神经网络岩质边坡分析.docVIP

岩质边坡稳定分析的遗传神经网络方法应用文献综述 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，并借助MATLAB遗传算法编制程序对其进行计算，分析论证表明遗传神经网络方法（GNN）能够用于当前对岩质边坡的稳定评价，并且可以取得较高的效率和精确的结果。作为边坡稳定分析的一种新方法，GNN法势必成为岩土地质问边坡稳定问题涉及到水利、港工、采矿、铁路及各类工业与民用建筑工程，一直以来在各类工程中受到极大的关注。由于边坡受多种因素的综合影响，具有复杂的变形破坏机理， 因此，其稳定性常常表现出复杂多变性、不确定性和数据不完备性等特征。传统的边坡稳定性分析侧重于理论分析和数值计算，然而，由于岩土边坡内不连续的结构面性及其力学性质的复杂性，沿用这些传统方法很难得出切合工程实际的结果。而岩土工程领域内的专家基于在实践中积累的经验，在不进行大量复杂力学计算的情况下，也能对边坡的稳定性做出相当准确的判断。这就意味着可以在总结大量工程经验的基础上，采用某种智能化的方法，可以对边坡的稳定性作出判断。近年来，随着人工智能、神经网络和模糊数学等新兴学科的发展及其在工程中的广泛应用，基于这些新理论学者纷纷提出了很多岩土边坡稳定分析的方法：冯夏庭提出边坡稳定的神经网络估计方法1-2]、李思平等基于分叉理论和突变理论提出了边坡稳定性分析的非线性模型3]，N.K.SAH 等则提出了边坡稳定性分析的极大似然估计方法[4]。这些方法的共同思路是：把岩土边坡视为不断变化的、开放的复杂巨大的系统，结合已有的工程经验，对边坡的稳定性进行综合分析，使岩体边坡的稳定性分析和工程设计具有自适应性和自学习能力。 又具有较强的泛化能力的算法[5]，可以说，神经网络使作为解决这一难题的首选算法。BP神经网络是采用的最为广泛的一种神经网络方法[1,3]，然而，近年来的大量研究和工程实践表明，BP神经网络存在学习效率低，网络的泛化能力弱，及学习过程中易振荡等问题。而且，BP神经网络的学习算法是基于梯度下降算法的, 难以克服局部极值问题。由此，在采用BP神经网络方法进行边坡分析时，需要一种高效率、高精度的学习算法加以改进，而遗传算法正是符合这一算法要求的首选之法。遗传算法是一种自适应启发式全局有哪些信誉好的足球投注网站算法，以其解决不同非线性问题的鲁棒性、全局最优性及良好的抗观测噪声能力等特征，在岩土工程和地球物理反演中得到了广泛的应用[4]。如果在神经网络的训练过程中采用遗传算法来优化网络中神经元的阈值和神经元间的连接权值，则不仅可以克服BP神经网络学习效率低和易振荡性等缺点，而且可以获得较优的网络结构，从而使神经网络达到既能有效地对现有工程经验进行学习，记忆现有模式，又具有较强的泛化能力从而对工程中的新问题进行有效识别的要求[6]。 GNN），作为边坡稳定的分析工具。势必成为岩土地质问题分析的一种广泛而有效的方法。 （二）人工神经网络方法 人工神经网络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 神经网络结构图 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 (1) 式中是所考虑层中第个神经元的输出是前一层第个神经元的输出neti和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 (2) 式中Q0为神经元的温度常数通常取值为110 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 (3) 式中为学习速率 为第L层神经元j的误差信号为第L1层神经元的输出将作用于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网络进行预测在评价岩质边坡稳定性方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