基于BP神经网络预测露天矿边坡破坏模式

闵 伟 何昌硕

根据露天矿矿区地质环境、构造、地层、岩性与水文地质条件进行分析。准确地对露天矿边坡的破坏模式做出评价,为岩质边坡工程的稳定性分析与治理提供了必要的依据。如何准确、科学、便捷的进行岩质边坡破坏模式的预测,一直是岩石工程界专家学者们研究的热门话题,本文尝试用BP神经网络方法来对露天矿边坡的破坏模式进行预测。

1 BP神经网络的模型

BP神经网络(Back Propagation)又称误差反向传播多层前馈神经网络,是目前工程应用中最广泛也是发展最成熟的一种神经网络模型。它是一单向传播的多层前向网络,网络除输入输出层节点外,有一层或多层的隐含层节点,同层节点中没有任何耦合。输入信号从输入层节点,依次传过各隐含层节点,然后传到输出层节点,每一层节点的输出只影响下一层节点的输出。节点的激活函数必须是可微、非减的,通常取S型函数[1]。BP网络模型见图1。

2 BP神经网络的学习算法

BP算法是一个快速下降的方法,使用了最优化方法中最普通的一种沿梯度下降算法,目的是使实际输出和预期的样本输出之间的均方差最小化。它要求转化函数有连续可微分的非线性特征[2]。一般使用S型逻辑非线性函数:

3 创建BP神经网络

3.1 输入层的确定

首先必须确定露天矿边坡破坏模式的影响因素。主要是以岩体结构为最基本的控制因素,考虑了结构面与边坡产状的组合关系、岩性、岩体的强度、边坡的特征参数和地下水的条件等因素。本文把影响露天矿边坡破坏模式的主要因素进行了分类,并以此7个影响因素作为BP神经网络的输入层。

3.2 隐含层神经元个数的确定

网络隐含层神经元的数目对网络的预测有一定的影响。根据Kolmogorov定理可知,一般将隐含层神经元的数目取定为2n+1,n指的是输入层神经元的个数[3]。

3.3 输出层的确定

一般输出层神经元的数目是根据BP网络所要求的输出数据的项数来确定的,在本文中只要求预测露天矿边坡的破坏模式,网络中只有1项输出数据,所以在创建BP网络时,则将输出层神经元的个数定为1。

4 实例分析

为了提高BP网络的训练精度,通过查阅大量的工程案例及文献资料,本文共搜集了42个露天矿的相关工程地质、岩体结构、边坡的特征参数及边坡的破坏情况。用37个露天矿的相关影响因素和边坡破坏模式作为神经网络的训练样本,其余5个露天矿的相关信息则用来作为测试神经网络的预测效果及精度。但由于这些因素多是定性指标,必须对其进行量化后才能作为神经网络的输入值,本文采用的量化方法是针对单个影响因素在所有样本工程中可能出现的特征情况进行统计,然后用数字来表示在所有样本中出现的特征。这里对所有定性描述的影响因素和边坡破坏模式进行量化介绍,见图2。

由于BP神经网络常采用sigmoid函数,它的输出范围为[0,1],所以要对样本及测试数据进行归一化处理。值得注意的是,为了能让预测输出均值能跟实际值进行比较,在编程的时候必须得对输出均值进行反归一化处理。这些操作在Matlab6.5的平台上得以实施,考虑到每次网络测试的结果都不一样,则应该将程序运行多次,取其所得结果的平均值作为输出的边坡破坏模式的信息,然后与边坡破坏模式的实际信息作比较(见表1)。

表1 测试样本边坡破坏模式的实际值和预测值

通过对测试样本边坡破坏信息的上述比较可以看出,当程序运行多次后,在5个测试样本的预测输出均值中,只有一个预测误差为17.14%,其余的预测误差都很小,这说明其误差基本满足实际工程的需要。则应用BP神经网络对边坡破坏模式进行预测是合理的、可行的。

5 结语

1)通过对测试样本边坡破坏信息的比较,可以看出应用BP神经网络进行预测得出的预测输出均值与实际值之间存在的误差很小,说明其对边坡破坏模式的预测是合理的、可靠的。2)BP神经网络在实际工程运用中,由于边坡破坏模式的因素大多都是定性的分析,则在对样本信息进行量化时,存在的人为因素会对神经网络的学习和预测产生一定的影响。3)由于边坡破坏模式的确定是研究边坡稳定性的依据,则有必要收集大量实际工程边坡破坏模式的相关影响数据,建立影响岩质边坡破坏模式的数据库,以便于对以后研究岩质边坡破坏模式提供更多的依据。

[1]李晓鸿,马 奎.用神经网络进行边坡稳定性预测[J].黑龙江科技信息,2007(9):17-18.

[2]冯夏庭.智能岩石力学导论[M].北京:科学出版社,2000.

[3]张德丰.MATLAB神经网络应用设计[M].北京:机械工业出版社,2009.

[4]艾 强,王振刚.露天边坡开采过程中稳定性变化特征[J].山西建筑,2009,35(18):79-80.