和传统BP神经网络模型分别应用于工程实例中，结果表明SA-BP神经网络预测边坡位移误差较小，具有更高的精度。