人工神经网络模型在尾矿坝坝坡稳定性中的应用

人工神经网络模型在尾矿坝坝坡稳定性分析中的应用摘要：尾矿坝坝坡的稳定性直接关系到坝体的安全和公司的生产。结合工程实例，应用人工神经网络原理，采用改进的BP算法，建立坝坡稳定性分析模型。经对坝坡的稳定安全系数计算可知，该模型不但可以应用于坝坡的稳定性分析，而且可以满足精度要求。关键词：人工神经网络模型；尾矿坝；BP算法；安全系数我国早期的尾矿坝始建于上世纪五十年代初期。随着矿山的不断开发，尾矿坝的研究和发展也得到了不同程度的提高。早期建造的尾矿坝多已达到设计标高，晚期建造的尾矿坝目前也已达到几十米、上百米，但仍有加高的可能，只是研究程度和筑坝经验不足。随着近几年我国国民经济的持续、快速、健康发展以及在加入了WTO后世界经济环境对我国经济的影响，国内的矿山建设和开发又到了一个新的发展高潮。众多矿业公司在扩大生产的同时，也日益关注尾矿处理问题和可持续发展等问题，对尾矿坝的研究也迫在眉睫。对尾矿坝的研究归根到底就是研究坝坡的稳定性，目前工程中坡的稳定性分析一般采用的是数值计算方法，应用极限平衡理论，计算出坡的安全系数来评价坡的稳定性。虽然这种方法计算简单、使用方便，但是由于影响边坡稳定性的因素较多且多为变量，致使计算结果不准确。再加上极限平衡理论需要进行条分，前期准备工作繁琐等原因，寻找一种更简单、能够反映诸多综合影响因素的方法来分析坝坡的稳定性也势在必行。1人工神经网络原理神经网络是指由多个非常简单的处理单元彼此按某种方式相互连接而形成的计算机系统，该系统是靠其状态对外部输入信息的动态响应来处理信息。所谓人工神经网络就是指为了模拟生物大脑的结构和功能而构成的一种信息处理系统或计算机。人工神经网络具有自组织、自适应和自学习能力，以及具有非线性、非局域性、非定性和非凸性等特点。人工神经网络由神经元模型构成，这种由许多神经元组成的信息处理网络具有并行分布结构。每个神经元具有单一输出，并且能够与其它神经元连接，存在许多（多重）输出连接方法，每种连接方法对应一个连接权系数。严格地说，人工神经网络是一种具有下列特性的有向图：（1）对应每个节点i存在一个状态变量Xi；（2）从节点j至节点i，存在一个连接权系统数Wij；（3）对于每个节点i，存在一个阈值θi；（4）对于每个节点i，定义一个变换函数fi（Xi，Wji，θi），i≠j；对于最一般的情况，此函数取形式。BP神经网络模型2.1BP神经网络人工神经网络由大量的人工神经元广泛互连而形成，通过模仿生物系统的信息传递和反射功能来获得处理事物的“智能”。BP（Backpropagation）神经网络是目前使用最为广泛的一种人工神经网络。它的核心是BP算法，一种对于多基本子系统构成的大系统进行微商计算的严格而有效的方法。BP神经网络是一单向传播的多层向前网络，网络上、下层之间各神经元实现全连接，按有教师方式进行学习。当一对学习模式提供给网络后，神经元的激活值从输入层经中间层向输出层传播，在输出层的各神经元获得网络的输入响应。按减小希望输出与实际输出的误差的方向，从输出层经中间层逐层修正各连接权，最后回到输入层。经过不断的学习训练，网络趋于稳定，能够对输入模式做出正确的判断。但由于传统的BP算法存在明显的缺陷，如易出现收敛慢、振荡和陷入局部极小等问题。通常将BP算法作一些改进，本文采用累积误差传播法，即首先算出m对学习模式的一般化误差，再把这m个误差进行累加，用累加后的误差校正各连接权和阙值。2.2BP算法设输入层、中间层、输出层单元分别为m、n、p，输入样本A=（a1，a2，…，am），中间层输出B=（b1、b2，…，bn），输出层输出C=（C1、C2，…，Cp），期望输出Y=（y1，y2，…，yp），Wij为输入层单元i到中间层单元j的连接权，θj为中间层单元j的阈值，ujk为中间层单元j到输出层单元k的连接权，vk为输出层单元k的阈值。其学习算法如下：初始化网络，给各连接权及阈值赋随机初值。随机选取一对学习模式给网络，该模式对由输入{A}和期望输出{Y}组成。求中间层各单元j的输入sj和相应的输出bj。msj=Σwijai-θji=11bj=f（Si）=——1+e-Sj求输出层各单元k的输入lk和相应的输出ck。nlk=Σujkbj-vkj=11ck=f（lk）=——1+e-lk（5）求出输出层和中间层各单元的一般化误差do、ej。dk=(yk-ck)ck(1-ck)pej=[Σdtujt]bj(1-bj)k=1（6）重新提供一对学习模式给网络，重复步骤（3）～（5）直至m对模式全部学习完。（7）分别累加输出层和中间层的一般化误差。mDk=Σdkk=1mEj=Σejk=1（8）调整中间层和输入层连接权和阈值。中间层：ujk（n+1）=ujk（n）+α·Dkbjvk（n+1）=vk（n）+α·Dk（0<α<1）输入层：wjk（n+1）=wij（n）+β·Ejaiθj（n+1）=θj（n）+β·Ej（0<β<1）（9）重复学习。（10）若学习次数小于规定的次数或误差仍大于ε，则应返回步骤（2），ε为任意给定小数。2.3BP神经网络模型前馈网络具有递阶分层结构,由一些同层神经元间不存在互连的层级组成。从输入层到输出层的信号通过单向连接流通，神经元从一层连接至下一层，不存在同层神经元间的连接。坝坡稳定性分析的人工神经网络采用三层前馈神经网络，设一个隐层，以坝坡稳定性影响因素：重度、内聚力、内摩擦角、坡角、坡高、孔隙压力比作为网络的输出，以坝坡稳定安全系数和坝坡的状态作为网络输出。坝坡状态以1和0表示，1代表坝坡稳定，0代表失稳破坏。计算参数α=0.4，β=0.2，ε=0.0001。网络结构图如图1。图1人工神经网络结构图工程实例某尾矿坝1993年进行了一次岩土工程勘察工作，并采用了数值计算法对三条剖面进行了稳定性分析和研究，当时的计算结果和采用人工神经网络模型计算的结果如下表1。表11993年坝坡稳定性数值法和神经网络法计算结果对比表剖面号重度内聚力内摩擦角坡角坡高数值法结果神经网络模型结结果（KN/m3）（Kpa）（º）（º）（m）安全系数状态安全系数状态120.005.623.510401.876稳定1.753稳定220.005.623.512401.756稳定1.641稳定320.005.623.512421.643稳定1.555稳定2003年又进行了一次岩土工程勘察工作，同样采用数值计算法对三条剖面进行了稳定性分析和研究，其计算结果和采用人工神经网络模型计算的结果如下表2。表22003年坝坡稳定性数值法和神经网络法计算结果对比表剖面号重度内聚力内摩擦角坡角坡高数值法结果神经网络模型结结果（KN/m3）（Kpa）（º）（º）（m）安全系数状态安全系数状态120.107.524.614561.727稳定1.634稳定220.107.524.612601.532稳定1.453稳定320.107.524.612511.483稳定1.390稳定由表1、表2的计算结果，比较数值法计算的安全系数与神经网络法计算的安全系数，以及根据安全系数判定的坝坡状态，产生的相对误差及坝坡稳定性结果对比列表如下表3。表3相对误差计算表剖面号安全系数相对误差坝坡状态结论数值法神经网络法数值法神经网络法1993年11.8761.7536.6%稳定稳定相符21.7561.6416.5%稳定稳定相符31.6431.5555.4%稳定稳定相符2003年11.7271.6345.4%稳定稳定相符21.5321.4535.2%稳定稳定相符31.4831.3906.3%稳定稳定相符结论人工神经网络模型具有许多优点，已被应用在多种领域。经过对BP神经网络模型的改进，加快了网络的收敛速度。利用神经网络模型分析坝坡的稳定性，可以得出与数值计算法相同的结论，所以，神经网络模型能较好的分析坝坡的稳定性，可满足计算的精度要求，对坝坡的稳定性分析与研究有一定的指导作用。参考文献[1]王伟.人工神经网络原理—入门与应用[M].北京:航空航天大学出版社.1995.[2]刘成君,吴继敏,丁向东.用人工神经网络评价边坡的稳定性[J].西部探矿工程.2003.2.[3]方维凤,韩启忠,冯质刚等.混凝土强度预测的混沌优化神经网络模型[J].[4]李鸿雁,刘寒冰,苑希民等.人工神经网络峰值识别理论及其在洪水预报中的应用[J].水利学报.2002.6.[5]李义天,李荣.具有河网水沙运动特点的人工神经网络模型[J].ApplicationofArtificialNeuralnetworkinAnalysingTheDamSlopeStabilityAbstract：Thedamslopestabilityisrelatedtothedamsafetyandthecorporationproduction.Withtheengineerexample,applicateartificialneuralnetwork,adopttheimprovedBPneuralnetwork,thearticialneuralnetworkmodelisfounded.Accordingtothecoefficientofsafetyonthedam