边坡稳定性的神经网络估计
基于神经网络的边坡稳定性评价及影响因素的分析的开题报告
基于神经网络的边坡稳定性评价及影响因素的分析的开题报告一、研究背景与意义随着城市化进程不断加快，城市边坡工程的建设成为重要领域之一，而边坡的稳定性问题始终是边坡工程中“痛点”问题之一。
基于神经网络的边坡稳定性评价技术具有输出结果准确可靠、建模能力强等特点，并且可以实现对关键影响因素的分析，对于改善边坡稳定性问题具有重要意义。
二、研究内容（1）对城市边坡工程的相关文献进行综述，了解相关研究现状和进展。
（2）基于神经网络建立边坡稳定性评价模型，评价模型中的关键参数采用现场测试结果或历史数据，并根据实际使用需求确定评价指标和神经网络结构参数。
（3）应用所建立的评价模型对已发生过事故或问题的边坡进行稳定性评价，并分析评价结果。
（4）对评价模型的关键影响因素进行分析，以指导工程实践中的决策。
三、研究方法（1）综合调查和收集边坡工程建设的相关文献，了解相关研究现状和进展。
（2）基于Matlab或Python工具，采用BP神经网络结合灰色理论、遗传算法等方法，建立边坡稳定性评价模型，并对关键参数进行设置和调整。
（3）利用已有数据对所建立的模型进行验证和优化，确定评价指标和神经网络结构参数。
（4）应用所建立的评价模型对边坡稳定性进行评价和分析。
（5）根据分析结果，分析评价模型的关键影响因素。
四、预期成果（1）基于神经网络的边坡稳定性评价模型，实现对城市边坡工程的稳定性问题进行科学评价。
（2）对城市边坡工程的影响因素进行深入研究和分析，对决策者提供科学的建议。
（3）发表一篇具有较高实用性和学术价值的论文。
（4）提高本人在神经网络和边坡稳定性评价领域的研究水平，为我国城市工程建设提供科技支撑。
边坡稳定可靠度分析的神经网络法
数， 进而求解边坡的失效概 率及 可靠 指标 ， 与常规 的可靠 度分析 方法 （ 并 中心点法 、 验算点法 和响应面法 ） 进 行 比较 ， 由于 Ｒ Ｆ Ｂ —ＭＣ Ｍ 法的计算结果与 常规法 中精度较 高的验算 点法 和响应面 法结果非 常接近 ， 明 Ｓ 说
Ｒ Ｆ ＭＣ Ｍ 法十分准确 。 Ｂ－ Ｓ 关键词 ： 可靠度分析 ； 神经 网络 ； 向基函数 ； ０一Ｓ ＯＰ 径 ＧＥ Ｌ Ｅ 中图分类号 ： Ｕ４ Ｔ ３ 文献标识码 ： Ａ 文章编号 ：０ ６４ ４ （０ ０ ０ —７—５ １０ —５０ ２ １ ）３０ ２０
ｔ ｅｓｏ ｅｓａ ｉ ｔ ，ｉ ｖ ｒ ｕ ｈ ｌｐ ｔ ｂｌ ｙ ｓ ｅ ｙ ｃ ｍｂ ｒ ｏ ｅ ａ ｓ ｔ ｕ ｔｉ ｔｒ ｃ ｈ ｉ ｒ ｇ ａ ａ ｄ ｔ ｅｐ ｏ ｅ ｓｏ ｉ ｅ ｓ ｍｅｂ ｃ ｕ ｅｉ ｍ ｓ ｎ ｅ ａ ｔｔ ｅｍａｎ ｐ ｏ ｒ ｍ ｎ ｈ ｒ ｃ ｓ ｆ ｓ ｌｉｇ ｔ ｅｓ ｆｔ ａ ｔ ｒｗｉｈ ｔ ｅＧＥＯ－ Ｌ ｏｖｎ ｈ ａｅ ｙｆ ｃｏ ｔ ｈ Ｓ ＯＰ ｓ ｆｗａ ｅ Ｅ ｏ ｔ ｒ ．Ｔｏ ｉ ｒ ｖ ｈ ｓｓｔ ａ ｉｎ，ｔ ｅｍｅｈ ｄ ｔ ａ ｍｐ ｏ ｅｔ ｉ ｉｕ ｔｏ ｈ ｔ ｏ ｈ ｔ ＲＢＦ ｎ ｕ ａ ｅ ｗｏ ｋ ｂ ｓ ｄ ｏ ｏ ｔ ｒｏ ｓｍｕ ａｉｎ ｍｅ ｈ ｄ （ ｅ ｒｌｎ ｔ ｒ ａ ｅ ｎ Ｍ ｎ ｅＣａ ｌ ｉ ｌｔｏ ｔ ｏ ＲＢＦ Ｍ ＣＳ ）ｈ ｓｂ ｅ ｐ ｌ ｄ ｉ ｈ ｓ － Ｍ ａ ｅ ｎ ａ ｐ ｉ ｎｔ ｉ ｅ ｈ Ｅ ｓ ｆｗａ ｅｂ ｆ ｒ ｏ ｕ ｈ ｅｉ ｉ ｔ — ａ ｉ ｐｐｒ ａ ｅ ．Ｙｏ ｈ ｕ ｄｐ ｅ ａ ｅａｌ ａ ｐｅ ｔ ｈ Ｏ－ Ｌ ｕ ｓ ｏ ｌ ｒ ｐ ｒ ｌ ｓ ｍ ｌｓｗｉ ｔ ｅＧＥ Ｓ ＯＰ ｏ ｔ ｒ ｅｏ ｅｙ ｕｒ ｎ ｔ ｅｒｌ ｂ ｌ ｙａ
基于BP神经网络对边坡稳定性预测分析
第31卷增刊12019年6月中国煤炭地质COAL GEOLOGY OF CHINAVol.31Sup.1Jun.2019doi:10.3969/j.issn.1674-1803.2019.S1.10文章编号:1674-1803(2019)S1-0055-03基于BP 神经网络对边坡稳定性预测分析管宏飞1,江㊀平1,郭㊀飞2,李红涛1(1.湖北省地质勘察基础工程有限公司,湖北宜昌㊀443002;2.三峡大学土木工程与建筑学院,湖北宜昌㊀443002)摘㊀要:采用BP 软件建立了人工神经网络的边坡稳定性预测模型,并以杨东坪小学后侧边坡为例进行田边稳定性预测㊂结果表明,所预测边坡稳定性与实际情况基本相符,能够满足工程需求,因此利用BP 神经网络对边坡稳定性进行预测是可行的㊂关键词:BP 神经网络;边坡稳定性;秭归杨东坪中图分类号:P641.4+61;F426.21㊀㊀㊀㊀㊀㊀文献标识码:ASlope Stability Prediction Analysis Based on BP Neural NetworkGuan Hongfei 1,Jiang Ping 1,Guo Fei 2and Li Hongtao 1(1.Hubei Geological Survey Foundation Engineering Co.Ltd.,Yichang,Hubei 443002;2.College of Civil Engineering and Architecture,China Three Gorges University,Yichang,Hubei 443002)Abstract :The artificial neural network slope stability prediction model has been modeled through back propagation (BP)algorithm.Taking a slope in rear side of the Yangdongping primary school as example carried out stability prediction.The result has shown that the predicted slope stability is basically tally with actual situation,can meet engineering requirements.Thus the use of BP neural net-work to carry out slope stability prediction is feasible.Keywords :BP neural network;slope stability;Yangdongping,Zigui County第一作者简介:管宏飞(1988 ),男,岩土工程专业硕士研究生,从事岩土工程治理设计工作㊂收稿日期:2019-05-18责任编辑:樊小舟0㊀引言随着我国基础设施建设的高速发展,在建设过程中难免会出现大量的边坡,这些边坡一旦失稳,将带来巨大的经济损失㊂影响边坡稳定性的因素很多,在分析和治理过程中,需要对边坡各影响因素综合分析,影响因素之间关系错综复杂,因此需进行边坡稳定性影响因素的敏感性分析㊂通过对影响边坡稳定性因素的敏感性分析,可以找出边坡失稳的主导因素,为边坡失稳灾害的防治及人工边坡的优化设计提供依据㊂本文利用BP 神经网络的相互作用矩阵,对边坡稳定性影响因素的敏感性进行分析,对边坡稳定性进行预测,形成边坡预测专家决策系统,为边坡设计进行具有指导㊂1㊀基于神经网络的边坡稳定性预测分析1.1㊀边坡影响因素边坡稳定性影响因素很多,其中主要影响因素为地层岩性㊁覆盖层物质组成㊁岩土层的抗剪强度(或是主控结构面参数)㊁岩质边坡是否为顺层㊁边坡坡高坡角以及变形迹象㊂地层岩性以及物质组成为地质基本条件,岩性越差,边坡稳定性往往越差,比如三叠系巴东组第二段紫红色粉砂质泥岩最易形成滑坡;岩土层的抗剪强度更是边坡稳定性的主控因素,一般来说,边坡坡高越高㊁坡度越陡,边坡稳定性越差㊂1.2㊀BP 神经网络的基本原理人工神经网络无需事先确定输入输出之间映射关系的数学方程,仅通过自身的训练,学习某种规则,在给定输入值时得到最接近期望输出值的结果㊂作为一种智能信息处理系统,人工神经网络实现其功能的核心是算法㊂BP 神经网络是一种按误差反向传播(简称误差反传)训练的多层前馈网络,其算法称为BP 算法,它的基本思想是梯度下降法,利用梯度搜索技术,以期使网络的实际输出值和期望输出值的误差均方差为最小㊂目前,人工神经网络应用最广的是BP 网络,也是研究最多的一种神经网络㊂BP 算法的基本思想是学习过程由信号的正向传播与误差的反向传播两个过程组成㊂其基本结构包含了一个输入层,一个或多个隐含层和一个输出层;由传递函数来完成层与层之间各神经元的映射㊂隐含层的神经元通常采用Sigmoid 形的传递,输出层的神经元通常为线56㊀中㊀国㊀煤㊀炭㊀地㊀质第31卷性传递函数(图1)㊂神经网络结构确定以后,就可用输入输出样本集对神经网络进行学习,其过程也就是对蕴含着知识的权值和阈值进行训练㊂当期望输出与网络计算输出的差值达到要求的精度时就完成了对网络的训练,这时网络的权值和阈值也就确定下来了,可以用于预测了㊂图1㊀BP 网络模型示意Figure 1㊀A schematic diagram of BP neural network model1.3㊀输入参数处理根据已有边坡样本类型,对于地层岩性㊁覆盖层物质以及是否为顺向坡组成需采用数字代号替换,地层岩性根据岩性划分为1~4共4个类型(分别为砂岩㊁灰岩㊁泥岩以及花岗岩和流纹岩);表层出露覆盖层划分为填土㊁含碎石粉质粘土㊁碎石土㊁全风化岩层㊁强风化岩层以及中风化岩层(划分为1~5共5个类别);对于是否为顺层,若为顺层,输入1,否则输入0;对于边坡有无变形,有变形输入1,无变形输入0㊂1.4㊀输出变量处理边坡稳定性作为输出变量,将边坡稳定状态简化为欠稳定和基本稳定两种(欠稳定为0,基本稳定为1)1.5㊀人工神经网络边坡模型的训练对所收集到的大量边坡治理设计事例中,以24个典型的边坡设计作为参考,进行神经网络模型有效性训练㊂每一个学习样本由8种征兆参数值组成,采用三层BP 网络结构进行训练[2-4],网络收敛后固定权值与阈值㊂选取的边坡稳定性学习样本的有关参数指标分为输入参数和输出指标㊂其中输入参数依次为地层岩性㊁覆盖层物质组成㊁顺向状态㊁粘聚力㊁内摩擦角㊁边坡坡高㊁边坡坡角以及变形迹象(表1);输出指标为边坡稳定状态(表2)㊂一般规定1为存在,0为不存在㊂表1㊀边坡稳定性训练样本Table 1㊀Slope stability training samples序号地层岩性覆盖层顺层状态粘聚力/kPa摩擦角/(ʎ)边坡坡角/(ʎ)边坡高度/m变形迹象11401515706021301714652013240361165814351172050615220161360716410184570617410184570608120161335301925017208015010230361135 5.51114201720503012150172070100133516023459.511421014174550152606020652001632020164514117260503550280181202522351101933120153035120310141760221212405345510.50221506025521002314082845311241110840100增刊1管宏飞,等:基于BP神经网络对边坡稳定性预测分析57㊀表2㊀边坡样本稳定性输出结果Table2㊀Slope sample stability output results 序号稳定性稳定状态10欠稳定20欠稳定30欠稳定40欠稳定50欠稳定61基本稳定71基本稳定81基本稳定90欠稳定100欠稳定111基本稳定121基本稳定130欠稳定140欠稳定151基本稳定160欠稳定171基本稳定181基本稳定190欠稳定200欠稳定210欠稳定221基本稳定230欠稳定240欠稳定2㊀工程实例分析现以秭归县杨东坪小学后侧边坡为例,证实边坡稳定性预测决策功能㊂杨东坪小学后侧边坡场地属构造剥蚀侵蚀中低山区,总体呈东南高㊁西北低的斜坡地形,为山麓斜坡堆积地貌㊂场地西侧和东侧为原始地貌,场地南高北低,地形高差29~30m,边坡坡度陡峭,坡度30ʎ~45ʎ,平均坡度38ʎ㊂根据勘察揭露,场地覆盖层主要为第四系残坡积层含粉质粘土碎石(Q4el+dl),下伏基岩为志留系下统罗惹坪组下段灰绿色 黄绿色粉砂岩(S1lr1)㊂由于修建教工宿舍楼场坪开挖,在K0+000~K0 +033段边坡前缘形成高8~12m的临空面,在K0+ 033~K0+060段前缘形成高6~8m的临空面,加上后期降雨作用导致该两段边坡前缘失稳,牵引边坡整体滑移㊂野外调查表明,变形体各部位有不同程度的变形㊁裂缝等现象,在变形体后缘公路外侧出现一条长约10m,宽5~10cm裂缝,走向近东西,裂缝深2~5cm㊂变形体东西两侧出现纵向拉裂缝,北侧缝宽0.5~2m,可见深度约1m,裂缝走向与滑坡方向一致,后缘出现大量横向羽状裂缝,前缘出现坍滑,横宽约15m,纵向长约8m㊂根据边坡实际地质情况,其基本输入参数如表3所示㊂将表3基本数据代入网络预测模型[5],结果表明,边坡处于欠稳定状态,这与现场实际情况是基本相符的㊂表3㊀边坡输入基本信息Table3㊀Basic slope inputted information地层岩性覆盖层顺层状态粘聚力/kPa摩擦角/(ʎ)边坡坡角/(ʎ)边坡高度/m变形迹象140828383013㊀结语①利用BP神经网络的相互作用矩阵,对边坡稳定性进行预测,形成边坡预测专家决策系统,对边坡稳定性预判具有一定的指导意义㊂②本文仅对边坡稳定性进行了预测分析,在实际工程运用中,更需要利用决策系统对边坡治理措施进行预判,这样意义更大,但考虑到工程实际情况,放坡和工程加固措施往往相辅相成,两者常存在交叉影响关系,故而会影响预测结果,仍有诸多不足需深入研究改进㊂③由于边坡稳定性受多方因素影响,地层岩性种类繁杂,且岩土体具有不连续性和各向异性㊂因此,用传统的线性化方法难以准确描述边坡的非线性特征,对于大型复杂的边坡稳定性预测尚存在一定的困难㊂参考文献:[1]孙平定,蔡润,谢成阳,等.基于遗传优化神经网络的边坡稳定性评价[J].现代电子技术,2019(05):75-78.[2]冯夏庭,王泳嘉,卢世宗.边坡稳定性的神经网络估计[J].工程地质学报,1995(04):54-61.[3]苏俊霖,杨建明,罗辉,等.基于改进BP神经网络的高速公路边坡稳定性分析[J].公路与汽运,2018(01):90-93.[4]何翔,李守巨,刘迎曦.岩土边坡稳定性预报的人工神经网络方法[J].岩土力学,2003(S2):73-76.[5]贺可强,雷建和.边坡稳定性的神经网络预测研究[J].地质与勘探,2001(06):72-75.。
BP神经网络在边坡稳定性预测中的应用
图１ 简单三层Ｂ Ｐ 神经网络模型的拓扑结构示 Ｐ 神经网络模型的拓 补结构示意图， 该Ｂ Ｐ ｔ ０ 经网络的输入层 、 隐含层 、 输出 层对应 的节点数分别包括 ｆ 个、 ７ 个、 个； 则表示输 入层 的第 ｆ 个节点与隐含层的第 ７ 个节点之间的连接权 值； 同理 ， ７ ． Ｏ 向 表示隐含层的第 ７ 个节点与输出层第 志 个
测的 数 学模 型 ， 利 用 ＭＡＴ Ｌ Ａ Ｂ的神 经 网络 工具 箱模 拟 了边坡 稳 定性 的预 测 ， 结合 收集到 的边 坡 实例
进行训练。结果表明， Ｂ Ｐ 神经网络对边坡稳定性预测结果与实际符合 ， 能够满足工程 需要 。表 明应
用Ｂ Ｐ 神 经 网络进 行 边坡稳 定性 的预 测是 可行 的。
义 。 目前 ， 评 价边 坡稳 定 性 的方 法有 层 次分 析 法 、 灰 色
理论法 、 极 限平衡法 、 有限元 法等方法等 。本文将 Ｂ Ｐ 神经 网络的知识应用到边坡稳定性的预测中 ， 结合 Ｂ Ｐ
神经 网络在结构上 的并行处理 、 分布式存储 的特点 ， 结
合 ＭＡＴＩ ＡＢ运算 工具 建立 数值 模 型 ， 捕 捉边 坡稳 定性 与影 响边 坡 稳 定 因素 之 间 的 相 关规 律 ， 实 现 对 边坡 稳 定性 的可 靠 预测 。 ２ Ｂ Ｐ神 经 网络 的原 理 人工 神经 网络 （ ａ ￣ ｉ ｉ ｆ ｃ ｉ ａ ｌ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗｏ ｒ ｋ ， ＡＮＮ） 是
用 函数选 用情 况 如下 ：
处理体 系。 目前 ， 最常用 的人工神经 网络模型有线性 神经 网络 、 Ｒ Ｂ Ｆ 神经网络 、 Ｂ Ｐ 神经网络等 ， 本文采用误 差信号反 向传播 的Ｂ Ｐ神经 网络对边坡 的稳定性进行 深入研究。Ｂ Ｐ 神经网络在训练时 ， 由信号的正 向传播 和信号的反 向传播共同构成神经 网络 的学 习过程 ， 其
BP神经网络模型的改进及其在边坡稳定性评价中的应用中期报告
BP神经网络模型的改进及其在边坡稳定性评价中的
应用中期报告
1. 研究背景
边坡稳定评价是矿山开发和修建公路等工程项目中重要的安全保障措施。
传统的边坡稳定评价方法存在许多不足，包括模型复杂、计算时间长、人工主观因素干扰等问题。
因此，开展基于BP神经网络的边坡稳定评价方法的研究具有重要的理论意义和实用价值。
2. 研究目的
本研究旨在改进BP神经网络模型，在边坡稳定性评价中进行应用，为边坡稳定性评价研究提供一种新的方法。
3. 研究方法
3.1 BP神经网络模型改进
本研究将使用改进的BP神经网络模型进行边坡稳定性评价。
改进的BP神经网络模型主要包括以下方面的改进：
- 优化网络结构，在隐层节点数和输出节点数之间增加一个中间层，提高网络的学习能力和性能；
- 引入正则化防止过拟合；
- 针对训练数据中存在的缺失数据和冗余数据问题，采用自适应权值调整方法。
3.2 应用案例分析
针对某大型开采企业的边坡开挖项目，采集了大量的地质、水文、地形等数据，并分析了边坡的结构形式、基本参数和稳定性状况。
通过建立边坡稳定性评价模型，预测了边坡在不同条件下的稳定性状况，并进行了模型的精度、可靠性和适用性评估。
4. 预期结果
本研究预期实现的成果包括：
- 建立基于改进BP神经网络的边坡稳定性评价模型；
- 针对实际工程应用，进行相关的案例分析和应用研究；
- 为边坡稳定性评价领域提供新的研究方法。
5. 研究意义
采用改进BP神经网络模型进行边坡稳定性评价，具有计算速度快、精度高、适用性强等优点，可为边坡工程的设计和施工提供科学依据，具有广泛的应用前景和良好的社会效益。
RBF神经网络在边坡稳定性分析中的应用
RBF神经网络在边坡稳定性分析中的应用建立了露天矿岩质边坡稳定性分析评价的径向基函数（RBF）神经网络模型。
实例检验结果表明，基于RBF神经网络建立的边坡稳定性分析模型是合理的、可靠的。
将该模型应用于白云鄂博东矿边坡的稳定性分析中，取得了有益的结果，为该矿的安全生产提供了决策依据。
标签：露天矿边坡；RBF神经网络；稳定性分析0 前言白云鄂博矿区位于内蒙古自治区中部，是包钢生存和发展的重要原料基地。
该矿床东西长18 km，南北宽2～3 km，面积48 km2。
矿区内铁、稀土及铌的矿化规模较大，根据铁矿石的边界品位划分为主矿、东矿、西矿、东介勒格勒和东部接触带等5个采场。
已探明铁矿石储量约14 亿t，铁含量31 %～35 %，以主、东（约5.7亿t）和西采场（约8.1亿t）为主。
其中东矿经过五十余年的开采，现已进入深部开采。
本文拟采用RBF神经网络对东矿边坡的稳定性进行分析，以便为白云鄂博东矿的安全生产提供决策依据。
1 东矿边坡基本情况为便于对白云鄂博东矿边坡进行稳定性评价，进行了边坡分区。
分区的原则是将工程地质条件、边坡几何形状和边坡倾向基本相同的区段划分为同一区，这样各区边坡可用单一的剖面和相同的计算参数来表征。
边坡分区是在工程地质分区的基础上进行的。
按此原则东矿采场可划分为六个边坡分区，即A、B、C、D、E、F。
在A区和E区的不同地段，由于边坡形状、高度等方面还存有差异，故又分别将其分为两个亚区，即A1、A2和E1、E2亚区。
边坡分区示意图见图1。
本文拟对其中的E1、E2、F区进行边坡稳定性分析，三个分区的基本情况分述如下：（1）E1亚区。
位于采场南帮19～26行间、工程地质分区第Ⅳ区的中部，边坡面产状为360/41.5，高度为389m，坡面走向近似直线。
本区边坡岩体主要为长石板岩，其边坡岩体结构类型为逆坡向层状结构。
（2）E2亚区。
位于采场西南17～21行间、第Ⅳ工程地质分区的偏西部，为运输道出口地段。
基于BP神经网络边坡稳定性预测及程序开发
ISSN 1671-2900 采矿技术 第20卷 第4期 2020年7月CN 43-1347/TD Mining Technology，Vol.20，No.4 Jul. 2020基于BP神经网络边坡稳定性预测及程序开发卢博雅，余红兵(保利新联爆破工程集团有限公司，贵州贵阳550026)摘要:边坡稳定性预测以稳定性和预测学为研究前提，将两者有机结合起来形成边坡稳定性的预测系统。
基于BP神经网络和预测数据样本分析，依托图形化编程G语言的LabVIEW软件，建立了基于LabVIEW和matlab软件开发的神经网络预测程序。
实例分析结果表明，通过Flac3D数值模拟进行稳定性计算，给出数值计算结果并同预测程序进行误差比较，误差率不超过10%。
关键词:边坡稳定性;BP神经网络;预测程序;数值模拟稳定性分析是边坡稳定性预测的前提和基础，对边坡的发育状况和变形破坏过程进行研究探讨。
许多边坡稳定性研究表明复杂性是边坡滑移的根本属性，因此在边坡稳定预测的问题上可以引用非线性科学理论，并以此为基础开发出多种边坡稳定性非线性预测模型，主要包括神经网络模型、协同预报模型和突变理论模型等[1-4]。
而在对边坡稳定性进行预测时，许多学者运用神经网络模型的方法，已经形成一个体系并得到充分发展[5]。
1 BP神经网络简单的3层BP网络（一般由1个输出层、1个输入层以及1个隐层组成）对于绝大多数模型的映射和拟合相关问题都能满足。
BP神经网络训练流程如图1所示。
图1简单3层BP神经网络模型的拓扑结构对于Flac3D模拟层状岩质边坡的分析结果进行探讨，得到在边坡开采过程中，边坡属性中的影响因素主要为边坡形态和岩体参数两大类，又细分为8点：岩层倾角、最终边坡角、边坡高度、层面间距、容重、泊松比、内聚力、摩擦角。
而在边坡稳定性分析中，主要考察4个指标：安全系数、拉应力、压应力、位移变化。
部分样本数据见表1。
2 预测程序应用Flac3D模拟出来的计算结果构建BP神经网络的样本，以表1中岩层倾角、最终边坡角、层面间距、边坡高度、泊松比、内聚力、摩擦角、容重为因子输入向量，以安全系数、压应力、拉应力以及位移值为因变输出向量，并运用MATLAB神经网络工具箱进行神经网络的训练。
人工神经网络在边坡稳定性预测中的应用
关 键 词 ：Ｂ Ｐ神经 网络 ； 边坡稳 ． Ｔ ８４７
文 献标 识 码 ： Ａ
ｄ ｉ ０ ３ ６ ／ ｉ ｎ １０ － ５ ． ０１ ０ ．０ ｏ： ． ９ ９ｊ ｓ ． ０ ５ ８ ４ ２ １． ４０ ９ １ ．ｓ ７
ＡＰ Ｉ ＰＬ ＣＡＴ１ ０Ｎ ＯＦ ＡＲＴＩ ＣＩ ＦＩ ＡＬ ＮＥＵＲＡＬ ＮＥＴ ０ＲＫ Ｎ Ｗ Ｉ
Ｋ ＥＹ ｏ Ｒ ＤＳ： ＢＰ ｎ ｕ ａ ｔ ｒ Ｗ ｅ ｒ ｌｎｅｗｏ ｋ；ｓｏ ｔｂ ｌ ｙ；Ｍ ＡＴＬＡＢ ｌｐｅ ｓａ ｉｉ ｔ
边坡 的稳 定性 是 目前岩 土工 程界研 究 的重大课 题 ， 矿 山工 程 、 利工 程 以及建 筑工程 等诸 多领 域 在 水 都 涉及 到边坡 的稳 定性 问题 。边 坡工程 是一 个动 态
ｗｈｉｈ ｉ ｄ ｃ ｔｓ ｔ ｔｔ ｅ ｕ ｉｉａ ｉｎ ｏ ｅ ｒ ｌｎ ｔ ｒ ｎ ｔ ｅ ｓｏ ｅ ｓａ ｌｔ ｒ ｄ ｃｉ ｎ ｉ ｅ ｓｂｌ． ｃ ｎ ｉａ ｅ ｈａ ｈ ｔｌ ｔ ｆＢＰ ｎ ｕ ａ ｅｗｏ ｋ ｉ ｈ ｌ ｐ ｔｂｉ ｙ ｐ ｅ ｉｔｏ Ｓ ｆａ ｉ ｅ ． ｚ ｏ ｉ
ｃ ｎｏｍｓｔ ｔｅｒａｉｔ ｅｕ ｓｎ Ｐ ｎ ｕ ａ ｅｗ ｒ ｎ ｈ ｅ ｕｒｍｅ ｔ ｏ ｎ ｉｅ ｒｎ ｒｊｃ ａ ｅｓｔ ｆ ｄ， ｏ ｆｒ ｏ ｈ ｅｌ ｉ ｒｓ ｈ ｕ ｉｇＢ ｅ ｒｌｎ ｔ ｏｋ ａ ｄｔｅｒｑ ｉ ｓｃ ｅ ｎｓ ｆ ｇｎ ｅｉｇｐ ｏｅ ｔｃｎ ｂ ａｉ ｅ ｅ ｓ ｉ
开放的、 复杂 的 、 非线 性 的系 统 问题 ， 响边 坡 稳 定 影
经 网络 的知识应 用 到 边坡 稳 定 性 的 预测 中 ， 合 人 结
工 神经 网络在 结构上 的分 布式存 储 和并行 处理 的特