神经网络在边坡监测中的应用研究

2022-11-09

一、引言

边坡的预测预报是边坡监测的核心内容, 目前, 已经有许多国内外学者提出了多种滑坡预测预报理论方法, 但是要想准确预报, 就必须对滑坡预报判据有一定的适用性。影响边坡稳定有多重因素, 包括边坡的坡度、高度、边坡土质的性质、气象条件、地下水的渗透等等, 其分析愈全面, 得到的结果欲精确。同时, 建立的模型愈符合实际变化规律, 预报也愈符合实际。而在考虑影响因素时, 往往得不到或者很难得到一些影响参量值, 我们可以将相对变化的参量予以引入, 其它相对不变的参量不予以考虑。以某一边坡监测点来说, 其所在的位置往往固定, 则其坡度、高度等因素不变, 在对其周期性的结果时, 这些因子可以不加以引入, 其不影响预报分析的结果。另外, 各种影响因素与监测点的变形量的关系往往程非线性的, 有的影响因素之间还存在耦合关系。针对这种状况, 建立有效的数学模型是分析的基础。神经网络是解决非线性关系的较好方法, 能实现了一个从输入到输出的功能, 适合求解内部复杂的问题。BP网络在自学习能力、非线性映射能力、泛化能力、容错能力上存在自身的优点, 但权值的调节采用的是负梯度下降法, 不一定能够找到全局的最优解。径向基函数神经网络 (RBF) 能克服局部极小值, 具有最佳逼近特点。另外, 基于BP网络的初始权值参数是随机产生的, 而RBF网络参数是根据训练集中的样本模式按照一定的规则来确定的, 因而, RBF在训练过程中不易陷入局部极小值。RBF是一种三层前馈网络:输入层由信号源节点构成, 对输入信息不进行变换。第二层为隐含层, 节点个数视需要, 其作用函数大多选用高斯函数。第三层为输出层, 它对输入做出响应, 输出层神经元的作用函数为线性函数, 对隐层神经元输出的信息进行加权后输出, 见图1。

图1中X=[X1, X2, ..., Xn]为输入向量, Y=[Y 1, Y 2, ..., Ym]为输出向量, wk=[wk1, wk2, ..., wkp]为初始化隐层至输出层的连接权值, 初始权值:

, 式中mink为训练集中的第k个输出神经元所有期望输出的最小值, maxk同理为最大值。隐层第j个神经元的输出量

j=1, 2, …, p。神经元的输出X=[Y 1, Y 2, ..., Y m]中, k=1, 2, …, m。

二、实际应用

表1为某一边坡上Ⅰ-4监测点的部分监测资料, 其中R为月降雨量, D为平均地下水位, S为该点的实际监测位移量。

为了预测监测点位的变形量, 我们利用降雨量、地下平均水位为输入量, 监测点的位移为输出量利用net=newrb (P, T, GOAL, SPREAD, MN, DF) 函数进行RBF网络的建立, 其中扩展速度SPREAD定为1, 网络的目标误差GOAL定为0。为了一般性, 同时, 利用训练的神经网络推测另一监测点Ⅰ-9监测值, 见图3。不难发现, 神经网络预测成果满足生产需求。但RBF网络精度较BP网络高, 图4、5为两种方法的精度对比。

三、结束语

在现实生活工作中, 有很多现象呈现非线性, 而利用神经网络能很好解决非线性问题。在建立网络过程中, 影响因素考虑全面、训练数据越多则网络精度越高。在边坡稳定性的研究中其影响因素很多, 甚至有些因素不能定量表示, 在数据的收集中带来一定的难度, 本研究在考虑输入量时只考虑相对变化的因素来建立模型。RBF网络的逼近精度高于BP网络, 它几乎能实现完全逼近, 根本上解决了BP网络的局部最优问题, 而且实施起来较为方便, 但是在训练样本增多时, RBF网络的隐层神经元数远远高于BP网络, 使得RBF网络的复杂度大增加, 结构过于庞大, 从而加大了运算量。

摘要：边坡的稳定与众多因素有关, 如将影响因素作为神经网络的输入, 监测值为输出进行网络训练来预测未来边坡的变化趋势, 可为边坡的安全预警提供数据参考。神经网络有多种, 本文利用BP网和RBF来进行预测, 成果满足需求。

关键词：RBF,边坡监测,精度分析