BP网络在边坡稳定性分析中的应用

合集下载

BP神经网络在边坡稳定性预测中的应用

图１简单三层ＢＰ神经网络模型的拓扑结构示Ｐ神经网络模型的拓补结构示意图，该ＢＰｔ０经网络的输入层、隐含层、输出层对应的节点数分别包括ｆ个、７个、个；则表示输入层的第ｆ个节点与隐含层的第７个节点之间的连接权值；同理，７．Ｏ向表示隐含层的第７个节点与输出层第志个
测的数学模型，利用ＭＡＴＬＡＢ的神经网络工具箱模拟了边坡稳定性的预测，结合收集到的边坡实例
进行训练。结果表明，ＢＰ神经网络对边坡稳定性预测结果与实际符合，能够满足工程需要。表明应
用ＢＰ神经网络进行边坡稳定性的预测是可行的。
义。目前，评价边坡稳定性的方法有层次分析法、灰色
理论法、极限平衡法、有限元法等方法等。本文将ＢＰ神经网络的知识应用到边坡稳定性的预测中，结合ＢＰ
神经网络在结构上的并行处理、分布式存储的特点，结
合ＭＡＴＩＡＢ运算工具建立数值模型，捕捉边坡稳定性与影响边坡稳定因素之间的相关规律，实现对边坡稳定性的可靠预测。２ＢＰ神经网络的原理人工神经网络（ａ￣ｉｉｆｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋ，ＡＮＮ）是
用函数选用情况如下：
处理体系。目前，最常用的人工神经网络模型有线性神经网络、ＲＢＦ神经网络、ＢＰ神经网络等，本文采用误差信号反向传播的ＢＰ神经网络对边坡的稳定性进行深入研究。ＢＰ神经网络在训练时，由信号的正向传播和信号的反向传播共同构成神经网络的学习过程，其

BP神经网络模型的改进及其在边坡稳定性评价中的应用中期报告

BP神经网络模型的改进及其在边坡稳定性评价中的
应用中期报告
1. 研究背景
边坡稳定评价是矿山开发和修建公路等工程项目中重要的安全保障措施。

传统的边坡稳定评价方法存在许多不足，包括模型复杂、计算时间长、人工主观因素干扰等问题。

因此，开展基于BP神经网络的边坡稳定评价方法的研究具有重要的理论意义和实用价值。

2. 研究目的
本研究旨在改进BP神经网络模型，在边坡稳定性评价中进行应用，为边坡稳定性评价研究提供一种新的方法。

3. 研究方法
3.1 BP神经网络模型改进
本研究将使用改进的BP神经网络模型进行边坡稳定性评价。

改进的BP神经网络模型主要包括以下方面的改进：
- 优化网络结构，在隐层节点数和输出节点数之间增加一个中间层，提高网络的学习能力和性能；
- 引入正则化防止过拟合；
- 针对训练数据中存在的缺失数据和冗余数据问题，采用自适应权值调整方法。

3.2 应用案例分析
针对某大型开采企业的边坡开挖项目，采集了大量的地质、水文、地形等数据，并分析了边坡的结构形式、基本参数和稳定性状况。

通过建立边坡稳定性评价模型，预测了边坡在不同条件下的稳定性状况，并进行了模型的精度、可靠性和适用性评估。

4. 预期结果
本研究预期实现的成果包括：
- 建立基于改进BP神经网络的边坡稳定性评价模型；
- 针对实际工程应用，进行相关的案例分析和应用研究；
- 为边坡稳定性评价领域提供新的研究方法。

5. 研究意义
采用改进BP神经网络模型进行边坡稳定性评价，具有计算速度快、精度高、适用性强等优点，可为边坡工程的设计和施工提供科学依据，具有广泛的应用前景和良好的社会效益。

基于BP神经网络边坡稳定性预测及程序开发

ISSN 1671-2900 采矿技术第20卷第4期 2020年7月CN 43-1347/TD Mining Technology，Vol.20，No.4 Jul. 2020基于BP神经网络边坡稳定性预测及程序开发卢博雅，余红兵(保利新联爆破工程集团有限公司，贵州贵阳550026)摘要:边坡稳定性预测以稳定性和预测学为研究前提，将两者有机结合起来形成边坡稳定性的预测系统。

基于BP神经网络和预测数据样本分析，依托图形化编程G语言的LabVIEW软件，建立了基于LabVIEW和matlab软件开发的神经网络预测程序。

实例分析结果表明，通过Flac3D数值模拟进行稳定性计算，给出数值计算结果并同预测程序进行误差比较，误差率不超过10%。

关键词:边坡稳定性;BP神经网络;预测程序;数值模拟稳定性分析是边坡稳定性预测的前提和基础，对边坡的发育状况和变形破坏过程进行研究探讨。

许多边坡稳定性研究表明复杂性是边坡滑移的根本属性，因此在边坡稳定预测的问题上可以引用非线性科学理论，并以此为基础开发出多种边坡稳定性非线性预测模型，主要包括神经网络模型、协同预报模型和突变理论模型等[1-4]。

而在对边坡稳定性进行预测时，许多学者运用神经网络模型的方法，已经形成一个体系并得到充分发展[5]。

1 BP神经网络简单的3层BP网络（一般由1个输出层、1个输入层以及1个隐层组成）对于绝大多数模型的映射和拟合相关问题都能满足。

BP神经网络训练流程如图1所示。

图1简单3层BP神经网络模型的拓扑结构对于Flac3D模拟层状岩质边坡的分析结果进行探讨，得到在边坡开采过程中，边坡属性中的影响因素主要为边坡形态和岩体参数两大类，又细分为8点：岩层倾角、最终边坡角、边坡高度、层面间距、容重、泊松比、内聚力、摩擦角。

而在边坡稳定性分析中，主要考察4个指标：安全系数、拉应力、压应力、位移变化。

部分样本数据见表1。

2 预测程序应用Flac3D模拟出来的计算结果构建BP神经网络的样本，以表1中岩层倾角、最终边坡角、层面间距、边坡高度、泊松比、内聚力、摩擦角、容重为因子输入向量，以安全系数、压应力、拉应力以及位移值为因变输出向量，并运用MATLAB神经网络工具箱进行神经网络的训练。

基于BP人工神经网络的滑坡预测分析

基于BP人工神经网络的滑坡预测分析刘娇玲;肖盛燮【摘要】Taking the slope sliding caused by Wenchuan earthquake as study object,the arti-cle uses BP artificial neural network to perform forecasting analysis on the stability of slope from epicentraldistance,earthquake intensity,gradient,front elevation,slope height,lithol-ogical characters and other factors.The result shows that BP artificial neural network is able to predict the stability of the slop efficiently.%文章以汶川地震引发的滑坡为研究对象,以震中距、地震烈度、坡度、前缘高程、坡高和岩性等影响坡体稳定性的因素为切入点,利用BP人工神经网络对实际坡体的稳定性进行了预测分析。

结果表明,BP人工神经网络方法能有效预测坡体的稳定情况。

【期刊名称】《西部交通科技》【年(卷),期】2012(000)001【总页数】4页(P12-14,36)【关键词】BP人工神经网络;坡体稳定性;预测;分析【作者】刘娇玲;肖盛燮【作者单位】重庆交通大学防灾减灾工程研究所,重庆400074;重庆交通大学防灾减灾工程研究所,重庆400074【正文语种】中文【中图分类】P642.220 引言2008年5月12日14∶28∶00，四川省汶川县发生里氏8.0级地震，震中央位于北纬31.119°、东经103.258°，深度约为33km，为浅源地震。

此次地震诱发了大量的山体崩塌、滑坡、泥石流等次生灾害。

改进的BP神经网络在边坡稳定性评价中的应用

维普资讯
第１５卷第２期２００６年６月
矿
冶
Ｖｏ．５．Ｎｏ２１１
ＭＩＮＧ＆ＭＥＴＡＬＬＵＲＧＹＮＩ
Ｊｒ２０ｕｉｃ０６
文章编号：０８４２０）２— ０９４
ＫＥＹＷＯＲＤＳ：ａｔｉｉｌｎｕａｅｗｏｋ；ｎｎｉｅｒｍａｐｎｒｉｃａｅｒｌｔｒｆｎｏｌａｐｉｇ；ｔｅｓａｉｔｆｓｐｓｒｄｃｉｎｎｈｔｂｌｙｏｌｅ；ｐｅｉｔｉｏｏ
ｉｆｅｃｈｌｐｔｂｌｙｈｖｅｎｔｋｎｉｔｃｏｎｉｅ．Ｔｅｔｄｂｅｕｔｗｈｃｘｏｔｆｏｃｍｐｔｒｎｌｎｅｔｅｓｅｓａｉｔａｅｂｅａｅｏａｃｕｔｔｒｕｏｉｎｅｈｓｅｙｒｓｌｉｈｅｐｒｒｍｏｕｅ，ｓｔｉｍｏｅｉｐｏｅｏｂｅｓｂｅｎｆｅｓｒｆｒｎｅｔｈｔｂｌｙｐｅｉｔｎｏｌｐｓｈｓｄｌｓｒｖｄｔｅｆａｉｌ，ａｄｏｆｒｅｅｅｃｏｔｅｓａｉｔｒｄｃｉｆｓｅ．ｉｏｏ
网络能够满足绝大多数函数的映射或拟合问题ｌ。３Ｊ但由于传统的ＢＰ算法固有的缺陷，得网络的收使
敛速度慢，对于一些复杂的问题，要的训练时间可需
杂，计算量大。人工神经网络具有快速并行处理数
文献标识码：Ａ
ＡＰＰＬＩＣＡＴＩＯＮＭＰＲＯＶＥＤＡＣＫＯＦＩＢＰＲＯＰＡＧＡＴＩＯＮＮＥＵＲＡＬ

基于BP神经网络法某公路隧道围岩稳定性研究

基于BP神经网络法某公路隧道围岩稳定性研究隧道围岩的稳定性是公路建设工程中的重要问题之一、传统的研究方法主要基于经验公式和数值模拟，但这些方法在对于复杂的岩体力学问题进行分析时存在着一定的局限性。

为了提高对于隧道围岩稳定性的研究精度和预测能力，本文将基于BP神经网络法进行隧道围岩稳定性的研究。

首先，需要收集与隧道围岩相关的数据。

这些数据可以包括岩石的物理力学性质、地质结构、地下水情况等。

同时，还需要获取现场监测数据，如围岩位移观测数据、地下水位数据等。

这些数据可以用来构建BP神经网络的输入和输出。

接下来，需要对收集到的数据进行预处理。

这包括数据的归一化、去噪处理等。

归一化可以使得不同维度的数据在同一尺度上进行比较，去噪处理可以提高数据的质量。

然后，需要确定BP神经网络的结构和参数。

BP神经网络由输入层、隐藏层和输出层组成。

输入层的神经元数目由输入的数据维度决定，输出层的神经元数目由输出的数据维度决定。

隐藏层的神经元数目可以通过试验选择，并通过交叉验证方法进行优化。

此外，还需要设置学习速率、动量因子、迭代次数等参数。

然后，需要将数据分为训练集和测试集。

训练集用于训练BP神经网络，测试集用于评价网络模型的性能。

通常将数据分为70%的训练集和30%的测试集。

接下来，使用训练集对BP神经网络进行训练。

训练过程中，通过反向传播算法不断调整网络的权值和阈值，以最小化网络的误差。

训练直至网络的误差收敛或达到预设条件。

最后，使用测试集评价BP神经网络模型的性能。

可以使用均方根误差（RMSE）、决定系数（R2）等指标来评价模型的拟合能力和预测能力。

如果模型的性能不满足要求，可以通过调整网络结构和参数，重新训练网络。

综上所述，基于BP神经网络法进行隧道围岩稳定性研究可以提高对围岩稳定性的预测能力和分析精度。

通过收集相关数据、预处理、训练和评价模型等步骤，可以建立一个能够预测和评估隧道围岩稳定性的BP神经网络模型。

这对于隧道工程的安全和可靠性有着重要的意义。

基于BP神经网络方法的边坡地表沉降预测研究

基于BP 神经网络方法的边坡地表沉降预测研究孙维吉1，郭嗣琮2，梁冰11辽宁工程技术大学力学与工程学院，辽宁阜新 (123000)2辽宁工程技术大学理学院，辽宁阜新 (123000)E-mail ：sunweiji-1231@摘要：露天开采地表变形受岩体力学性质、地质构造、岩体结构、地应力场、地下水，露天矿采剥、工程荷载条件、地震作用、气象条件及植被等不确定因素共同影响，应用BP 神经网络方法对抚顺发电有限责任公司厂区地表沉陷变形进行了预测。

由预测结果可知，神经网络预测具有很高的精确性，可以作为一种预测手段对厂区以后的变形量进行预测。

关键词：神经网络，边坡，地表沉降，预测中图分类号：TD 3251 引言建国以来，我国露天开采有了长足发展，在国民经济发展中占有重要地位，随着露天矿的开采深度的不断增加，形成了许多高陡边坡，这些边坡的稳定与否影响着矿山的安全生产和矿区周边建筑物的安全稳定。

由于设计不合理而引发的露天矿周围地表移动和变形，甚至造成滑坡、滑动、沉陷、泥石流、岩崩等严重的地质灾害[1]。

据不完全统计，我国每年，仅由于各种滑坡造成的经济损失就达数百亿元。

在传统的“就矿建城”建设指导思想的影响下，我国建国以来已经形成了390多座矿业城（市）镇，这些露天矿大多毗邻大型工业及民用建筑，露天开采引起的邻近边坡岩体的移动与变形直接关系到附近的工业与民用建筑的安全。

而对露天煤矿、铁矿、黄金矿、磷矿及各种有色矿山而言，边坡稳定又是安全生产的关键。

目前，针对露天边坡岩体邻近地表的沉降变形及其附近大型工业厂房和工业设施稳定性研究较少。

露天开采受岩体力学性质、地质构造、岩体结构、地应力场、地下水，露天矿采剥、工程荷载条件、地震作用、气象条件及植被等不确定因素影响，地表变形沉陷值大，持续时间长，是一个十分复杂的力学时空过程，它属于灰色系统[2]，从纯力学机理的角度研究岩层与地表移动还存在很多困难，随着监测技术及手段的发展，应用神经网络方法进行了露天边坡地表变形预测。

BP神经网络模型的改进及其在边坡稳定性评价中的应用开题报告

BP神经网络模型的改进及其在边坡稳定性评价中的应用开题报告一、研究背景和意义近年来，随着城市化进程的加速和工程建设的不断推进，土石方工程所占比重日益增加，而边坡稳定性评价是土石方工程中非常重要的一环，其结果直接关系到工程的安全性和稳定性。

随着计算机技术的不断发展和人工神经网络的应用，BP神经网络模型逐渐成为边坡稳定性评价的重要手段。

但是，当前BP神经网络模型存在一些问题，如训练过程较慢、易陷入局部极值、对噪声数据敏感等。

因此，有必要对BP神经网络模型进行改进，提高模型的精度和稳定性。

二、研究内容本文的研究内容包括：1. 对传统BP神经网络模型进行改进，提高其精度和稳定性。

主要包括改进算法、选择合适的激活函数、调整网络结构等方面。

2. 将改进后的BP神经网络模型应用于边坡稳定性评价中，探索其在边坡稳定性评价中的应用。

主要通过实验验证改进后的BP神经网络模型的精度和稳定性，以及其对边坡稳定性评价的准确性和可靠性。

三、研究方法本文将采用以下方法开展研究：1. 改进BP神经网络模型算法，提高其精度和稳定性。

本文将采用自适应学习率算法、Levenberg-Marquardt算法等方法对BP神经网络模型进行改进。

2. 选择合适的激活函数，调整网络结构。

本文将比较常用的激活函数，如sigmoid、ReLU、tanh等，选择最适合的激活函数来提高BP神经网络模型的精度；同时，通过增加隐藏层数、改变隐藏层节点数等方式调整网络结构，提高模型的稳定性。

3. 实验验证改进后的BP神经网络模型在边坡稳定性评价中的应用效果。

本文将利用公开数据集进行实验验证，同时采用对比实验方法，比较改进前后模型的精度和稳定性。

四、预期成果本文的预期成果包括：1. 改进BP神经网络模型，提高其精度和稳定性。

2. 将改进后的BP神经网络模型应用于边坡稳定性评价中，探索其在边坡稳定性评价中的应用。

3. 对比改进前后BP神经网络模型的精度和稳定性，验证改进效果。

基于BP人工神经网络的公路岩质边坡稳定坡角预测

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【摘要】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.【期刊名称】《山西建筑》【年(卷),期】2017(043)008【总页数】2页(P69-70)【关键词】BP人工神经网络;岩质边坡;RMR;边坡角【作者】孔德镨;彭明【作者单位】南昌航空大学土木建筑学院,江西南昌330063;江西省交通科学研究院,江西南昌330052【正文语种】中文【中图分类】U416.14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。

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。

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。

自适应BP神经网络在边坡稳定性预测中的应用

实例基础上，观地识别边坡的稳定状态。客
（）３输出节点的误差。公式为
Ｅ＝ ÷∑（Ｏｔ＝） ÷∑｛ ∑ ∑ｗｉＯ一１ｃｒ，—ｉＯ｝ｘ）］
一ｆｌ』
神经网络（ｅｒｌｅｏｋ作为人工智能的一个分支，ＮｕａＮｔｒ）ｗ具
关键词：ＢＰ神经网络；自适应改进法；边坡稳定性；非线性；预测
中图分类号：Ｔ４２Ｕ３
文献标识码：Ａ
ｄｉ１．９９ｊｉｎ１０ｏ：０３６／．ｓ．００—１７．０００．５ｓ３９２１．４０４
边坡工程是一个开放的复杂系统，其稳定性不仅受地质、工程等确定性因素的综合影响，而且受随机性、模糊性、可变性等不确定性因素的影响，这就要求边坡稳定性分析方法具有同时处理确定性和不确定性信息的能力，大量已有的边坡工程在
力及容错特性，适用于从实例样本中提取特征、获得知识，并可使用不完备的或模糊随机的信息进行不确定性推理。目前
广泛应用的神经网络误差反向传输算法ＢＰ模型，是复杂非线
性系统预报的一种有效方法，但其存在易陷入局部最小、收敛速度慢等缺点，为克服这些缺点，自适应网络、复合网络等逐渐
练开始阶段，习率要取大些，学以有利于提高网络的训练速度；
在训练后期，习率取小些，学以保证网络收敛在误差最小点。动量法是在每个权重调整量上加上一项正比于前一次权重的值，加入动量项后，使权重的调整向着底部的平均方向变化，以改善网络收敛过程中的稳定性，调节网络的收敛速度。笔者采用两者结合的方式对ＢＰ神经网络进行改进Ｊ。

基于QNM-BP神经网络边坡稳定性评价研究

0引言边坡[1]是人类建设工程中开挖或填筑施工所形成的斜坡，随着工程建设范围的扩大，边坡稳定性成为工程中重要的安全问题。

由于边坡失稳导致巨大损失的报道屡见不鲜，据不完全统计[2]，在2011年至2020年间我国边坡失稳致灾约7万起，造成5000余名人员伤亡，经济损失450亿元左右。

边坡进行稳定性评价对失稳防治具有重要的现实意义。

目前国内外的边坡稳定性评价方法主要有极限平衡法、极限分析法和有限元法。

极限平衡方法[3]最先应用于边坡稳定分析中，该方法假定边坡破坏失稳时存在若干条潜在滑动面，把滑动面以上土体分割成若干土条，受力分析并简化假设得出平衡方程，进而评价边坡的稳定性；极限分析法[4]是对假定的滑裂面进行斜条分，建立协调的速度场，根据利用内能消散等于外力做功求解边坡稳定性系数，评价边坡的稳定性；有限元法是一种数值分析方法，分为有限元强度折减法[5]与有限元极限平衡法[6]，该方法通过计算机进行数值模拟评价边坡的稳定性。

这些方法做了很多贡献，但边坡稳定性评价普遍存在有不连续、非线性和很多不确定性等实际因素，这类方法在评价时主观性较强，难以进行精准评价。

近些年来，依托于数据的机器学习方法被引入到边坡稳定性评价中[7-9]，这类方法客观性强、计算迅速、工程中应用简单。

BP （Back Propagation ）神经网络[10]是一种经典的机器学习方法，常用于评价问题。

拟牛顿法（Quasi-Newton Method ，QNM ）是非线性问题的高效优化方法，本文采用QNM 算法优化BP 神经网络模型，建立边坡稳定性评价的QNM-BP 神经网络模型进行研究，并将其应用于工程中检验，得到一种具有应用价值的边坡稳定性评价方法。

1原理BP 神经网络是地质灾害评价问题中的常用方法。

相关边坡稳定性评价的BP 神经网络研究[11-15]对其介绍较为成熟，本节重点介绍拟牛顿法（QNM ）的计算过程[16]。

给定初始点x 0∈R n 和β∈（0，1），σ∈（0，1），h>0，r ≥0，选取B 0=I （单位矩阵），置k=0。

边坡稳定性的影响因素及分析方法

边坡稳定性的影响因素及分析方法边坡稳定问题是最常见的工程地质问题之一，随着我国现代化建设事业的迅速发展，高层建筑等大量工程项目开工建设，在这些工程的建设过程或建成后的运营期内，不可避免地形成了大量的边坡工程。

而且，随着工程规模的加大加深及场地的限制，经常需在复杂地质环境条件下，人为开挖各种各样的高陡边坡，所有这些边坡工程的稳定状态，事关工程建设的成败与安全，会对整个工程的可行性、安全性及经济性等起着重要的制约作用，并在很大程度上影响着工程建设的投资及效益。

合理有效地选用与之相适应的边坡稳定性分析与加固方法，是值得深入研究的问题。

一、边坡稳定性的影响因素地形是制约边坡稳态的第一控制要素。

边坡变形主要由地形的改造引起，而变形易发部位是地形坡度陡变部位，变形域规模则取决于边坡的高度。

在边坡工程中，区域构造环境问题可涉及四级构造单元及其后续各级构造。

当工程的部位集中分布多个崩滑体时，则是区域构造环境和地震地质环境。

区域构造环境的分析要点是自老至新构造应力场的转化，包括主应力的偏转（移）、压（剪）应力场向张（剪）应力场的转化、初始应力释放环境、蠕(流)变环境以及对渗流场和风化作用的制约作用(优势面)等。

居地地质构造是判断独立变形、运动单元的根本依据。

（一）节理裂隙序次第一序次：周边完整基岩的节理裂隙和劈理；第二序次：破碎岩体各独立块体的节理裂隙和劈理，含微构造、显微构造系列；第三序次：新近出现的变形裂隙(缝)。

（二）坡体结构坡体的整体刚度取决于节理裂隙的发育程度；坡体的变形、失稳类型取决于各类地质结构面产状同坡面产状之间的相互关系。

地层岩性的边坡变形、失稳效应最终反映在各层的刚度与抗剪强度。

如果坡体各组成层位的刚度比值大于1/3，该坡体可作为准均质体考虑；若刚度比值不大于1/3，变形第一控制层位是刚度比值最小的那一层位。

分析塑性域扩展趋势时，各层抗剪强度值都有影响，但控制层位仍然是刚度最小的那个层位。

当一处坡体具备变形、失稳条件时，导致其失稳的直接诱发因素之一是水的作用，包括地表水和地下水的作用，其中地表水及大气降雨又往往是该部位地下水的直接补给源，故对一处坡体的研究，它的研究范围应该是地表水汇水域。

PCA—PSOBP在边坡稳定性评价中的应用

ＩＳＳＮ１６７１～２９００
采矿技术第１３卷第２期
ＭｉｎｉｎｇＴｅｃｈｎｏｌｏｇｙ，Ｖｏ１．１３，Ｎｏ．２
２Ｏ１３年３月
Ｍａｒ．２Ｏ１３
ＣＮ４３ —１３４７／ＴＤ
ＰＣＡ — ＰＳｏＢＰ在边坡稳定性评价中的应用
（
… ．，Ｐ）。它的个体极值为
∑ ，当贡献率大于某一设定值时，就可以确定新变
ｉ一１
量的维数和变换后的数据。１．３粒子群优化算法的改进粒子群算法具有较好的全局寻优能力，可以用
在研究实际问题时，常会涉及到多个变量。如果变量太多就会增加计算的复杂性，同时也给合理地解决问题带来困难。而应用主成分分析（ＰＣＡ）方
主成分定义了一个新的坐标轴方向，从而使坐标轴都相互正交。这样，从本质上讲原始输入变量进行
去相关化，使之成为相互独立的新变量。
ＢＰ网络产生局部极小的根本原因在于其误差
函数，在其训练过程中是根据误差函数不断整体性
胡泽涛，高文华，姜晓日
（湖南科技大学土木工程学院，湖南湘潭市４１１２０１）
摘要：ＢＰ神经网络在使用时会遇到泛化和局部极小的问题。为改善这些问题，引入主成分分析（ＰＣＡ）方法对样本数据进行处理，同时引入粒子群优化算法（ＰＳＯ）优化ＢＰ网

基于BP神经网络算法下的边坡安全预测

基于BP神经网络算法下的边坡安全预测熊建宁【摘要】边坡的实时变形一直是岩土工程界关心的问题,由于不同工程的条件不同,影响边坡位移的因素较多,进而使其变化趋势复杂.为了得到边坡位移与稳定性的关系,采用BP神经网络算法与强度折减法综合对土质边坡安全系数进行预测.结果显示:通过强度折减法计算出边坡位移,并获取较完善的BP神经网络样本数据,当迭代次数达到足够时,完全可以忽略预测结果与实际结果的误差;通过实际工程中的边坡监测数据,然后由建立的BP神经网络能够较为准确的输出边坡的强度折减系数,进而得到相应的安全系数.【期刊名称】《江西水利科技》【年(卷),期】2018(044)003【总页数】4页(P176-179)【关键词】BP神经网络;强度折减系数;安全系数【作者】熊建宁【作者单位】重庆市水利电力建筑勘测设计研究院,重庆401120【正文语种】中文【中图分类】TU4590 引言边坡中的土体材料参数(主要为粘聚力和内摩擦角)会受到水或者冻融循环作用的影响进而有一定的衰减[1]，然后会逐渐形成一定的滑动面，最后发展成为滑坡，所以对土坡的稳定性能够有较为可靠的预测就极为重要。

同时土体边坡稳定性主要取决于滑动面上的抗剪强度以及土坡的剪应力，但是对于其具体的实时分析却是十分困难，一方面是土坡剪应力的具体数值受影响的因素比较多，如：外荷载、边坡形状等；另一方面是对于Mohr-Coulomb理论的土坡抗剪强度主要取决于室内试验得到的材料参数的粘聚力以及内摩擦角，现场进行实时抗剪强度参数的确定更加困难或者是基本不可能。

实际工程中，梅溪河流域渡口坝水电站厂房后边坡变形蠕滑部分因场地发生长时间强降雨使土体达到充分饱和，土体物理力学性质大幅降低导致边坡局部失稳形成滑坡，对其变形体的稳定性计算只能根据不同工况条件下，对变形体进行稳定性计算。

综上可知，边坡稳定性的实时评判难度很大。

鉴于此，众多学者开始通过边坡的强度折减系数作为一定的边坡稳定性判别依据，进而确定边坡的稳定性[2-5]。

BP神经网络在露天矿边坡稳定性分析中的应用

络模型—— 误差反向传播网络（ｒｒｂｃｒｐｇ・ｅｒａｋｐｏａａｏ
ｔｎｎｔｏｋ简称Ｂ）进行反分析。ｉｅｒｓｏｗＰ来１２Ｂ．Ｐ网络的局限与改进
１Ｐ网络自身的局限性表现为：数学角度）Ｂ从
ｐｅｉｔｔｅｓｏｅｓａｉｉｆｏｅｐｔｍｉｅ，ａｄｇｏｅｕｔｒｂｔｉｅ．ｒｄｃｈｌｐｔｂｌｙｏｐｎ－ｉｎｔｎｏｄｒｓｌｓａｅｏａｎｄＫＥＹｏＲＤＳ：ＢＰｅａｔｒＷｎｕｒｌｎｅｗｏｋ；ｓｏｅｓａｉｔｓｆｔｏｆｉｉｎｌｐｔｂｌｙ：ａｅｙｃｅｃｅｔｉ
塑性力学进行求解，法反应边坡内部的复杂的非无
１ＢＰ神经网络算法
１１Ｂ．Ｐ网络学习算法
人工神经网络—— ＡＮ（ｒｆｉｌＮｕａＮｔＮＡｉｃｅｒｅｔｉａｌ — ｗｒ）一门新兴交叉学科，是在研究生物神经网ｏ是ｋ它
第２１卷
第２期
矿
冶
Ｖｏ．１，Ｎｏ２１２．
２１０２年６月
ＭＩＮＧ＆ＭＥＮＩＴＡＬＬＵＲＧＹ
Ｊｎ２２ｕｅ０ｌ
文章编号：０５７５（０２０ —０００１０－８４２１）２０１ —５
ＢＰ神经网络在露天矿边坡稳定性分析中的应用
ＡＢＳＴＲＡＣＴ：Ｓｏｅｓａｉｉｎｌｓｓｉｈａｉｆｇｖｒａｃｆｔｅｓｏｅｅｉｅｒｎｌｐｔｂｌｙａａｙｉｓｔｅｂｓｓｏｏｅｎｎｅｏｈｌｐｎｇｎｅｉｇ，ａｃｒｔｅｅｍｉａｉｎｏｔｃｕａｅｄｔｒｎｔｆｏ

基于灰色-BP神经网络组合模型的边坡稳定性预报方法

Ａｂｔａｔ：Ｂａｓｄｏｎｔｔｄｉｓｂｅｏｅ，ＢＰ（ｃｏｐｇａｉｓｒｃｅｈｅｓｕｅｆｒＢａｋＰｒａｔｏｎ）ＮｅａｔｏｋａｒｙＴｈｅｒｒｔｄｉｄｉｕｒｌＮｅｗｒｎｄＧｅｏｙａｅｓｕｅｎ
播和误差的反向传播所组成。在正向传播中，输入信息经隐含单元逐层处理并传向输出层。如果输出层不能得到所期望的输出，则转入反向传播过程，将实际值与网络输出之间的误差沿原来的连接通路返回，通过修改各层神经元的连接权重使误差减小，然后再转入正向传播过程。如此反复计算，网络的实
即下层的每一个单元与上层的每一个单元都实现全连接，每层各神经元之间无连接。最基本的Ｂ而Ｐ网络是三层前向网络，即包括：输入层、隐含层和输出层。ＢＰ神经网络的学习过程是由模式的正向传
灰色理论通常是指随机过程中以先验概率为出
ｅａｅｅｕｔｓｉｐｔｄｔ，ｔｏｉｅｔｅｗｉＰＮｅｒｌＮｅｗｏｋ，ａｄｔｅｈｏｉａｉｎｒｓｌｓａｅｏ — ｒｌＧｒｙｒｓｌｓａｎｕａａＯｃｍｂｎｈｍｔＢｕａｔｒｈｎｈｎｔｅｃｍｂｎｔｅｕｔｒｂｏ
ＬＡＢ软件独立运行的程序，针对实际案例进行结并
果预测和方案优化。
心，也是滑坡成功预报的重要因素。目前，内外学国

BP神经网络在隧道稳定性分析中的应用

围岩条件
隐含层
围岩接触带、断层带
５０
砂砾岩、砾岩
３０
分值
图１神经网络模型
隧道服务年限
分值地下水分值
主线
３０纸房沟下部２０
车、人行横洞
３０纸房沟周边１０
标准ＢＰ算法是一种误差反向传播法，建立在梯度下降的基础上，其主要算法过程如下Ｌ：１］１给定误差ｅ，）＞０学习速率叩，＞０选定初始权值￣ｋＴ；．Ｕ２计算网络输出，）若所有模式目标输出与网络实际输出之差小于ｅ则结束；，
４节理产状：）造成大面积隧道垮冒的地区，一般为断层及节由输入层、隐含层和输出层组成，图１如所示。其最大特点是仅理裂隙发育地段。特别是地下水受开采扰动后改变了作用力的借助于样本数据，就可以实现由Ｒ空间（为输入层节点数）到分布，且地下水的流动冲刷软弱夹层和断层破碎带，降低了断层
ＢＰ神经网络在隧道稳定性分析中的应用
王灿刚张云
摘要：结合工程概况，绍了Ｂ介Ｐ神经网络的基本原理，通过调查分析，出影响隧道稳定性的因素，出支护方案和找提
支护形式的选择，并利用ＢＰ神经网络预测漫川关隧道的稳定性及支护等级，以推广ＢＰ神经网络的应用。关键词：神经网络，隧道，稳定性，应用
中图分类号：Ｐ８Ｔ１３文献标识码：Ａ
近年来在隧道支护中，普遍采用喷锚支护相结合的原则，虽主要因素有以下几个方面：然效果良好，但是在对于特殊地质段，喷锚支护就显示出其不足，

BP 神经网络在滑坡位移预测中的应用

试点论坛shi dian lun tan297BP 神经网络在滑坡位移预测中的应用◎王锡斐摘要：本文针对降雨型滑坡位移预测问题，采用基于神经网络的位移预测算法。

采用60d 的数据作为样本训练，采用60d-70d 的数据对预测结果进行检验，最终位移预测精度MAE 达到0.05mm，故本文建立的方法具有一定的实用性，是较为合理的。

关键词：降雨型滑坡；位移预测；神经网络滑坡是一种常见的且危害巨大的地质灾害，尤其在我国西南地区，由于地形的起伏以及地势落差为滑坡孕育带来了天然的条件，给当地居民生命财产安全带来了严重的威胁，因此整治滑坡的意义非常重大。

针对滑坡的位移进行分析，预测其发生与发展，对滑坡的认识与防治产生很大的意义，许强等人认为目前常用的阈值预警方法误报、漏报率较高，应将预警的重心转移到对历史数据的统计分析和基于变形、雨量等关键指标的预警模型和判据研究[1]。

在滑坡早期识别方面，李云君等人使用逻辑回归方法结合地形因子及降雨因素对大范围滑坡进行动态判断，及时发现灾害隐患点[2]。

时间序列、支持向量机回归SVR 等回归预测模型均是在滑坡位移预测方面大量使用的模型[3-5]。

然而，滑坡受多方面内外因素影响，如何实现及时、高精度的预测是目前面临的主要问题。

滑坡是一个极其复杂的结构，传统的统计算法由于参数过少，导致预测的精度不高，神经网络通过大量神经元带来的计算优势可以适用于滑坡预测。

一、模型设计在模型中，神经网络负责对数据进行拟合。

神经网络拥有大量的神经单元，通过前向传播计算滑坡位移预测值，通过反向传递根据式2修正滑坡位移预测值，不断的对预测结果进行优化，直到预测结果逼近实际测得的滑坡位移值。

（2）其中分别为滑坡位移实际值与滑坡位移预估值；为样本含量，为神经网络中的权重参数。

（一）神经网络设置BP 神经网络搭建的过程主要包括了学习率超参数设置、损失函数设置、Batch-size 批次大小设置，优化算法设置以及自身的结构设置。

基于BP神经网络的露天边坡角预测

基于BP神经网络的露天边坡角预测张儒;陈新【摘要】针对广东泥竹塘铁矿露天边坡稳定性问题,为了获得矿山的稳定露天边坡角,研究使用BP神经网络进行预测分析.在预测过程中,以边坡岩体质量系数、岩体综合抗压、抗拉强度、内聚力、结构面力学特性、边坡高度及岩体密度等7个指标为输入因子,综合国内矿山27组露天矿山现场数据,建立网络学习、训练样本库,从而实现泥竹塘铁矿稳定露天边坡角的预测.结果表明,露天边坡角的BP神经网络预测模型最大误差小于3％,训练输出误差较小,精度较高,得到的泥竹塘露天铁矿上盘最终边坡角的预测值为42.8°,上盘最终边坡角的预测值为40.1°.多年的生产实践表明,该预测成果与实际基本相符,可为今后类似工程提供参考.【期刊名称】《有色金属（矿山部分）》【年(卷),期】2016(068)001【总页数】4页(P85-88)【关键词】边坡角;稳定性;BP神经网络;预测【作者】张儒;陈新【作者单位】广东核力工程勘察院,广州510800;中南大学资源与安全工程学院,长沙410083【正文语种】中文【中图分类】TD854+.6露天边坡角的确定是边坡工程的稳定性研究的关键问题，影响到矿山的经济、安全生产[1-2]。

边坡角的大小选取是一把双刃剑，取值偏大可以减少生产成本，但也增大了发生地质危害的可能性，反之取值偏小虽然减少了地质灾害发生的机率，却增大了生产成本[3-4]。

随着开挖深度的增加，广东泥竹塘铁矿边坡高度逐渐增加，边坡稳定性及其安全隐患逐步出现。

因此，采用科学合理的方法来确定露天边坡角十分必要。

主观经验法是确定露天边坡角的主要传统方法[5]。

本文在综合分析国内多个矿山露天矿边坡角的基础上，建立BP 人工神经网络预测模型，确定泥竹塘铁矿的稳定露天边坡角。

广东省连平县泥竹塘铁矿矿区位于连平县城东南29 km处的油溪镇石背村，矿区中心地理坐标为：东经114°34′55.2″，北纬24°06′09″，光照条件较好；一年的日照时长在1 660 h左右；气温适宜，降水量充足，其中降雨强度较大的次数比较多，容易引发山洪、滑坡等地质灾害；年平均湿度为80%，年平均蒸发量为1 393.6 mm[6]。