基于誤差反向傳播神經(jīng)網(wǎng)絡(luò )的管道沿線(xiàn)滑坡穩定性評價(jià)
來(lái)源:《管道保護》2024年第1期 作者:安培源 時(shí)間:2024-1-23 閱讀:
安培源
北京中地華安科技股份有限公司
摘要:以西南某管道四川、重慶、湖北段為研究區,以歷年管道沿線(xiàn)滑坡災害點(diǎn)為數據樣本,選擇坡度、滑面傾角、年均降雨量、滑面特征、滑床巖性、地表變形、地下水變化特征、人類(lèi)工程活動(dòng)、臨空特征9個(gè)因素作為評價(jià)指標,利用基于誤差反向傳播神經(jīng)網(wǎng)絡(luò )對研究區滑坡穩定性評價(jià)進(jìn)行建模。結果表明,相較于傳遞系數法,基于神經(jīng)網(wǎng)絡(luò )的滑坡穩定性評價(jià)模型雖然評價(jià)結果相對保守,但仍然可以滿(mǎn)足管道風(fēng)險管控需要。
關(guān)鍵詞:誤差反向傳播;神經(jīng)網(wǎng)絡(luò );滑坡穩定性評價(jià);管道風(fēng)險管控
西南某管道起始于川東北地區,末站為上海市,自西向東途經(jīng)四川、重慶、湖北、安徽等省市。管道沿線(xiàn)地質(zhì)環(huán)境條件復雜,其中川東、渝中、鄂西等地區尤為突出,這些地區地形地貌多樣、地質(zhì)構造復雜、巖性巖相變化大、人類(lèi)工程活動(dòng)強烈,導致地質(zhì)災害異常發(fā)育。準確、快速評估災害體的穩定性對管道安全風(fēng)險管控具有重要意義。
滑坡穩定性是一個(gè)受多因素、多參數控制且具有一定偶發(fā)性,受高度復雜地質(zhì)作用控制的工程地質(zhì)問(wèn)題,是工程地質(zhì)工作者長(cháng)期研究的焦點(diǎn)。早期的工程地質(zhì)評價(jià)方法以定性描述和分析為主,主要依賴(lài)于專(zhuān)家個(gè)人經(jīng)驗,具有一定的局限性[1]。通過(guò)綜合分析滑坡地質(zhì)環(huán)境特征、地質(zhì)災害體特征、誘發(fā)因素等,找到各因素間的內在聯(lián)系以及與滑坡穩定性的關(guān)系,為準確評價(jià)滑坡的穩定性奠定基礎。本文嘗試建立基于誤差反向傳播神經(jīng)網(wǎng)絡(luò )的滑坡穩定性評價(jià)模型,利用計算機強大的運算能力,在前人累積的工作成果基礎上,探尋地質(zhì)災害規律,有利于地質(zhì)災害防治和管道安全運行。
1 滑坡樣本庫的建立及指標選取
滑坡類(lèi)型多樣,影響因素眾多,是一個(gè)復雜的工程問(wèn)題,難以進(jìn)行工程定量計算。此外,各個(gè)工程所獲指標不統一,部分指標為定量,部分指標為定性,這使得應用神經(jīng)網(wǎng)絡(luò )進(jìn)行滑坡分析與預測時(shí),面臨首個(gè)難題是滑坡數據的提取與樣本庫的建立。
1.1 指標的選取
滑坡產(chǎn)生的根本原因在于邊坡巖土體的性質(zhì)、坡體介質(zhì)內部的結構構造和邊坡體的空間形態(tài);碌男纬膳c地層巖性、地質(zhì)構造、地形地貌等這些內部條件密切相關(guān)。水的作用、地震、大型爆破和其他人為因素是滑坡的催生劑,是產(chǎn)生滑坡的外因[2]。通常情況下,分析滑坡的形成需要考慮自然地理及地質(zhì)環(huán)境條件,包括以下幾大類(lèi):氣象、水文、地形地貌、地層巖性、地質(zhì)構造、地震、水文地質(zhì)條件和人類(lèi)工程活動(dòng)。根據相關(guān)文獻[3-4],并結合管道沿線(xiàn)滑坡調查成果資料,最終確定將坡度、滑面傾角、年均降雨量、滑面特征、滑床巖性、地表變形、地下水變化特征、人類(lèi)工程活動(dòng)、臨空特征9個(gè)評價(jià)指標作為輸入值,穩定性系數(自然工況)和穩定性系數(暴雨工況)2項數據作為預測值。
1.2 原始數據樣本
提取到的部分原始數據(表 1)。
表 1 滑坡穩定性評價(jià)模型原始數據樣本
1.3 樣本數據處理
連續型數據的歸一化處理。模型的輸入數據類(lèi)別中的坡度、滑面傾角、年均降雨量等連續型數據,在物理含義、量綱及取值范圍上各不相同,從數據的數值上看區間跨度和差異性較大。為了能讓模型獲得最佳的預測結果,對這三類(lèi)連續型數據分別進(jìn)行了歸一化處理。
常規的歸一化處理是將原始數據映射到[0,1]或者[-1,1]之間。結合地質(zhì)災害分析中的專(zhuān)家經(jīng)驗,采用公式將其轉換為[0.1,0.9]之間的浮點(diǎn)數[5-7]。
類(lèi)別型數據的離散化處理。模型的輸入數據類(lèi)別中的滑面特征、滑床巖性、地表變形、地下水變化特征、人類(lèi)工程活動(dòng)、臨空特征、穩定性這7項是類(lèi)別型數據。本文將這些數據轉換為用數字表示的離散化數據。
結合研究問(wèn)題的實(shí)際需求以及地質(zhì)災害分析中的專(zhuān)家經(jīng)驗,采用分段映射的方式來(lái)完成類(lèi)別型數據的離散化處理(表 2)。
表 2 類(lèi)別型數據的離散化處理分段映射表
經(jīng)過(guò)分析和處理后的數據格式如表 3所示。
表 3 經(jīng)過(guò)分析和處理后的數據格式
2 人工神經(jīng)網(wǎng)絡(luò )模型的構建
2.1 人工神經(jīng)網(wǎng)絡(luò )模型的選取
滑坡穩定性AI模型的目的是期望根據現有的數據建立起滑坡特征參數,比如坡度、滑面傾角等評價(jià)指標與滑坡穩定性系數之間的關(guān)聯(lián),從而能夠通過(guò)特征參數來(lái)分析預測滑坡的穩定性系數[8];路定性系數是一個(gè)無(wú)量綱的連續型浮點(diǎn)數。從這個(gè)角度去考慮,可以把問(wèn)題抽象為一個(gè)回歸問(wèn)題,將滑坡穩定性AI模型構建為一個(gè)回歸模型。另一方面,滑坡穩定性系數根據數值的大小依次分為不穩定、欠穩定、基本穩定、穩定四個(gè)級別,可以把問(wèn)題抽象為一個(gè)分類(lèi)問(wèn)題來(lái)處理,將滑坡穩定性AI模型構建為一個(gè)分類(lèi)模型[9]。在理論上,回歸和分類(lèi)都是機器學(xué)習的主要任務(wù),分類(lèi)模型和回歸模型本質(zhì)一樣,都是要建立映射關(guān)系。
根據滑坡穩定性評價(jià)模型的實(shí)際情況,分別采用回歸方法和分類(lèi)方法來(lái)進(jìn)行建模,最后通過(guò)實(shí)際結果來(lái)選擇較好的模型。BP神經(jīng)網(wǎng)絡(luò )既可以支持回歸問(wèn)題的求解也可以支持分類(lèi)問(wèn)題的求解,因此本文選擇使用BP神經(jīng)網(wǎng)絡(luò )進(jìn)行模型的構建。在采用回歸方法進(jìn)行建模時(shí)采用BP-Regressor網(wǎng)絡(luò )來(lái)構建模型,完成對穩定性系數的分析和預測。在采用分類(lèi)方法進(jìn)行建模時(shí)利用BP-Classifier網(wǎng)絡(luò )來(lái)構建模型,使用softmax函數作為神經(jīng)網(wǎng)絡(luò )的最后一層,實(shí)現一個(gè)多分類(lèi)的人工神經(jīng)網(wǎng)絡(luò ),完成對穩定性類(lèi)別的分析和預測。
2.2 模型調參和訓練
采用基于誤差反向傳播的多層感知神經(jīng)網(wǎng)絡(luò )(BP神經(jīng)網(wǎng)絡(luò ))進(jìn)行模型的訓練[10]。構建一個(gè)具有兩個(gè)隱藏層,使用relu函數作為激活函數的回歸神經(jīng)網(wǎng)絡(luò )作為基礎網(wǎng)絡(luò )(圖 1)。
圖 1 基礎回歸網(wǎng)絡(luò )
使用類(lèi)別等比例切分的訓練集和驗證集對模型進(jìn)行訓練和驗證,并獲得模型的評價(jià)結果。根據評價(jià)結果,使用編寫(xiě)的自動(dòng)優(yōu)化程序,不斷調整每個(gè)隱藏層中節點(diǎn)個(gè)數、懲罰系數、激活函數等參數,再進(jìn)行模型的訓練,最終獲得最優(yōu)的模型(圖 2、圖 3)。
圖 2 超參數優(yōu)化空間
圖 3 模型評價(jià)
優(yōu)化后的滑坡穩定性模型具有一個(gè)輸入層、兩個(gè)隱藏層、一個(gè)輸出層。每層節點(diǎn)數分別為9、53、82、4,模型概化見(jiàn)圖 4。迭代次數676次、最小損失值0.4642,激活函數relu,輸出激活函數softmax,尋優(yōu)方法adam,學(xué)習率動(dòng)態(tài)自適應。
圖 4 滑坡穩定性模型的概化圖
2.3 對比分析與實(shí)例應用
選擇管道沿線(xiàn)典型地質(zhì)災害隱患點(diǎn)數據對模型進(jìn)行驗證。
災害點(diǎn)地質(zhì)環(huán)境條件。根據第一節滑坡樣本庫的建立與指標選取原則對沿線(xiàn)典型災害點(diǎn)參數進(jìn)行提。ū 4)。
表 4 典型地質(zhì)災害點(diǎn)參數
調用已訓練完成的模型,導入管道沿線(xiàn)典型地質(zhì)災害隱患點(diǎn)參數數據進(jìn)行預測,預測結果見(jiàn)表 5。
表 5 典型地質(zhì)災害隱患點(diǎn)穩定性預測結果對比
從以上三處滑坡穩定性評價(jià)模型預測結果可以看出,與傳遞系數法相比,其準確率達到83%,其中對暴雨工況下的穩定性預測結果全部與傳遞系數法得到的穩定性結果相一致。自然工況下,對EES210-3斜坡的穩定性預測結果為基本穩定,相較于傳遞系數法得到的穩定性結果偏保守,分析認為是由于輸入參數中缺少巖土體物理力學(xué)參數導致的。從驗證結果來(lái)看,滑坡穩定性評價(jià)模型可以作為目前滑坡穩定性評價(jià)的有效補充,也為管道沿線(xiàn)滑坡防治開(kāi)拓了新的思路。
3 結論
根據滑坡穩定性評價(jià)模型預測結果可以得知,基于人工神經(jīng)網(wǎng)絡(luò )模型對滑坡穩定性進(jìn)行評估是一種快速、可行、具有較小誤差的方法。
基于人工神經(jīng)網(wǎng)絡(luò )模型的滑坡穩定性評價(jià)模型的預測結果與傳遞系數法的結果仍然存在誤差,這說(shuō)明由于滑坡系統的復雜性決定了任何一種方法都難以把滑坡的影響因素完全考慮進(jìn)去。該模型首先建立在人工經(jīng)驗選取的評價(jià)指標上,未來(lái)隨著(zhù)對滑坡穩定性評價(jià)模型持續改進(jìn),不斷增加評價(jià)指標,有望建立一個(gè)能夠考慮到絕大多數影響因素的評價(jià)模型,來(lái)克服已有評價(jià)方法的局限性。
參考文獻:
[1]曾斌,項偉. 人工神經(jīng)網(wǎng)絡(luò )在石佛寺滑坡穩定性評價(jià)中的應用[C]//中國地質(zhì)學(xué)會(huì )工程地質(zhì)專(zhuān)業(yè)委員會(huì )2007年學(xué)術(shù)年會(huì )暨“生態(tài)環(huán)境脆弱區工程地質(zhì)”學(xué)術(shù)論壇論文集:科學(xué)出版社(Science Press),2007: 390-396.
[2]周福軍.日冕水電站庫區滑坡穩定性早期智能判別及危害模糊綜合預測研究[D].吉林大學(xué), 2013.
[3]黃光東.基于智能算法的滑坡穩定性建模與分析[D]. 中國地質(zhì)大學(xué)(北京), 2011.
[4]陳筠,郭果.基于RES理論的潛在滑坡識別[J].工程地質(zhì)學(xué)報,2014,22(3):456-463.
[5]李朋麗.基于神經(jīng)網(wǎng)絡(luò )的滑坡穩定性分析與預測[D]. 長(cháng)安大學(xué),2011.
[6]宮清華,黃光慶.基于人工神經(jīng)元網(wǎng)絡(luò )的滑坡穩定性預測評價(jià)[J].災害學(xué),2009,24(3):61-65+74.
[7]李強,李端有.基于人工神經(jīng)網(wǎng)絡(luò )的滑坡穩定性評估研究[J].長(cháng)江科學(xué)院院報,2005, (6):19-21+25.
[8]高永利,張振文,代鳳紅,等.基于人工神經(jīng)網(wǎng)絡(luò )的井泉滑坡穩定性[J].遼寧工程技術(shù)大學(xué)學(xué)報,2006,(S2):82-84.
[9]畢鑫濤.基于人工智能的土石邊坡穩定性早期評價(jià)和滑坡識別[D]. 中國地質(zhì)大學(xué)(北京),2021.
[10]黃光東. 基于智能算法的滑坡穩定性建模與分析[D]. 中國地質(zhì)大學(xué)(北京), 2011.
(本文系作者2023年10月13日在第四屆管道自然災害防治研討會(huì )上的發(fā)言)
作者簡(jiǎn)介:安培源,1994年生,碩士研究生,水工環(huán)地質(zhì)工程師,就職于北京中地華安科技股份有限公司,主要從事油氣管道地質(zhì)災害防治工作。聯(lián)系方式:18530095930,anpeiyuanwar@163.com。
上篇:
下篇: