基于BP算法参数反演在高大边坡中应用.docVIP

基于BP算法参数反演在高大边坡中应用 　　摘要 　　文章针对某大型露天铁矿，采用正交试验法安排力学参数的试算初始值。用MIDAS/GTS有限元程序计算出相应的神经网络分析样本，并运用BP神经网络进行训练，最终利用已出现滑体的数据对边坡岩体的力学参数进行神经网络的反分析，得出较为准确的力学参数，为高大边坡加固理论提高了宝贵的技术思路。 　　 　　关键词：高大边坡；正交试验；BP算法；反演分析 　　 　　绪论 　　岩土工程具有较强的实践性，研究结果的可靠性在很大程度上依赖于对工程岩体的物理力学性质的认识程度，特别是用有限元等数值方法进行岩石边坡工程分析时，其重要性更加突出。但由室内实验或现场实验确定的岩体力学参数都与实际岩体有较大偏差，加之岩体本身的非均质性和赋存环境的复杂性，使得实验结果缺乏足够的代表性。用这样的参数作为计算输入参数进行数值分析，所得结果往往与实际情况有一定出入，难于在工程实践中采用。此外，边坡岩体的力学特性参数及赋存环境总是处在动态的演化过程之中，对于这种动态参数，采用实测的方法通常是无法办到的，即使可以也是非常不经济的。为了解决这个矛盾，就要发展一些可靠、经济、简便的方法。通过现场观测资料，结合反演理论，进行反演分析，已成为解决这一问题的主要手段。 　　一、工程背景 　　某大型露天铁矿现西北帮形成的边坡坡顶长度约750m，垂直高差为190m，边坡呈弧形，平均倾向 250°，总体坡度约为43 ～39°，边坡岩性主要为云母片岩、云母板岩、长石板岩、白云岩和基性岩脉。此边坡从2000年以来，随着边坡高度的增加，发育了多个不同规模的滑体，虽历经滑体削方、锚固等局部治理措施，但受复杂的地质条件及设计边坡角过陡等因素的影响，边坡仍不稳定，区内的边帮不能按计划安全靠界，严重影响了采场的整体生产计划，为了提供较为合理的计算参数，为总体边坡进行依据充分的稳定性计算，提出合理的整治措施，进行了此项工作。 　　二、正交试验设计 　　本次研究范围内边坡岩性主要为白云岩和铁矿石。对边坡稳定分析产生主要影响的是白云岩和断层的物理力学参数，其中又以弹性模量、粘聚力、摩擦角最为主要，因此正交试验以以下六个参数为研究因素，各因素水平如表所示。 　　表2.1因素水平表 　　水平 白云岩参数 断层参数 　　 E1(GPa) C1(MPa) φ1(°) E2(MPa) C2(MPa) φ2(°) 　　1 24 0.3 36 50 0.006 18 　　2 30 0.4 38 100 0.01 21 　　3 36 0.5 40 150 0.04 24 　　4 42 0.6 42 200 0.07 27 　　5 48 0.7 44 250 0.1 30 　　三、参数反演 　　1、BP神经网络 　　BP神经网络是一种单向传播的前馈神经网络，其网络模型结构见图3.1，网络不仅有输入层节点，输出层节点，而且有隐含层节点(隐含层可以是一层或多层)。对于输入信号，要先向前传播到隐含节点，经过激活函数后，再把隐含节点的输出信息传播到输出节点，最后给出输出结果。 　　 　　图3.1BP网络模型结构 　　BP算法的主要思想是把学习过程分为两个阶段： 　　第一阶段(正向传播过程)给出输入信息通过输入层经隐含层逐层处理并计算每个单元的实际输出。 　　第二阶段(反向传播过程)若在输出层未能得到期望的输出值，则逐层递归地计算实际输出与期望输出之差值(即误差)，以便根据此差调节权值。 　　这两个过程的反复运用，使得误差信号最小。实际上，误差达到人们所希望的要求时，网络的学习过程就结束。 　　BP算法程序如图3.2所示。 　　 　　图3.2BP算法流程图 　　人工神经网络可通过硬件或软件方式来实现。硬件方式即计算机。目前较常用的还是软件实现方式。本研究正是基于MATLAB编程以及神经网络工具箱完成参数的反演分析，程序代码见附录1。 　　2、神经网络训练样本 　　神经网络训练样本的构建采用MIDAS/GTS程序完成。GTS应力平衡法(SAM)是建立在滑裂面应力分析基础上的边坡稳定有限元分析，具体分析过程如下：a.边坡中定义潜在滑裂面，根据有限元得出应力分布；b.根据沿滑裂面剪应力的计算方法，定义安全系数；c.应用最优化方法确定最小安全系数及对应滑动面。采用GTS应力平衡法(SAM)应注意：a.数值分析的机时和收敛难度是随自由度按指数增加的，建议对均匀的土质边坡，采用光滑的圆形表面来模拟，若要采用多段线，则需增加线段数；b.GTS应力平衡法(SAM)使用了与极限平衡法相同的计算步骤，也获得了与极限平衡法接近的最小安全系数和临界滑动面，同时也可得到边坡的应力水平分布与应变大小。 　　综合考虑现场实际情况后选取某剖面