基于神经网络的区域地壳稳定性评价
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.。
基于BP神经网络的城市建设土地分析模型

基于BP神经网络的城市建设土地分析模型1. 引言1.1 研究背景城市建设土地分析是城市规划和土地利用管理中的重要内容之一。
随着城市化进程加快,土地资源的合理利用变得尤为重要。
而基于BP 神经网络的城市建设土地分析模型,可以通过对历史数据的学习和模拟,预测未来城市土地利用的情况。
这对于城市规划部门的决策制定和土地资源的合理配置具有重要的实际意义。
在过去的研究中,基于BP神经网络的城市建设土地分析模型已经取得了一定的成果,但仍存在一些问题,如数据处理不够精确、模型训练时间较长等。
本研究旨在通过对BP神经网络原理的深入研究,构建更加准确、高效的城市建设土地分析模型,以提高土地利用的效率和质量。
通过本研究的实施,不仅可以为城市规划和土地利用管理提供指导性建议,还可以为相关领域的研究提供新的思路和方法。
本研究具有重要的理论和实践意义。
1.2 研究目的本研究的目的是基于BP神经网络技术,构建一个可靠的城市建设土地分析模型,利用该模型可以准确预测城市未来土地利用情况,并为城市规划、土地利用政策制定提供科学依据。
通过深入研究BP神经网络的原理和城市建设土地分析模型的构建方法,我们旨在提高对城市土地资源的有效利用和保护,促进城市经济可持续发展。
本研究还旨在探索城市土地利用规律,揭示城市发展与土地利用之间的关系,为城市规划者和决策者提供科学参考和指导。
通过研究城市建设土地分析模型,我们希望可以为解决城市土地资源紧缺、土地利用冲突等问题提供一种新的科学方法,推动城市建设向着更加智慧、可持续的方向发展。
1.3 研究意义城市建设土地分析是城市规划和土地利用管理中的重要环节。
通过建立基于BP神经网络的城市建设土地分析模型,可以更准确地预测土地利用变化趋势,为城市的可持续发展提供决策支持。
这种模型具有较强的自适应性和非线性能力,能够较好地处理包括土地类型、土地使用强度、土地利用变化等在内的复杂城市土地分析问题,为城市规划和土地管理部门提供科学依据。
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。
神经网络法在地质灾害评估中的应用及分析

神经网络法在地质灾害评估中的应用及分析地质灾害的发生常常给人类的生命和财产带来巨大的损失,因此对地质灾害进行准确的评估至关重要。
在众多的评估方法中,神经网络法因其独特的优势,逐渐在地质灾害评估领域得到了广泛的应用。
一、神经网络法概述神经网络法是一种模仿生物神经网络结构和功能的计算模型。
它由大量的节点(也称神经元)相互连接而成,通过对输入数据的学习和训练,能够自动提取数据中的特征和规律,并进行预测和分类。
神经网络法具有很强的自适应性、容错性和学习能力。
它可以处理复杂的非线性关系,对于那些传统方法难以解决的问题,往往能够取得较好的效果。
二、地质灾害评估的重要性地质灾害包括滑坡、泥石流、地震、地面塌陷等,它们的发生具有不确定性和突发性。
通过对地质灾害进行评估,可以提前了解灾害发生的可能性和危害程度,为制定相应的预防和应对措施提供科学依据。
有效的地质灾害评估有助于合理规划土地利用,避免在危险区域进行建设;能够提前采取防护工程,减少灾害损失;还可以提高公众的防灾意识,增强社会的抗灾能力。
三、神经网络法在地质灾害评估中的应用1、数据采集与预处理在地质灾害评估中,首先需要收集大量的相关数据,如地形地貌、地质构造、岩土性质、降雨量、地震活动等。
这些数据往往具有多样性和复杂性,需要进行预处理,如数据清洗、归一化等,以便于神经网络的学习和处理。
2、模型构建与训练根据数据特点和评估需求,选择合适的神经网络模型,如多层感知机、卷积神经网络等。
确定网络的结构、层数、节点数等参数,并使用预处理后的数据进行训练。
在训练过程中,通过不断调整网络的权重和偏置,使模型的输出逐渐接近实际值,从而提高模型的准确性和泛化能力。
3、灾害预测与评估训练好的神经网络模型可以对新的区域进行地质灾害预测和评估。
将相关数据输入模型,模型会输出灾害发生的概率、危险程度等评估结果。
例如,对于滑坡灾害,可以通过输入地形坡度、岩土类型、植被覆盖等因素,预测滑坡发生的可能性和规模。
基于BP神经网络模型与GIS的土地集约利用潜力评价

基于BP神经网络模型与GIS的土地集约利用潜力评价1——以赤峰市为例吕颖北京师范大学北京市海淀区新街口外大街19号100875摘要:近几年,随着经济发展和城市化进程的不断加快,使得我国大多数城市均出现了用地紧缺现象,针对这一问题进行的土地集约利用潜力评价变得尤为重要。
本文以赤峰市为研究对象,探讨了ANN中的BP神经网络模型和GIS的空间分析,在土地集约利用潜力评价研究中的应用。
通过研究得出,赤峰市被划分为三个潜力等级,潜力大的旗县有克什克腾旗、林西县、巴林左旗、阿鲁科尔沁旗、翁牛特旗和敖汉旗,潜力一般的旗县有松山区、喀喇沁旗、巴林右旗和宁城县,潜力小的旗县有红山区和元宝山区。
在此基础上,针对区域特点提出改善该区土地利用方式的建议措施。
关键词:潜力评价BP神经网络模型克里格赤峰市1 引言国土资源部有关负责人在解读《全国土地利用总体规划纲要(2006-2020年)》时表示,据调查,目前全国城镇规划范围内共有闲置、空闲和批而未供的土地26.67万公顷,相当于全国一年的新增建设用地计划指标[1]。
这就表明:当今城市规模扩张过快,造成大量闲置土地的浪费,并且忽视了内涵挖潜,所以对城市进行土地集约利用潜力评价迫在眉睫。
国内众多学者利用不同的方法对土地集约利用潜力评价进行了研究,其中周钧运用了层次分析法和多因素综合评价法;翟文侠运用聚类分析和主成分分析法;张洁利用模糊综合评价法[2-4]。
朱德宝利用土地综合质量水平-土地价格-容积率水平的关系评价城市的土地集约利用潜力水平;乔伟峰利用GIS技术建立城市土地信息系统,从而进行土地集约利用潜力评价[5-8]。
以上方法在确定评价指标权重时均受主观因素制约,使得评价结果不能完全符合客观实际,所以本文利用BP神经网络模型进行土地集约利用潜力评价研究,以期改善这一缺点。
2 研究区概况赤峰市地处燕山北麓、大兴安岭南段,是内蒙古高平原向辽河平原的过渡地带。
地理坐标为北纬41°17′~45°24′,东经116°21′~120°58′之间。
基于神经网络的边坡稳定性分析

( )收敛速度 过慢 。B 神经 网络的收敛 速度取 决于梯 2 P 度下 降法 的学习速 率 。学 习速率过 大,可能 导致权值震荡而
无 法 收 敛 ,学 习速 率 过 小 ,导 致 收 敛 缓 慢 。
神 经 网络 中运 用 最广 泛 ,研究 的最 多 的是B 神 经 网 P
意的结果 。其 中,神经 网络作 为一种运 用较早 ,理论较成 熟的计算方法 ,它建立在现代神经 科学研究 的基础上 ,利 用工程技术手段模拟 生物神经 系统结构和功能而发展起米 的一种新型信号处理系统或运 算体系。它通过训练样本 , 无须知道数据分布 的形式和变 量之间的关系 ,就可实现高
经元层次组成 。其结构如 图1 所示 。 B 神 经网络是基于误差反 向传 播法的神经 网络 ,误差 反 p 向传播法 是建立在梯度下 降法 的基础 上的一种监督式学 习算
法 。其 基 本 思 想 是 通 过 由后 向前 调 整各 层 之 间 的连 接 权 值 , 使 实 际输 出 与 期 望 输 出 的差 值 不 断 减 小 直 至 小 于 允 许 误 差 , 此 时所 得 权 值 即 为 实 现 输 入 层 与输 出 层 的 神 经 网络 映射 的 最
的B 神 经 网络和Lvne — aqad' ,并 与传 统的B 神经 网络进行 比较 。结果表 明 ,这 两种 方 法在提 高计算速度和 泛化 P eebr M r rt - g u , :  ̄ P
能 力 具 有 优 势 , 其 中 自适 应 步 长 的 优 点 更 加 明 显 。 在 考 察 训 练 样 本 预 测 的 准 确 性 方 面 , 5 B 网络 的 结 果 相 近 。 种 P 关 键 词 : 自适 应 步 长 ;Lvneg M rur 法 ;边 坡 稳 定 性 ;神 经 网络 eebr— a ad q t
应用神经网络方法评定巷道围岩稳定性

地层组成 , 煤系地层总厚度约 40m 共含大小煤层 5 , 1层 , 9 煤层总厚度 2 . , 中可采煤层共 4 , 531 其 1 1 层 平
均 总厚度 1 .2m。 62
・
作者简介 : 林 (9 ) 男, 刘会 1 8 , 河北理 工 大学资 源 与环
境学院硕 士研 究生。
种途径 : 一是增加隐层的层数 ; 二是增加 隐层节点个
数 。但是在实际应用中多于三层的网络会使 网络复 杂化 , 增加权值的训练时间, 以一般采用第二种途 所 径 。在此 , 采用具有一个隐层的 B 神经网络。 P
1 输入层与输 出层节点的确定 : ) 输入层节点与
道围岩稳定性 的重要 因素。综 上所述 , 对该 矿山巷 道 围岩稳定性影响较大的因素有水平地应力与巷道 夹角 ( 、 ) 顶板岩性 ( 、 E )水的影 响( )巷道断面 、
11 自然 因素 .
1围岩性质 。围岩性质是决定巷道变形与破坏 ) 的主要因素。存在软弱岩石或膨胀性岩石的巷道 ,
不仅变形与破坏 的速度较快 , 而且变形与破坏 的形
普遍存在软化现象 , 使其强度降低。对于泥质类软
岩, 遇水会出现泥化 、 崩角 、 膨胀和碎裂等现象 , 造成
式也趋于多元化。统计资料表明, 一 0 在 50m水平以 下, 软岩巷道的破坏率 占 5 %, 6 而在所有变形破坏巷 道 中, 软岩巷道占 8 %…。 4
的巷道则常出现非对称式变形与破坏 , 且两帮变形 比顶板变形量大 。 5地下水的影 响。巷道 围岩中含水较 大时, ) 将 会加快和加剧巷道的变形和破坏。因为岩石遇水后
力, 能有效处理一些不连续的数据 , 作者利用神经 网 络模型来评价巷道围岩稳定性程度。
网络作文之基于BP神经网络的耕地土壤重金属污染评价

基于BP神经网络的耕地土壤重金属污染评价摘要:本研究将土壤重金属污染评价神经网络预测模型分为3层,7-6-1为该模型的神经网络结构,输入层共包括7个神经元,分别是土壤耕地有重要影响的pb、as、cr、hg和cd共5个重金属元素,以及2个限制条件:土壤类型(水田或旱地)和土壤ph值;以已知的成都市不同生态区土壤重金属指标作为本模型的训练和检验样本,本研究采用的软件为 matlab ,利用这个软件训练和检验bp 神经网络,然后对宜宾市翠屏区土壤中的重金属进行综合等级评价。
评价结果显示bp神经网络对检验样本的模拟输出跟期望输出是相同的;同时,对研究区土壤重金属综合等级评价结果跟模糊模式识别、传统内梅罗指数评价法得出的结果也是基本一致的。
关键词:bp神经网络;土壤重金属污染中图分类号:tp183 文献标识码:a doi:10.11974/nyyjs.201705332191 材料与方法1.1 研究区概况1.2 土样采集与处理土样采集按照《农田土壤环境质量监测技术规范》(ny/t395-2000)的要求,于2015年9月在作物收获后秋耕前,根据研究区土地利用现状划分取样单元,每13.3~20hm2取一个样点,共采集耕层土壤样品10个,耕层按0~20cm,亚耕层按20~40cm用不锈钢土钻采集土样,每个土样均采用“s”法随机采集15~20个点,经充分混合后,用四分法留取1kg,重点点位留取1.5kg,装入土袋标明,样品取回在实验室荫干、碾碎备用。
1.3 测定项目及方法土样送四川省农科院土壤肥料研究所化验室进行,对农产品质量安全有重要影响的pb、as、cr、hg和cd共5个重金属元素的化验分析,分析方法根据《农田土壤环境质量监测技术规范》(ny/t395-2000)要求确定:as、hg采用原子荧光光谱法测试,cd、cr、pb采用等离子体质谱法测试。
1.4 评价方法1.4.1 传统指数评价法污染指数法是检测评价土壤重金属污染中最常用的一种方法,主要包括2种,分别为单因子和多因子污染指数法,多因子指数法是内梅罗指数法使用最多的一种方法。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
第27卷 第9期 岩 土 工 程 学 报 Vol.27 No.9 2005年 9月 Chinese Journal of Geotechnical Engineering Sep., 2005 基于神经网络的区域地壳稳定性评价朱庆杰,马亚杰,陈艳华(河北理工大学 建筑工程学院,河北 唐山 063009)摘 要:在重大工程的选址中,由于多种影响因素的控制和复杂的非线性相关关系,如何建立统一的数学模型,充分利用已有地质资料,对区域地壳稳定性做出早期的准确评价一直是一个难题。
基于人工神经网络方法,建立了区域地壳稳定性评价的数学模型,并介绍了计算方法。
以沂沭断裂带区域地壳稳定性定量评价为例,介绍了模型结构和关联系数矩阵的确定方法,在模型中,考虑地形地貌、含水层岩性、地下水活动、地质构造、地震活动等多种因素的影响,对区域地壳稳定性进行了定量评价。
同时,选取多种运算参数,分析了模型参数对运算的影响。
依据计算结果,对研究区的铁路选线和今后的研究工作提出了几点认识和建议。
关键词:工程地质;稳定性;人工神经网络;模型;综合评价中图分类号:TU 458.4 文献标识码:A 文章编号:1000–4548(2005)09–1105–05作者简介:朱庆杰(1966–),男,博士,教授,主要从事岩土工程与地震安全评价方向的研究。
Evaluation of regional crust based on ANNZHU Qing-jie, MA Ya-jie, CHEN Yan-hua(Civil Engineering and Architecture College, Hebei Polytechnic University, Tangshan 063009, China) Abstract: Because the stability of regional crust was controlled by many factors, and the nonlinear correlation among influencing factors was complicated, it was difficult to construct a mathematical model by traditional methods to evaluate the stability precisely during geological surveying, and many geological data could not be applied adequately. Based on artificial neural network (ANN), the evaluating model of regional crust stability was established, and the calculating method was investigated. The structure of evaluating model was introduced by taking example for Yishu faulted zone, and the correlative coefficient matrices were explained. In this model, topography, lithology of aquifer, underground water, geological structure and seismic activity were considered. So the regional crust stability in Yishu faulted zone was calculated as a basis of this model. Furthermore, model preferences were discussed and their influence on the calculated result was analyzed. According to the calculated results, some advice for the construction of railway in this area and further researches were proposed.Key words: regional crust; stability; ANN; model; assessment0 引 言准确评价区域地壳稳定性是工程选址成败的关键,其稳定性具有影响因素多的特点。
如何充分利用以往的工程地质资料,建立合适的模型,是准确评价区域地壳稳定性的“瓶颈”问题。
准确的评价结果可以避免部分工程量重复投人、工期延长以及资金浪费[1]。
庄乾城等运用优势面理论,发展了一套工程地质层组划分和优势层判定的分析方法来评价工程稳定性[2]。
徐卫亚等将模糊集理论应用于边坡稳定性分析,建立模糊数学分析模型,并构造了边坡稳定性评价的隶属函数[3]。
刘之葵等针对影响溶洞地基稳定性的地质构造、结构面、岩层性质等因素,利用格里菲斯强度理论,对含溶洞岩石地基的稳定性进行了定量计算判别[4]。
笔者在国家九五攻关课题中,应用模糊数学方法建立了地下岩石破裂概率隶属度函数,基于格里菲斯准则对地下油气富集的稳定性进行了评价[5]。
李爱兵等利用矢量分析法,评价了某铅锌矿露天采场边坡三维楔块体的稳定性[6]。
孔宪京等采用非连续变形分析方法,对面板坝的抗震稳定性进行了分析[7]。
以上定量评价方法主要是针对单个地质体或局限在小范围内的破坏机制分析和稳定性评价。
研究中,人们注意到地应力与地质体物理力学参数间的关系和对稳定性分析的意义[8]。
但“模型不准”一直是困扰广大岩土科技者的难题。
如何使稳定性分析具有高精───────基金项目:国家自然科学基金资助项目(59895410)收稿日期: 2004–11–031106 岩 土 工 程 学 报 2005年度以更好地对区域地壳稳定性进行综合评价是提高早期评价精度的关键。
基于地震动研究成果分析[9],本文采用人工神经网络方法(ANN ),构建了区域地壳稳定性综合评价数学模型,并以沂沭断裂带地壳稳定性定量评价为例,介绍了模型结构和关联系数矩阵的确定方法,得到较为准确的评价结果。
1 模型介绍区域地壳稳定性受到地层岩性、地质构造、水文地质特征、历史地震活动、不良地质现象等多方面影响,而且各种条件对稳定性的贡献较难确定,故区域地壳稳定性定量评价的关键是找到统一的数学模型,正确反映各个影响因素与稳定性之间以及各个影响因素之间的复杂非线性关系,从而能够适应评价区的地质条件变化。
尤其随着地理信息系统技术在大型工程建设规划中的应用,对这种要求就更为迫切。
建立统一数学模型的关键是考虑各种影响因素对综合指标的非线性综合贡献,而用传统的统计方法难以实现,因此,应用ANN 方法来构建评价模型[10]。
依据ANN 的双并联前向网络方法,模型可表示为(){}ij n n n n n j x W W W W P 102,11,0,⋅⋅⋅⋅+=−−− , (1) 式中 i 表示影响因子数;j 表示已知样品组数;W n,n-1阵为第n 个隐层与第n-1个隐层的关联矩阵。
这样,可根据不同地区指标的变化确定模型的具体形式和关联矩阵,即最终确定模型。
ANN 模型的双并联前向网络理论与误差向后传播学习算法中,前向网络的运转功能可以分成信息前向传播处理与误差向后传播学习两个方面。
双并联前向网络前向处理方程为输入层: I 0i =X i , (2) Z 0i =f 0(X i ) 。
(3) 隐层:∑=−−−+⋅=HLn j i l l j l ijl l i w z wI 10)1()1()1(,(1≤i ≤n HL ) (1≤l ≤L-1) 。
(4))(li l li I f z =(1≤i ≤n HL ) (1≤l ≤L-1) , (5)式中 w l(l-1)i 0表示门限值;Z li 为第l 层第i 个处理元件的输出;f l 为第l 层处理元件的活动函数。
输出层:∑∑==−−−++=L ln j n j j ij L i L L j L ij L L li z w w z w I 11000)1()1()1( , (6))(Li L i I f y =(1≤i ≤n 0) 。
(7)误差向后传播调整算法中,输出层δ误差。
))](()[()(i i L L i i L LLk Li y d C A y y C A −+−−=λδ (8)对于任一隐层l ,有∑=+++=Ln i q i l k lij l lj l k lj I f wI f 1)1('1)()1(')()()(δ∑+=++++11)2('2)1)(2()(l n q s i l k sq l l I f w ∑+=−−⋅⋅⋅211)1('1)(l n s i L L I f∑=−−−Ln i i i Li L k i i L L y d I f w1')()2)(1(111121))(( 。
(9)在上面的表达式中,W lmij 表示第l 层第i 个处理元件与第m 层第j 个处理元件之间权值;δ表示某一层某元件的误差增量。
2 评价实例蓝村至新沂线是东北至长江三角洲陆海通道的一部分,是我国一条新的沿海南北大通道,沟通了东北、环渤海、长江三角洲三大经济区域。
其位于我国东部最大的活动断裂带—郯庐断裂带的中段沂沭断裂带中,区域稳定性将成为决定取舍方案的关键。
如图1所示,华北地台中的鲁东地盾和鲁西台背斜两个二级构造单元,包括胶莱坳陷、胶南隆起、沂沭断裂带、鲁中南隆起四个三级构造单元,其间界线均为深大断裂[11]。
该区域地壳稳定性评价涉及因素较多,如地形地貌、地层岩性、断裂活动、地震活动等,故将本区作为实例来进行区域地壳稳定性评价。
图1 沂沭断裂带平面结构示意图 Fig. 1 Structure of Yishu faulted zone2.1 工程地质情况简介该区地形地貌特征为,稳定区内的剥蚀丘陵区地形起伏不大,大部分地段基岩裸露。
较稳定区的剥蚀丘陵区多为残丘及缓坡,与丘间洼地及丘间冲积平原相间。
欠稳定区和不稳定区的剥蚀丘陵区地形起伏较大,沭河及其支流为欠稳定区的主要河流,不稳定区的剥蚀丘陵区基岩裸露。
地层岩性特征为,稳定区的剥蚀丘陵区岩性为太古界混合岩、片麻岩及元古界花第9期 朱庆杰,等. 基于神经网络的区域地壳稳定性评价 1107岗岩等。