基于已有矿区工程实例对同一矿区不同工作帮边坡稳定性的分析

李宇男，郝 哲

（沈阳大学 建筑工程学院，辽宁 沈阳 110044）

基于已有矿区工程实例对同一矿区不同工作帮边坡稳定性的分析

李宇男，郝 哲

（沈阳大学 建筑工程学院，辽宁 沈阳 110044）

基于BP神经网络分析方法，选取合理的边坡物理参数、力学参数和几何参数，建立露天矿边坡稳定性分析模型.按照不同的分析目的与要求，分别建立了BP神经网络可行性模型、滑坡面预测模型和治理滑坡面模型；选取分析样本，进行网络结构及学习参数的优化；选取最优的学习样本进行学习训练，据学习结果，利用勘测数据对目标进行预测，其预测结果能够满足精度要求.为了进一步证明其可行性引入模糊的方法，通过信息扩散化原理进行二次数值计算，所得计算结果与之前预测结果吻合.

神经网络；参数；边坡；稳定性；模糊；信息扩散化

尽管计算机在工程上的应用越来越广泛，但是由于地质环境的复杂性，对计算模型和计算参数的提出有着较高的要求，难于在工程实践中采用，这是数值方法遇到的最大问题.正像岩石工程师所说的“声誉高、信誉低”，所谓声誉高是计算理论先进，得到小数点后五六位的精度很容易，且绘出的图表很漂亮；信誉低是说其提供的数字缺乏可信度，难以为工程设计和决策提供可靠依据.应用合理的非线性模拟方法可以对复杂的地质条件下的工程进行较为可靠的数值预测与施工设计.人工神经网络方法可以在一定程度上满足模型和参数的不足，其强大的自主学习功能与记忆功能可以将地质勘察、工程设计与施工有效地结合在一起；再应用模糊原理，使信息扩散化，能够更好地模拟复杂的地理环境下参数的不确定性，用来指导工程设计与施工方案的制定.本文通过借助神经网络的特点对已有的矿区案例进行学习，针对其不同工作帮的边坡稳定性进行分析，得出矿区工作帮的稳定情况，继而得出相应的治理方案.

1 现场简介

东明矿区位于呼伦贝尔市海拉尔区境内，始建于2005年，开采方式为露天开采.随着露天矿生产的进行，矿坑不断延伸，边坡临空面积增大，各岩层构造相继揭露，并且排土场排弃标高已经超过设计标高，露天矿边坡稳定及安全生产问题日益突出.东明露天煤矿南帮于2009年9月10日开始出现变形，于9月16日下午15时发生滑坡.

为了合理及时治理滑坡地段，露天矿及时同煤炭科学研究总院沈阳研究院进行了沟通，进行了现场勘探，据勘探结果分析围岩无明显流变现象.因此，忽略流变对滑坡的影响，选取物理参数容重γ、含水率w、力学参数内聚力c、内摩擦角Φ、弹性模量E和泊松比μ、几何参数边坡角θ、辗压系数λ、单节台高h等九个因素作为输入参变量进行研究［1］.

2 BP神经网络原理介绍

BP人工神经网络又称为误差反向传播神经网络，其最大的特点就是有强大的记忆功能与自主学习功能.其基本思路是：把学习过程中输出层出现的与实际不符的误差归结为连接层中各节点的连接权值和阈值的偏差，通过把输出层节点的误差逐层向输入层反向传播给各连接节点，从而可算出各连接节点的参考误差，并据此对各连接权值进行相应的调整，使学习过程适应要求的映射.BP神经网络模型由一个输入层、一个输出层和一个处于连接位置的隐层组成，其工作机理如图1所示［2］.

图1 BP神经网络模型工作机理Fig.1 The diagram for BP neural network mechanism

输出层的输出元素即为所要得到的目的参数，输入层所输入的即为影响输出变动的主要因素，中间的隐层可以是一层也可以是多层，本文所选取的是一层隐节点，其隐节点个数确定方法如式（1）：

3 建立计算模型

3.1 BP神经网络的可用性研究

首先建立可用性计算的数据模型，选取东明矿南帮17测线、24测线和27测线的七个样本作为学习样本，选取东明矿西帮GK1剖面四个样本作为预测样本，以边坡的安全系数作为输出参数，根据地质条件的勘探，选取容重、含水率、内聚力、内摩擦角、弹性模量和泊松比作为输入参数，隐节点数由公式（1）可以得出其范围在4～13个为最合理，通过多次反复试验得出最精确的节点数，经过学习测试可得到当隐节点数为12时其误差最小.用来观察预测结果的误差，来评判BP神经网络的可用性［3］，其结果如表1和表2.

由表1和表2可以看出，经过学习后所预测出的结果与真实值之间的误差在10%以内，从理论上充分说明了BP神经网络的可用性，可以很好地预测输出目标即安全系数.

表1 学习样本参数Table 1 Parameters of study sample

表2 预测样本结果及误差Table 2 The results and error of the forecasting samples

3.2 预测滑坡位置

基于BP神经网络的可用性，现以东明矿南帮滑坡位置的相应参数作为学习样本来预测西帮的危险位置，经勘查得出在这同一地点其土质的性质及各种参数相近，地应力场相似，故所预测出的数值更具有可信度.在可用性模型输入的基础上把已知的安全系数加入输入参数，其滑坡段可看成一段圆弧，以滑坡起始点的横纵坐标、滑坡圆心的横纵坐标和圆心角作为输出参数来进行预测，在归一化的过程中坐标数值除以1 000，圆心角的度数除以180，使其分别落在（0～1）［4］.选取六个学习样本和三个预测样本来进行研究，其结果如表3和表4.

表3 学习样本参数及误差Table 3 Parameters and errors of learning samples

表4 预测样本结果Table 4 Results of forecasting samples

令表中的坐标数据乘以1 000、圆心角数据乘以180即得真实值.可以看出西帮三个可能滑坡的位置在其所在断面的起始点坐标、圆心坐标和圆心角大小.预测出危险位置即可针对其做出治理方案如：抗滑桩、抗滑挡土墙、锚固法及减重反压法，等等.

3.3 根据南帮已给治理方案预测西帮合理治理方案

东明矿南帮滑坡处采用了内排压脚的治理方法，边坡治理参数为：段高10 m，辗压系数0.94，单台阶坡面角35°，总体边坡角13.5°，治理后的南帮其安全系数在1.2以上，达到了稳定的状态.由于东明矿西帮安全系数不足1.2，所以针对西帮潜在的滑坡可能，决定对西帮进行合理的治理，把确定的段高10 m和碾压系数0.94以及目标安全系数值加入样本的输入值中，以总体边坡角和单台阶坡面角作为输出，隐节点的选取方法同上，经过试验得到最佳为10个，其计算样本及结果如表5和表6.

表5 学习样本及参数Table 5 Learning simples and parameters

表6 预测结果及换算结果Table 6 Results of forecasting and conversion

从上面的数据即可得到西帮三个工作面相应的治理方案，以单台阶角约35°总台阶坡角约13°的方案可以使其安全系数达到1.2以上.

4 利用模糊法对治理方案做进一步推正

4.1 模糊法原理简介

最后，为保证所有样点的地位均相同，需对每一个样点得到的信息分布结果进行归一化处理，依信息总量和为1的原则，n个样本其归一化的公式如下：

式中，R为样本总数［5］.

4.2 学习训练结果分析

样本分析.对容重γ、内聚力c、内摩擦角Φ、动弹模E、泊松比μ、含水率w、边坡角θ、辗压系数λ、单阶台高H、单台阶坡面角α和总坡角β做如下离散化：

经计算得其隐层节点数在9～18之间，通过多次学习最后得到当节点为13时其收敛最快精度最好，输入预测样本进行计算：依据学习样本的方法得到预测样本输入如表8，输出如表9.

由表9中数据可以得到单台阶坡面角以近乎1／2的概率分布在34°上，又以近乎1／2的概率分布在36°上.而总坡脚离散在12°与15°之间，1／6的概率分布在12°上、1／3的概率分布在13°上、1／3的概率分布在上14°上及1／6的概率分布在15°上.与模糊之前所得的预测值相近，从而进一步得证了治理西帮边坡方案的可行性，即控制单台阶坡面角在35°左右，总坡角13°左右即可很好地满足预期的治理目标.

表7 模糊神经元网络学习样本Table 7 Learning samples for fuzzy neural network

表8 预测样本输入Table 8 Input of forecasting samples

表9 预测样本输出Table 9 Output of predict samples

5 结 论

本文基于BP神经网络建立了对边坡稳定性分析模型，通过三个不同BP神经网络模型和一个模糊后模型的分析可以得到结论如下：

（1）BP神经网络由于自身强大的学习功能和记忆功能可以很好对目标参数进行预测，得出合理的预测结果.

（2）利用同一地区地理因素相近的条件，基于矿区已有工程案例可以对其他工作帮的边坡进行稳定性的判定及作出相应治理方案.

（3）利用模糊方法可以更好地模拟复杂的地理环境下的参数.

（4）以可行性模型为基础进行滑坡位置预测及治理方案预测，具有较高的可信度，对工程设计和实际工程施工有很好的指导意义.

［1］ 刘丽峰，朱明，岳鑫.用神经网络分析露天矿边坡稳定性［J］.金属矿山，2008（9），38－39，56.

［2］ 夏元友，朱瑞赓，李新平.基于神经网络的岩质边坡稳定性评估系统研究 ［J］.自然灾害学报，1996（1）：98－104.

［3］ 刘沐宇，冯夏庭.基于神经网络范例推理的边坡稳定性评价方法［J］.岩土力学，2005（2）：193－197.

［4］ 李守巨，刘迎曦，刘玉晶.基于改进神经网络的边坡岩体弹性力学参数识别方法［J］.湘潭矿业学院学报，2002（1）：58－61.

［5］ 兰海涛，李谦，韩春雨.基于广义回归神经网络的边坡稳定性评价［J］.岩土力学，2009（11）：3460－3463.

Analysis on Mine’s Different Workspace’s Stability of Slope based on Exist Examples of the Same Mine’s Workspace

LIYunan，HAOZhe
（Architectural and Civil Engineering College，Shenyang University，Shenyang 110044，China）

Based on BP neural network，selecting reasonable physical parameters，mechanical parameters and geometrical parameters of the side slope，an open pit slope stability analysis model was established.According to different analytical purposes and requirements，BP neural network model，landslide surface model and landslide surface model are established；selecting the optimal learning samples for learning and training，according to study results，the target was predicted by using the survey data，and the prediction results can meet the accuracy requirements.To further prove its feasibility，the fuzzy method was introduced；according to the principle of information diffusion，the second numerical calculation was done，the results are consistent with the previously predicted results.

neural network；parameters；side slope；stability；fuzzy；diffusion of information

TD 228

A

1008－9225（2012）02－0075－06

2011－11－27

李宇男（1985－），男，内蒙古赤峰人，沈阳大学硕士研究生；郝 哲（1972－），男，辽宁沈阳人，沈阳大学教授，博士.

祝 颖】