陳連惠 陳連芹 張玉坡

(1.天津市水文水資源勘測管理中心，天津 300060; 2.天津市大清河管理處，天津 300060)

1 概述

滑坡是山區(qū)常見的一種地質(zhì)災(zāi)害，由于滑坡方量巨大，往往給滑坡影響范圍內(nèi)的人民生命財產(chǎn)和工程建筑設(shè)施造成極大的威脅。值得一提的是，絕大部分的滑坡的產(chǎn)生都是有先兆的，比如，滑坡的位移總是從小變大，直至大變形引起的能量積累超過了阻止滑坡劇烈運動的能力，此時滑坡才會發(fā)生。可見，只要針對滑坡的位移進(jìn)行分析，預(yù)測其發(fā)生與發(fā)展，則對滑坡的認(rèn)識與防治產(chǎn)生很大的意義［1-3］。

滑坡位移的分析有多種方法，如灰色理論與時間序列等。這些方法都是基于一定的數(shù)據(jù)規(guī)律基礎(chǔ)上的，數(shù)據(jù)越規(guī)律，計算得出的結(jié)果則越準(zhǔn)確。但現(xiàn)場調(diào)查得到的位移數(shù)據(jù)往往是不規(guī)律的，因為這些數(shù)據(jù)往往存在較大的誤差，這種誤差可能是人為測量形成的，也可能是降雨或工程設(shè)施的振動形成的。上述誤差有隨機的，也有偶然的，這些誤差極大的降低了滑坡位移分析的精確程度［4，5］。

為綜合考慮系統(tǒng)存在的誤差與數(shù)據(jù)的整體趨勢，本文采用時間序列神經(jīng)網(wǎng)絡(luò)的方法來建立滑坡位移的預(yù)測模型。時間序列的思想可將滑坡的位移建立起來，通過若干次的位移來推測某一次的位移，充分利用了位移隨時間變化的趨勢;神經(jīng)網(wǎng)絡(luò)可通過學(xué)習(xí)來了解時間序列中位移數(shù)據(jù)的變化規(guī)律與誤差的產(chǎn)生規(guī)律，進(jìn)而實現(xiàn)不可知時間段內(nèi)滑坡的位移值。由上述可見，基于時間序列的神經(jīng)網(wǎng)絡(luò)模型對滑坡位移與滑坡的預(yù)測具有較強的理論意義與實踐意義。

2 基于時間序列思想基礎(chǔ)上的神經(jīng)網(wǎng)絡(luò)模型

本文通過時間序列的思想，在神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上，建立了滑坡位移分析的模型。時間序列即將某種現(xiàn)象按某一個指標(biāo)在不同時間上的各個數(shù)值，按時間先后排列而形成的序列。時間序列也是位移預(yù)測的一種方法，但如上述，本文并不采用時間序列的方法進(jìn)行預(yù)測，而是采用時間序列的思想進(jìn)行建模，供神經(jīng)網(wǎng)絡(luò)模型進(jìn)行學(xué)習(xí)［6，7］。

假如現(xiàn)場共收集到n個位移數(shù)據(jù)，即可建立一定組數(shù)的時間序列模型。假設(shè)共將n個位移數(shù)據(jù)分為g組，每一組中含有d個位移數(shù)據(jù)?？山⒛Ｐ偷淖有蛄信c母序列，子序列為時間序列模型的分析數(shù)據(jù)，母序列為時間序列模型的輸出結(jié)果，假如共有7個數(shù)據(jù)，即{d1，d2，d3，d4，d5，d6，d7}，每一組中含有5個位移數(shù)據(jù)，即可建立子序列為{d1，d2，d3，d4，d5;d2，d3，d4，d5，d6}，母序列為{d6;d7}。故可建立起n，g與d之間的關(guān)系，即g=n－d。建立的母序列與子序列可作為神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)樣本。

神經(jīng)網(wǎng)絡(luò)是20世紀(jì)80年代發(fā)展起來的，通過人類大腦的行為特征而建立起來的一種非線性方法，神經(jīng)網(wǎng)絡(luò)通過分布式信息處理進(jìn)行樣本的學(xué)習(xí)與輸出，具有很強的學(xué)習(xí)能力與自組織性［8-10］。神經(jīng)網(wǎng)絡(luò)不需要建立明確的待分析事物與其影響因子之間的具體數(shù)學(xué)關(guān)系，故其對于內(nèi)部原理不可知的復(fù)雜問題具有極強的解決能力。如上述，時間序列模型實際上建立了子序列與母序列之間的預(yù)測關(guān)系，即母序列可以認(rèn)為是子序列數(shù)據(jù)預(yù)測出的結(jié)果。通過對這些樣本的學(xué)習(xí)，神經(jīng)網(wǎng)絡(luò)即可具有較強的預(yù)測能力。

神經(jīng)網(wǎng)絡(luò)可以分為多種，如人工神經(jīng)網(wǎng)絡(luò)與反饋式神經(jīng)網(wǎng)絡(luò)等。其中，以人工神經(jīng)網(wǎng)絡(luò)最為簡單實用，故本文以人工神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)進(jìn)行滑坡位移的預(yù)測。神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中有大量的神經(jīng)元，神經(jīng)元的模型極大程度上決定了計算的難度與精確度。本文采用人工神經(jīng)網(wǎng)絡(luò)的單層模型，如圖1所示。

圖1 神經(jīng)網(wǎng)絡(luò)單層結(jié)構(gòu)

基于時間序列思想上的神經(jīng)網(wǎng)絡(luò)模型的計算組成主要分為如下幾個部分：

1)建立滑坡變形量的數(shù)據(jù)。

2)根據(jù)時間序列思想的論述，可根據(jù)滑坡變形量建立數(shù)據(jù)預(yù)測的子序列與母序列。子序列可作為神經(jīng)網(wǎng)絡(luò)預(yù)測的輸入層，母序列可作為神經(jīng)網(wǎng)絡(luò)預(yù)測的輸出層。

3)準(zhǔn)備神經(jīng)網(wǎng)絡(luò)的樣本預(yù)測。設(shè)立神經(jīng)網(wǎng)絡(luò)的權(quán)重。權(quán)重可用W來表示，其可視為一S×R維的矩陣：

4)實現(xiàn)神經(jīng)網(wǎng)絡(luò)的求和。在式(1)中建立了滑坡變形量的基礎(chǔ)數(shù)據(jù)，此步中即可將此數(shù)據(jù)進(jìn)行加權(quán)求和，具體如式(2)所示：

5)設(shè)置傳遞函數(shù)是決定神經(jīng)網(wǎng)絡(luò)收斂與預(yù)測效果的重要步驟。傳遞函數(shù)具有多種類型，選擇一個合適的傳遞函數(shù)可大大提高神經(jīng)網(wǎng)絡(luò)的預(yù)測水平。本文參考前人的文獻(xiàn)與經(jīng)驗，采用正切sigmoid函數(shù)神經(jīng)網(wǎng)絡(luò)的計算，正切sigmoid函數(shù)的解析表達(dá)如式(3)所示：

6)神經(jīng)網(wǎng)絡(luò)的樣本訓(xùn)練結(jié)果后，可根據(jù)神經(jīng)網(wǎng)絡(luò)訓(xùn)練形成的規(guī)則進(jìn)行輸出。設(shè)立任何一個與子序列維數(shù)一致的數(shù)據(jù)后，即可采用形成的規(guī)則得到母序列的值。

3 實例分析

神經(jīng)網(wǎng)絡(luò)的計算原理較為復(fù)雜，采用人工計算的方法是難以實現(xiàn)的。本文采用Matlab的內(nèi)置程度對滑坡位移進(jìn)行預(yù)測。實際計算之前，本文設(shè)立子序列的維數(shù)為5，母序列的維數(shù)為1，即采用5個已知的滑坡位移來預(yù)測1次未知位移。體現(xiàn)在人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)上，即為輸入層神經(jīng)元為5個，輸出層神經(jīng)元個數(shù)為1。另外，神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點數(shù)對預(yù)測的效果也起著至關(guān)重要的作用。只有隱含層節(jié)點適中，才可使預(yù)測結(jié)果既誤差不大，又不至于過分?jǐn)M合。隱含層數(shù)目往往采用試算的方法得到，本文確定隱含層節(jié)點數(shù)為10。由以上論文可知，本文所采用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)類型為5×10×1。

滑坡的位移是多維的，即滑坡不同位置位移的大小與方向均不相同。一般而言，主滑線上的位移是最大的，也是決定滑坡破壞與否的關(guān)鍵位置。本文即采用主滑線與滑坡后緣交匯處的位置監(jiān)測點作為本文中位移預(yù)測的基本數(shù)據(jù)。監(jiān)測點位移量如表1，圖2所示。

表1 滑移監(jiān)測點位移量

圖2 滑移監(jiān)測點位移量

建立滑坡位移的子序列與母序列，并確定了神經(jīng)網(wǎng)絡(luò)的基本參數(shù)后，即可采用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行位移樣本的預(yù)測。如圖3所示，人工神經(jīng)網(wǎng)絡(luò)經(jīng)過4 000多次的訓(xùn)練后即收斂，形成了滑坡位移預(yù)測的規(guī)則，進(jìn)而可采用此規(guī)則進(jìn)行滑坡位移的預(yù)測。為檢驗本文中所采用的方法對滑坡位移的預(yù)測效果。本文采用前40 d的數(shù)據(jù)進(jìn)行樣本訓(xùn)練，采用40 d～43 d的樣本進(jìn)行檢驗。預(yù)測與檢驗結(jié)果如圖4所示?？梢姡疚乃捎玫姆椒?，分析誤差在1%～4%之間。本文提出的方法可較好的實現(xiàn)滑坡位移的預(yù)測目的。

圖3 BP神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練的誤差記錄

圖4 滑坡位移數(shù)據(jù)預(yù)測

4 結(jié)語

1)基于時間序列思想的人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型可很好的預(yù)測滑坡的位移，此方法強調(diào)各數(shù)據(jù)之間的聯(lián)系，淡化了滑坡的各個影響因子。由于無需對滑坡進(jìn)行詳細(xì)勘察與調(diào)查，只需得到滑坡位移序列，故本文的方法具有一定的經(jīng)濟性。2)滑坡的位移是各因素影響下的綜合表現(xiàn)。位移與各因素之間無固定的解析表達(dá)描述。建立位移的公式是不可行的。而人工神經(jīng)網(wǎng)絡(luò)可建立已知數(shù)據(jù)的樣本，并對其進(jìn)行訓(xùn)練，很好的解決了這種無明確解析式的問題。3)本文采用的方法僅采用位移數(shù)據(jù)，根據(jù)位移數(shù)據(jù)進(jìn)行未知位移的預(yù)測。這種方法主要建立在位移的規(guī)律上，對于規(guī)律較小的數(shù)據(jù)，此方法適用性較弱。例如，對于個別的地震所引起的滑坡內(nèi)在應(yīng)力的變化是無法表述的。而這種改變極大程度上改變了滑坡的位移模式。故如能結(jié)合滑坡的應(yīng)力應(yīng)變因素等，將會極大程度地提高本文的預(yù)測效果。

［1］ 林魯生，馮夏庭，白世偉，等.人工神經(jīng)網(wǎng)絡(luò)在邊坡滑移預(yù)測中的應(yīng)用［J］.巖土力學(xué)，2002，23(4)：508-510.

［2］ 朱良峰，吳信才，殷坤龍，等.基于GIS的中國滑坡災(zāi)害風(fēng)險分析［J］.巖土力學(xué)，2003，24(sup)：221-230.

［3］ 黃潤秋，許 強.工程地質(zhì)廣義系統(tǒng)科學(xué)分析原理及應(yīng)用［M］.北京：地質(zhì)出版社，1997.

［4］ 趙洪波，馮夏庭.非線性位移時間序列預(yù)測的進(jìn)化—支持向量機方法及應(yīng)用［J］.巖土工程學(xué)報，2003，25(4)：468-471.

［5］ 馬文濤.參數(shù)優(yōu)化 LSSVM的巷道圍巖松動圈預(yù)測研究［J］.巖土力學(xué)，2007，28(sup)：460-464.

［6］ 鄧聚龍.灰色預(yù)測與決策［M］.武漢：華中理工大學(xué)出版社，1992：35-48.

［7］ 盧學(xué)強.神經(jīng)網(wǎng)絡(luò)方法及其在非線性時間序列預(yù)測中的應(yīng)用［J］.系統(tǒng)理論與實踐，1997，17(6)：97-99.

［8］ 陳 奎，劉興昌.砂土地震液化的神經(jīng)網(wǎng)絡(luò)預(yù)測［J］.西北地震學(xué)報，2000，22(2)：167-171.

［9］ Davis RO，Berrill JB.Energy dissipation and seismic liquefaction in sands［J］.Earthquake Engineering and Structure Dynamics，1982，10(1)：68-70.

［10］ 陳文化，孫巨平，徐 兵.砂土地震液化的研究現(xiàn)狀及發(fā)展趨勢［J］.世界地震工程，1999，15(2)：16-24.