文摘

高速公路边坡降雨引发的失败,即创建一个灾难。然而,预测高速公路污水的失败是困难的,因为非线性时间依赖和季节性的影响,这影响边坡位移。从人工神经网络(ann)自1990年代中期以来,提出一个有效的手段来判断边坡的稳定性预测边坡位移在未来基于监测数据。为了解决高速公路边坡位移预测的问题,无黏性土的位移时间序列预测模型给出了公路边坡首先,然后模块化神经网络(MNN)用于训练它。随着降雨信息的随机性,基于距离测量的隶属函数构造;之后,采用模糊歧视方法示例数据实现在线子网选择改进人工神经网络(ann)的自适应能力。实验的样本数据,北京城市的公路边坡表明这个模型在精度和适应性优于别人。

1。介绍

预测边坡位移精确地在未来成为一个非常重要的步骤来判断边坡的稳定性。高速公路边坡位移预测在未来是一个艰巨的任务,涉及大量的评估相关的变量和因素,几乎占了一个模型。影响边坡稳定性的因素可分为两种主要类型:内部因素和外部诱因。内部因素包括岩石类型、关节、财产、和结构。外部诱因包括降雨、地震、和人为因素。一般来说,斜率的失败直接导致的外部诱因,和内部因素是它的基础。同时,大多数这些因素具有明显的随机性,模糊性和可变性。因素交错在一起对边坡稳定性的影响,因此评价标准用来判断边坡的稳定性应该容易测量,可以明显改变边坡稳定性的表现。

位移变形过程的外部表达土壤和岩石的群众运动。在过去,位移被用来计算prealert,警惕,和紧急阶段大岩石的幻灯片;这种方法已被收集和分析文献数据验证历史岩石边坡失败(1]。边坡位移的预测模型包括人工神经网络(ann) [2- - - - - -7],灰色理论[8- - - - - -10),整个地区的混沌时间序列方法对边坡变形预测(11]。污水的工程特性表现出多样的和不确定的行为,为复杂和不精确的物理过程与土壤和岩石的形成(12]。所以位移作为边坡破坏的外部表情显示明显的非线性和不确定性特征。为了应对行为的复杂性和位移的空间变异性,传统形式的预测模型有理由简化。人工神经网络(ann)是指一个类的人工智能试图模仿人类大脑和神经系统的行为,仅根据数据确定模型的结构和参数。这是适合复杂的模型问题,模型变量之间的关系尚不清楚。因此,基于人工神经网络模型已成功应用于几乎所有的边坡稳定问题。然而,降雨对污水位移有重要影响(13- - - - - -15),预测位移模型基于人工神经网络的高速公路污水集中在位移时间序列变异,但忽视了它。

模块化神经网络(MNN)可以解决大规模实际问题,将问题分成更小的和更简单的子问题,分配一个网络模块学习的每个子问题,然后将各个模块结合成一个解决原来的问题。本文利用降雨信息,构造基于距离测量的隶属函数,首先,然后采用样本数据的模糊歧视方法在线子网的选择为了提高人工神经网络(ann)的自适应能力。实验与北京城市的高速公路边坡的样本数据表明该模型在精度和适应性优于别人。

2。研究位移和降水之间的关系

为了获得一个精确的预测模型基于内容、位移之间的关系的理论分析和降雨量。最常见的失效模式无黏性土公路边坡滑坡,地质条件高渗透率风化层或斜坡存款涵盖低渗透系数岩层,其中接口通常是潜在的滑动面。解析解的结果从艾弗森16)是用于描述瞬态渗流由于降雨。然后,弹塑性分析是用来分析不稳定斜坡针对摩尔-库仑屈服准则和相关联的流动法则的基础上。

图1显示无黏性土公路边坡的力图针对摩尔-库仑屈服准则基于平面应变条件。的假设如下:(我)不透水表面深度和初始地下水位用和,他们都是平行于坡面;(2)均匀各向同性滑体elastic-perfectly塑料材料,严格观察莫尔-库仑屈服及其流动法则;(3)地下水补给的来源只有降雨;在这个过程中没有考虑损失如蒸发、土壤地下水位以上完全饱和土壤。换句话说,所有滑动土壤质量有相同的重量密度(用);(iv)忽略滑动土体的初始塑性应变在下雨之前,首先,初始有效应力平行于坡面(用)正比于初始有效应力垂直于坡面(用)和计算使用 在哪里侧向土压力系数。弹性材料,可以计算泊松比(用吗)使用 另外,它假定强度降雨在整个过程中有一个常数值。解析解的基础上艾弗森,孔隙水压力随深度在时间(用可以计算) 在哪里是完全饱和土壤渗透系数,亥维赛阶跃函数,是坡角,饱和导水率,可以计算使用 函数是由 在哪里是互补的误差函数。

否则,应该满足的要求 因此,边坡安全系数(定义为)与深度在时间可以计算使用 在哪里和有效内摩擦角和土壤的有效衔接,然后呢是地下水的重量密度。

如图1、总法向应力(用)和总剪切应力(用)与深度平行于表面的斜率计算使用 孔隙水压力随深度在时间(用)可以计算使用(2。9)。 有效的正常压力平行于坡面(用)和垂直于斜坡surfaceare(用)是由 莫尔应力圆之间的关系和现场抗剪强度如图2。

变量定义 如图2(一个),(2.12)满足: 图2(一个)表明,降雨后的孔隙水压力的增加将左边的莫尔应力圆,直到它是曲线的切线的剪切强度,然后就屈服在这个网站,不等式(2.12)将成为方程。然而,由于屈服点不屈服面平行坡面底部此刻(图2 (b));主应力轴方向会改变与孔隙水压力增加,直到成为平行于坡面底部。在此期间,压力的塑性区可以使用计算 在哪里θ最大主应力的角度吗y设在,给出 针对摩尔-库仑屈服准则在平面应变条件下,可以表示为计算使用 使用的流动法则,应变增量的临界滑动面平移运动,它的价值是零,即;应力和应变增量之间的关系一样 在这 在哪里剪切模量,是蹩脚的常数,计算通过使用吗 为,,污水的位移可以通过计算 边坡角,不透水表面的深度,深度初始地下水位、地下水的重量密度,滑动土体重量密度,侧向土压力系数,有效内摩擦角,饱和导水率,和剪切模量,,,kN / m³,kN / m³,,,米²/秒,。同时,渗透系数表示为10⁻⁴m / s的上限小雨,中雨、大雨、暴雨倾盆,严重的暴雨,0.025,0.05,0.1和0.3,分别。

图3显示了降雨量的影响边坡位移和边坡安全系数(不同降雨强度下的)。有一个近似位移值和之间的一一对应各种等级的降水;与位移增加,发现明显减少,降雨的影响之间的关系和位移变得轻微(图3(一个))。它需要大约124小时,53小时,26个小时,14个小时,5小时小雨、中雨、大雨、暴雨倾盆和严重的暴雨使污水的10毫米位移(图3 (b));所以降雨对位移的影响巨大价值。

在计算模型的一些参数,如物理力学参数(有效内摩擦角和土壤的有效衔接)是不确定的,他们是密切相关的测试方法,土壤标本,换算系数,等等。所以很难预测高速公路边坡的位移。因为位移近似一一对应,可以使用位移预测高速公路污水的失败。污水排水和降水有重要影响;预测未来无黏性土公路边坡的位移监测数据基于人工神经网络(ann)应该考虑降雨。

3所示。使用模块化神经网络的研究方法

最功能网络是基于自组织结构,类似于哺乳动物的大脑的生物神经系统,人工神经网络给出一个有效的方法来解决问题,不能完全解决了统计方法的理论的局限性。因此,位移预测模型基于ann忽略降雨的影响,以及可能的值,,说服力不强。

内容使用分治技术,一个问题被划分为一组子问题根据固有类训练数据之间的关系,然后给出了一个网络模块学习的每个子问题,单独的模块重新组合成原始问题的解。之前学习位移监测数据样本集的边坡位移监测数据应正确分类基于降雨等级,之后构建子网的子样品数据可以精确的训练,最后再结合子网输出到一个。总给出的多神经网络的输出 在哪里网络的输出,的输出是什么我th子网(用),是归一化输出向量元素的子网,然后呢是本地网络的数量。

图4显示了预测系统的网络体系结构,它由三层输入层、隐藏层和输出层,它们是完全连接形成一个层次网络。子网构成网络,开关的状态是由降雨,是本地网络和交换机的数量。边坡位移监测数据的样本集被定义为,是降雨的样本集,是数据的数量。和有一个近似的一一对应。

建立了位移时间预测模型(3所示。2),它允许预测th边坡位移的未来: 在哪里是延迟时间的步骤。

首先,构建特征向量的降雨先生,所以LR是小雨,中雨,人力资源是大雨,老TR是可怕的暴雨,是严重的暴雨。考虑降雨等级的模糊分类;样本集的位移监测数据根据计算特征向量进行分类使用 在哪里样本集的分类数量,,是聚类中心,是样本模糊子集的隶属矩阵。在(3所示。3),和(17]。一些数据可能同时属于样本子集和。之后,反向传播算法训练控制和本地网络与样本子集,并设置误差下界和最大迭代数是20005]。最终结果可以计算的内容(3所示。1)。

新的测试数据的距离测量和是选为标准来决定哪些属于本地网络,计算使用(3所示。4)和(3所示。5): 在这, 在哪里的相对距离测量吗和,的平均距离测量吗我th样本子集数据的数量吗我样本子集。位移监测数据只有本地网络训练的吗是最小的一个基于传统的内容使边界样本的计算精度较低。为了解决这个问题,选择多个本地网络培训与模糊决策,以显著提高的内容模型的准确性。首先,相对距离测量在所有本地网络标准化可以计算使用 在(3所示。6),和。

定义模糊集的相对距离测量一个={很小(用)、小(用),中等(用),大()}的值反映之间的距离测量和。如果,那么本地网络应该用于火车的距离和是短暂的。如果,那么本地网络不能用于火车的距离和长。

本地网络选择的计算包括以下步骤。

步骤1。计算在每一个新的测试数据及其相应的本地网络使用(3所示。4),(3所示。5)和(3所示。6)。

步骤2。隶属度计算每一个模糊子集一个的隶属度曲线如图5所示。

步骤3。做出选择的模糊子集属于模糊隶属度最高的命令,和本地网络属于同一组选择集成为1。如果本地网络真的存在,那么它应该被用来训练数据,否则,选择本地网络中,直到选择本地网络中。

由于高斯分布的对称性,中心隶属度值降低50%,每次采用高斯函数模糊隶属度函数。中心模糊子集的隶属度是0.25 /P,0.5 /P1 /P2 /P和隶属度的值是1或。为,所有不能满足在同一时间;与此同时,相对应的本地网络不会是空集,对应的本地网络不应该选择选择本地网络的序列是来自哪里在步骤13。

重量是由选择的本地网络 在哪里是选择本地网络的重量,是距离测量的我th本地网络是本地网络的数量已经选中。

4所示。仿真结果

因此,为了说明模型的有效性有效性,北京市高速公路的斜坡被选为测试。地质调查的崩溃在这个研究领域是基于现场调查和评估远程调查图片;斜率的位置和简短的地质描述如图所示6。

时间序列分析是用于设置位移时间多神经网络预测模型的模型和ANN模型(18]。然后无黏性土公路边坡位移预测在未来基于相同的示例数据。

设置模型参数分类的样本集的多层前馈神经网络的隐节点,用于训练本地网络是4,和延迟时间的步骤与自相关计算方法是6 (19]。

图7显示了该组织的相对误差的位移监测数据在同一降雨等级,即忽略降雨的影响通过选择位移监测数据在一个降雨等级。和各自的误差几乎一样,因为这两个方法使用反向传播算法训练。

位移数据记录无黏性土的国家高速公路边坡从5月22日至10月31日,2011年。由于降雨系列为斜率的失败是必要的,气象台建于斜率。图8显示了等级的雨量分布在降水车站地图在整个观测期间公路建设的区域。

图9基于两种方法显示三条曲线的预测数据和实际数据在整个观测期间。预测数据考虑降雨的影响。

图10显示他们的相对误差曲线的位移预测数据。

注意,在图9和10多神经网络,提供了一个高度满意的方法来预测边坡位移,这是比ANN模型。内容模型有一个温和的相对误差,但是ANN模型显示更大的波动尤其是在强烈的降雨。

均方误差的值,这些模型的平均相对误差在不同条件下只是如表所示1。

根据上述分析,我们可以得到的结果(1)无论选择人工神经网络算法和两种模型准确预测边坡位移的数据。(2)在考虑降雨的影响,内容模型的拟合情况比ANN模型,多神经网络的均方误差模型是只有7.73%的ANN模型和内容模型的平均相对误差是27.65%的ANN模型。(3)在考虑降雨的影响,两种模型的错误是大幅减少,和内容模型执行比ANN模型。

5。结论

位移监测数据的高速公路污水多神经网络分类的基础上,与相同的性格,相同类型的数据符合所需的监测。此外,该方法减少了模块化神经网络的复杂性和其泛化能力会明显增强。

当考虑降雨的影响,内容模型的精度远高于ANN模型。内容模型具有良好的适用性的自学能力和数据驱动能力比ANN模型,它可以提高模型的适用性通过再培训网络定期与新数据。

确认

这项研究受到了中国的“十一五”国家科技支撑项目(没有。2009 bag13a02)和科技项目的年检(没有。2012364223300)。