ANN驱动边坡稳定评价T-S型模糊推理系统.doc

ANN驱动边坡稳定评价T-S型模糊推理系统第24卷第l9期2005年l0月岩石力学与工程ChineseJournalofRockMechanicsandEngineeringVl01.24No.190Ct.2005基于HGA.ANN驱动边坡稳定评价T-S型模糊推理系统陈昌富,杨宇(湖南大学岩土工程研究所,湖南长沙410082)摘要:边坡工程的分析评价会因人脑在思维判断上存在的模糊性,而导致整个分析和设计过程带有一定的模糊不确定性.因此,边坡工程实际上是一个动态的,模糊的,开放的复杂非线性系统,传统的分析方法有时难以对复杂边坡的稳定性做出符合实际的评价.模糊方法和人工神经网络(ANN)都已分别用于边坡稳定性评价中,此2种方法具有很多优点,但也存在各自的局限性.采用人工神经网络(ANN)模型构建T-S型模糊推理系统,利用混合遗传算法(HGA)i)I练ANN模型,得到了基于混合遗传算法人工神经网络驱动的T-S型模糊推理系统模型,探讨了该模型在边坡稳定性评价中的应用.根据广泛收集的80个边坡实例,建立了一个由HGA.ANN驱动的评价边坡稳定性的T-S型模糊推理系统模型.对实际边坡预测结果表明,该模型的预测精度明显高于目前同类方法.关t词:边坡工程;边坡稳定性;神经网络;遗传算法;T-S模糊推理系统中圈分类号:P642.2文献标识码:A文章编号:10006915(2005)19345905FUZZYREASoNINGSYSTEMDRIVENBYHGA.ANNFoRESTIMATIoNoFSLoPESTABILITYCHENChangfu,YANGYu(InstituteofGeotechnicalEngineering,HunanUniversity,Changsha410082,China)Abstract:Fuzzinessexistsinthinkingandiudgmentofhumanbrainsduringtheproceduresofanalysisanddesignofslopeengineering,whichwillbringfussyindefinitenesstosomeextenttothewholecoursesoftheanalysisanddesign.Thusslopeengineering,infact,isadynamic,fuzzy,openandcomplicatednonlinearsystem,whichmakesitdifficulttoevaluatecomplicatedslopesconformingtorealitybythetraditionalanalysismethod.Artificialneuralnetworks(ANN)andfuzzyreasoningmethod,whichhavebeenappliedtotheevaluationofslopestabilityrespectively,haveshortcomingsoftheirownsothatANNwereusedtoconstituteT-SSfuzzyreasoningsystemandtheANNSweretrainedbyhybridgeneticalgorithms(HGA).AnewfuzzyreasoningsystemdrivenbvHGA.basedANN,whichwasusedforestimationofslopestability,wasconstructed.Basedonthe80slopecasesmatarecollectedfromtheworldwidepracticalslopes,anewestimationmethodforslopestabilityisbuiltup.TheproposedHGA?ANNdrivenfuzzyreasoningsystemiSactuallyaweightedcombinationmode1.ComparedwiththemaximumlikelihoodmethodandBPneuralnetwork,thepresentedmodelhashigherpredictingaccuracy.Keywords:slopeengineering;slopestability;artificialneuralnetwork;geneticalgorithms;T-Sfuzzyreasoningsystem1引言影响边坡稳定性的因素如岩土材料性质,地质条件,大气环境等都处在不断运动和变化中,它们是时间和空间的复杂函数,且其函数形式大多无法确定.边坡工程的分析评价,无论是从影响因素的择取,岩土参数的量测,边坡破坏机理及破坏模式收藕日期:20050625;修回日期:20050725金项目:湖南省科技攻关项目(02GKY3024)作者膏介:陈昌(1963一),男,博士,1985年毕业于中南工业大学地质工程专业,现任湖南大学教授,博士生导师,主要从事边坡与基坑工程,地基处理,智能方法在岩土工程中的应用方面的教学与研究工作.E.mml:.岩石力学与工程2005年的确定,还是到边坡稳定性的最终评判,都会因人脑在思维判断上存在的模糊性,而使边坡的整个分析和设计过程带有一定的模糊不确定性,如说某边坡是稳定的就是一个带有模糊性的概念.因此,边坡工程实际上是一个动态的,模糊的,开放的复杂非线性系统,传统的分析方法有时难以对复杂边坡的稳定性做出符合实际的评价.为此,文【l5建立了边坡稳定性评价人工神经网络(ANN)模型;而文【69则建立了基于模糊理论的边坡稳定性分析方法.模糊方法和ANN模型虽都具有很多优点,但也存在各自的局限性,如模糊方法中的隶属函数较难确定,而ANN模型不能处理具有模糊性的问题.因此,本文将T-S型模糊推理系J用于边坡稳定评价中,其推理系统由ANN模型构建,避免了隶属函数难以确定的问题,而ANN则采用具有全局收敛性且稳定性好的混合遗传算法(HGA)ulJ训练得到,此混合遗传算法是将复合形法引入遗传算法而形成,提高了算法的搜索效率.2基于HGA.ANN驱动T-S型模糊推理系统原理设输入向量=I,x2,),其中每个分量X均为模糊语言变量,输出向量Y=(y1,Y2,Ym),那么,对于n个输入m个输出的T-S型模糊推理系统(见图1),其模糊规则R的形式如下【m:IfisAThenyS()=(弘llY.2,Y,)(1)=NN(I,Y2,Xn)(S=1,2,尺)图1神经网络驱动T-S型模糊推理系统Fig.1T-SfuzzyreasoningsystemdrivenbyANN式中:A为模糊子集;r为模糊推理规则的数目;NN,(?)为模型函数的结构,本文用人工神经网络模型模拟,且采用混合遗传算法(HGA)优化网络权值;Y()为NN(?)的输出.对前提部分,用神经网络,(由HGA训练得到)表示(如图1所示),其输出为输入数据对规则的隶属度(S=1,2,m).由此可知,输入数据对r个规则的隶属度向量可表示为:1,.于是,T-S型模糊系统的输出为r_(X)y,J(X)(J=1,2,m)(2)3基于HGA.ANN驱动边坡稳定评价T-S型模糊推理系统3.1评价指标选取对于一个系统模型,考虑的因素愈多,状态变量愈多,则模型愈复杂,从理论上而言,这更接近于实际.但过多的考虑因素会降低模型系统的稳定性,加上数据的获取难以准确完备,势必导致模型的预测精度降低甚至失效.故一个好的系统模型应该选取最具代表性的主要因素作为状态输入参数,既可简化模型,又可得到满意的预测精度.为此,选取边坡岩土体的容重),粘聚力c,内摩擦角和边坡倾角,边坡高度及孔隙水压力比ru这6个参数作为边坡稳定性评价系统的输入参数,而将边坡稳定性安全系数和边坡稳定状态指标作为输出参数.如此建立的模型就是一个6输入2输出的系统模型.3.2样本数据采集本文从文【1,13,14共收集各类边坡实例80个,其中破坏边坡35个,稳定边坡45个,见表1.将稳定状态量化,0表示破坏,1表示稳定.3.3边坡稳定评价I-IGA.ANN驱动T-S型模糊推理系统的建立(1)从表1中随机选取60个样本作为网络的训练数据(表1用途栏中以T表示),其余2O个样本作为校验数据(表1用途栏中以C表示),用来检查训练后网络的性能.(2)对所选取的60个训练样本,按K.mean聚类方法【J进行聚类,以距离平方总和最小得出最优聚类如表2所示,它将训练数据分成4类.每类对应1条规则,则有4条模糊规则.裹2训练样本聚类分析结果Table2Resultsofclusteringanalysisoftrainingsamples类别训练样本号ll,2,3,6,7,8,9,l5,l6,18,l9,20,2l,24,25,265,ll,l2,l3,27,28,30,3l,33,35,37,38,39,4l,4625l,5334,40.42,44,45,47,49,56,57,58,59,6l,62,64,365,67,68,70,7l472,73,75,76,77,78,79,80(3)训练前提部分神经网络M.该网络的输入变量数为6个,输出变量数为4个,若60个训练样本中的第k个样本在第2步被聚类到第S类中,则此样本在网络M中的输出为/z=/z.,一-,+-,)=0,0,0,1,0,0.为使网络训练时易于收敛,中的值0和1可分别取0.05和0.95,并且输入量均作归一化处理(下同).采用含有2个隐层的基于混合遗传算法前向型神经网络来建造,所用神经元激活函数为S型函数.经数值模拟试验,得到Mv卅,网络两个隐层的最优节点数分别为l8和l6.用表1中的训练样本采用混合遗传算法对Mv卅,网络进行训练,其中种群规模为100,交叉概率为0.6,变异概率为0.2,进化200代即可得满意结果.网络对校验样本的输出值即为输入样本对规则的适用度(如表3).(4)训练对应结论部分的神经网络NNs(S=1,2,4).NNs的输入样本为第2步聚类后的所有属于第S类的样本.为防止网络过学习,引入下面的准则函数:=f-+,(3)ns+ntns+n|式中:,l,l,分别为属于和不属于第s类的训练样本数;,分别为属于和不属于第s类的训练样本输出值与实际值误差平方和.采用含有2个隐层的前向网络,隐层节点数分别为18和12,激活函数仍为S型.为使网络易于收敛,值取为0.05和0.95.仍采用混合遗传算法,种群规模80,交叉概率0.6,变异概率0.2,进化200代可得对应结论部分的神经网络模型NN(s=1,2,4).(5)建立评价边坡稳定性的基于HGAANN驱动T-S型模糊推理系统如下:JIfX=(l,Y2,)IRl=(c,H,ru)isAlIlThenY=NNl(Xl,y2,X6)fIfX=(Y2,)lR2=(C,H,to)isAlllThenY=NN2(l,Y2,X6)fIfX=(Y2,)lR3=(c,OC,H,ru)isAlIThenY.=NN3(l,Y2,X6)IfX=(l,Y2,x6)=(C,H,ru)isAlThenY=NN4(l,Y2,X6).3462.岩石力学与工程2005年其中,A(s=1,2,4)对应于第2步的K-means分类;Y(X)=Y(Y,Y蚰)(=1,2,4)对应于NN的输出.T-S型模糊神经网络的总输出为三YJ=/1(),(),(.=1,2)(4)s=l式中:Y为的预测值,Y为的预测值.至此,基于HGAANN驱动边坡稳定性评价T-S型模糊推理系统模型业已建成.若已知边坡的输入参数X=,场,X6=C,cP,05HJ将它们分别输入,和NNs(s=l,2,r)中得到()和Y(),再由式(4)便可得到该边坡稳定性的预测评价值Y=Yt,YJ=Fs,SJ.表3列出了该系统模型对校验样本的安全系数和边坡稳定状态的预测结果,它们与实际值吻合得很好.4系统模型的评价现将T-S型模糊系统模型与目前国内外几种典型的边坡稳定性评价方法作如下比较.4.1极大似然评估法文【13】给出了评价边坡稳定性的极大似然法.文中根据收集到的46个边坡实例,利用概率统计理论中的极大似然原理,得出边坡参数(C,tZ,H,ru)与安全系数的经验关系式如下:/,Fs:2.2714ccosol+1.5434(1一ru)cottan(5)裹3HGA-ANN驱动T.s型模糊推理系统输出结果Table3OutpuoffuzzyreasoningsystemdHvenbyHGA-ANN第24卷第19期陈昌富等.基于HGAANN驱动边坡稳定评价T-S型模糊推理系统将表1中的校验数据代入式(5)可得预测结果,它们与原始安全系数值相比,其误差绝对值最大达0.513,对应最大相对误差绝对值为39.12%,平均为18.45%.显然,预测效果较差.4.2普通BP神经网络评估法采用梯度下降学习算法,网络对学习样本的训练次数为30000次.的预测值与原始值相比,其误差绝对值最大的为0.304,对应的最大相对误差绝对值为26.43%,平均为9.08%.4.3推广BP神经网络评估法文1鉴于普通BP神经网络存在过学习的缺点,提出了一种推广学习算法,其主要思想是用网络对未学习过的样本进行预测时的误差作为判别网络学习的结束准则.所用的BP神经网络采用梯度下降算法,网络对学习样本的训练次数仍为30000次.预测结果的相对误差绝对值最大为迥,舷聪趔,舷聪原始安全系数值(a)极大似然评估法原始安全系数值(c)推广BP神经网络评估法21.8%,平均为6.4%.其结果较普通BP神经网络模型要好,但网络训练要用到未学习(预测)样本信息,当有新的预测样本时,需重新训练网络.4.4本文方法采用本文提出的基于HGAANN驱动T-S型模糊推理系统评价边坡稳定性,其预测结果如表3所示,安全系数预测值的相对误差绝对值最大为9.6%,平均为3.3%.可见本文方法预测精度较前述方法均要好.为更直观地比较上述方法的预测精度,图2给出了它们的输出结果与原始数值的关系曲线图.图中直线代表理想状态,各散点离直线的距离表示偏离理想状态的程度,也就是说散点偏离直线愈远其预测精度就愈差.从图2可以很直观地看出,本文方法明显优于其他方法.迥,舷聪趔,舷聪原始安全系数值(b)普通BP神经网络评估法原始安全系数值(d)HGA.ANN驱动T-S型模糊推理系统评估法图2预测安全系数值与原始值对比图Fig.2Comparisonofactualandpredictedfactorsofsafety?3464?岩石力学与工程2005住5结论(1)首次将由神经网络驱动的TS型模糊推理系统用于边坡稳定性预测与评价中,并提出利用具有全局收敛性,搜索效率较高的混合遗传算法(复合形遗传算法)训练网络权值,效果良好;(2)根据从国内外广泛收集的80个边坡实例,建立了一个由HGAANN驱动的边坡稳定性评价TS型模糊推理系统模型;(3)TS型模糊推理系统具有分段拟合,加权组合的特征,因此其拟合精度和预测效果通常比一般常规的预测方法要好,它还可避免模糊分析法中隶属函数难以确定的问题.对比分析结果表明:本文提出的方法的预测精度明显高于极大似然法,普通BP神经网络法和推广BP神经网络法.参考文献(References):【l】冯夏庭,王泳嘉,卢世宗.边坡稳定性的神经网络估计J.工程地质,1995,3(4):5461.(FengXiating,WangYongjia,LuShizongNeuralnetworkestimationofsoilstabilityJ.ChineseJournalofEngineeringGeology,1995,2(4):5461.(inChinese)【2】夏元友,李新平,程康.用人工神经网络估算岩质边坡的安全系数J】.工程地质,1998,6(2):155159.(XiaYuanyou,LiXinping,ChengKang.EstimatingsafetyfactorsofrockslopebyusingartificialneuralnetworkJ.ChineseJournalofEngineeringGeology,1998,6(2):155159.(inChinese)【3】陈昌彦,王思敬,沈小克.边坡岩体稳定性的人工神经网络预测模型J.岩土工程,2001,23(2):157一l61.(ChenChangyan,WangSijing,ShenXiaoke.PredictingmodelstoestimatestabilityofrockslopebasedonneuralnetworkJ.ChineseJournalofGeotechnicalEngineering,2001,23(2):157一l61.(inChinese)【4】陆峰,孙东亚,张国铭.应用神经网络方法确定岩石边坡安全系数J.水利,2002,(4):9396.(LuFeng,SunDongya,ZhangGuoming.ApplicationofartificialneuralnetworkmethodtoanalyzethesafetyfactorofrockslopeJ.JournalofHydraulicEngineering,2002,(4):9396.(inChinese)【5】黄志全,崔江利,刘汉东.边坡稳定性预测的混沌神经网络方法J.岩石力学与工程,2004,23(22):38083812.(HuangZhiquan,CuiJiangli,LiuHandong.ChaoticneuralnetworkmethodforslopestabilitypredictionJ.ChineseJournalofRockMechanicsandEngineering,2004,23(22):38083812.(inChinese)1【6】李文秀.岩土边坡稳定性的模糊测度分析【J.岩土工程,l996,l8f2):1016.(LiWenxiu.FuzzymeasureanalysisforthestabilityofrockandsoilslopesJ.ChineseJournalofGeotechnicalEngineering,1996,l8(2):10一l6.(inChinese)【7】李文秀,梁旭黎,赵胜涛.地下水影响下裂隙岩质边坡变形的Fuzzy测度分析【J】.岩石力学与工程,2005,24(2):302306.(LiWenxiu,LiangXuli,ZhaoShengtao.FuzzymeasuresanalysisfordisplacementsanddeformationsofjointedrockslopeunderinfluenceofgroundwaterJ.ChineseJournalofRockMechanicsandEngineering,2005,24(2):302306.(inChinese)【8】李彰明.模糊分析在边坡稳定性评价中的应用J】.岩石力学与工程,1997,16(5):490495.(LiZhangming.ApplicationoffuzzyanalysistoslopestabilityevaluationJChineseJournalofRockMechanicsandEngineering,l997,l6(5):490495.(inChinese)【9】刘沐宇,朱瑞赓.基于模糊相似优先的边坡稳定性评价范例推理方法J.岩石力学与工程,2002,21(8):ll88一l193.(LiuMuyu,ZhuRuigeng.Case-basedreasoningapproachtoslopestability