基于RBF神经网络方法的铀尾矿坝稳定性分析

吕方可，刘 永，郭 赞，盛 宇

（南华大学环境保护与安全工程学院，湖南 衡阳421001）

1 引言

铀尾矿坝的稳定性直接或间接地影响着人们的生活和生命，因此人们对铀尾矿坝稳定性进行了广泛而深入的研究。目前铀尾矿坝的安全形势是相当严峻的，国内有学者研究了RBF神经网络对尾矿坝数据的监测，说明RBF神经网络优于BP神经网络，但并未对尾矿坝的稳定性做出预测和评价。也有学者对尾矿坝的稳定性做了评价，但是运用的是模糊理论，所做出的评价和分级得出的结论具有主观性，并不能对铀尾矿坝进行客观真实的分析。由于影响尾矿坝稳定性的因素有很多，比如尾矿坝坡度、粘聚力等，存在着众多不确定的因素，从而使尾矿坝稳定性的分析研究显得非常复杂和不确定，因此无法准确地评价其稳定性。常用研究稳定性的方法有中心点法、验算点法、响应面法及蒙特卡洛模拟方法，但是这些方法有一定的不足之处。近年来发展的人工神经网络在工程领域得到广泛的利用，人工神经网络为铀尾矿坝的稳定性分析开拓了新思路。本文采用RBF神经网络方法，可以保证全局收敛的线性优化，并且还具有唯一最佳逼近点的优点，在逼近能力、分类能力和学习速度等方面均优于其他神经网络。

2 RBF神经网络

径向基函数网络是以函数逼近理论为基础而构造的一类前向网络，其学习等价于在多维空间中寻找训练数据的最佳拟合平面。该网络的每个隐层神经元传递函数都构成了拟合平面的一个基函数，网络因此得名。

图1 尾矿坝稳定性因素指标体系

一个典型的径向基函数网络包括输入层、隐层和输出层。P为输入矩阵，网络的输入维数为R，W 为权值矩阵，a为各层输出。隐层神经元个数为S1，输出层神经元个数为S2。隐层传递函数为高斯函数；输出层传递函数为线性函数。ai1表示隐层输出矢量a1的第i个元素，wi1表示第i个隐层神经元的权值量，即隐层神经元权值w1的第i行。

3 指标体系的确定

某铀水冶厂及其铀尾矿库均在中国东南某省境内，其南、西和北面均为某江所包围。尾矿库建于水冶厂以南约800m的近南北向丘陵山谷中，由9个坝和丘陵山头围截而成。丘陵顶部绝对标高介于75～110m之间，洼地内原为稻田、水塘，标高约52～60m。当初，在北端建初期坝，坝高12m，坝顶标高82.0m，在南端建拦水坝（后称第一拦水坝），坝高17m，坝顶标高83.0m，两坝相距约1400m，形成了第一尾矿库。

本指标体系由从事尾矿库管理工作者、从事尾矿库研究学者和参与尾矿库相关项目的硕士研究生共同确定。从筑坝情况、施工质量到生产管理三个方面来确定指标因素，该指标可能根据不同的尾矿坝有不同的作用，可酌情处理。二级指标主要包含在筑坝过程中，影响坝体稳定性的各阶段（如初期坝，投产前，在尾矿库周边低凹地段用当地土石材料修筑成的较低的坝；后期坝，利用尾矿本身的自然沉积而逐步加高形成的等）。现在的状态和重要参数（汇水面积、坝坡坡度和浸润线）是在《尾矿库安全监测技术规范（AQ2030－2010）》和《尾矿库安全技术规范AQ2006－2005》指出的相关参数（图1）。

4 RBF神经网络评估的一般步骤

一般步骤见图2。

图2 RBF神经网络分析程序

图3 RBF神经网络训练效果

4.1 前期准备

铀尾矿坝稳定性主要受筑坝情况、施工质量以及生产管理等重要因子影响，这里利用RBF网络结构自适应确定输出与初始权值无关等优良特性，将该网络应用于某铀尾矿坝的稳定性预测中，演示训练样本集与监测样本集的构建，原始数据的预处理，神经网络的构建和评价整个过程。

4.2 网络的创建与测试

RBF网络的输入层神经元的个数为14，由于输出的是铀尾矿坝的稳定性系数，所以输出神经元个数为1，利用函数创建一个精确的神经网络，该函数在创建RBF网络时，自动选择隐含层的数目，使得误差为0。

确定评语集合为v＝｛v1，v2，…，vj｝，本文根据实际情况将评语划分为5个等级，分别为：非常安全（v1）、安全（v2）、一般（v3）、危险（v4）和非常危险（v5）。网络测试的目的是为了确定网络是否满足实际应用的要求。需要指出的是，测试数据应该和训练用的样本数据不一致，否则，测试得出的结果永远都是满意的。

根据对影响铀尾矿坝稳定性因素的分析，可以确定各因素指标作为输入变量，其中的3个一级指标，14个二级指标可以由Excel随机函数生成，随机函数在已知安全等级的5个区间随机生成30组数据，各因素指标权重已经由参与相关项目的学者确定，定量数据采用数据统计分析形式收集量化，通过以上方法得到各指标实际数据 为：［5.4，5.4，4.4，3，7.2，4.2，6.6，7.2，7.4，7.2，3.4，6，4.6，4.2］。目标输出划分为1，2，3，4，5这5个等级，分别代表着非常安全、安全、一般、危险、非常危险（图3）。

训练后的模拟值和真实值的拟合程度非常高，运行后的结果为k＝3，表示该铀尾矿坝的稳定性等级属于一般的。

5 结论

（1）本文采用RBF神经网络方法进行了铀尾矿坝的稳定性分析，得出的铀尾矿稳定性系数为3，表明该铀尾矿坝为一般安全性尾矿坝。

（2）本文以预防溃坝事故为出发点，总结了在尾矿库建设、运行过程中导致失稳事故发生的主要因素，为提出科学、合理的安全技术措施及安全管理对策，消除危害因素，防止溃坝事故的发生，保证尾矿库安全运行，最大程度减少人员伤亡和财产损失提供有效依据。

（3）进行RBF网络训练的样本数越多，数据分析的结果就越精确。因此，应搜集尽可能多的数据对训练样本进行补充。

［1］郎学政，许同乐，黄湘俊.利用PCA和神经网络预测尾矿坝地下水位［J］.水文地质工程地质，2014，41（2）：13～17.

［2］于广明，宋传旺，潘永战.尾矿坝安全研究的国外新发展及我国的现状和发展态势［J］.岩石力学与工程学报，2014，33（1）：3238～3248.

［3］陆秋生，唐春凯，李 岩.灵山金矿尾矿坝稳定性分析［J］.勘察科学与技术，2014（5）：26～28.

［4］张乐文，张德永，邱道宏.径向基函数神经网络在地应力场反演中的应用［J］.岩土力学，2012，33（3）：799～804.

［5］张顶学，刘新芝，关治洪.RBF神经网络算法及应用［J］.石油化工高等学校学报，2007，20（3）：86～88.

［6］杨丽红，李全明，程五一.国内外尾矿坝事故主要危险因素的分析研究［J］.中国安全生产科学技术，2008，4（5）：28～31.

［7］毕卫华，谭晓慧，侯晓亮.基于RBF神经网络的边坡稳定可靠度分析［J］.地下空间与工程学报，2010，6（2）：423～428.

［8］王飞跃，杨铠腾，徐志胜.基于浸润线矩阵的尾矿坝稳定性分析［J］.岩土力学，2009，30（3）：840～844.

［9］夏美琼，李向阳，赵 发.基于模糊理论的某铀尾矿坝稳定性综合评价［J］.南华大学学报，2014，28（2）：38～43.

［10］谢振华，陈 庆.尾矿坝监测数据分析的RBF神经网络方法［J］.金属矿山，2006，364：69～74.

［11］古新蕊.尾矿坝稳定性及影响因素研究［D］.阜新：辽宁工程技术大学，2011.

［12］国家安全生产监督管理总局.AQ2006－2005尾矿库安全技术规程［S］.北京：国家安全生产监督管理总局，2006

［13］麻光亮，邵玉刚.BP和RBF神经网络在边坡稳定性评估中的比较研究［J］.路基工程，2012（1）：161～164.

［14］Özer A，Tolga Bromwell，Leslie G.Stability assessment of an earth dam on silt／clay tailings foundation：A case study［J］.Engineering Geology，2012，151：89～99

［15］傅荟璇，赵 红.MATLAB神经网络应用设计［M］.北京：机械工业出版社，2010：153～156.