基于BP人工神经网络的公路岩质边坡稳定坡角预测

孔德镨 彭 明

(1.南昌航空大学土木建筑学院，江西 南昌 330063； 2.江西省交通科学研究院，江西 南昌 330052)



基于BP人工神经网络的公路岩质边坡稳定坡角预测

孔德镨1彭 明2

(1.南昌航空大学土木建筑学院，江西 南昌 330063； 2.江西省交通科学研究院，江西 南昌 330052)

将大量已建公路边坡工程的数据作为训练样本，建立了BP人工神经网络模型，并按照RMR岩体质量分类系统将收集到的边坡地质资料进行分类，获取参数值后输入已建立好的BP人工神经网络模型，综合比较了稳定边坡角预测值与已建公路的边坡角实际值，结果表明,采用BP神经网络方法预测公路岩质边坡稳定坡角是可行的。

BP人工神经网络，岩质边坡，RMR，边坡角

公路边坡的稳定性受地质因素及工程因素综合影响，大部分影响因素具有随机性、模糊性和可变性[1]。BP人工神经网络技术具备处理多种因素之间存在复杂非线性关系的问题，神经网络具有自学习、自组织联想记忆能力和强容错性[2]。周宝生等[3]利用BP人工神经网络对受到多种因素影响的煤层巷道围岩位移进行预测。杨涛等[4]用BP人工神经网络预测岩爆。徐卫亚等[5]利用BP人工神经网络来预测三峡船闸高边坡变形。

本文着眼于解决岩质边坡稳定边坡角预测问题，通过BP人工神经网络建立预测模型，对岩质边坡稳定边坡角进行高精度预测。

1 岩体质量分级因子及输入数据量化

本文依据收集资料及岩体质量分级系统综合考虑后，最终定义RMR岩体分类系统的参数为影响因子，同时利用RMR岩体质量分类系统的评价标准对岩质边坡的数据进行量化。

RMR岩体分类系统中包含岩体强度，RQD值，节理间距，结构面连续性，张开度，粗糙度，填充度以及风化程度，地下水条件，结构面产状与工程方向这10个参数，每个参数依据实际现场测量的边坡数据的值域划分为5个部分，每个部分的评分值不同[6]。本文将这10个影响参数作为BP人工神经网络的输入层。

2 岩质边坡稳定坡角的预测方法

将RMR岩体质量分级系统中的10个参数作为BP人工神经网络输入层，岩质边坡的稳定边坡角作为BP人工神经网络输出层，建立BP人工神经网络模型，具体如图1所示。

2.1 预测网络创建

BP人工神经网络输入层数值采用RMR岩体质量分类系统中每一个参数的评价值。输出层数值采用坡角角度值。

在收集和综合分析计算国外大量的不同岩体结构类型和稳定状态的公路边坡工程实例基础上，筛选了310个工程实例作为BP人工神经网络模型学习训练样本。

隐层节点L=2×10+1=21，迭代次数暂定为50 000次，训练网络精度采用0.001，训练函数采用Levenberg-Marquardt的BP算法训练函数trainlm，最终的隐含层结构取值根据神经网络训练情况确定。

2.2 预测网络训练

确保其他条件不变时，选取不同的中间层神经元数目，然后运用编程的手段进行仿真，通过计算得到计算值和输出数据期望值的均方差，选取其中最小的数值所对应的隐含层神经元数目就是我们需要的中间层神经元数目。

经过反复试验、调整以及比较，最终确定网络隐含层节点数为23，网络结构为10-23-1，网络隐含层和输出层传递函数采用tansig及purelin函数，训练函数为trainlm，期望目标为0.01，其他按默认值，其他参数为系统默认值。网络经过4 614次循环训练网络才训练完成。

2.3 预测网络测试

在MATLAB中，利用BP网络的LM算法得到:当训练次数达到4 614次时，网络已经收敛，误差处于稳定状态，此时网络的训练误差值为e=1.664 4×10-6。

将前10个样本利用sim函数进行仿真，可知仿真输出值与期望值差别甚微，这就说明利用BP人工神经网络训练成功，能够用BP网络进行可靠的预测和仿真计算。

2.4 BP人工神经预测网络应用

1)工程案例中输入数据的确定。本文收集了5条已建成的岩质边坡公路的数据资料，波多黎各庞塞省PR-139号公路，伊朗哈马丹省HT公路，新西兰Saddle公路，伊朗塞姆南省KY公路以及台湾梅山YK公路。

根据各个研究区域边坡的节理数据得到RMR岩体质量分类系统参数评价值表(见表1)。

表1 RMR岩体质量分类系统参数评价值表

2)BP人工神经网络预测稳定边坡角。

将上一节的RMR岩体质量分类系统参数评价值表代入到已经训练好的BP人工神经网络中进行预测，最终得到稳定边坡坡角(见表2)。从表2中BP人工神经网络预测值与已建公路边坡工程实际坡角值对比中可以发现，最大的相对误差为2.892 06%，预测精度很高，表明利用BP人工神经网络法来预测边坡角是可行的。

表2 BP人工神经网络预测值结果汇总表

3 结论

运用BP人工神经网络预测岩质边坡稳定边坡角.TIF，BP网络预测模型由10个节点的输入层、23个节点的隐含层和1个节点的输出层共三层组成。

通过BP人工神经网络预测值与已建公路边坡工程边坡角实际值对比，表明利用BP人工神经网络法对公路岩质边坡稳定坡角进行预测是可行的。

[1] 孙广忠.论“岩体结构控制论”[J].工程地质学报,1993(1):14-18.

[2] 张青贵.人工神经网络导论[M].北京：中国水利水电出版社,2004：67-68.

[3] 周保生.综放回采巷道围岩稳定性分类及其支护对策的研究[J].岩石力学与工程学报，1999，18(5)：545.

[4] 杨 涛，李果维.基于先验知识的岩爆预测研究[J].岩石力学与工程学报，2000，19(4)：429-431.

[5] 徐卫亚,蒋 晗,谢守益,等.三峡永久船闸高边坡变形预测人工神经网络分析[J].岩土力学，1999，20(2)：27-31.

[6] Bieniawski Z T.Classification of rock masses for engineering:the RMR system and future trends[J].Comprehensive rock engineering,1993(3):553-573.

On forecasting of stables slope angle of road rock slope based on BP artificial neural network

Kong Depu1Peng Ming2

(1.College of Civil Engineering, Nanchang Hangkong University, Nanchang 330063, China;2.Jiangxi Communications Academy, Nanchang 330052, China)

Taking the data of the built road slope projects as the training samples, the paper establishes the BP artificial neural network model, classifies the slope geological documents from the RMR rock quality classification system, inputs the established BP artificial neural network model after obtaining the parameter value, undertakes the comprehensive comparison of the predicated value of the stable slope angle and slope angle of the built road, and proves by the result that it is feasible to adopt the BP neural network method to forecast the road rock slope stability slopes.

BP artificial neural network, rock slope, RMR, slope angle

1009-6825(2017)08-0069-02

2017-01-08

孔德镨(1992- )，男，在读硕士

U416.14

A