1、第 卷第 期红水河 年 月 基于 神经网络的水电站库区边坡稳定性分析甘海龙（广西机电职业技术学院，广西 南宁）摘 要：为检验神经网络在水电站库区边坡稳定性预测的可行性，通过结合原始数据 及神经网络的模式识别特性，构建神经网络模型，对 组实测数据进行 处理，选取 组数据作为神经网络输入端数据、组数据验证神经网络的工作性能。结果表明，神经网络对水电站库区边坡稳定性模式识别率达到。训练良好的神经网络可以用于工程实践中的水电站库区边坡稳定性预测。关键词：；神经网络；边坡稳定性；水电站；库区中图分类号：文献标志码：文章编号：（）：开放科学（资源服务）标识码（）：(,):,:;引言由于工程规模巨大以及特定
2、的复杂地质和地形条件，水电站边坡稳定性问题十分突出。国内外学者在水电站边坡稳定性分析方面做了大量的研究工作：胡杨等研究了锦屏一级水电站左岸坝肩边坡岩体稳定性分析，采用三维离散元程序（）建立了锦屏一级左岸边坡局部三维和真实三维模型，同时考虑了预应力锚索的加固效应，对左岸坝肩变形体施工期的稳定性进行了分析；蒋水华等研究了施工期三维边坡可靠度问题，发现参数敏感性分析可以有效地识别敏感性较大的随机变量，从而提高边坡可靠度计算效率；乐慧琳等为比较 和 这 款软件在分析边坡稳定性、计算边坡安全系数时的差异，利用这 款软件对福建省关公凹水电站某开挖边坡进行稳定性分析并求解安全系数；李程等进行了基于三维电子罗
3、盘的边坡变形监测技术研究，该方法为分析边坡变形和破坏模式提供了新的思路；李韬等利用通用离散元软件 建立白鹤滩水电站左岸边坡开挖变形分析模型；李云波等基于 软件，采用极限平衡法计算某水电站边坡在正常运行及降 收稿日期：；修回日期：基金项目：年度广西高校中青年教师科研基础能力提升项目（）作者简介：甘海龙（），男，青海西宁人，副教授，硕士，主要从事结构稳定性及耐久性研究。：。甘海龙：基于 神经网络的水电站库区边坡稳定性分析雨工况下的稳定性；刘孟等使用 软件建立反演数值模型，采用遗传算法求解最优参数，将采用反演得到的参数用于 所建立的边坡二维有限元模型，对边坡进行反馈分析；罗雲丰分析了边坡倾倒变形的成
4、因机制，模拟了边坡局部垮塌的变形破坏过程，利用一般物理力学试验和三轴压缩流变试验数据分析了边坡岩石的流变方程和长期强度；麻源源等通过研究发现 系统在水电站边坡监测结果的精度和稳定性优于全站仪，可以实现高分辨率、高精度、实时地对水电站边坡进行长时间变形监测；徐奴文等利用通用离散元程序 建立左岸顺层边坡离散元模型，进行开挖卸荷过程坝基边坡的稳定性分析；张御阳等系统地研究了碎裂岩体结构特征，分析了控制边坡变形破坏的边界条件和变形破坏模式，并运用 离散元程序模拟验证；李光禄等探讨了干湿循环下花岗岩残积土抗剪强度衰减的主要机理，研究了干湿循环作用对边坡稳定性安全系数的折减，并对折减程度进行了量化分析；麻
5、国等通过对监测仪器及监测自动化系统现状排查，提出升级改造方法，引进 监测系统在索风营水电站高危边坡安全监测中应用。一方面，由于影响水电站库区边坡稳定性的因素众多，且伴随着很多不确定性，实际工程中，边坡区域地质构造数据离散性很大；另一方面，导致水电站库区边坡失稳的机理比较复杂，影响因素较多。因此，采用各种计算方法得到的水电站库区边坡稳定性分析模型与工程实际情况有着较大差距。为了能够更加符合实际地预测水电站库区边坡稳定性，本文尝试用主成分分析 神经网络分析水电站库区边坡稳定性。主成分分析 数据降维在数据预处理过程中，变量通常要变换尺度，以便具有小数值的重要变量不会被那些具有大数值的变量所湮灭；然后
6、通常会对数据作异常点检测，这可能是由于不同于未知原因的其他数据的测量误差或真实观测引起的。如果异常点包含在模型开发中，严重时会使结果失真，因此，必须辨识出异常点，并且在建立模型前将它们从原始数据集中删除。就是原始数据预处理的一种常见方法，涉及原始数据由新变量（）表示的一个正交坐标系的变换，在这个正交坐标系里，每一个成分都说明原始数据方差的减少值。原始数据经过 后，特征值以递减顺序表示新变量（）的方差。因此，由第一个特征向量表示的第一个 捕获了原始数据方差的最大值，而后面的每一个 捕获了剩余的最大方差，以此类推。每一个 捕获的变分值由它们相应的特征向量给出。理论上，有多少个原始输入变量，就会产生
7、多少个，但是由于排在前面的 捕获了大部分方差，因此，在考虑噪声和数据方差的基础上，可以定义一个累计贡献最大方差阈值作为合适的断点，一般考虑该阈值的最小值为。这样，可以在放弃其他 的同时，最大限度地代表原始数据。由于只选择最具代表性的 作为神经网络的输入，可以显著降低神经网络的复杂性，从而提高网络识别率与预测精度。算法的两种实现方法 基于特征值分解协方差矩阵实现 算法输入：数据集，需要降到维。）去平均值（去中心化），即每一个特征值减去各自的平均值。）计算协方差矩阵（注：这里除或不除样本数量 或，其实对求出的特征向量没有影响）。）用特征值分解方法求协方差矩阵 的特征值与特征向量。）对特征值从大到小
8、进行排序，选择其中排序靠前面的 个值；然后将其对应的 个特征向量分别作为行向量，组成特征向量矩阵。）将数据转换到 个特征向量构建的新空间中，即 。基于 分解协方差矩阵实现 算法输入：数据集，需要降到维。）去平均值，即每一个特征值减去各自的平均值。）计算协方差矩阵。）通过 计算协方差矩阵的特征值与特征向量。）对特征值从大到小进行排序，选择其中排序靠前面的 个值；然后将其对应的 个特征向量分别作为列向量，组成特征向量矩阵。）将数据转换到 个特征向量构建的新空间中。水电站库区边坡稳定性主成分分析 采用的数据样本来源于文献中搜集的 个边坡实例数据，采集了包含边坡高度、岩石容重、内聚力 、内摩擦角 、边
9、坡角 、孔 红水河 年第 期隙压力比 等 种参数的数据。选取 个样本中的前 个样本数据作为神经网络输入端原始数据，见表，并对表 中的 组神经网络输入端原始数据进行。表 神经网络输入端原始数据采集表样本号 （）（）边坡状态破坏破坏破坏破坏稳定稳定稳定稳定破坏稳定稳定稳定破坏稳定稳定稳定稳定稳定稳定稳定稳定稳定稳定破坏破坏破坏稳定稳定破坏破坏稳定破坏稳定破坏破坏破坏稳定稳定 在对实际工程问题进行 时，有时会存在值域很大的变量和值域很小的变量同时出现在网络输入端的情况，由于输入端数据输入的是绝对大小，值域很大的变量会掩盖值域很小的变量，从而导致前者获得的相关权值比后者大，因此，在进行 前，为了保证分
10、析结果的可靠性，必须对输入端原始数据进行归一化处理，其公式如下：（）经过归一化处理后，对归一化后的数据进行，求得相关系数矩阵如表 所示，各个主成分及其贡献率如表 所示，主成分因子荷载矩阵如表 所示。表 相关系数矩阵表 各个主成分及其贡献率主成分编号特征值方差贡献率 累计方差贡献率 表 主成分因子荷载矩阵项目 由表 可知：的方差贡献率最大，达到；前三个主成分的累计方差贡献率达到，已经超过累计方差贡献率的经验值，故保留前三个主成分作为神经网络的输入端数据。水电站库区边坡稳定性的神经网络预测神经网络预测分析采用 平台，网络输入端数据选取表 经过 后的前 组数据，见表，后 组数据用于验证神经网络性能。
11、神经网络的输出端定义为稳定，、破坏，。使用 创建隐含层为 的模式识别网络。由于网络权值的计算是随机的，因此，一个可靠的神经网络需要多次训练方能得到最佳的训练效果。一个经多次训练后的神经网络性能如图 所示，甘海龙：基于 神经网络的水电站库区边坡稳定性分析表 神经网络 输入端数据样本号网络在迭代至 步时，验证集交叉熵达到最佳值。神经网络的识别性能如图 所示，训练集的模式识别正确率为，验证集的模式识别正确率为，测试集的模式识别正确率为，总体模式识别正确率为。图 神经网络工作性能图 神经网络的识别性能 神经网络的受试者工作特征曲线（），即 曲线，如图所示，除了测试集外，训练集、验证集、整体集合的线下面
12、积接近，说明神经网络的模式识别性能良好。神经网络的误差柱状图如图 所示，可知，测试集、训练集、验证集的误差值主要分布在零误差线附近，说明神经网络的模式识别性能良好。图 神经网络 曲线 神经网络模式识别性能验证以表 中的第 组数据作为验证神经网络性能的原始数据，将原始数据进行 后的结果如表 所示，性能验证结果如表 所示，性能验 红水河 年第 期图 神经网络误差柱状图证混淆矩阵如图 所示。表 性能验证组输入端样本号表 神经网络性能验证结果样本号期待输出神经网络输出识别结果识别率，正确，正确，错误，正确，正确，正确图 网络性能验证混淆矩阵 结语）采用 方法对水电站库区边坡稳定性的影响因素相关数据进行
13、处理，经过处理后，降低了数据的维数，简化了预测模型，提高了预测的效率和准确率。）将 与神经网络相结合，建立了不同强度的水电站库区边坡稳定性 预测模型。用实例对模型进行验证，结果表明，该模型识别率达到，具有较好的预测功能，适用于水电站库区边坡稳定性预测。）本文为了简化神经网络模型，提高识别率，在进行主成分选取时，只选取了前三个主成分，如果选择前四个主成分作为神经网络输入端，主成分累计方差贡献率将达到，在只增加一个主成分的前提下，神经网络的识别率还将进一步提高。参考文献：胡杨，林太清，徐海亮，等 锦屏一级水电站左岸坝肩边坡岩体稳定性分析中国农村水利水电，（）：蒋水华，李典庆，黎学优，等锦屏一级水电
14、站左岸坝肩边坡施工期高效三维可靠度分析岩石力学与工程学报，（）：乐慧琳，魏继红，施威，等 和 在某水电站边坡稳定性分析中的应用及对比西华大学学报（自然科学版），（）：李程，宋胜武，陈卫东，等基于三维电子罗盘的边坡变形监测技术研究：以溪洛渡水电站库区岸坡为例岩石力学与工程学报，（）：李韬，徐奴文，戴峰，等白鹤滩水电站左岸坝肩开挖边坡稳定性分析岩土力学，（）：李云波，董泳，刘肖峰，等基于 的水电站高边坡稳定性分析及支护方案研究 水力发电：刘孟，吴强，范航，等基于 的某水电站边坡破坏机理反馈分析地下空间与工程学报，（增刊）：罗雲丰澜沧江苗尾水电站右岸坝肩边坡长期稳定性评价成都：成都理工大学，麻源源，左小清，麻卫峰，等地基雷达在水电站边坡形变监测中的应用工程勘察，（）：徐奴文，李韬，戴峰，等基于离散元模拟和微震监测的白鹤滩水电站左岸岩质边坡稳定性分析岩土力学，（）：张御阳，黄润秋，裴向军，等楞古水电站碎裂岩质边坡变形破坏模式研究工程地质学报，（）：李光禄，余露，郭义，等干湿循环下花岗岩残积土抗剪强度衰减与边坡稳定性折减度的研究红水河，（）：麻国，杨先艾，李太清 监测系统在水电站高危边坡安全监测中的应用红水河，（）：冯夏庭，王泳嘉，卢世宗边坡稳定性的神经网络估计工程地质学报，（）：（责任编辑 秦凤荣）
