安培源

北京中地华安科技股份有限公司

 

摘要：以西南某管道四川、重庆、湖北段为研究区，以历年管道沿线滑坡灾害点为数据样本，选择坡度、滑面倾角、年均降雨量、滑面特征、滑床岩性、地表变形、地下水变化特征、人类工程活动、临空特征9个因素作为评价指标，利用基于误差反向传播神经网络对研究区滑坡稳定性评价进行建模。结果表明，相较于传递系数法，基于神经网络的滑坡稳定性评价模型虽然评价结果相对保守，但仍然可以满足管道风险管控需要。

关键词：误差反向传播；神经网络；滑坡稳定性评价；管道风险管控

 

西南某管道起始于川东北地区，末站为上海市，自西向东途经四川、重庆、湖北、安徽等省市。管道沿线地质环境条件复杂，其中川东、渝中、鄂西等地区尤为突出，这些地区地形地貌多样、地质构造复杂、岩性岩相变化大、人类工程活动强烈，导致地质灾害异常发育。准确、快速评估灾害体的稳定性对管道安全风险管控具有重要意义。

滑坡稳定性是一个受多因素、多参数控制且具有一定偶发性，受高度复杂地质作用控制的工程地质问题，是工程地质工作者长期研究的焦点。早期的工程地质评价方法以定性描述和分析为主，主要依赖于专家个人经验，具有一定的局限性[1]。通过综合分析滑坡地质环境特征、地质灾害体特征、诱发因素等，找到各因素间的内在联系以及与滑坡稳定性的关系，为准确评价滑坡的稳定性奠定基础。本文尝试建立基于误差反向传播神经网络的滑坡稳定性评价模型，利用计算机强大的运算能力，在前人累积的工作成果基础上，探寻地质灾害规律，有利于地质灾害防治和管道安全运行。

1  滑坡样本库的建立及指标选取

滑坡类型多样，影响因素众多，是一个复杂的工程问题，难以进行工程定量计算。此外，各个工程所获指标不统一，部分指标为定量，部分指标为定性，这使得应用神经网络进行滑坡分析与预测时，面临首个难题是滑坡数据的提取与样本库的建立。

1.1  指标的选取

滑坡产生的根本原因在于边坡岩土体的性质、坡体介质内部的结构构造和边坡体的空间形态。滑坡的形成与地层岩性、地质构造、地形地貌等这些内部条件密切相关。水的作用、地震、大型爆破和其他人为因素是滑坡的催生剂，是产生滑坡的外因[2]。通常情况下，分析滑坡的形成需要考虑自然地理及地质环境条件，包括以下几大类：气象、水文、地形地貌、地层岩性、地质构造、地震、水文地质条件和人类工程活动。根据相关文献[3-4]，并结合管道沿线滑坡调查成果资料，最终确定将坡度、滑面倾角、年均降雨量、滑面特征、滑床岩性、地表变形、地下水变化特征、人类工程活动、临空特征9个评价指标作为输入值，稳定性系数（自然工况）和稳定性系数（暴雨工况）2项数据作为预测值。

1.2  原始数据样本

提取到的部分原始数据（表 1）。

表 1 滑坡稳定性评价模型原始数据样本

1.3  样本数据处理

连续型数据的归一化处理。模型的输入数据类别中的坡度、滑面倾角、年均降雨量等连续型数据，在物理含义、量纲及取值范围上各不相同，从数据的数值上看区间跨度和差异性较大。为了能让模型获得最佳的预测结果，对这三类连续型数据分别进行了归一化处理。

常规的归一化处理是将原始数据映射到[0，1]或者[-1，1]之间。结合地质灾害分析中的专家经验，采用公式将其转换为[0.1，0.9]之间的浮点数[5-7]。

类别型数据的离散化处理。模型的输入数据类别中的滑面特征、滑床岩性、地表变形、地下水变化特征、人类工程活动、临空特征、稳定性这7项是类别型数据。本文将这些数据转换为用数字表示的离散化数据。

结合研究问题的实际需求以及地质灾害分析中的专家经验，采用分段映射的方式来完成类别型数据的离散化处理（表 2）。

表 2 类别型数据的离散化处理分段映射表

经过分析和处理后的数据格式如表 3所示。

表 3 经过分析和处理后的数据格式

2  人工神经网络模型的构建

2.1  人工神经网络模型的选取

滑坡稳定性AI模型的目的是期望根据现有的数据建立起滑坡特征参数，比如坡度、滑面倾角等评价指标与滑坡稳定性系数之间的关联，从而能够通过特征参数来分析预测滑坡的稳定性系数[8]。滑坡稳定性系数是一个无量纲的连续型浮点数。从这个角度去考虑，可以把问题抽象为一个回归问题，将滑坡稳定性AI模型构建为一个回归模型。另一方面，滑坡稳定性系数根据数值的大小依次分为不稳定、欠稳定、基本稳定、稳定四个级别，可以把问题抽象为一个分类问题来处理，将滑坡稳定性AI模型构建为一个分类模型[9]。在理论上，回归和分类都是机器学习的主要任务，分类模型和回归模型本质一样，都是要建立映射关系。

根据滑坡稳定性评价模型的实际情况，分别采用回归方法和分类方法来进行建模，最后通过实际结果来选择较好的模型。BP神经网络既可以支持回归问题的求解也可以支持分类问题的求解，因此本文选择使用BP神经网络进行模型的构建。在采用回归方法进行建模时采用BP-Regressor网络来构建模型，完成对稳定性系数的分析和预测。在采用分类方法进行建模时利用BP-Classifier网络来构建模型，使用softmax函数作为神经网络的最后一层，实现一个多分类的人工神经网络，完成对稳定性类别的分析和预测。

2.2  模型调参和训练

采用基于误差反向传播的多层感知神经网络（BP神经网络）进行模型的训练[10]。构建一个具有两个隐藏层，使用relu函数作为激活函数的回归神经网络作为基础网络（图 1）。

图 1 基础回归网络

使用类别等比例切分的训练集和验证集对模型进行训练和验证，并获得模型的评价结果。根据评价结果，使用编写的自动优化程序，不断调整每个隐藏层中节点个数、惩罚系数、激活函数等参数，再进行模型的训练，最终获得最优的模型（图 2、图 3）。

图 2 超参数优化空间

图 3 模型评价

优化后的滑坡稳定性模型具有一个输入层、两个隐藏层、一个输出层。每层节点数分别为9、53、82、4，模型概化见图 4。迭代次数676次、最小损失值0.4642，激活函数relu，输出激活函数softmax，寻优方法adam，学习率动态自适应。

图 4 滑坡稳定性模型的概化图

2.3  对比分析与实例应用

选择管道沿线典型地质灾害隐患点数据对模型进行验证。

灾害点地质环境条件。根据第一节滑坡样本库的建立与指标选取原则对沿线典型灾害点参数进行提取（表 4）。

表 4 典型地质灾害点参数

调用已训练完成的模型，导入管道沿线典型地质灾害隐患点参数数据进行预测，预测结果见表 5。

表 5 典型地质灾害隐患点稳定性预测结果对比

从以上三处滑坡稳定性评价模型预测结果可以看出，与传递系数法相比，其准确率达到83%，其中对暴雨工况下的稳定性预测结果全部与传递系数法得到的稳定性结果相一致。自然工况下，对EES210-3斜坡的稳定性预测结果为基本稳定，相较于传递系数法得到的稳定性结果偏保守，分析认为是由于输入参数中缺少岩土体物理力学参数导致的。从验证结果来看，滑坡稳定性评价模型可以作为目前滑坡稳定性评价的有效补充，也为管道沿线滑坡防治开拓了新的思路。

3  结论

根据滑坡稳定性评价模型预测结果可以得知，基于人工神经网络模型对滑坡稳定性进行评估是一种快速、可行、具有较小误差的方法。

基于人工神经网络模型的滑坡稳定性评价模型的预测结果与传递系数法的结果仍然存在误差，这说明由于滑坡系统的复杂性决定了任何一种方法都难以把滑坡的影响因素完全考虑进去。该模型首先建立在人工经验选取的评价指标上，未来随着对滑坡稳定性评价模型持续改进，不断增加评价指标，有望建立一个能够考虑到绝大多数影响因素的评价模型，来克服已有评价方法的局限性。

 

参考文献：

[1]曾斌，项伟. 人工神经网络在石佛寺滑坡稳定性评价中的应用[C]//中国地质学会工程地质专业委员会2007年学术年会暨“生态环境脆弱区工程地质”学术论坛论文集：科学出版社(Science Press)，2007： 390-396.

[2]周福军.日冕水电站库区滑坡稳定性早期智能判别及危害模糊综合预测研究[D].吉林大学， 2013.

[3]黄光东.基于智能算法的滑坡稳定性建模与分析[D]. 中国地质大学（北京）， 2011.

[4]陈筠，郭果.基于RES理论的潜在滑坡识别[J].工程地质学报，2014，22(3)：456-463.

[5]李朋丽.基于神经网络的滑坡稳定性分析与预测[D]. 长安大学，2011.

[6]宫清华，黄光庆.基于人工神经元网络的滑坡稳定性预测评价[J].灾害学，2009，24(3)：61-65+74.

[7]李强，李端有.基于人工神经网络的滑坡稳定性评估研究[J].长江科学院院报，2005， (6)：19-21+25.

[8]高永利，张振文，代凤红，等.基于人工神经网络的井泉滑坡稳定性[J].辽宁工程技术大学学报，2006，(S2)：82-84.

[9]毕鑫涛.基于人工智能的土石边坡稳定性早期评价和滑坡识别[D]. 中国地质大学(北京)，2021.

[10]黄光东. 基于智能算法的滑坡稳定性建模与分析[D]. 中国地质大学（北京）, 2011.

 

（本文系作者2023年10月13日在第四届管道自然灾害防治研讨会上的发言）

作者简介：安培源，1994年生，硕士研究生，水工环地质工程师，就职于北京中地华安科技股份有限公司，主要从事油气管道地质灾害防治工作。联系方式：18530095930，anpeiyuanwar@163.com。