BP神经网络在泥石流固体堆积物粒度分布特征研究中的应用-论文.pdf

《BP神经网络在泥石流固体堆积物粒度分布特征研究中的应用-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、BP神经网络在泥石流固体堆积物粒度分布特征研究中的应用娄建全辽宁省有色地质局101队辽宁113000【摘要】应用BP神经网络预测泥石流固体堆积物的分形维数，以客观准确的研究其粒度分布特征与传统泥石流影响因素之间的关系，为此本文通过对蒋家沟的12条泥石流沟进行深入的调查研究分析，选取与泥石流流体性质有密切关联的10个常用泥石流影响因素作为输入层，以泥石流固体堆积物分形维数作为输出层，利用神经网络学习能力，以其中的7条沟作为学习样本，进行样本训练。训练结束后，以另外5条沟作为验证样本，网络预测的分形维数与其实测分形维数吻合较好

2、，最大误差仅为2．6％，由此说明将神经网络预测方法应用到泥石流堆积物粒度分布特征的研究中是可行和有效的，并且所选取的影响因素与泥石流堆积物分形维数之间存在复杂映射关系，具有良好的非线性相关性。【关t词】神经网络；泥石流；粒度分布；分形维数中圈分类号：TP389．1文献标识号：A文章编号：泥石流是产生于山坡与沟谷中的一种由泥浆和块石组成的两相流体，泥石流沟内运动迁移，最终在堆积区堆积，形成具有一定粒度分布特征在泥石流运动中，浆体作为悬浮质将大小不等的块石及粘粒搬运到堆积的堆积物。区，形成具有一定粒度分布的松散堆积体。通过野外

3、实地调查各泥石流沟，并采用野外筛析法和室内静水沉降目前对泥石流堆积物粒度分析的方法大多都是基于统计学的规律和法对堆积区固体颗粒进行颗粒分析，得到各个粒径颗粒的累积百分含量方法的，例如图解法、图解计算参数法和统计计算参数法。常用的粒度及累积曲线。图有直方图、频率曲线图、累计曲线图和概率累计曲线图等；常用的粒2．2粒度分布模型及分形维数计算SSS度参数有中值、平均值、标准差、偏度、图算尖度和峰态等粒度分布参泥石流物质在机械搬运的过程中存在自相似性，满足标度不变性，数[卜2]。说明泥石流堆积物颗粒具有一定的分形特性[18]。关于

4、其分维值的大运用传统的线性理论很难直观地描述泥石流固体堆积物的粒度分布小前人已经做了一些研究。倪华勇、易顺民等人采用岩石破碎模型，通特征，上个世纪70年代，美国数学家B_B．Mandelbrot[3]首次提出的分过粒度分析法求解得到泥石流堆积体颗粒粒度分维值得计算式：D=3一b形理论，为研究泥石流堆积物的粒度分布特征提供了一种强有力的工具。(2)其中：D为所求分形维数，b为泥石流堆积物颗粒粒径r和大于r按照分形理论，分形内部任何一个相对独立的部分，在一定程度上都应的累积百分含量。是整体的再现和缩影，既局部与整体具有一定的相

5、似性。大量的实践表根据各个粒径颗粒的累积百分含量在双对数坐标系中可求出泥石流明，颗粒材料中的颗粒粒径分布，即尺频关系具有标度不变性[4]，因此固体堆积物颗粒分布分形维数，绘制粒度分布曲线，如图2所示。统计分形理论在机械制造、泥化夹层、超细粉体评价及第四纪沉积环境研究所有双对数曲线可知，相关性系数均值在0．95以上，强相关性说明了堆等很多领域中都有广泛的应用[5—8]。至上个世纪九十年代，分形理论已积物颗粒粒径与大于该粒径的累积百分含量在双对数曲线中有良好的线广泛应用到泥石流堆积物粒度分布分析的研究中，并取得了一定的成果。性

6、关系，呈现出良好的分形特征。易顺民[9]依据分形理论，分析了泥石流堆积物粒度分形结构特征，指出了分维值可以作为描述泥石流粒度成分和泥石流沟水系的参数，并可以反映泥石流活动的形成演化特征。倪华勇等[1O]将分维值作为表征泥石流灾害系统的有效参量，揭示了泥石流灾害中的规律。李泳等[11]通过研究发现，泥石流堆积物颗粒组成具有很好的分形特征，不同密度泥石流颗粒的分形区间不同，颗粒的分维值随密度变化，密度越大，分维值越大。然而以粒径分形特性为主要内容的系统组构特征与泥石流沟谷特征、泥石流爆发特性及物源特征之间关系的研究尚不多见，因

7、此以颗粒流理论为基础，利用人工神经网络开展泥石流堆积物粒度分布特征与泥石流沟谷特征及泥石流爆发特性之间的内在规律研究具有一定的实践意义。1．分形理论概述分形理论的主要研究对象是一些不规则但具有自相似性的曲线及自反演行的图形、自平方性的分形变换及自仿射性的分形集等，具图2蒋家沟沟堆积物颗粒双对数分布曲线及分形维数有很强的普遍适用性。在分形几何中描写空间和客体的一个重要参Fig2theaccumulationparticlelogarithmicdistribution数——维数，它可以是整数也可以是分数，可以表示为：N(r)

8、=cr—DfcurveandthefractaldimensionofJiangjiagougully(1)式中：Df为分形维数：N(r)为与r有关的测量数；r为尺度；c比3．BP神经网络例常数。BP神经网络通常是基于误差反向传播算法的多层神经网路，是上个在工程中应用最广泛的三种分维数求法为：改变量测尺