论文部分内容阅读
随着我国现代化建设事业的不断推进，在工程建设领域出现了越来越多的高陡边坡，而这些边坡的稳定性，关系到整个工程建设的成败，对工程的可行性、安全性起着重要的制约作用，并在很大程度上影响工程建设的经济效益。所以，边坡稳定性问题日益突出，进行有关边坡稳定性研究具有重大的现实意义。
不同的分析方法从不同的角度对边坡的稳定性及相关问题进行了研究。目前应用最广泛的边坡稳定性分析方法主要是极限平衡法和数值分析方法。但是无论是侧重于理论分析的极限平衡法，还是侧重于数值计算的数值分析法，其分析和预报结果都具有“理论上很完善，但是难以符合工程实际”的弊病。这是因为边坡岩土体力学性质的复杂性，传统的采用弹、粘、塑等模型来描述岩土体的本构模型只是在一定条件下的简化和近似；同时，由于边坡破坏机理的复杂性，采用力学、数学模型也很难准确地描述其破坏过程。现在，人们不仅仅把边坡研究当作单纯的岩土工程问题，而且认定它是一个综合的系统工程。解决日益重要的边坡稳定性问题，需要多学科、多方法的参与和渗透。
大量工程经验表明，影响边坡稳定性的因素主要有：边坡岩土体的物理力学性质，边坡的几何形态、地下水、外部载荷等。这些影响因素具有非线性特征，而BP神经网络的神经元映射特征也是非线性的，能完成复杂的非线性映射，具有很强的非线性处理能力。它无需知道数据的分布形式和变量之间的关系，即可实现高度非线性映射。利用其强大的学习、存储和计算能力及容错特性，可以从实例样本中提取特征，获得知识，并可使用不完备的或模糊随机的信息进行不确定性推理。
本文将边坡稳定性主要影响因素具体到边坡岩土体的重度、粘聚力以及内摩擦角，边坡的坡角、高度，孔隙水压比这六个物理力学参数。利用BP神经网络的非线性映射特征，通过对大量边坡样本的自我学习，可以建立这六个参数与边坡稳定性系数之间的映射关系，当有新的工程实例输入时，网络将利用其非线性映射能力，给出对稳定性系数的推断结果。
但BP神经网络存在收敛速度较慢，网络极易陷入局部极值点的弱点。另外神经网络的初始权值、阈值以及网络结构的选择缺乏依据，具有很大的随机性，很难选取出具有全局性的初始点，因而求得全局最优的可能性较小，这些都影响了BP神经网络的泛化能力。
鉴于BP神经网络的以上缺点，本文对标准BP算法进行了改进，并提出了用遗传算法优化神经网络的GA-BP算法。遗传算法以不依赖求解问题本身的方式，能够对复杂，非线性和多维空间实现快速有效的搜索，其主要优越性表现在具有全局优化能力和隐含并行性方面。可以先利用遗传算法优化确定BP神经网络的初始权阈值，确定一个较好的搜索空间，代替标准BP算法初始权阈值的随机选取，然后在这个解空间里对网络进行训练、学习至收敛，搜索出最优解或者近似最优解。这样既实现了两者的优势互补，发挥了神经网络的广泛映射能力和遗传算法的全局搜索能力，也加快了网络的学习速度，综合提高了整个学习过程中的逼近能力和泛化能力。据此，针对圆弧破坏边坡，本文建立了一个基于GA-BP技术的边坡稳定性预测模型，经过仿真计算证实，无论在计算精度上还是收敛速度上，此模型都较原始的BP神经网络有了较大的提高。最后，本文将GA-BP模型应用于三峡库区某高切坡的稳定性分析，经过与目前最常用的极限平衡法的计算结果进行对比发现，GA-BP模型用于边坡稳定性评价有一定指导作用，将其应用于实践还需要进一步的完善。