水利工程邊坡穩(wěn)定性中RNN的研究

前言：想要寫(xiě)出一篇引人入勝的文章？我們特意為您整理了水利工程邊坡穩(wěn)定性中RNN的研究范文，希望能給你帶來(lái)靈感和參考，敬請(qǐng)閱讀。

摘要：利用循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）構(gòu)建了邊坡穩(wěn)定性預(yù)測(cè)模型，并以實(shí)際工程數(shù)據(jù)為例通過(guò)模型進(jìn)行預(yù)測(cè)。本文提出模型具有較好的預(yù)測(cè)效果，能夠滿足工程需要。

關(guān)鍵詞：循環(huán)神經(jīng)網(wǎng)絡(luò)；邊坡；穩(wěn)定性

水利工程施工過(guò)程中必然需要對(duì)山體進(jìn)行開(kāi)挖，坡體穩(wěn)定性是工程建設(shè)可行性和施工管理的關(guān)鍵。邊坡穩(wěn)定性分析對(duì)于勘查、設(shè)計(jì)和施工而言相當(dāng)重要[1]。近年來(lái)，由于計(jì)算機(jī)的高速發(fā)展，水利工程邊坡穩(wěn)定性研究成為當(dāng)下研究的熱點(diǎn)。支持向量機(jī)、隨機(jī)森林、極限學(xué)習(xí)機(jī)等機(jī)器學(xué)習(xí)方法被廣泛應(yīng)用于邊坡穩(wěn)定性研究[2]。對(duì)于工程設(shè)計(jì)、施工和管理者而言，利用循環(huán)神經(jīng)網(wǎng)絡(luò)算法能夠較好地對(duì)邊坡穩(wěn)定性進(jìn)行計(jì)算分析，搭建用于水利工程邊坡穩(wěn)定性分析的模型，可以準(zhǔn)確地獲得所需的分析結(jié)果。

1工程概況

該工程壩址位于河口上游650m處，工程邊坡位于壩址左岸，山體三面臨空，山頂俯視成圓形，山脊地形相對(duì)平緩，分布著殘積塊碎石土，結(jié)構(gòu)相對(duì)松散。山體自然坡度一般為40°～52°，總體是河谷一側(cè)相對(duì)較陡?；麦w位于壩上50m處，俯視呈現(xiàn)不規(guī)則的“長(zhǎng)方形”。該滑坡坡度達(dá)35°，上部緩，下部陡，坡面明顯有三級(jí)緩坡臺(tái)面，其中高程達(dá)2610m一帶有小范圍裸露基巖?；潞缶売小比σ巍睜铄e(cuò)坎，坎高達(dá)10m，上下游側(cè)以小沖溝為界，堆積體長(zhǎng)約320m寬140m，滑坡體平均厚度約11.5m，向偏西方向滑動(dòng)，估算滑坡堆積體方量約41×104m3。

2循環(huán)神經(jīng)網(wǎng)絡(luò)原理

循環(huán)神經(jīng)網(wǎng)絡(luò)通過(guò)模擬人腦對(duì)數(shù)據(jù)進(jìn)行處理，通過(guò)各層的連接傳送信號(hào)以達(dá)到解決非線性問(wèn)題的目的。包括輸入、輸出層和中間隱層[3]。隱層是循環(huán)神經(jīng)網(wǎng)絡(luò)的核心，隱層數(shù)量直接決定著網(wǎng)絡(luò)的效果。圖1為循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。設(shè)輸出層的輸入為N1，隱層輸入為h，激活函數(shù)為σ，則有：模型具體建立過(guò)程如下:(1)初始化連接權(quán)和偏置；(2)選取實(shí)際工程數(shù)據(jù)作為樣本集；(3)為輸入節(jié)點(diǎn)設(shè)置合適的參數(shù)；(4)為輸出節(jié)點(diǎn)設(shè)置適當(dāng)?shù)臉?biāo)準(zhǔn)；(5)計(jì)算隱層節(jié)點(diǎn)參數(shù)；(6)訓(xùn)練次數(shù)達(dá)到設(shè)定值或誤差符合要求時(shí)，訓(xùn)練結(jié)束。

3實(shí)驗(yàn)

本文以某水利工程為例，選取600組數(shù)據(jù)用于循環(huán)神經(jīng)網(wǎng)絡(luò)訓(xùn)練，100組數(shù)據(jù)用于驗(yàn)證。對(duì)比了循環(huán)神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值和真實(shí)值的關(guān)系，如圖2所示。圖2的預(yù)測(cè)結(jié)果說(shuō)明循環(huán)神經(jīng)網(wǎng)絡(luò)具有較好的擬合效果和預(yù)測(cè)結(jié)果，能夠較為準(zhǔn)確地預(yù)測(cè)出邊坡穩(wěn)定系數(shù)。均方誤差和平均絕對(duì)誤差作為算法性能的重要評(píng)價(jià)指標(biāo)，可以通過(guò)式（6）-式（8）得到。本節(jié)通過(guò)均方誤差MSE和平均絕對(duì)誤差MAE將循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型(rnn)分別和線性回歸模型（LR）、灰度模型（GM(1,1)）進(jìn)行對(duì)比，結(jié)果見(jiàn)表1。表1表明，循環(huán)神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)誤差在允許范圍之內(nèi)，可以被接受。且與其它模型相比，該模型的均方誤差和平均絕對(duì)誤差均為最小。這也說(shuō)明將循環(huán)神經(jīng)網(wǎng)絡(luò)用于邊坡穩(wěn)定新分析是可行的。

4結(jié)論

本文將循環(huán)神經(jīng)網(wǎng)絡(luò)用于實(shí)際水利工程中邊坡穩(wěn)定性分析，實(shí)驗(yàn)結(jié)果表明該方法具有的較好預(yù)測(cè)效果，具有一定的可行性。但還需更大規(guī)模的數(shù)據(jù)對(duì)該方法進(jìn)行進(jìn)一步的驗(yàn)證以確保其可靠性。

參考文獻(xiàn)

[1]趙永清.飽和砂性土邊坡穩(wěn)定性研究[J].山西建筑,2020,46(5):46-48.

[2]曹寧.苦咸水反滲透淡化技術(shù)的研究[J].硅酸鹽通報(bào),2017,36(4):1241-1244.

[3]黃婕.基于RNN-CNN集成深度學(xué)習(xí)模型的PM_(2.5)小時(shí)濃(7)度預(yù)測(cè)研究[D].杭州：浙江大學(xué),2018.

作者：彭睿哲 單位：中國(guó)電建集團(tuán)西北勘測(cè)設(shè)計(jì)研究院有限公司