边坡例子csmr方法.doc

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 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：边坡；安全系数；CSMR体系；神经网络；映射关系 作者简介：陆峰(1973-)，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=ξRMR-λF1F2F3+F4 (1) 式中：CSMR代表岩石边坡稳定性综合评价值；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，F1～F4的取值方法可参阅文献[4]；ξ为高度修正系数，λ为结构面条件系数，ξ及λ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]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ξ、RMR、λ、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(neti)=f(ΣWijoutj+θi) (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θi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：Ｑ0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 Δwij=ηδpjOpi, (4) 式中：η为学习速率；δpj为第L层神经元j的误差信号；Opi为第L-1层神经元i的输出。 将Δwij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、ξ、RMR、F1、F2、F3、F4、