SA-BP神經網絡在滑坡位移預測中的應用研究

張文杰

（安徽水安建設集團股份有限公司 合肥 230001）

1 引言

我國是世界上遭受自然災害最為嚴重的國家之一，自20世紀80年代以來，隨著經濟的快速發(fā)展，人類的工程活動日益頻繁，在多種自然因素的影響下使得滑坡災害成為各類災害中頻率最高、危害性最強的地質災害類型，且具有逐年加劇趨勢。因此，如何精準和有效預防滑坡災害已成為該研究領域的熱點。

近年來，滑坡位移預測逐漸成為滑坡預警的有效手段之一，它允許研究人員在滑坡位移監(jiān)測數(shù)據(jù)分析的基礎上，采用相關數(shù)學模型進行擬合，從而能更加精準地進行滑坡位移預測。由于這種方法易于實現(xiàn)并且精度較高，因此得到了迅速發(fā)展。目前，已有很多關于滑坡位移預測的智能算法研究，如BP神經網絡、支持向量機、灰色模型等。

鑒于僅通過單一模型進行滑坡預測具有局限性，有學者嘗試將多個模型組合起來共同進行滑坡預測，提出了混合預測法。本文則采用模擬退火算法（SimulatedAnnealing，SA）與BP 神經網絡相結合的混合模型對某實例邊坡位移進行預測，算例結果證明了本文所提出方法的有效性。

2 SA-BP 神經網絡算法

2.1 SA 算法

模擬退火算法（SimulatedAnnealing，SA）是于1953年由N.Metropolis 等人提出，它是基于Monte-Carlo 迭代求解策略的一種隨機尋優(yōu)算法，由Metropolis 算法和退火過程兩部分組成。其基本思想是模擬物理學中固體物質的退火過程，當溫度升高時，固體內部的分子做無序運動，內能增大；隨著溫度降低，分子逐漸從無序運動趨向于有序運動，內能降低；在溫度下降時對于任意給定的溫度，固體物質內都能夠實現(xiàn)熱平衡，此時可將其看作為局部最優(yōu)解；當固體物質達到最低溫度，其內能最小，此時可將熱平衡看作為全局最優(yōu)解。

其基本步驟如下：

（1）初始化：給定初始溫度T=T0，初始解S；

（2）產生新解Snew：Snew=S+△S，其中，△S 為[dmin，dmax]之間的隨機數(shù)，并計算：△E=E（Snew）-E（S）；其中E（S）為優(yōu)化目標；

（3）如果△E ＜0，則接受Snew為新的當前解；否則以概率P=exp （-△E/Ti）接受Snew為新的當前解；

（4）重復（2），（3），直到系統(tǒng)達到平衡狀態(tài)；

（5）T 逐漸減小，重復（2）至（4），直至達到最低溫度，輸出最優(yōu)解。

2.2 BP 神經網絡

BP 神經網絡是1986年由Rumelhart 等提出的一種多層前向反饋神經網絡，通過模擬人類的大腦結構與功能來處理多變量問題，具有良好的學習能力，能夠較好地處理非線性問題?；镜腂P 神經網絡是由三層拓撲結構組成：輸入層、隱藏層和輸出層，其結構形式如圖1 所示。

圖1 BP 神經網絡結構圖

2.3 SA-BP 神經網絡算法

BP 神經網絡在對權值和閾值的迭代調整過程中采用梯度下降法，容易使其陷入局部最優(yōu)且收斂速度慢。模擬退火算法具有全局搜索能力和局部尋優(yōu)能力，借助其對BP 神經網絡進行優(yōu)化，將其引入到BP神經網絡的權值和閾值更新過程中，使用隨機擾動取代梯度下降法，以解決BP 神經網絡容易出現(xiàn)局部最優(yōu)、收斂慢等問題，從而實現(xiàn)滑坡位移的有效預測。其計算流程如圖2 所示。

圖2 SA-BP 模型流程圖

3 工程實例

白水河滑坡位于三峽庫區(qū)長江寬河谷地段秭歸縣境內，距離三峽大壩約56km?；履媳毕蜷L約600m，東西向寬約700m，滑體平均厚度約30m，體積約1260×104m3。該滑坡體為特大型老滑坡松散堆積體，出露地層為下侏羅統(tǒng)香溪群中厚層狀砂巖夾薄層狀泥巖；滑坡后緣高程為410m，以巖土分界處為界，前緣高程約70m，現(xiàn)已沒入庫水位以下，東西兩側以基巖山脊為界，總體坡度約30°；滑坡滑體主要由崩石、坡積物及滑坡堆積物組成，滑帶以含碎石或者含角礫粉質黏土為主。自2003年三峽工程蓄水以來，對其進行了專業(yè)監(jiān)測。

2007年1月至2012年12月ZG118 站點監(jiān)測到的水平累計位移、水位和降雨量數(shù)據(jù)如圖3、圖4所示。可以看出，水庫水位和降雨量變化是白水河滑坡的主要破壞因素。

圖3 累計位移與降雨量曲線圖

圖4 累計位移與水位曲線圖

選擇監(jiān)測點ZG118的水平累計位移為研究對象，取2007年1月至2012年1月的數(shù)據(jù)作為預測模型的訓練樣本集，2012年2月至2012年12月的數(shù)據(jù)作為預測檢驗集。

取單月平均降雨量為降雨因子；月均水位為水位因子；取時間函數(shù)t 為時效因子。將三個影響因子作為輸入，累計位移作為輸出，進行基于SA-BP神經網絡的滑坡位移預測分析。

將SA-BP 神經網絡模型與BP 神經網絡模型作對比，滑坡位移預測與監(jiān)測值如圖5 所示。

圖5 不同模型的預測值與監(jiān)測值對比圖

綜合上述分析可知，SA-BP 神經網絡模型對白水河滑坡的位移預測效果比BP 模型要好，其誤差值更低，精度更高。

表1 不同模型預測值的誤差值表

4 結論

本文結合SA 算法和BP 神經網絡，建立基于SA 算法優(yōu)化BP 神經網絡的滑坡位移預測模型。通過SA 算法優(yōu)化BP 神經網絡的初始連接權值和閾值，尋找BP 神經網絡的全局最優(yōu)權值和閾值。將所建立的滑坡位移預測模型和傳統(tǒng)BP 神經網絡模型分別應用于工程實例中，結果表明：SA-BP 神經網絡預測邊坡位移誤差較小，具有更高的精度，驗證了本文所提出方法的準確性■