《边坡例子csmr方法》由会员分享，可在线阅读，更多相关《边坡例子csmr方法（5页珍藏版）》请在金锄头文库上搜索。
1、应用神经网络方法确定岩石边坡安全系数 2007-11-04 16:08 陆峰1，孙东亚1，张国铭2(1.中国水利水电科学研究院；2.河北省正定县水利局)摘摘 要：要：本文在岩石边坡稳定评价方法 CSMR 体系的基础上，应用神经网络方法建立该体系的各评分参数与边坡安全系数之间的非线性映射关系模型，通过一些典型工程实例的数据进行检验。分析结果表明本文所采用的神经网络非线性映射模型是比较准确的，能够反映 CSMR 体系各参数对边坡稳定安全系数的影响程度，同时建立起确定的逻辑对应关系，可用于定量评价边坡的稳定性。关键词：关键词：边坡；安全系数；CSMR 体系；神经网络；映射关系作者简介：陆峰(1973
2、-)，男，博士生，目前从事高边坡稳定分析、监测系统开发等研究。在评价岩质边坡稳定性方面，SMR(Slope Mass Rating)体系在国际上获得 广泛应用。它综合考虑了岩体的单轴抗压强度、RQD、节理条件、结构面倾向、 倾角与坡面倾角的相互关系、地下水等方面的因素对边坡稳定性的影响。在此 基础上，我国学者提出并引入了边坡高度和结构面条件因素的修正，形成 CSMR(Chinese Slope Mass Rating)体系1。CSMR 体系依据 Romana 建议的方法 2，3，建立其边坡稳定状态的评价经验公式如下CSMR=RMR-F1F2F3+F41. (1)式中：CSMR 代表岩石边坡稳定
3、性综合评价值；RMR 值为 RMR(Rock Mass Rating) 体系的评分；F1、F3分别为边坡面对控制结构面的倾向与倾角之间差别的修正系 数；F2为结构面的倾角修正系数；F4为爆破开挖方法修正系数，F1F4的取值方 法可参阅文献4； 为高度修正系数， 为结构面条件系数， 及 的取值 方法详见文献1。在 CSMR 体系中，CSMR 值的计算是依据经验或回归方法进行的，并把其对应 的边坡稳定状态分为 5 级，用评分的方法进行边坡稳定性判断。但实际边坡工 程稳定性评价和设计中，仍较多沿用安全系数的概念，因此如何在该边坡岩体 分类的基础上确定边坡稳定安全系数更为工程所急需。为此本文依据文献1
4、的 工程统计资料，采用人工神经网络模拟技术，建立影响边坡稳定的主* 问*(坡 高 H)及其它因素评分值 、RMR、F1、F2、F3、F4与安全系数之间的非线性 映射关系模型。通过这一映射关系，可以在 CSMR 评分体系的基础上，确定边坡 的安全系数。通过 29 个边坡工程实例数据的拟合，使模型输出结果与边坡实际 安全情况比较符合。通过各影响因素在神经网络映射模型中的权值可以评价其 对安全系数的影响程度。对另外 5 个工程实例的分析说明，采用 CSMR 评分体系， 通过神经网络预测，可以获得切合实际的边坡稳定安全系数。1 神经网络方法简介5人工神经网络(ANN)方法是一种 模仿动物脑神经网络某些
5、功能的数 值计算方法。人工神经网络的结构 由神经元(Neuron)和神经元间的连 接权(Weight)组成，多数类型的神 经网络将神经元以层(Layer)的形式 组织在一起，常见的神经元间的连 接权以层间神经元的连接权为主， 本文将采用目前应用最广泛的误差 反向传播(BP)神经网络。其结构由 输入层、输出层和至少一个隐含层， 以及层间连接权组成，如图 1 所示。图 1 BP 网络结构示意BP 网络的工作原理是将训练模式输入至输入层，并传至后面的隐含层，通 过连接权向后传递，直至得到网络的输出。网络中每个神经元通过求输入权值 和与经非线性兴奋函数传递结果来工作，其数学描述如下：outi=f(ne
6、ti)=f(Wijoutj+i)(2)式中：outi是所考虑层中第 i 个神经元的输出；outj是前一层第 j 个神经元的 输出；neti和 i分别为隐含层或输出层神经元的刺激(输入)值和兴奋阈值。非线性兴奋函数 f 常用的形式是 sigmoid 函数：f(neti)=1/1+exp(-neti/Q0)(3)式中：0为神经元的温度常数，通常取值为 1.0.得到输出层的输出后，将其与相应训练模式的目标值进行比较，按预先定 义的网络误差函数求出误差值。如误差小于容许值，则训练完成，否则将误差 按梯度下降法调整网络连接权，调整的方法如下，令wij=pjOpi,(4)式中： 为学习速率；pj为第 L
7、层神经元 j 的误差信号；Opi为第 L-1 层神经 元 i 的输出。将 wij作用于 BP 网络的连接权，反复迭代，直到网络误差小于容许值， 训练至此完成，此时可以将待预测模式输给 BP 网络，进行预测。文献6中已证明，含一个隐含层的 BP 网络能够实现任意非线性物理关系的连续映射，因此本文用一个三层 BP 网络建立 CSMR 体系中主要参数与岩石边 坡安全系数之间的非线性映射关系模型。2 应用神经网络方法分析岩石边坡安全系数本文研究影响边坡稳定的各种因素 H、RMR、F1、F2、F3、F4、 与安全 系数之间的非线性映射关系，因此取 BP 网络输入层的神经元数 m 为 8，分别对 应上述
8、8 个参数。输出层只有一个神经元，对应于安全系数。经反复试验，中 间层神经元数取 2m-1，此时本文的 BP 网络收敛最快。采用文献1中表 2 所列 的第 129 项工程的统计数据作为训练模式进行训练，其样式如表 1.表 1 训练模式1序号H/mRMRF1F2F3F4安全系数12000.74037.81.000.85151510.9521550.70541.90.840.15601510.97292180.72841.90.630.1960150.81.05训练之前对需训练模式进行归一化，使计算过程中 Sigmoid 函数不至于溢 出。归一化采用如下公式x=0.8x-xmin/xmax-xmi
9、n+0.1(5)式中：x 代表归一化前训练模式的各分量值；xmax、xmin分别表示训练模式分量 值中的最大者和最小者；x代表归一化后训练模式的分量。这样归一化的目的是使训练模式分量值保持在区间0.1，0.9之内，使得 网络在计算时在网络规模有限的情况下不会溢出。这种线性变换的归一化并未 使模式产生性质上的变形，从而保证信息没有失真。训练中取选代精度为 0.001，经过约 4 535 000 次迭代，所有模式都收敛，网络训练结束。图 2 所示 为 29 个工程实例的安全系数与神经网络拟合值的相关曲线图，从中可以看出， 模拟效果较好。3 算例分析取文献1表 2 第 3034 项，整理成 BP 网
10、络输入模式，用已训练好的 BP 网络对这 5 个工程实例进行预测。现将各计算参数及预测成果列于表 2.图 3 为 这 5 个工程实例的神经网络预测值与安全系数实际值的对比关系。从表 2 和图 3 可以看出，预测结果和实际安全系数之间的差别很小，可见预测是比较准确的，与经验判断结论吻合较好，说明通过神经网络所建立的非线性映射关系是正确 的，这种分析方法可以用于边坡稳定的快速定量分析。图 2 29 个工程实例的安全系数与神经网络拟合值的对比图 3 5 个工程实例的安全系数与神经网络预测值的对比表 2 5 个工程实例的计算参数、安全系数统计资料和预测结果序号H/mRMRF1F2F3F4安全系数 预测
11、结果301200.85771.00.150.1560100.81.401.37311100.88271.00.701.006000.81.051.11322500.70847.00.151.000150.71.051.03331500.80047.70.150.156000.81.101.15341100.91453.00.150.156000.81.151.104 结语用一个 3 层的 BP 神经网络建立 CSMR 体系各因素与安全系数之间的非线性 映射关系在数学上是可行的，依据工程实例对神经网络进行训练可以获得较好 的输入参量与输出参量之间的映射关系。在此基础上，可以对可能的滑坡体的 稳定
12、性进行定量判断，获得其稳定安全系数。随着工程实例统计资料，即训练 样本数量的逐步增多，分析结果将会更为精确并切合工程实际。参参 考考 文文 献：献：1 孙东亚，等。边坡稳定评价方法 RMR-SMR 体系及其修正J。岩石力学与工程学报，1997，16(4)：62 Romana M.A geomechanical classification for slopes:slope mass ratingC。In:Comprehensive Rock Engineering. Pergamon Press, Oxford: 1993,3:575-600.3 Romana M.SMR classifica
13、tionJ。In:Proc.7th ISMR Congress,1991，955-960.4 Romana M.New adjustment ratings for application of Bieniawski classification to slopesC。In:Int.Symposium on the Role of Rock Mechanics. ISRM, Zacatecas,1985，49-53.5 戴葵。神经网络实现技术M。北京：国防科技大学出版社，1998.6 Cybenko D H.Approximation by superpositions of a sigmoidal functionJ。Math. Contrl,Signals,Syst.,1989,2:303-314.
