水利工程边坡稳定性中RNN的研究

前言：想要写出一篇引人入胜的文章？我们特意为您整理了水利工程边坡稳定性中RNN的研究范文，希望能给你带来灵感和参考，敬请阅读。

摘要：利用循环神经网络（RNN）构建了边坡稳定性预测模型，并以实际工程数据为例通过模型进行预测。本文提出模型具有较好的预测效果，能够满足工程需要。

关键词：循环神经网络；边坡；稳定性

水利工程施工过程中必然需要对山体进行开挖，坡体稳定性是工程建设可行性和施工管理的关键。边坡稳定性分析对于勘查、设计和施工而言相当重要[1]。近年来，由于计算机的高速发展，水利工程边坡稳定性研究成为当下研究的热点。支持向量机、随机森林、极限学习机等机器学习方法被广泛应用于边坡稳定性研究[2]。对于工程设计、施工和管理者而言，利用循环神经网络算法能够较好地对边坡稳定性进行计算分析，搭建用于水利工程边坡稳定性分析的模型，可以准确地获得所需的分析结果。

1工程概况

该工程坝址位于河口上游650m处，工程边坡位于坝址左岸，山体三面临空，山顶俯视成圆形，山脊地形相对平缓，分布着残积块碎石土，结构相对松散。山体自然坡度一般为40°～52°，总体是河谷一侧相对较陡。滑坡体位于坝上50m处，俯视呈现不规则的“长方形”。该滑坡坡度达35°，上部缓，下部陡，坡面明显有三级缓坡台面，其中高程达2610m一带有小范围裸露基岩。滑坡后缘有”圈椅”状错坎，坎高达10m，上下游侧以小冲沟为界，堆积体长约320m宽140m，滑坡体平均厚度约11.5m，向偏西方向滑动，估算滑坡堆积体方量约41×104m3。

2循环神经网络原理

循环神经网络通过模拟人脑对数据进行处理，通过各层的连接传送信号以达到解决非线性问题的目的。包括输入、输出层和中间隐层[3]。隐层是循环神经网络的核心，隐层数量直接决定着网络的效果。图1为循环神经网络结构图。设输出层的输入为N1，隐层输入为h，激活函数为σ，则有：模型具体建立过程如下:(1)初始化连接权和偏置；(2)选取实际工程数据作为样本集；(3)为输入节点设置合适的参数；(4)为输出节点设置适当的标准；(5)计算隐层节点参数；(6)训练次数达到设定值或误差符合要求时，训练结束。

3实验

本文以某水利工程为例，选取600组数据用于循环神经网络训练，100组数据用于验证。对比了循环神经网络的预测值和真实值的关系，如图2所示。图2的预测结果说明循环神经网络具有较好的拟合效果和预测结果，能够较为准确地预测出边坡稳定系数。均方误差和平均绝对误差作为算法性能的重要评价指标，可以通过式（6）-式（8）得到。本节通过均方误差MSE和平均绝对误差MAE将循环神经网络预测模型(rnn)分别和线性回归模型（LR）、灰度模型（GM(1,1)）进行对比，结果见表1。表1表明，循环神经网络的预测误差在允许范围之内，可以被接受。且与其它模型相比，该模型的均方误差和平均绝对误差均为最小。这也说明将循环神经网络用于边坡稳定新分析是可行的。

4结论

本文将循环神经网络用于实际水利工程中边坡稳定性分析，实验结果表明该方法具有的较好预测效果，具有一定的可行性。但还需更大规模的数据对该方法进行进一步的验证以确保其可靠性。

参考文献

[1]赵永清.饱和砂性土边坡稳定性研究[J].山西建筑,2020,46(5):46-48.

[2]曹宁.苦咸水反渗透淡化技术的研究[J].硅酸盐通报,2017,36(4):1241-1244.

[3]黄婕.基于RNN-CNN集成深度学习模型的PM_(2.5)小时浓(7)度预测研究[D].杭州：浙江大学,2018.

作者：彭睿哲 单位：中国电建集团西北勘测设计研究院有限公司