神经网络在边坡稳定性分析中的应用

应用神经网络理论,提出了圆弧式破坏边坡的边坡安全系数估计的新方法,通过对搜集到的边坡稳定性实例进行了实习和预测,可以看出,神经网络方法有精度高,收敛速度快,容错能力高等特点。     

应变软化边坡渐进破坏及其稳定性初步研究

采用应变软化本构模型和矢量和法,提出了一种模拟应变软化边坡渐进性破坏过程的分析方法。该方法可得到应变软化边坡的坡体材料强度参数、滑面状态、稳定安全系数、边坡破坏状态的变化过程,据此可分析边坡的渐进破坏。采用所提方法对应变软化材料边坡算例进行了分析,并与3种极限平衡法进行了对比,结果表明:(1)滑面矢量和安全系数介于传统极限平衡法峰值安全系数与残余安全系数之间,滑面强度参数部分处于峰值状态、部分处于残余状态,弥补了传统极限平衡法不能得到真实的应变软化边坡安全系数的缺陷。(2)强度参数弱化的区域与边坡破坏区域位置一致,坡脚处滑面最先出现软化,随着塑性剪切破坏的发展,其由软化状态变为残余状态,邻近部分滑面开始出现新的软化,接着进入残余状态,边坡破坏由坡脚向坡顶发展,随着这个过程的持续进行,边坡的渐进性破坏不断发展,边坡安全系数不断降低,直至渐进性破坏过程结束。(3)随着残余软化参数的增加,滑面位置逐渐变浅,矢量和法安全系数逐渐增加。该方法能够较好地分析边坡的渐进性破坏过程,具有较好的应用前景。     

基于概率神经网络的岩土边坡稳定性预测方法

基于数据挖掘技术和智能系统,提出应用概率神经网络预测边坡稳定性的数值方法。根据大量边坡稳定或者失稳案例记录的数据库资料,采用数据挖掘方法能够从中提炼出有价值的分类模式。将岩土边坡的力学参数和几何形状作为神经网络的输入训练和测试神经网络。实际应用显示所建立的概率神经网络预测边坡稳定的实用性。与传统的极限平衡分析方法和极大似然估计方法相对比,所提出的概率神经网络具有更高的预测精度。     

三维复杂块体系统边坡深层加固条件下稳定性及破坏机制模型试验研究

白鹤滩水电站左岸为强卸荷岩体三维复杂块体系统高边坡,采用三维地质力学模型试验,进行了边坡变形特性、失稳破坏过程、破坏机制、边坡稳定性及加固处理效果研究。模型试验表明,边坡失稳模式为块体滑动破坏,破坏形态表现为底滑面的剪切破坏和后缘结构面的拉裂破坏以及块体沿底滑面和侧滑面的滑动。边坡破坏过程为模型结构面初裂、结构面组合块体边界贯通、最终至边坡整体失稳3个阶段。采用地质力学模型试验综合法获得了左岸块体系统边坡整体稳定安全系数,典型块体稳定安全系数与三维刚体法及块体单元法(BEM)计算成果对比基本一致,模型试验综合法安全系数相对较大。同时,针对层内错动带LS_(337)界面部位相对变位监测表明,深层混凝土置换洞加固有效地控制了底滑面的滑动变形,提高了相关结构面组合块体的稳定性,边坡加固效果较为明显。研究成果对白鹤滩工程左岸强卸荷区三维复杂块体系统边坡及类似工程边坡稳定性及加固处理具有重要的指导意义。     

二维随机场下边坡稳定性的径向基函数神经网络分析法

岩土参数的随机性会直接影响边坡稳定性评价结果的精度。首先,依据边坡参数的常用分布特征,利用拉丁超立方抽样法生成若干组边坡土性参数和几何参数的随机样本,用有限元强度折减法求解各组样本对应的边坡安全系数。再考虑土性参数的空间变异性,在二维随机场模型下将蒙特卡罗模拟和有限元强度折减法相结合求解各组样本对应的边坡失效概率。然后,利用样本数据及其安全系数和失效概率对径向基函数（RBF）神经网络进行训练和测试,从而建立边坡安全系数和失效概率的预测模型。算例表明,二维随机场模型能相对精确地考虑参数的空间变异性;在此基础上建立的神经网络模型对边坡的安全系数和失效概率具有较高的预测精度,且能极大地节省边坡稳定性分析的时间。     

基于神经网络范例推理的边坡稳定性评价方法

提出了基于神经网络范例推理的边坡稳定性评价方法。针对边坡的稳定性影响因素的复杂多变性和相当强的不确定性,建立了基于神经网络的边坡范例检索模型。运用神经网络强大的自适应、自组织、自学习的能力以及高度的非线性映射性、泛化性和容错性的特点,通过边坡范例的神经网络学习,建立了当前边坡和边坡范例之间相似性计算关系,最终实现了当前边坡的稳定性评价。对于8个验证边坡范例,模型的预测准确性达到了100 %,范例中的160组数据的相关性也达到了 0.981 5,表明建立的模型具有很高的预测准确性,模型的泛化能力很强。     

基于Monte-Carlo模拟的狮子包边坡稳定性研究

以三峡库区巴东县沿江路云沱段狮子包边坡为例,综合边坡工程地质、水文地质、岩体结构特征及边坡前期交形破坏迹象,基于Monte-Carlo法得到边坡稳定的破坏概率及安全系数,进而用可靠性理论对边坡稳定性进行了探索。结果表明,通过Monte-Carlo法得到的狮子包边坡安全系数为0．857,而用传统安全系数法得到的安全系数大干1。实际上,该边坡在2003年曾经产生过滑动,因此,基于Monte-Carlo法的可靠性理论对边坡稳定性评价更符合实际。     

岩质边坡复合型破坏机制的改进运动单元法研究

目前运动单元法的研究主要集中于土质边坡,未涉及到岩质边坡稳定性分析问题;而岩体中孕育有不同特性的结构面,控制着岩质边坡的力学行为。为求解结构面控制作用下岩质边坡“结构面滑移-岩桥剪断”复合型破坏问题,研究了塑性滑移区节点在岩桥内和结构面上的运动约束条件,推导了含结构面的运动单元计算公式,提出了改进运动单元法。通过经典算例的对比分析,验证了改进运动单元法计算结果的准确性。研究结果表明:岩桥位置、结构面贯通度和结构面倾角是控制岩质边坡力学行为的3个主要影响因素。岩桥越接近坡顶,改进运动单元法所得安全系数越大,而Jennings法无法反映岩桥位置的影响效应。高贯通度的结构面导致岩质边坡发生“结构面滑移-岩桥剪断”复合型破坏模式,安全系数较小;而低贯通度的结构面导致完整岩石发生破坏,安全系数较大。水平或陡倾角结构面导致滑裂面穿切结构面,安全系数较大;而对于其它倾角情况下的结构面,岩质边坡发生“结构面滑移-岩桥剪断”复合型破坏模式,安全系数较小。实例应用结果说明该方法可以有效评价岩质边坡的稳定状态,可在类似工程中应用推广。     

降雨矿震叠加作用下抚顺西露天矿边坡稳定性分析

夏季抚顺降雨频发且持续时间长,若遇上矿震,边坡极易失稳破坏。为分析雨季矿震作用对抚顺西露天矿的影响,采用极限平衡法整合渗流场,分析边坡稳定性。结果表明:相同雨强,持续时间越长,孔隙水压力等值线越密集,等值线闭合区域越多,边坡的安全系数越低;相同持时,雨强越大,孔隙水压力等值线图变化越快;降雨量相同,雨强越小雨水入渗影响的范围越大;加入水平矿震荷载系数后,随着矿震烈度增加,边坡安全系数降低。边坡降雨存在一个降雨临界值,降雨量未到达临界值时,边坡的安全系数下降缓慢,当到达临界值后,安全系数迅速下降。降雨和矿震对边坡安全影响极大,应当提前对边坡进行加固。     

非线性破坏准则下边坡稳定性极限分析斜条分法

考虑坡顶均布荷载和地震效应典型情况下,将边坡滑体进行任意斜条块划分,建立了具有倾斜界面的多块体破坏模型。基于极限分析上限法和非线性摩尔-库仑破坏准则,考虑岩体内正应力的不均匀性,引入多点切线法和强度折减法推导得出边坡临界破坏状态下的安全系数Fs通用计算公式。采用序列二次规划法对安全系数Fs的目标函数进行最优化计算,并与既有研究成果进行对比分析,其结果具有较好的一致性,相对误差不超过3.565%,表明了该方法的正确性。同时对比传统单点切线法计算结果,多点切线法较单点切线法获得的边坡安全系数值偏小,表明了多点切线斜条分法偏于保守,是安全的。参数分析表明坡顶均布荷载、地震效应和非线性参数均对边坡安全系数及潜在临界滑裂面有重要影响。多点切线法引入非线性摩尔-库仑破坏准则对边坡进行稳定性极限分析,为相关研究人员提供了一种新的思路与方法。     

Prediction of slope stability using multiple linear regression (MLR) and artificial neural network (ANN)

The stability problem of natural slopes, filled slopes, and cut slopes are commonly encountered in Civil Engineering Projects. Predicting the slope stability is an everyday task for geotechnical engineers. In this paper, a study has been done to predict the factor of safety (FOS) of the slopes using multiple linear regression (MLR) and artificial neural network (ANN). A total of 200 cases with different geometric and shear strength parameters were analyzed by using the well-known slope stability methods like Fellenius method, Bishop’s method, Janbu method, and Morgenstern and Price method. The FOS values obtained by these slope stability methods were used to develop the prediction models using MLR and ANN. Further, a few case studies have been done along the Jorabat-Shillong Expressway (NH-40) in India, using the finite element method (FEM). The output values of FEM were compared with the developed prediction models to find the best prediction model and the results were discussed.     

基于遗传算法和模糊神经网络的边坡稳定性评价

边坡工程是一个动态的、模糊的、开放的复杂非线性系统,传统的分析方法有时难以对复杂边坡的稳定性做出符合实际的评价。影响边坡稳定性的因素复杂且具有随机性和模糊性。由于神经网络方法不仅能考虑定量因素,而且能考虑定性因素的影响,因而神经网络方法适用于解决非确定性的边坡稳定性评价问题。综合考虑影响边坡稳定性的各方面因素,建立了基于遗传算法的模糊神经网络模型,并利用大量工程资料对网络进行训练和测试。预测结果表明,该模型的预测精度明显高于目前同类方法。     

边坡稳定性的CPSO-BP模型研究

为了分析边坡的稳定性,利用协调粒子群算法和BP网络建立了边坡稳定性CPSO-BP预测模型。BP网络能够很好地描述边坡稳定性与其影响因素之间复杂的非线性关系,将内摩擦角、边坡角、岩石重度、边坡高度、黏聚力、孔隙压力比6个主要影响因素作为网络的输入,将边坡稳定性系数作为网络的输出。为避免BP网络陷入局部最优,利用协调粒子群算法的全局优化能力确定BP网络的连接权值和阀值,使BP网络的优势得到分发挥,达到提高模型预测精度目的。实例表明CPSO-BP模型有更好地预测精度以及将其应用于边坡稳定性预测是可行的。     

边坡稳定分析的神经网络改进模糊点估计法

边坡稳定性分析中,模糊点估计法能同时考虑模糊不确定性和随机不确定性因素。针对传统模糊点估计法计算工作量大的缺点,提出一种神经网络改进模糊点估计法。利用拉丁超立方抽样法和径向基函数神经网络（RBF）建立边坡安全系数的预测模型;对黏聚力和内摩擦角等模糊随机变量取λ截集,并在各截集水平对参数进行组合;利用建立的预测模型对各参数组合的安全系数进行预测;最后由统计矩点估计法计算边坡的可靠度指标。实例分析表明：改进模糊点估计法使用方便、结果可靠,且能通过增加λ截集水平的数目来提高计算精度。对于含有2～4个模糊随机变量的边坡,采用改进模糊点估计法计算可靠度时λ截集水平的数目可近似取25。     

边坡稳定性的神经网络预测研究

根据神经网络法的基本原理，结合38个实际边坡工程稳定实例，应用VB5．0可视化编程语言，建立了边坡稳定性的神经网络预测模型，并运用该模型对部分边坡工程的稳定性进行预测，预测结果与边坡实际稳定状态相吻合，从而表明了神经网络法在边坡稳定性预测中的有效性。     

基于SOFM神经网络的边坡稳定性评价

针对边坡工程稳定性分析中参数的不确定性,在分析自组织特征映射神经网络（SOFM）基本学习算法的基础上,从提高算法收敛速度和性能出发,将自组织特征映射神经网络基本学习算法加以改进,据此建立了评价边坡稳定状态的SOFM神经网络模型。然后用收集到的边坡稳定工程实例作为样本,对该模型进行训练和检验,并与BP神经网络判别结果对比。结果表明,SOFM神经网络性能良好、预测精度高,是边坡稳定性评价的一种有效方法。     

灰关联神经网络法及防洪堤边坡稳定性分析

灰关联分析神经网络方法首先是对防洪堤边坡稳定性影响因素进行灰关联分析,得出各因素影响程度的大小排序,然后建立该工程的神经网络模型,选择灰关联分析得到的优势因子作为样本输入以及关联度作为网络权值确定的一个因素,利用大量南宁市防洪堤边坡工程实例对网络进行训练学习,最后用训练成功的网络对工程进行预测。预测的结果与实际情况进行对比表明,这个方法能够满足南宁市防洪堤边坡稳定性预测的要求。     

边坡岩土体抗剪强度的逆向迭代修正反演方法

针对已滑动或有明显变形的边坡,取定稳定系数值进行反演分析是确定岩土体抗剪强度的重要手段。当边坡滑动面穿越多层岩土体时,盲目地抗剪强度试算反演明显不合理。为解决此问题,构造以多层岩土体抗剪强度为输入,以GeoSlope计算得到的稳定系数、滑面剪入口和剪出口位置为输出的BP神经网络,基于取定的稳定系数和现场测定的滑动面剪入口和剪出口位置,通过重复执行“逆向反推-误差校验-样本修正”实现岩土体抗剪强度的逆向迭代修正反演。工程实例验证结果表明,该方法获取的岩土体抗剪强度基本合理,可供小型边坡防护工程设计参考。该方法成功地规避了BP神经网络以已知信息为输入、以待反演参数为输出的传统做法在解决该问题时为欠定的局限性,对样本库样本数量的要求降低且具有较好精度。     

A study of slope stability prediction using neural networks

The determination of the non-linear behaviour of multivariate dynamic systems often presents a challenging and demanding problem. Slope stability estimation is an engineering problem that involves several parameters. The impact of these parameters on the stability of slopes is investigated through the use of computational tools called neural networks. A number of networks of threshold logic unit were tested, with adjustable weights. The computational method for the training process was a back-propagation learning algorithm. In this paper, the input data for slope stability estimation consist of values of geotechnical and geometrical input parameters. As an output, the network estimates the factor of safety (FS) that can be modelled as a function approximation problem, or the stability status (S) that can be modelled either as a function approximation problem or as a classification model. The performance of the network is measured and the results are compared to those obtained by means of standard analytical methods. Furthermore, the relative importance of the parameters is studied using the method of the partitioning of weights and compared to the results obtained through the use of Index Information Theory.