基于LSTM法的高速公路边坡稳定性研究

来源：核心期刊咨询网时间：2021-05-31 11:0812

摘要：摘 要：为了准确分析高速公路边坡性状，确保路基的稳定性，结合高速公路边坡环境特征，以边坡监测数据为基础，利用长短期记忆人工神经网络(LSTM)方法建立了高速公路边坡稳定性预测模型。以影响边坡稳定性的边坡质量系数、边坡结构系数、坡高系数、坡角系数、

　　摘 要：为了准确分析高速公路边坡性状，确保路基的稳定性，结合高速公路边坡环境特征，以边坡监测数据为基础，利用长短期记忆人工神经网络(LSTM)方法建立了高速公路边坡稳定性预测模型。以影响边坡稳定性的边坡质量系数、边坡结构系数、坡高系数、坡角系数、工程因素等因素为评估依据，采用降噪补缺、数据变换等方法处理LSTM前端数据，利用LSTM方法计算高速公路边坡稳定系数，与递归神经网络(RNN)方法进行比较。结果表明，高速公路边坡预测稳定系数为1.69，边坡安全稳定性良好，且符合实际。新方法的最大相对误差为1.60%，绝对MAPE仅为1.80%，较传统RNN方法预测更加精准。所得结论验证了深度学习在边坡稳定性预测评估过程中的有效性，对深入研究公路边坡稳定性具有借鉴价值。

　　关键词：岩土力学;高速公路工程;边坡稳定性;深度学习;LSTM理论;预测

　　公路建設受到地形、地质、自然环境等因素的影响，公路边坡极易发生失稳、滑坡及坍塌等地质灾害[1]。高速公路边坡稳定性评估信息具有不完整性、多重性和不确定性等特点，如果评估不准确，容易导致事故的发生[2-3]。因此，对高速公路边坡稳定性预测的研究是有效提高高速公路边坡安全稳定性、降低安全风险事故的重要举措。

　　对于高速公路边坡稳定性的研究，贺为民等[4]针对高速公路滑坡现场进行勘查分析，引入极限平衡理论，运用FLAC法评估了公路边坡的安全稳定性，讨论了影响滑坡的重要因素;张士伦等[5]考虑到高速公路边坡岩体内部结构与外界环境要素的特点，在模糊分析理论的基础上提出了松散边坡稳定性综合评估模型，为研究边坡工程的安全稳定性提供了参考;KUMAR等[6]从工程岩体分类等级出发对高速公路边坡稳定性开展研究，建议从岩体等级(RMR)、斜坡质量等级(SMR)、以及地质强度指数(GSI)方面评价边坡安全稳定情况;何永波等[7]为提升高速公路边坡稳定性预测训练速度，提出了基于神经网络的可靠度分析方法，提高了边坡稳定的计算精度;CHEN等[8]针对无黏性土质公路边坡环境特点，根据监测数据构建时间序列模型，运用神经网络算法训练预测了高速公路边坡的稳定性。

　　传统预测方法难以准确评估边坡稳定性影响因素的安全等级。因此，笔者在分析高速公路边坡稳定性影响因素的基础上，引入长短期记忆人工神经网络(LSTM)方法，研究影响因素的时间序列特征，构建边坡稳定性预测模型，表征边坡稳定性变化机理，为有效研究高速公路边坡稳定性提供基础。

　　1 影响边坡稳定性的因素

　　岩质边坡的损坏变形是指在各种应力和工程因素作用下，岩性土质强度不断减弱的过程，严重影响边坡的安全稳定性。研究表明，公路边坡的安全稳定性是受到多种因素共同作用的结果[9-10]。笔者在工程实践中，分析公路边坡施工环境特征，归纳影响公路边坡稳定性因素，结合《建筑边坡工程技术规范》(GB 50330-2013)，将边坡稳定性影响因素归纳为边坡岩体质量系数(SRQC)、边坡结构系数(SSC)、坡高系数(SHC)、坡角系数(SCC)、工程因素影响系数(EFEC)和环境条件影响因素(CCEC)等。

　　1)边坡岩体质量系数

　　边坡岩体的质量表达了岩体结构的完整性、岩体结构层间的发育特性、地下水作用效应等地质岩性属性，是综合表征岩体边坡稳定性的重要指标。

　　2)边坡结构系数

　　岩体结构层间的不同结合、坡面的不同结合是影响边坡岩体变形破坏的最重要因素，主要表现为结构面或结构面的交汇倾向、倾角与坡面倾向倾角之间的关系。

　　3)坡高系数

　　高边坡岩体的安全稳定性和岩体本身稳定性能有着密不可分的联系，随着边坡稳定高度的增大，边坡岩土的受力情况恶化也逐渐加大，进一步扩大岩体结构层面切割的破坏几率，从而降低边坡岩体的安全稳定状态。

　　4)坡角系数

　　岩体结构层面的内摩擦角对高边坡岩体的稳定性有着重要影响，随着边坡坡角的增大，其抗滑稳定性降低，导致边坡岩体稳定受损加重。

　　5)工程因素影响系数

　　工程因素对边坡稳定具有重要影响，在其爆破施工过程中，选择不同的爆破形式与坡形施工位置，对岩体边坡的作用效应不尽相同，易对岩体边坡产生破坏，形成崩塌。

　　6)环境条件影响因素

　　影响边坡工程稳定性的环境因素包含水文、地质、气象、地震等，其发生状况不同对边坡稳定性影响程度不同。因环境因素范围宽泛，且和其他因素之间存在共性，故本文不作考虑。

　　2 边坡稳定性的深度预测模型

　　2.1 深度学习方法的适用性

　　对边坡稳定性的监测是保障其稳定性的前提，高速公路边坡稳定性监测数据的收集受以下因素影响：1)监测过程中数据存在含噪失真等问题，导致数据不连续甚至缺失现象;2)统计后的监测数据量较大，难以选取具有代表性的边坡稳定性评估数据;3)边坡稳定性预测过程中，监测数据容易受到多重共线性的干扰。因此，有必要针对高速公路边坡特征，选取适合的边坡数据分析模型，以满足边坡安全稳定性分析的需求。

　　深度学习方法能够深层次挖掘高速公路边坡安全稳定性监控数据之间存在的规律，实现对数据的准确预测。将监测数据导入深度学习网络中，通过多次拟合训练，提取有效的数据信息，判断数据之间存在的规律，最终获得最佳的数据拟合形式，实现对高速公路边坡安全稳定性的预测。深度学习具有能够自主学习、自适应和容错性等特点，适合函数优化逼近问题，在原来多层神经网络的基础上增加了人类大脑特征学习部分，能够模仿人脑对信号的处理方式，提升对数据的网络训练性能，能够准确把握监测数据的有效性[11-12]。鉴于此，笔者利用深度学习方法对高速公路边坡数据进行挖掘，建立边坡安全稳定预测模型，提取监控过程中的有效信息并进行记录分析，为高速公路边坡的安全稳定性预测做准备。

　　2.2 前端处理优化

　　为了提高高速公路边坡稳定性预测的精准度，在进行监测数据处理的过程中，需要对监测数据进行降噪、补缺和变换等处理。现假设有包含T个监测样本信息数据的序列yj(t)， t=1，2，…，T; j=1，2，…，J，缺失与异常值分别用yjnu(t)，yjan(t)来表征，对监测数据进行前端优化处理主要分2步。

　　步骤一：降噪、补缺

　　通常在收集数据的过程中，有很多不相符的重复数据，一般被当作噪声。在对噪声数据信息进行处理的过程中，為了能更好地复原数据信息的真实情况，首先将输入序列yj1(t)按照顺序滤波，然后将滤波过后的数据结果逆转方向再次放入滤波器，最后将所得到的数据结果逆转输出，获取到需要的降噪平滑序列yj2(t)。用公式表示为

　　zj1(t)=yj1(t)hj(t)，

　　zj2(t)=zj1(T-1-t)，zj3(t)=zj2(t)hj(t)，

　　yj2(t)=zj3(T-1-t)，(1)

　　式中：hj(t)表示为滤波器过程中的响应序列;zj1(t)和zj3(t)为2次滤波后的数据结果;zj2(t)和yj2(t)和为2次滤波后对应的逆转序列。

　　步骤二：数据变换

　　将步骤一处理后的平滑序列yj2(t)进行归一化，不仅能够加快算法寻找最优解的速度，并且能够避免梯度变化引起的数值变换困难。

　　yj3(t)=yj2(t)-min(yj2(t))max(yj2(t))-min(yj2(t)) ，(2)

　　式中：min(yj2(t))和max(yj2(t))分别为平滑序列yj2(t)中的最小值和最大值。

　　2.3 基于LSTM法的边坡稳定性预测

　　递归神经网络(RNN)是深度学习中比较出名的卷积神经网络，在传统多层神经网络的基础上，增添了部分卷积层与降维层，模拟人脑对事物的决策判断[13]。最明显的优势是在神经网络中融入了时间序列，考虑了不同时间节点输入样本数据对下一节点数据的影响程度。当RNN具备足够的隐藏层数目时，可以以任何精度逼近需要预测的序列，但是伴随着时间序列长度的增加，会导致RNN出现梯度爆炸以及消失问题，使得训练学习出现局部最优等问题，导致RNN的输出精度降低。为此，长短期记忆人工神经网络(LSTM)法有效避免了梯度消失缺点，提升了在时间序列较长影响下的训练处理能力。

　　推荐阅读：新时期高速公路经济网络模式浅析

转载请注明来自：http://www.qikan2017.com/lunwen/lig/19799.html