基于人工神经网络的高速公路边坡滑坡风险分析

王双华 WANG Shuang-hua

（云南省普洱公路局，普洱 665099）

0 引言

自1988 年我国第一条高速公路沪嘉高速通车以来，高速公路建设经历了长足的发展，截至2022 年底，我国高速公路总里程已达到17.73 万公里，已是经济社会发展的重要支撑。然而，高速公路的建设和管理也面临着各种自然和人为的风险和挑战，尤其是在地质条件复杂的山区和丘陵地带，高速公路边坡的稳定性问题成为一个亟待解决的难题。高速公路边坡滑坡是一种常见的地质灾害，其发生频率较高（图1），危害程度较大，影响范围较广，对生命财产安全、交通运输、环境保护等方面都有严重的影响，目前仍是我们所必须面对的重大威胁。

图1 2010 年-2021 年我国山体滑坡发生次数

图2 四层神经网络

高速公路边坡滑坡防治是一项复杂而艰巨的工程任务，需要综合考虑地质、水文、气候、工程、经济等多方面因素，采取科学合理的技术措施和管理措施，以保证边坡的安全稳定。为此，国内外许多学者为应对边坡滑坡灾害做了大量研究：袁维[1]等人提出了一种多源数据“融合-预测-预警”的三步式滑坡监测预警方法，针对阶跃型滑坡的变形特征，分别采用经验模态分解法、滑动多项式拟合法、随机森林算法和斜率变点分析法，对滑坡的综合变形进行分解、预测和预警，并以向家坝水库某滑坡体为例，验证了该方法的可行性和有效性。李琦[2]等人设计了一种滑坡地质灾害远程无线实时预警监测系统，采用北斗卫星定位、无线传感器网络和人工智能技术，实现了滑坡的精准定位、实时监测、智能预警和远程管理。杨诗诗[3]等人以三峡库区为研究区，基于专业监测数据，建立了降雨型滑坡预警雨量阈值的计算方法，并分析了不同类型滑坡的预警雨量阈值与降雨特征的关系。唐尧[4]等人利用国产高分辨率遥感数据，对四川省攀西地区的滑坡灾害进行了孕灾致灾演变及周期监测分析，提出了基于遥感技术的滑坡灾害智能预警分析方法，为滑坡灾害的防治提供了科学依据。熊弢[5]等人利用现场调查、室内试验和数值模拟等方法，分析了云南省普贤乡场滑坡的地质构造、地形地貌、岩土力学特性、滑动机制和稳定性，提出了滑坡的成因类型和防治对策。邓昊[6]等人则基于物理模型试验和数值模拟，分析了地震和强降雨对堆积层滑坡变形破坏机制的影响，揭示了不同工况下滑坡的应力分布、位移变化和破坏模式，提出了堆积层滑坡的稳定性评价方法和防治措施。

由上述内容可见，目前针对边坡滑坡灾害对策的研究思路多为对滑坡发生机制的研究以及通过监测及时发现滑坡并预警，相比之下，利用人工智能技术预测边坡滑坡风险的研究还很少见，尚处于起步阶段。本研究将基于高速公路滑坡的重大诱因——降雨量[7]为着目点，综合考虑斜面特性与单位时间降雨量与累计降雨量，利用人工神经网络对高速公路滑坡灾害的风险进行评价。

1 神经网络模型

本研究使用神经网络的机器学习模型对高速公路边坡滑坡的风险进行分析。神经网络是一种模仿人脑的计算模型，它是一种适合处理非线性、不确定和复杂问题的方法，可以从大量的数据中提取特征和规律，从而实现边坡的分类、识别和预测[8]。神经网络的优势在于它具有很强的鲁棒性和容错性，可以并行处理数据，具有自学习、自组织和自适应的能力，在处理不完整或不清晰的信息时，可以进行信息融合和多媒体技术的应用，高速地寻找优化解。

神经网络由节点层组成，包含一个输入层、一个或多个隐藏层和一个输出层。每个节点也称为一个人工神经元，它们连接到另一个节点，具有相关的权重和阈值。如果任何单个节点的输出高于指定的阈值，那么会激活该节点，并将数据发送到网络的下一层。否则，数据不会传递到网络的下一层[9]。神经网络依靠训练数据来学习，并随时间推移提高自身准确性。这些学习算法经过了调优，提高了准确性后，就会成为计算机科学和人工智能领域的强大工具，使我们能够快速对数据进行分类和聚类。

在本研究中，使用由输入层、两个隐藏层和输出层组成的四层神经网络进行计算，对不同训练步数下的训练结果进行比较。隐藏层使用的激活函数是sigmoid 函数，输出层使用softmax 函数。四层神经网络是一种常用的网络结构，可以实现较好的拟合能力和泛化能力。输入层负责接收边坡的特征及降雨量数据，输出层负责输出边坡是否发生滑坡的判断结果。两个隐藏层可以增加网络的非线性和复杂度，提高网络的表达能力。隐藏层使用的sigmoid 函数是一种常用的激活函数，它将神经元的输出映射到（0，1）区间，具有平滑性和可微性，sigmoid 函数可以实现非线性变换，增强网络的拟合能力，且它还可以避免输出值过大或过小，导致梯度消失或爆炸的问题。输出层使用softmax函数是一种常用的输出函数，其可以实现分类的概率输出，适合于分类问题。

2 数据集

本研究中用于学习的数据集由40 条发生滑坡的数据和320 条未发生滑坡的数据组成。在其中选择发生滑坡的和未发生滑坡各80%的随机数据用作训练数据，其余的用作验证数据。输入项目包括边坡的地形、土质、支护结构三个因素的评价分、以及一周的累计降雨量和一周的最大单位时间（小时，下同）降雨量。各评价因素的给分标准如下，该标准仅适用于本研究，与规范化的边坡评价方法有一定的出入。

边坡的地形评价分主要考虑其边坡系数，根据边坡系数的大小，给边坡分配一个地形评分，边坡越稳定，评分越高，越不易发生滑坡。评分的范围在0-1 之间，分为五种等级（表1）。

表1 边坡地形评价标准

边坡的土质评分以砂土、壤土、粘土三种大致的分类进行评分：粘土得分1 分、壤土0.5 分、砂土0 分。

边坡的支护结构评分根据表2 所示边坡的支护类型评分标准表给出，表中，相应支护结构类型的评分为该支护完整情况下的得分，根据支护的损坏情况、覆盖率等会对相应类型的边坡酌情扣0.1/0.2 分（无边坡除外，无边坡一律得分0 分）。

表2 边坡支护类型评分标准

使用的降雨数据是通过中国气象局官方网站进行获取的，对于发生滑坡的数据，使用了发生滑坡前一周的累计降雨量和发生滑坡前一周内的最大单位时间降雨量。不发生滑坡的数据是指发生塌陷的边坡自投入使用以来该边坡所经历的降雨量中，累计降雨量最大的一周以及该周最大单位时间降雨量的数据集。以不发生滑坡为1、发生滑坡为0 进行训练学习，输出时以发生滑坡或不发生滑坡中较大概率者作为判断结果。

图3 是收集的数据集的一周累积降雨量和最大小时降雨量（包括发生滑坡的和未发生滑坡的）。从这张图来看，在周累计降雨量和最大单位时间降雨量之间，无法找到发生滑坡的降雨量和未发生滑坡的降雨量之间的明确界限。因此，单纯地考虑降雨量的多少，无法对是否发生滑坡做出判断。

图3 降雨量数据

3 结果

图4 和图5 显示了利用神经网络进行机器学习结果。图4 展示了训练步数与对学习数据判断的正确率和对验证数据判断的正确率之间的关系；图5 展示了训练步数和灵敏度之间的关系，灵敏度表示能够将发生滑坡的数据判定正确的概率。图4 中，当训练步数从2000 到10000 变化时，学习数据正确率和验证数据正确率分别在88.2%～94.7%和91.3%～96.1%之间。但是，当考虑灵敏度时，我们发现它处于40.4%至68.6%的较低值。这意味着整体正确率受未发生滑坡数据判断结果的影响较大，未发生滑坡数据的判断准确率较高。当训练步数为2000 时，学习数据正确率、验证数据正确率和灵敏度均小于使用其他训练步数时的正确率，说明此时训练步数不足。在对学习数据和验证数据的判断上，虽然训练步数4000 次时的正确率均比5000 次时更高，但由于灵敏度较低，并不能认为4000 左右的训练步数是最合适的。训练步数6000 步后学习数据正确率、验证数据正确率波动，且没有稳定趋势，灵敏度略有下降，考虑到计算时间随着训练步数的增加而变长，5000-6000 的训练步数对于本研究中使用的神经网络结构和数据集是最合适的，在这个范围内选择适当的训练步数可以获得较好的机器学习结果。

图4 学习数据正确率及验证数据正确率

4 总结及展望

在本研究中，我们分析了过去的边坡失稳数据，探讨了应用神经网络对高速公路边坡滑坡风险判断的可能性。本研究得到的结论如下：①尽管有必要提高对降雨引起的边坡破坏风险评估的准确性，但本研究提出的运用神经网络作为一种判断风险的方法是可行的。②训练步数变多会大大增加计算时间，综合学习数据正确率、验证数据正确率、灵敏度综合考虑，认为本研究的训练步数为5000-6000 比较合适。③本研究的灵敏度最高在68%左右，意味着有1/3 左右的滑坡未被准确预测。为了对高速公路边坡进行安全评估，有必要提高灵敏度，增加滑坡数据的样本数量。

本研究取得了一定的效果，但仍有一些不足和可优化的点。在未来的研究中，考虑可以从以下几个方面进行改进和拓展：①增加数据集的规模和质量，尤其是发生滑坡的数据，以提高神经网络的学习能力和灵敏度。②考虑更多的影响边坡稳定性的因素，如边坡的初始应力状态，边坡的支护措施等，以提高神经网络的泛化能力和适应性。③优化神经网络的结构和参数，增加隐藏层的数量，选择不同的激活函数，调整权重和阈值等，以提高神经网络的计算效率和准确性。

通过以上的改进和拓展，我们期望能够建立一个更加完善和高效的高速公路边坡滑坡风险评价的机器学习模型，为高速公路边坡的安全管理和防灾减灾提供更有价值的参考和支持。