SA-BP神经网络在滑坡位移预测中的应用研究

张文杰

（安徽水安建设集团股份有限公司 合肥 230001）

1 引言

我国是世界上遭受自然灾害最为严重的国家之一，自20世纪80年代以来，随着经济的快速发展，人类的工程活动日益频繁，在多种自然因素的影响下使得滑坡灾害成为各类灾害中频率最高、危害性最强的地质灾害类型，且具有逐年加剧趋势。因此，如何精准和有效预防滑坡灾害已成为该研究领域的热点。

近年来，滑坡位移预测逐渐成为滑坡预警的有效手段之一，它允许研究人员在滑坡位移监测数据分析的基础上，采用相关数学模型进行拟合，从而能更加精准地进行滑坡位移预测。由于这种方法易于实现并且精度较高，因此得到了迅速发展。目前，已有很多关于滑坡位移预测的智能算法研究，如BP神经网络、支持向量机、灰色模型等。

鉴于仅通过单一模型进行滑坡预测具有局限性，有学者尝试将多个模型组合起来共同进行滑坡预测，提出了混合预测法。本文则采用模拟退火算法（SimulatedAnnealing，SA）与BP 神经网络相结合的混合模型对某实例边坡位移进行预测，算例结果证明了本文所提出方法的有效性。

2 SA-BP 神经网络算法

2.1 SA 算法

模拟退火算法（SimulatedAnnealing，SA）是于1953年由N.Metropolis 等人提出，它是基于Monte-Carlo 迭代求解策略的一种随机寻优算法，由Metropolis 算法和退火过程两部分组成。其基本思想是模拟物理学中固体物质的退火过程，当温度升高时，固体内部的分子做无序运动，内能增大；随着温度降低，分子逐渐从无序运动趋向于有序运动，内能降低；在温度下降时对于任意给定的温度，固体物质内都能够实现热平衡，此时可将其看作为局部最优解；当固体物质达到最低温度，其内能最小，此时可将热平衡看作为全局最优解。

其基本步骤如下：

（1）初始化：给定初始温度T=T0，初始解S；

（2）产生新解Snew：Snew=S+△S，其中，△S 为[dmin，dmax]之间的随机数，并计算：△E=E（Snew）-E（S）；其中E（S）为优化目标；

（3）如果△E ＜0，则接受Snew为新的当前解；否则以概率P=exp （-△E/Ti）接受Snew为新的当前解；

（4）重复（2），（3），直到系统达到平衡状态；

（5）T 逐渐减小，重复（2）至（4），直至达到最低温度，输出最优解。

2.2 BP 神经网络

BP 神经网络是1986年由Rumelhart 等提出的一种多层前向反馈神经网络，通过模拟人类的大脑结构与功能来处理多变量问题，具有良好的学习能力，能够较好地处理非线性问题。基本的BP 神经网络是由三层拓扑结构组成：输入层、隐藏层和输出层，其结构形式如图1 所示。

图1 BP 神经网络结构图

2.3 SA-BP 神经网络算法

BP 神经网络在对权值和阈值的迭代调整过程中采用梯度下降法，容易使其陷入局部最优且收敛速度慢。模拟退火算法具有全局搜索能力和局部寻优能力，借助其对BP 神经网络进行优化，将其引入到BP神经网络的权值和阈值更新过程中，使用随机扰动取代梯度下降法，以解决BP 神经网络容易出现局部最优、收敛慢等问题，从而实现滑坡位移的有效预测。其计算流程如图2 所示。

图2 SA-BP 模型流程图

3 工程实例

白水河滑坡位于三峡库区长江宽河谷地段秭归县境内，距离三峡大坝约56km。滑坡南北向长约600m，东西向宽约700m，滑体平均厚度约30m，体积约1260×104m3。该滑坡体为特大型老滑坡松散堆积体，出露地层为下侏罗统香溪群中厚层状砂岩夹薄层状泥岩；滑坡后缘高程为410m，以岩土分界处为界，前缘高程约70m，现已没入库水位以下，东西两侧以基岩山脊为界，总体坡度约30°；滑坡滑体主要由崩石、坡积物及滑坡堆积物组成，滑带以含碎石或者含角砾粉质黏土为主。自2003年三峡工程蓄水以来，对其进行了专业监测。

2007年1月至2012年12月ZG118 站点监测到的水平累计位移、水位和降雨量数据如图3、图4所示。可以看出，水库水位和降雨量变化是白水河滑坡的主要破坏因素。

图3 累计位移与降雨量曲线图

图4 累计位移与水位曲线图

选择监测点ZG118的水平累计位移为研究对象，取2007年1月至2012年1月的数据作为预测模型的训练样本集，2012年2月至2012年12月的数据作为预测检验集。

取单月平均降雨量为降雨因子；月均水位为水位因子；取时间函数t 为时效因子。将三个影响因子作为输入，累计位移作为输出，进行基于SA-BP神经网络的滑坡位移预测分析。

将SA-BP 神经网络模型与BP 神经网络模型作对比，滑坡位移预测与监测值如图5 所示。

图5 不同模型的预测值与监测值对比图

综合上述分析可知，SA-BP 神经网络模型对白水河滑坡的位移预测效果比BP 模型要好，其误差值更低，精度更高。

表1 不同模型预测值的误差值表

4 结论

本文结合SA 算法和BP 神经网络，建立基于SA 算法优化BP 神经网络的滑坡位移预测模型。通过SA 算法优化BP 神经网络的初始连接权值和阈值，寻找BP 神经网络的全局最优权值和阈值。将所建立的滑坡位移预测模型和传统BP 神经网络模型分别应用于工程实例中，结果表明：SA-BP 神经网络预测边坡位移误差较小，具有更高的精度，验证了本文所提出方法的准确性■