安培源

北京中地華安科技股份有限公司

 

摘要：以西南某管道四川、重慶、湖北段為研究區，以歷年管道沿線滑坡災害點為數據樣本，選擇坡度、滑面傾角、年均降雨量、滑面特征、滑床巖性、地表變形、地下水變化特征、人類工程活動、臨空特征9個因素作為評價指標，利用基于誤差反向傳播神經網絡對研究區滑坡穩定性評價進行建模。結果表明，相較于傳遞系數法，基于神經網絡的滑坡穩定性評價模型雖然評價結果相對保守，但仍然可以滿足管道風險管控需要。

關鍵詞：誤差反向傳播；神經網絡；滑坡穩定性評價；管道風險管控

 

西南某管道起始于川東北地區，末站為上海市，自西向東途經四川、重慶、湖北、安徽等省市。管道沿線地質環境條件復雜，其中川東、渝中、鄂西等地區尤為突出，這些地區地形地貌多樣、地質構造復雜、巖性巖相變化大、人類工程活動強烈，導致地質災害異常發育。準確、快速評估災害體的穩定性對管道安全風險管控具有重要意義。

滑坡穩定性是一個受多因素、多參數控制且具有一定偶發性，受高度復雜地質作用控制的工程地質問題，是工程地質工作者長期研究的焦點。早期的工程地質評價方法以定性描述和分析為主，主要依賴于專家個人經驗，具有一定的局限性[1]。通過綜合分析滑坡地質環境特征、地質災害體特征、誘發因素等，找到各因素間的內在聯系以及與滑坡穩定性的關系，為準確評價滑坡的穩定性奠定基礎。本文嘗試建立基于誤差反向傳播神經網絡的滑坡穩定性評價模型，利用計算機強大的運算能力，在前人累積的工作成果基礎上，探尋地質災害規律，有利于地質災害防治和管道安全運行。

1  滑坡樣本庫的建立及指標選取

滑坡類型多樣，影響因素眾多，是一個復雜的工程問題，難以進行工程定量計算。此外，各個工程所獲指標不統一，部分指標為定量，部分指標為定性，這使得應用神經網絡進行滑坡分析與預測時，面臨首個難題是滑坡數據的提取與樣本庫的建立。

1.1  指標的選取

滑坡產生的根本原因在于邊坡巖土體的性質、坡體介質內部的結構構造和邊坡體的空間形態。滑坡的形成與地層巖性、地質構造、地形地貌等這些內部條件密切相關。水的作用、地震、大型爆破和其他人為因素是滑坡的催生劑，是產生滑坡的外因[2]。通常情況下，分析滑坡的形成需要考慮自然地理及地質環境條件，包括以下幾大類：氣象、水文、地形地貌、地層巖性、地質構造、地震、水文地質條件和人類工程活動。根據相關文獻[3-4]，并結合管道沿線滑坡調查成果資料，最終確定將坡度、滑面傾角、年均降雨量、滑面特征、滑床巖性、地表變形、地下水變化特征、人類工程活動、臨空特征9個評價指標作為輸入值，穩定性系數（自然工況）和穩定性系數（暴雨工況）2項數據作為預測值。

1.2  原始數據樣本

提取到的部分原始數據（表 1）。

表 1 滑坡穩定性評價模型原始數據樣本

1.3  樣本數據處理

連續型數據的歸一化處理。模型的輸入數據類別中的坡度、滑面傾角、年均降雨量等連續型數據，在物理含義、量綱及取值范圍上各不相同，從數據的數值上看區間跨度和差異性較大。為了能讓模型獲得最佳的預測結果，對這三類連續型數據分別進行了歸一化處理。

常規的歸一化處理是將原始數據映射到[0，1]或者[-1，1]之間。結合地質災害分析中的專家經驗，采用公式將其轉換為[0.1，0.9]之間的浮點數[5-7]。

類別型數據的離散化處理。模型的輸入數據類別中的滑面特征、滑床巖性、地表變形、地下水變化特征、人類工程活動、臨空特征、穩定性這7項是類別型數據。本文將這些數據轉換為用數字表示的離散化數據。

結合研究問題的實際需求以及地質災害分析中的專家經驗，采用分段映射的方式來完成類別型數據的離散化處理（表 2）。

表 2 類別型數據的離散化處理分段映射表

經過分析和處理后的數據格式如表 3所示。

表 3 經過分析和處理后的數據格式

2  人工神經網絡模型的構建

2.1  人工神經網絡模型的選取

滑坡穩定性AI模型的目的是期望根據現有的數據建立起滑坡特征參數，比如坡度、滑面傾角等評價指標與滑坡穩定性系數之間的關聯，從而能夠通過特征參數來分析預測滑坡的穩定性系數[8]。滑坡穩定性系數是一個無量綱的連續型浮點數。從這個角度去考慮，可以把問題抽象為一個回歸問題，將滑坡穩定性AI模型構建為一個回歸模型。另一方面，滑坡穩定性系數根據數值的大小依次分為不穩定、欠穩定、基本穩定、穩定四個級別，可以把問題抽象為一個分類問題來處理，將滑坡穩定性AI模型構建為一個分類模型[9]。在理論上，回歸和分類都是機器學習的主要任務，分類模型和回歸模型本質一樣，都是要建立映射關系。

根據滑坡穩定性評價模型的實際情況，分別采用回歸方法和分類方法來進行建模，最后通過實際結果來選擇較好的模型。BP神經網絡既可以支持回歸問題的求解也可以支持分類問題的求解，因此本文選擇使用BP神經網絡進行模型的構建。在采用回歸方法進行建模時采用BP-Regressor網絡來構建模型，完成對穩定性系數的分析和預測。在采用分類方法進行建模時利用BP-Classifier網絡來構建模型，使用softmax函數作為神經網絡的最后一層，實現一個多分類的人工神經網絡，完成對穩定性類別的分析和預測。

2.2  模型調參和訓練

采用基于誤差反向傳播的多層感知神經網絡（BP神經網絡）進行模型的訓練[10]。構建一個具有兩個隱藏層，使用relu函數作為激活函數的回歸神經網絡作為基礎網絡（圖 1）。

圖 1 基礎回歸網絡

使用類別等比例切分的訓練集和驗證集對模型進行訓練和驗證，并獲得模型的評價結果。根據評價結果，使用編寫的自動優化程序，不斷調整每個隱藏層中節點個數、懲罰系數、激活函數等參數，再進行模型的訓練，最終獲得最優的模型（圖 2、圖 3）。

圖 2 超參數優化空間

圖 3 模型評價

優化后的滑坡穩定性模型具有一個輸入層、兩個隱藏層、一個輸出層。每層節點數分別為9、53、82、4，模型概化見圖 4。迭代次數676次、最小損失值0.4642，激活函數relu，輸出激活函數softmax，尋優方法adam，學習率動態自適應。

圖 4 滑坡穩定性模型的概化圖

2.3  對比分析與實例應用

選擇管道沿線典型地質災害隱患點數據對模型進行驗證。

災害點地質環境條件。根據第一節滑坡樣本庫的建立與指標選取原則對沿線典型災害點參數進行提取（表 4）。

表 4 典型地質災害點參數

調用已訓練完成的模型，導入管道沿線典型地質災害隱患點參數數據進行預測，預測結果見表 5。

表 5 典型地質災害隱患點穩定性預測結果對比

從以上三處滑坡穩定性評價模型預測結果可以看出，與傳遞系數法相比，其準確率達到83%，其中對暴雨工況下的穩定性預測結果全部與傳遞系數法得到的穩定性結果相一致。自然工況下，對EES210-3斜坡的穩定性預測結果為基本穩定，相較于傳遞系數法得到的穩定性結果偏保守，分析認為是由于輸入參數中缺少巖土體物理力學參數導致的。從驗證結果來看，滑坡穩定性評價模型可以作為目前滑坡穩定性評價的有效補充，也為管道沿線滑坡防治開拓了新的思路。

3  結論

根據滑坡穩定性評價模型預測結果可以得知，基于人工神經網絡模型對滑坡穩定性進行評估是一種快速、可行、具有較小誤差的方法。

基于人工神經網絡模型的滑坡穩定性評價模型的預測結果與傳遞系數法的結果仍然存在誤差，這說明由于滑坡系統的復雜性決定了任何一種方法都難以把滑坡的影響因素完全考慮進去。該模型首先建立在人工經驗選取的評價指標上，未來隨著對滑坡穩定性評價模型持續改進，不斷增加評價指標，有望建立一個能夠考慮到絕大多數影響因素的評價模型，來克服已有評價方法的局限性。

 

參考文獻：

[1]曾斌，項偉. 人工神經網絡在石佛寺滑坡穩定性評價中的應用[C]//中國地質學會工程地質專業委員會2007年學術年會暨“生態環境脆弱區工程地質”學術論壇論文集：科學出版社(Science Press)，2007： 390-396.

[2]周福軍.日冕水電站庫區滑坡穩定性早期智能判別及危害模糊綜合預測研究[D].吉林大學， 2013.

[3]黃光東.基于智能算法的滑坡穩定性建模與分析[D]. 中國地質大學（北京）， 2011.

[4]陳筠，郭果.基于RES理論的潛在滑坡識別[J].工程地質學報，2014，22(3)：456-463.

[5]李朋麗.基于神經網絡的滑坡穩定性分析與預測[D]. 長安大學，2011.

[6]宮清華，黃光慶.基于人工神經元網絡的滑坡穩定性預測評價[J].災害學，2009，24(3)：61-65+74.

[7]李強，李端有.基于人工神經網絡的滑坡穩定性評估研究[J].長江科學院院報，2005， (6)：19-21+25.

[8]高永利，張振文，代鳳紅，等.基于人工神經網絡的井泉滑坡穩定性[J].遼寧工程技術大學學報，2006，(S2)：82-84.

[9]畢鑫濤.基于人工智能的土石邊坡穩定性早期評價和滑坡識別[D]. 中國地質大學(北京)，2021.

[10]黃光東. 基于智能算法的滑坡穩定性建模與分析[D]. 中國地質大學（北京）, 2011.

 

（本文系作者2023年10月13日在第四屆管道自然災害防治研討會上的發言）

作者簡介：安培源，1994年生，碩士研究生，水工環地質工程師，就職于北京中地華安科技股份有限公司，主要從事油氣管道地質災害防治工作。聯系方式：18530095930，anpeiyuanwar@163.com。