基于BP神经网络的坝基岩体分类方法

1　将人工神经网络应用于工程岩体分类

坝基岩体工程地质分类是水电工程基础工作中的必要环节，其目的是根据坝基岩体质量的差异，赋予相应的物理力学参数，为大坝的设计和基础处理提供依据。

工程岩体分类由最初的单一因素向多因素方向发展，其评价方式也由定性逐步向定性与定量结合过度。岩体质量取决于岩石的物理力学性质、赋存环境、工程条件等，但由于岩体本身的随机性及模糊性，很难用显示函数或微分方程表征各因素与岩体质量的关系。对于这类不确定性问题，人工神经网络能很好地学习、记忆和归纳变量与因变量的隐含关系。

人工神经网络是人工智能技术的一种，其在岩土工程领域得到广泛应用，对于非线性问题的预测取得了良好的效果，例如，岩体力学参数反演、地下工程围岩分类、岩土体变形预测、岩爆判别等。

2　基本原理

对于坝基岩体类别，文章只考虑地质因素对其的影响，未考虑工程因素的作用，即岩体类别与各地质因素存在一定的映射关系，可用式（1）表示：

3　坝基岩体分类网络

3.1　网络结构

BP神经网络结构包括输入输出层单元数、隐含层数、隐含层单元数和隐含层、输出层神经元特性函数。

输入层单元数取决于变量个数。在水电领域，不同工程部位岩体分类方法存在一定差异，影响因素并不完全相同。根据水力发电工程地质勘察规范和水利发电工程地质手册，并结合数个工程实例，针对坝基岩体分类，考虑了岩石性质、风化程度、岩体完整性、结构面特征等因素，选取了岩石抗压强度、岩体纵波速度、体积节理密度、节理张开度、节理粗糙度、节理充填特征6个参数。人工神经网络的输入参数为定量参数，而上述的后3项指标因素皆为定性参数，需对定性参数采用评分进行半定量化评价，评分标准及定性描述见表1。

表1　定性参数及评分表

输出层单元数取决于因变量。岩体类别有5个，分别用一个5维向量对应，即5个输出单元：取值[1 0 0 0 0]对应Ⅰ类岩体；取值[0 1 0 0 0]对应Ⅱ类岩体；取值[0 0 1 0 0]对应Ⅲ类岩体；取值[0 0 0 1 0]对应Ⅳ类岩体；取值[0 0 0 0 1]对应Ⅴ类岩体。

隐含层的层数尚无统一规定，但单隐层的BP网络能逼近任何在闭区间的一个连续函数，因此，文章选择1个隐含层。隐含层单元数非常重要，文章采用试凑法，确定为13个节点。输入层与隐层间激活传递函数采用tansig，输出层的激活传递函数采用logsig对数S型传递函数。

3.2　网络训练及测试结果分析

网络的有效性建立在合理的网络结构和样本库的好坏，文章共收集到31个样本，其中前27个为学习样本，后4个为检验样本。

训练函数采用traingdx，学习函数采用learngdm，设定误差为0.000001，最大循环步数10000步。隐层单元个数从6开始，逐渐增加，观察网络性能，最后得出隐层单元数取13较合适。输入前27个学习样本，经过1382次学习，网络模型收敛，达到精度要求。

输入后4个检验样本，对网络模型进行仿真测试，测试结果见表2。从结果看，对Ⅱ、Ⅲ、Ⅳ类岩体，网络模型的辨识率较高。

表2　神经网络检验结果

由于资料的局限，文章样本库存在一定的不均衡性，未包括Ⅰ类岩体样本，且Ⅴ类岩体样本仅有一个。因此，对Ⅰ、Ⅴ类岩体的识别可能会存在相对较大的偏差。

总体而言，定性因素和定量因素相结合考虑的BP网络模型具有高度的非线性映射能力，对坝基岩体类别的辨识能力较强，特别是Ⅱ、Ⅲ、Ⅳ类岩体。

4　结语

综上所述，得出以下结论：

（1）对于岩土工程领域普遍存在的非线性、不确定性、模糊性问题，人工神经网络是一个很好的解决工具。

（2）岩土工程问题一般受多个因素影响，包括定性因素和定量因素。人工神经网络是对数值的处理，包含定性因素的地质资料容易被忽视，可对其进行定量或半定量评价，从而加以利用。

（3）一个好的网络取决于合理的网络结构和好的样本库，网络结构有较成熟的理论支撑，选择足够、全面、典型的样本就成为一大难点，同时还需考虑网络的收敛问题。另外，在岩土工程中，不同个体对同一现象的认识不同，获取的样本存在差异，也会导致网络仿真的失真。为克服主观性和片面性，可采取专家评议法进行决策。

（4）本文针对坝基岩体分类，确定6个影响因素，并对其中3个定性因素进行半定量化评价，对27个学习样本进行训练，进而建立起BP人工神经网络。由于原始资料的限制，该网络能较准确地识别Ⅱ、Ⅲ、Ⅳ类岩体，对Ⅰ、Ⅴ类岩体的识别存在一定误差。

参考文献

[1]袁曾任．人工神经元网络及其应用[M]．北京：清华大学出版社，1999.

[2]唐胜传，黄润秋．岩体质量分类[J]．西南工学院学报，2001（4）：40-43.

[3]徐建闽，王昊，王祖国，等．坝基岩体质量分级影响因素及分级标准[J]．水利水电技术，2017（10）：87-92.

[4]何翔，李守巨，刘迎曦，等．基于遗传神经网络的坝基岩体渗透系数识别[J]．岩石力学与工程学报，2004（5）：751-757.

[5]赵红亮，陈剑平．人工神经网络在澜沧江某电站坝基右岸复杂岩体分类中的应用[J]．煤田地质与勘探，2003（1）：31-33.

收稿日期：2018-09-16

作者简介：崔怀树（1983-），男，四川射洪人，中国电建集团成都勘测设计研究院有限公司工程师，研究方向：工程地质专业勘察设计。