国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

基于棧式自編碼器的土質(zhì)邊坡失穩(wěn)風(fēng)險(xiǎn)評估

2020-09-27 13:06:44仝德富郭永楠馬邦闖
安全與環(huán)境工程 2020年5期
關(guān)鍵詞:土質(zhì)編碼器邊坡

于 錦,譚 飛,仝德富,郭永楠,馬邦闖

(中國地質(zhì)大學(xué)工程學(xué)院(武漢),湖北 武漢 430074)

邊坡失穩(wěn)產(chǎn)生的滑坡災(zāi)害同地震災(zāi)害、火山災(zāi)害一樣已經(jīng)成為影響人類生存和發(fā)展的三大地質(zhì)災(zāi)害之一。我國每年由于各種滑坡造成的經(jīng)濟(jì)損失高達(dá)200億元[1]。因此,開展邊坡風(fēng)險(xiǎn)管理,有效地判斷出邊坡的風(fēng)險(xiǎn)等級,指導(dǎo)邊坡的施工,并降低施工風(fēng)險(xiǎn),確保生產(chǎn)安全具有重大的意義。

在邊坡失穩(wěn)風(fēng)險(xiǎn)評估方面,國內(nèi)外學(xué)者進(jìn)行了大量的研究。如Li等[2]基于有限元與可靠度理論確定了邊坡最危險(xiǎn)滑裂面和滑動體體積,據(jù)此定量分析了邊坡風(fēng)險(xiǎn)的影響因素和損失;Xiao等[3]提出了一種輔助隨機(jī)有限元法,在考慮土體性質(zhì)空間變異性的情況下,可有效地對三維邊坡進(jìn)行可靠性分析和風(fēng)險(xiǎn)評估;Zhang等[4]基于層次分析法和模糊識別理論建立了膨脹土邊坡失穩(wěn)風(fēng)險(xiǎn)分析模型;Ferrero等[5]基于精確的地質(zhì)結(jié)構(gòu)調(diào)查,評估了邊坡穩(wěn)定性條件;Pinheiro等[6]通過對影響邊坡的9個參數(shù)分配權(quán)重計(jì)算得到邊坡質(zhì)量系數(shù),并根據(jù)經(jīng)驗(yàn)劃定邊坡質(zhì)量系數(shù)等級,進(jìn)而評估邊坡失穩(wěn)風(fēng)險(xiǎn);Macciotta等[7]定量化計(jì)算了邊坡失效的風(fēng)險(xiǎn),力求最小化邊坡失效風(fēng)險(xiǎn)評估過程中的不確定性因素;Mori等[8]基于地形數(shù)據(jù),提出了一種在暴雨工況下邊坡失穩(wěn)風(fēng)險(xiǎn)評估模型;李東升[9]將可靠度理論與風(fēng)險(xiǎn)評估結(jié)合,以決策樹作為分析工具,在考慮邊坡工程投資和相應(yīng)風(fēng)險(xiǎn)的基礎(chǔ)上,進(jìn)行邊坡工程風(fēng)險(xiǎn)決策,在一定程度上消除了決策過程中人為因素的影響,使決策更具科學(xué)性;張雷等[10]在分析高等級公路邊坡工程風(fēng)險(xiǎn)因子的基礎(chǔ)上,應(yīng)用層次分析法對邊坡失穩(wěn)風(fēng)險(xiǎn)等級進(jìn)行了評估研究;何海鷹等[11]基于層次分析法,利用巖質(zhì)邊坡風(fēng)險(xiǎn)的諸多影響因素建立了巖質(zhì)高邊坡風(fēng)險(xiǎn)評估指標(biāo)體系;梁濤等[12]基于模糊層次分析法原理、步驟和MATLAB語言環(huán)境,通過需求分析、界面設(shè)計(jì)、代碼編寫、功能模塊設(shè)計(jì)等流程,研發(fā)出公路邊坡風(fēng)險(xiǎn)評估軟件RASlope;李典慶等[13]基于子集模擬的邊坡風(fēng)險(xiǎn)評估的高效隨機(jī)有限元法,推導(dǎo)出基于子集模擬的邊坡失效概率和失效風(fēng)險(xiǎn)的計(jì)算公式。

上述研究中,大多采用模糊集理論、層次分析法、有限元理論等建立了邊坡失穩(wěn)風(fēng)險(xiǎn)評估模型,或是采用概率論方法計(jì)算邊坡失效概率并確定邊坡失穩(wěn)風(fēng)險(xiǎn)等級,或是考慮一些特殊工況下邊坡風(fēng)險(xiǎn)的影響因素,而在確定邊坡風(fēng)險(xiǎn)影響因素的權(quán)重值或概率時,通常采用專家打分法、頭腦風(fēng)暴法、事故樹分析法、頻率統(tǒng)計(jì)法等方法,其中一些方法存在許多人為主觀因素的影響,且計(jì)算權(quán)重的過程也較為繁瑣。

深度學(xué)習(xí)源自于機(jī)器學(xué)習(xí),是一門人工智能科學(xué)。機(jī)器學(xué)習(xí)發(fā)展至今,最重要的網(wǎng)絡(luò)模型即人工神經(jīng)網(wǎng)絡(luò)模型。深度學(xué)習(xí)是人工神經(jīng)網(wǎng)絡(luò)的進(jìn)一步深入,也稱為深度神經(jīng)網(wǎng)絡(luò),它較普通BP神經(jīng)網(wǎng)絡(luò)具有更深的結(jié)構(gòu)層次、更多的激活函數(shù)種類、更多的模型結(jié)構(gòu)、更加智能等特點(diǎn),主要包括卷積神經(jīng)網(wǎng)絡(luò)[14]、深度信念網(wǎng)絡(luò)[15]、循環(huán)神經(jīng)網(wǎng)絡(luò)[16]、自編碼器神經(jīng)網(wǎng)絡(luò)[17]等。其中,自編碼器神經(jīng)網(wǎng)絡(luò)能降低數(shù)據(jù)維度,獲取最優(yōu)初始參數(shù),是一種無監(jiān)督學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò),它可以不斷地調(diào)整參數(shù)以重構(gòu)經(jīng)過壓縮的輸入樣本。而棧式自編碼器是自編碼器的一種多層組合,當(dāng)維度壓縮到合適的狀態(tài)、參數(shù)足夠優(yōu)化時,將多個自編碼器連接可得到棧式自編碼器。本文基于深度學(xué)習(xí)模型——棧式自編碼器開展了土質(zhì)邊坡失穩(wěn)風(fēng)險(xiǎn)評估研究,可快速評估土質(zhì)邊坡失穩(wěn)風(fēng)險(xiǎn),并克服了傳統(tǒng)方法計(jì)算量大、處理過程復(fù)雜等缺陷,以提高邊坡風(fēng)險(xiǎn)管理效率。

1 土質(zhì)邊坡穩(wěn)定性影響因素的確定

影響土質(zhì)邊坡穩(wěn)定性的因素較多,一般基于最主要的控制性因素開展土質(zhì)邊坡穩(wěn)定性研究。如夏元友等[18]以土體容重、黏聚力、內(nèi)摩擦角、邊坡角、邊坡高度、孔隙水壓力(孔隙水壓力系數(shù))6個主要因素為研究對象,應(yīng)用RBF神經(jīng)網(wǎng)絡(luò)開展了土質(zhì)邊坡穩(wěn)定性影響因素的敏感性分析;馮夏庭等[19]同樣基于上述6個土體參數(shù),應(yīng)用BP神經(jīng)網(wǎng)絡(luò)開展了土質(zhì)邊坡穩(wěn)定性評價;高超等[20]以上述6個土體參數(shù)中的5個土體參數(shù)為研究對象,應(yīng)用神經(jīng)網(wǎng)絡(luò)開展了黃草壩古滑坡穩(wěn)定性研究。可見,上述6個因素是影響土質(zhì)邊坡穩(wěn)定性的最主要因素。此外,夏季暴雨時節(jié)往往是滑坡災(zāi)害發(fā)生的高發(fā)時期,因此水的影響不可忽視;地震對土質(zhì)邊坡的影響同樣巨大,強(qiáng)震之下土體振動液化時有發(fā)生;人類生產(chǎn)生活也會加劇滑坡風(fēng)險(xiǎn)。因此,本文基于上述影響土質(zhì)邊坡穩(wěn)定性的6個主要土體參數(shù)以及年均降雨量、抗震烈度、人類活動共9個因素,開展了土質(zhì)邊坡失穩(wěn)風(fēng)險(xiǎn)評估研究。

在對土質(zhì)邊坡穩(wěn)定性各影響因素的風(fēng)險(xiǎn)等級進(jìn)行劃分時,應(yīng)做到合理布局,風(fēng)險(xiǎn)等級劃分過多、過于細(xì)化,則會使數(shù)據(jù)處理過程較復(fù)雜,模型訓(xùn)練耗時加大,不利于工程應(yīng)用;若風(fēng)險(xiǎn)等級劃分過少、過于簡單,則針對性、差異性不強(qiáng),總風(fēng)險(xiǎn)評級結(jié)果則不具參考價值。土質(zhì)邊坡穩(wěn)定性的風(fēng)險(xiǎn)等級劃分后采用類似二進(jìn)制方式進(jìn)行標(biāo)定處理,方便數(shù)據(jù)在模型中的輸入和輸出,有利于提高模型的訓(xùn)練效率和預(yù)測結(jié)果的準(zhǔn)確性。本文在詳細(xì)閱讀和分析相關(guān)文獻(xiàn)[21-25]的基礎(chǔ)上,將土質(zhì)邊坡失穩(wěn)風(fēng)險(xiǎn)分為3級,1~3級邊坡失穩(wěn)風(fēng)險(xiǎn)程度遞增(見表1),并采用類似二進(jìn)制方式對每個風(fēng)險(xiǎn)等級進(jìn)行標(biāo)定,標(biāo)定值見表1;分別將上述9個影響因素劃分為4~5個風(fēng)險(xiǎn)等級,也采用類似二進(jìn)制方式對各影響因素的每個風(fēng)險(xiǎn)等級進(jìn)行標(biāo)定,其標(biāo)定值見表2。

表1 土質(zhì)邊坡失穩(wěn)風(fēng)險(xiǎn)的分級與標(biāo)定

表2 土質(zhì)邊坡穩(wěn)定性影響因素風(fēng)險(xiǎn)的分級與標(biāo)定

續(xù)表2

2 棧式自編碼器網(wǎng)絡(luò)結(jié)構(gòu)

圖1 自編碼器(三層結(jié)構(gòu))Fig.1 Autoencoder (three-layer structure)

棧式自編碼器由自編碼器堆疊構(gòu)成。自編碼器包括編碼和解碼兩個部分,數(shù)據(jù)先通過輸入層進(jìn)入中間層進(jìn)行編碼,然后壓縮成更低維度的數(shù)據(jù),從中提取數(shù)據(jù)特征,最后進(jìn)入重構(gòu)層解碼還原數(shù)據(jù),見圖1。經(jīng)過多組數(shù)據(jù)訓(xùn)練后,模型可學(xué)習(xí)到數(shù)據(jù)的特征及其映射關(guān)系。輸入數(shù)據(jù)xi的編碼過程如下式:

yj=f[(wij)Txi+bj]

(1)

(2)

(3)

f(x)=max(0,x)

(4)

由上述3個函數(shù)式可知,Sigmoid函數(shù)的值域?yàn)閇0,1],Tanh函數(shù)的值域?yàn)閇-1,1],Relu函數(shù)的值域?yàn)閇0,+∞]。而本文對各影響因素值進(jìn)行標(biāo)定后,每個因素都被轉(zhuǎn)換為0、1表示,因此應(yīng)用Sigmoid函數(shù)作為本模型的激活函數(shù)是合適且可行的,見圖2。

圖2 Sigmoid函數(shù)Fig.2 Sigmoid function

中間層與重構(gòu)層之間的解碼過程如下式:

(5)

(6)

(7)

重構(gòu)層誤差項(xiàng)計(jì)算公式為

(8)

式中:δk為重構(gòu)層k上的誤差項(xiàng);zk為重構(gòu)層的輸入值。

中間層誤差項(xiàng)計(jì)算公式為

(9)

依據(jù)上面公式計(jì)算得到的誤差項(xiàng)需進(jìn)行連接權(quán)值和偏置值的修正。

重構(gòu)層權(quán)值的修正公式為

wjk(n+1)=wjk(n)+η·δk·yj

(10)

式中:η為學(xué)習(xí)效率;n為權(quán)重w被修正的次數(shù)。

中間層權(quán)值的修正公式為

wjk(n+1)=wij(n)+η·δj·xi

(11)

重構(gòu)層偏置的修正公式為

bk(n+1)=bk(n)+η·δk

(12)

中間層偏置的修正公式為

bj(n+1)=bj(n)+η·δj

(13)

輸入一個樣本數(shù)據(jù)即進(jìn)行一次上述運(yùn)算時,則表示完成了一個樣本數(shù)據(jù)的學(xué)習(xí)。遍歷一次訓(xùn)練樣本,即完成一次訓(xùn)練。當(dāng)重構(gòu)值與輸入值之間的誤差達(dá)到要求精度,停止模型訓(xùn)練,輸入測試樣本,進(jìn)行泛化能力測試。

圖3 棧式自編碼器結(jié)構(gòu)Fig.3 Structure of stacked autoencoder

圖4 棧式自編碼器的訓(xùn)練過程Fig.4 Training process of stacked autoencoder

3 模型構(gòu)建與訓(xùn)練

本次研究從某高速公路施工便道邊坡和湖北秭歸縣、巴東縣等邊坡工程收集了44個邊坡樣本,邊坡樣本土體以粉質(zhì)黏土為主,土體容重介于10~24 kN/m2,邊坡高度介于1~75 m,邊坡角介于20°~75°,黏聚力介于10~25 kPa,內(nèi)摩擦角介于0°~45°,孔隙水壓力系數(shù)介于0~1。地震、降雨和人類活動頻度依據(jù)邊坡所在地的實(shí)際情況確定。為了避免模型訓(xùn)練過程產(chǎn)生過擬合、精度不高等問題,借鑒深度學(xué)習(xí)中數(shù)據(jù)增強(qiáng)(Data Augmentation)的方法將樣本集數(shù)據(jù)增強(qiáng)到156個。數(shù)據(jù)增強(qiáng)的目的是讓有限的數(shù)據(jù)產(chǎn)生更多的等價數(shù)據(jù),增加訓(xùn)練樣本的數(shù)量和多樣性(噪聲數(shù)據(jù)),提升模型魯棒性[26]。數(shù)據(jù)增強(qiáng)方法在圖像識別等深度學(xué)習(xí)模型中應(yīng)用較為廣泛,主要操作方法包括幾何變換(旋轉(zhuǎn)、翻轉(zhuǎn)、裁剪、拼接等)、色彩空間變換、隨機(jī)擦除、對抗訓(xùn)練、神經(jīng)風(fēng)格遷移等。通過生成隨機(jī)數(shù)為樣本序號,隨機(jī)劃分136個訓(xùn)練樣本和20個測試樣本,并依據(jù)表1和表2對樣本數(shù)據(jù)進(jìn)行標(biāo)定處理。

對樣本數(shù)據(jù)標(biāo)定之后,輸入數(shù)據(jù)維數(shù)由9變?yōu)?9,輸出數(shù)據(jù)維數(shù)為3。初步擬定使用一個編碼器,樣本數(shù)據(jù)將由39個維度(39個神經(jīng)元)降低到18個維度(18個神經(jīng)元),再經(jīng)分類層(3個神經(jīng)元)輸出,見圖5。自編碼器的激活函數(shù)采用Sigmoid函數(shù),分類層采用Softmax函數(shù),自編碼器單獨(dú)的無監(jiān)督訓(xùn)練采用二次代價函數(shù),即以公式(6)為誤差函數(shù),分類層訓(xùn)練和棧式自編碼器有監(jiān)督情況下的微調(diào)均采用交叉熵代價函數(shù),即以公式(7)為誤差函數(shù)。自編碼器單獨(dú)訓(xùn)練時,訓(xùn)練誤差隨迭代次數(shù)的變化見圖6。

圖5 土質(zhì)邊坡失穩(wěn)風(fēng)險(xiǎn)評估棧式自編碼器Fig.5 Stacked autoencoder of instability risk assessment of soil slope

圖6 自編碼器訓(xùn)練誤差隨迭代次數(shù)的變化Fig.6 Variation of training error of autoencoder with the number of iterations

由圖6可見,當(dāng)自編碼器訓(xùn)練到898次時,訓(xùn)練誤差最小值約為0.07,可判定此時的精度基本達(dá)到要求,可結(jié)束訓(xùn)練。

4 模型泛化能力測試

經(jīng)過訓(xùn)練后,對模型泛化能力進(jìn)行測試,得到20個測試樣本的預(yù)測輸出值與目標(biāo)值的對比以及模型泛化能力測試精度的混淆矩陣,見表3和圖7。

表3 模型泛化能力測試結(jié)果

圖7 模型泛化能力測試精度的混淆矩陣Fig.7 Confusion matrix of accuracy of generalization ability test accuracy of the model

由表3和圖7可見,本文提出的土質(zhì)邊坡失穩(wěn)風(fēng)險(xiǎn)評估模型,獲得了數(shù)值上95%的準(zhǔn)確率;除10號樣本未達(dá)到預(yù)期值外,其他樣本均得到了高精度的預(yù)測輸出值。由此可見,本文應(yīng)用棧式自編碼器建立的土質(zhì)邊坡失穩(wěn)風(fēng)險(xiǎn)評估模型是可行且有效的,可將該模型應(yīng)用于土質(zhì)邊坡工程失穩(wěn)的風(fēng)險(xiǎn)等級評估。

5 結(jié)論與建議

本文基于棧式自編碼器深度學(xué)習(xí)模型,提出了一種快速評估土質(zhì)邊坡失穩(wěn)風(fēng)險(xiǎn)的方法,主要得到以下結(jié)論:

(1) 運(yùn)用棧式自編碼器建立的土質(zhì)邊坡失穩(wěn)風(fēng)險(xiǎn)評估模型具有計(jì)算速度快、評估結(jié)果客觀性高等特點(diǎn),并獲得了數(shù)值上95%的準(zhǔn)確率,說明應(yīng)用深度學(xué)習(xí)模型構(gòu)建風(fēng)險(xiǎn)評估模型進(jìn)行土質(zhì)邊坡失穩(wěn)風(fēng)險(xiǎn)評估是可行且有效的。

(2) 本文提出的方法僅需依據(jù)工程勘察資料,獲取邊坡穩(wěn)定性的9個影響因素后,即可快速預(yù)測得到邊坡失穩(wěn)的風(fēng)險(xiǎn)等級。由于邊坡狀態(tài)會隨著氣候、人類活動等外界因素而發(fā)生變化,運(yùn)用本方法可在邊坡的不同階段和不同狀態(tài)下,多次快速地確定邊坡失穩(wěn)的風(fēng)險(xiǎn)等級,從而為開展邊坡全壽命風(fēng)險(xiǎn)管理節(jié)約了成本,加快了邊坡失穩(wěn)風(fēng)險(xiǎn)等級評估過程。

(3) 深度學(xué)習(xí)中有許多模型可以利用,將性能更佳的深度學(xué)習(xí)模型運(yùn)用于邊坡、隧道、地下空間工程的風(fēng)險(xiǎn)評估、變形預(yù)測、超前地質(zhì)預(yù)報(bào)等研究,將可獲得更多意義重大的研究成果,這也是今后的研究方向。

猜你喜歡
土質(zhì)編碼器邊坡
這邊山 那邊坡
高含鐵大比重土質(zhì)對泥漿配比的影響
基于FPGA的同步機(jī)軸角編碼器
凍融循環(huán)作用下土質(zhì)河堤的穩(wěn)定性分析
基于PRBS檢測的8B/IOB編碼器設(shè)計(jì)
水利水電工程高邊坡的治理與加固探討
基于SLOPE/W的邊坡穩(wěn)定分析
土質(zhì)文物鹽害中硫酸鈉的研究——從微觀到宏觀
基于不同軟件對高邊坡穩(wěn)定計(jì)算
JESD204B接口協(xié)議中的8B10B編碼器設(shè)計(jì)
電子器件(2015年5期)2015-12-29 08:42:24
阿瓦提县| 会东县| 同仁县| 镇沅| 筠连县| 汉寿县| 襄垣县| 措美县| 龙江县| 武冈市| 云浮市| 新平| 黑龙江省| 绥宁县| 盈江县| 九龙坡区| 广东省| 潜江市| 泌阳县| 东平县| 彭州市| 澄迈县| 新昌县| 高雄市| 宁远县| 清水河县| 同仁县| 宜丰县| 晋州市| 女性| 梅州市| 南开区| 汝州市| 疏勒县| 资溪县| 静宁县| 伊春市| 卓资县| 扎赉特旗| 大田县| 湘阴县|