水利工程邊坡穩定性中RNN的研究

前言：想要寫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定性中RNN的研究范文，希望能給你帶來靈感和參考，敬請閱讀。

摘要：利用循環神經網絡（RNN）構建了邊坡穩定性預測模型，并以實際工程數據為例通過模型進行預測。本文提出模型具有較好的預測效果，能夠滿足工程需要。

關鍵詞：循環神經網絡；邊坡；穩定性

水利工程施工過程中必然需要對山體進行開挖，坡體穩定性是工程建設可行性和施工管理的關鍵。邊坡穩定性分析對于勘查、設計和施工而言相當重要[1]。近年來，由于計算機的高速發展，水利工程邊坡穩定性研究成為當下研究的熱點。支持向量機、隨機森林、極限學習機等機器學習方法被廣泛應用于邊坡穩定性研究[2]。對于工程設計、施工和管理者而言，利用循環神經網絡算法能夠較好地對邊坡穩定性進行計算分析，搭建用于水利工程邊坡穩定性分析的模型，可以準確地獲得所需的分析結果。

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，山脊地形相對平緩，分布著殘積塊碎石土，結構相對松散。山體自然坡度一般為40°～52°，總體是河谷一側相對較陡。滑坡體位于壩上50m處，俯視呈現不規則的“長方形”。該滑坡坡度達35°，上部緩，下部陡，坡面明顯有三級緩坡臺面，其中高程達2610m一帶有小范圍裸露基巖。滑坡后緣有”圈椅”狀錯坎，坎高達10m，上下游側以小沖溝為界，堆積體長約320m寬140m，滑坡體平均厚度約11.5m，向偏西方向滑動，估算滑坡堆積體方量約41×104m3。

2循環神經網絡原理

循環神經網絡通過模擬人腦對數據進行處理，通過各層的連接傳送信號以達到解決非線性問題的目的。包括輸入、輸出層和中間隱層[3]。隱層是循環神經網絡的核心，隱層數量直接決定著網絡的效果。圖1為循環神經網絡結構圖。設輸出層的輸入為N1，隱層輸入為h，激活函數為σ，則有：模型具體建立過程如下:(1)初始化連接權和偏置；(2)選取實際工程數據作為樣本集；(3)為輸入節點設置合適的參數；(4)為輸出節點設置適當的標準；(5)計算隱層節點參數；(6)訓練次數達到設定值或誤差符合要求時，訓練結束。

3實驗

本文以某水利工程為例，選取600組數據用于循環神經網絡訓練，100組數據用于驗證。對比了循環神經網絡的預測值和真實值的關系，如圖2所示。圖2的預測結果說明循環神經網絡具有較好的擬合效果和預測結果，能夠較為準確地預測出邊坡穩定系數。均方誤差和平均絕對誤差作為算法性能的重要評價指標，可以通過式（6）-式（8）得到。本節通過均方誤差MSE和平均絕對誤差MAE將循環神經網絡預測模型(rnn)分別和線性回歸模型（LR）、灰度模型（GM(1,1)）進行對比，結果見表1。表1表明，循環神經網絡的預測誤差在允許范圍之內，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誤差均為最小。這也說明將循環神經網絡用于邊坡穩定新分析是可行的。

4結論

本文將循環神經網絡用于實際水利工程中邊坡穩定性分析，實驗結果表明該方法具有的較好預測效果，具有一定的可行性。但還需更大規模的數據對該方法進行進一步的驗證以確保其可靠性。

參考文獻

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

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

[3]黃婕.基于RNN-CNN集成深度學習模型的PM_(2.5)小時濃(7)度預測研究[D].杭州：浙江大學,2018.

作者：彭睿哲 單位：中國電建集團西北勘測設計研究院有限公司