人工神经网络在边坡稳定性预测中的应用.pdf

《人工神经网络在边坡稳定性预测中的应用.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第20卷第4期矿冶Vo1．20．No．42011年l2月MINING＆METALLURGYDecember2O11文章编号：1005—7854(2011)040038-04人工神经网络在边坡稳定性预测中的应用邹义怀江成玉李春辉(1．贵州大学矿业学院，贵阳550003；2．云南工程建设总承包公司，昆明650011)摘要：对人工神经网络及BP神经网络的基本知识进行了介绍，并以BP神经网络为基础建立了边坡稳定性预测的数学模型，利用MATLAB的神经网络工具箱实现了边坡稳定性的预测，通过收集到的边坡实例进行训练。结果表明，利用BP神经网络对边坡稳定性进行

2、预测，预测结果与实际相吻合，能够满足工程需要，说明应用BP神经网络进行边坡稳定性的预测是可行的。关键词：BP神经网络；边坡稳定性；MATLAB中图分类号：TD824．7文献标识码：Adoi：10．3969／j．issn．1005-7854．2011．04．009APPLICAT10NOFARTIFICIALNEURALNETW0RKINSTABILITYPREDICTIONOFSLOPEZOU．huaiJIANGCheng．yuLIChun—hui(1．CollegeofMiningGuizhouUniversity，Guiyang550003，

3、China；2．YunnanGeneralContractofEngineeringConstructionCorporation，Kunming650011，China)ABSTRACT：Thepaperdescribesthebasicknowledgeofartificia1neuralnetworkandBPneura1network，establi—shesthemathematicalmodelofslopestabilitybasedOilBPneuralnetwork，andslopestabilitycanbeforecaste

4、dbytheneuralnetworktoolbox，andtheslopecasesofcollectionaretrained．TheresultsshowthattheforecastingresultconformstotherealisticresuhusingBPneuralnetworkandtherequirementsofengineeringprojectcanbesatisfied，whichindicatesthattheutilizationofBPneuralnetworkintheslopestabilitypred

5、ictioniSfeasible．．KEYWoRDS：BPneuralnetwork；slopestability；MATLAB边坡的稳定性是目前岩土工程界研究的重大课经网络的知识应用到边坡稳定性的预测中，结合人题，在矿山工程、水利工程以及建筑工程等诸多领域工神经网络在结构上的分布式存储和并行处理的特都涉及到边坡的稳定性问题。边坡工程是一个动态点，使人工神经网络具有较好的容错性、高度非线性开放的、复杂的、非线性的系统问题，影响边坡稳定映射、以及自适应、自组织学习的能力，从而能够捕性的因素不但有地质和工程因素，而且还具有不确捉边坡稳定性与影响边坡稳

6、定因素之间的相关规定性。边坡的稳定性与生产实践以及人类生命财产律，弥补传统方法在预测边坡稳定性上面的不足，实息息相关，因此，解决边坡稳定性的问题对取得经济现对边坡稳定性的可靠预测。效益和社会效益意义重大。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1人工神经网络的原理限元法等方法，但是这些方法难以摆脱人为因素的人工神经网络(artificialneuralnetwork，ANN)影响，计算复杂，具有一定的局限性。本文将人工神是基于对生物大脑的结构和功能进行模仿，通过神经元之间的互连，运用一定的数学物理方法，来实现收稿日期：2

7、01l_(】4-22类似人在语言和图像处理上的行为，而构成的一种作者简介：邹义怀，讲师，现主要从事采矿工程、岩土工程方面的教学与研究工作。新型信息处理体系。目前，最常用的人工神经网络邹义怀等：人工神经网络在边坡稳定性预测中的应用·39·模型有线性神经网络、RBF神经网络、BP神经网络断地展开，从而可得到网络的误差公式E：1等，本文采用误差信号反向传播的BP神经网络对1E=÷∑[d一net)]=边坡的稳定性进行研究。BP神经网络在训练时，由Zm1信号的正向传播和信号的反向传播共同构成神经网÷∑{d一∑n,e川}=络的学习过程，其训练流程示意图如图1

8、所示¨。一k=1J=ulm1误差反传(学习算法)÷∑{d一厂[∑wj(∑Vij)]}(3)一k=1J=0I=0由(3)公式可知，网络输出