基于概率神經(jīng)網(wǎng)絡(luò)的邊坡穩(wěn)定性預(yù)測

孫慧玲

摘要：邊坡穩(wěn)定性預(yù)測是巖土工程中的一項(xiàng)重要研究內(nèi)容，傳統(tǒng)的基于力學(xué)的分析方法在進(jìn)行分析時(shí)，要對巖土體的力學(xué)行為進(jìn)行一些假設(shè)，由于巖土邊坡的復(fù)雜性，這些假設(shè)往往和巖土體的實(shí)際力學(xué)行為相去甚遠(yuǎn)，因而其精度不是很高?；诜独膸r土邊坡穩(wěn)定性神經(jīng)網(wǎng)絡(luò)預(yù)測方法具有良好的自學(xué)習(xí)能力和高度的非線性映射能力。根據(jù)實(shí)際的46個(gè)邊坡的參數(shù)及其穩(wěn)定性資料，建立了概率神經(jīng)網(wǎng)絡(luò)的預(yù)測方法。PNN的特點(diǎn)在于快速運(yùn)算、精確度高，以及可以給出一個(gè)指示基于決策的可信度大小的結(jié)果。

關(guān)鍵詞：概率神經(jīng)網(wǎng)絡(luò)邊坡穩(wěn)定性預(yù)測

0引言

建筑結(jié)構(gòu)損傷識別是力學(xué)反問題中的重要研究課題之一。國內(nèi)外許多學(xué)者已成功利用神經(jīng)網(wǎng)絡(luò)解決了結(jié)構(gòu)損傷識別問題。C.Y.Kao和Shih—Lin Hung利用損傷前后變化的振型來識別一個(gè)五層三維框架結(jié)構(gòu)的損傷；P.C.Kaminskif分別采用自振頻率、頻率變化量以及正則化的頻率變化率作為網(wǎng)絡(luò)輸入?yún)?shù)，并對三者的有效性進(jìn)行比較；崔飛(2000)和Hejela(1990)根據(jù)結(jié)構(gòu)靜態(tài)位移觀測數(shù)據(jù)提出了基于局域優(yōu)化搜索策略的結(jié)構(gòu)損傷識別方法；徐宜桂1997建立了基于結(jié)構(gòu)損傷后第一階振型變化識別結(jié)構(gòu)損傷部位和大小的方法李偉(2000)和李守巨(2001)提出了基于遺傳算法的結(jié)構(gòu)參數(shù)識別方法。本文應(yīng)用概率神經(jīng)網(wǎng)絡(luò)(PNN)，驗(yàn)證了作為模式分類工具的概率神經(jīng)網(wǎng)絡(luò)對巖土邊坡穩(wěn)定性預(yù)測這一類問題的有效性。

1概率神經(jīng)網(wǎng)絡(luò)(PNN)

概率神經(jīng)網(wǎng)絡(luò)是一種適用于模式分類的徑向基神經(jīng)網(wǎng)絡(luò)，它是由一個(gè)徑向基網(wǎng)絡(luò)層和一個(gè)競爭網(wǎng)絡(luò)層組成。PNN的早期研究工作是同貝葉斯分類器一起發(fā)展的，貝葉斯定理提供了完成最有分類的方法，因而它成為評價(jià)其它分類方法好壞的標(biāo)準(zhǔn)。與傳統(tǒng)的BP網(wǎng)絡(luò)相比，PNN除保留BP網(wǎng)絡(luò)所具有的學(xué)習(xí)、歸納和并行計(jì)算的特征外，主要有以下幾方面的優(yōu)點(diǎn)：

1.1快速運(yùn)算。由于PNN一次完成，不需要學(xué)習(xí)，因而它大約比BP網(wǎng)絡(luò)大約快五個(gè)數(shù)量級。

1.2有足夠的訓(xùn)練數(shù)據(jù)，不管訓(xùn)練數(shù)據(jù)矢量與類別之間具有多么復(fù)雜的關(guān)系，PNN能夠保證收斂到貝葉斯分類器，而BP算法卻可能在一個(gè)局部最優(yōu)處中斷，無法保證得到一個(gè)全局最優(yōu)的滿意解。

1.3PNN允許在訓(xùn)練集中添加或刪除數(shù)據(jù)而不需要重復(fù)訓(xùn)練，BP算法對訓(xùn)練集的任何變動(dòng)都需要對整個(gè)訓(xùn)練過程重復(fù)進(jìn)行。

1.4PNN給出一個(gè)指示基于決策的可信度大小的結(jié)果，而BP神經(jīng)網(wǎng)絡(luò)卻不能提供這樣的可信度指示。

2基于PNN神經(jīng)網(wǎng)絡(luò)的邊坡穩(wěn)定性預(yù)測

大量的工程經(jīng)驗(yàn)表明，影響邊坡穩(wěn)定性的因素主要有：邊坡巖土體的物理力學(xué)性質(zhì)、邊坡的幾何形態(tài)、地下水、外部載荷等。其中巖土體的物理幾何性質(zhì)主要由巖土體的密度、巖土體的內(nèi)聚力以及內(nèi)摩擦角控制；邊坡的幾何形態(tài)主要由邊坡的坡角和邊坡的高度控制：地下水的影響由孔隙壓力比控制。

本文采用文獻(xiàn)中的41個(gè)邊坡實(shí)例作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，選用另5個(gè)作為測試數(shù)據(jù)，利用PNN神經(jīng)網(wǎng)絡(luò)對其進(jìn)行邊坡穩(wěn)定性預(yù)測，預(yù)測的結(jié)果和邊坡的實(shí)際情況的對比見表3.1所示。

下面是本算例的神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)：

％輸入樣本點(diǎn)

結(jié)果輸出：vc＝

1

2

1

1

1

與實(shí)際值完全相符，由此可得將概率神經(jīng)網(wǎng)絡(luò)用于結(jié)構(gòu)損傷識別具有很大的潛力。

3結(jié)論

邊坡穩(wěn)定性問題是一個(gè)高度非線性問題，利用神經(jīng)網(wǎng)絡(luò)的高度非線性映射能力預(yù)報(bào)邊坡的穩(wěn)定性，能克服數(shù)值分析法理論和實(shí)際相差較大的缺陷。用概率神經(jīng)網(wǎng)絡(luò)進(jìn)行邊坡穩(wěn)定性預(yù)測，實(shí)際上是根據(jù)測試樣本于各類訓(xùn)練樣本之間的距離來確定測試樣本屬于哪一類，從而確定邊坡狀態(tài)的，而BP網(wǎng)絡(luò)是通過模式識別功能對測試樣本進(jìn)行識別的。就邊坡穩(wěn)定性預(yù)報(bào)而言，用概率神經(jīng)網(wǎng)絡(luò)進(jìn)行穩(wěn)定性預(yù)報(bào)總體上比BP網(wǎng)絡(luò)具有更高的正確率。