基于灰色神经网络的边坡形变预测研究
⇨⇦
曹望成++刘志宇++马宝英
【摘 要】利用智能方法对边坡形变进行预测，进而对矿区安全进行评估近年来成为研究的热点。针对边坡形变数据小样本、贫信息、高非线性等特点，本文将灰色理论与神经网络方法相结合构建灰色神经网络，充分利用灰色模型处理小样本和神经网络处理非线性的能力，对矿区边坡形变进行预测。实验分析表明，利用灰色神经网络进行形变预测是正确有效的，预测精度取得了较好的效果。
【关键词】灰色模型；神经网络；形变预测
一、引言
长期以来，矿区安全一直是人们比较关注的问题。由于矿区在开采过程中会对岩层结构造成一定的破坏，导致开采区域边坡产生形变，因此近年来许多专家学者研究通过监测边坡的形变来对矿区的安全等级进行预估。纵观这些研究成果，大多集中在三种方法，即灰色理论、时间序列分析法以及人工神经网络方法。
二、灰色理论
灰色理论是一种研究少数据、贫信息、不确定性问题的新方法。该理论强调通过对无规律系统已知信息的研究，提炼和挖掘有价值的信息，进而用已知信息去解释未知信息，使系统不断＂白化＂。灰色模型简称GM模型，该模型的构建过程为：首先对原始数据进行检验，包括非负性处理等。然后对原始数据序列做一次累加，使累加后的数据呈现一定的规律性，然后用典型曲线拟合该曲线。
三、BP神经网络
BP （Back Propagation）神经网络全称是基于误差反向传播算法的人工神经网络，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。
四、灰色神经网络
灰色理论善于处理小样本、贫信息问题，而神经网络则对复杂非线性映射问题比较有优势，将这两种方法结合构建灰色神经网络，可以很好地对边坡形变进行预测，同时这两种方法可以互相弥补各自的缺陷。
五、实验分析
本实验完成的是对某矿区边坡形变的预测。共选取了3个监测点，并且这3个监测点分布在一条线上，这样更有利于客观的分析形变所导致的安全隐患。监测数据是利用边坡扫描雷达采集，该雷达上还集成有气象传感模块。每一个监测点都收集了7天内不同时间点测得的共150组数据，包括三维坐标数据和当时的气象数据。其中120组数据用于训练网络，其余30组数据用于测试网络。首先，能够采集获得的是包含三维的边坡坐标数据，为了使用和表示方便，本文按照 公式将其转化为实际的位置数据，并将其与基准位置做差，作为当前时刻的形变数据，用于训练和测试网络。其次，多种自然因素以及形变数据的量纲有很大区别，为了更有效的训练网络，本文对输入数据进行了归一化处理。将所有训练数据处理完成以后，输入网络进行训练，网络进化次数设定为100，训练结果如图1所示。
从图1可以明显看出网络的训练效果很好，很短的时间内就进化达到误差的要求。下面将3个监测点的测试数据输入网络进行预测，同时与单独使用灰色模型和BP神经网络的预测结果相比较，分别如图2，3，4所示。
从各监测点的预测结果图可以明显看出，灰色神经网络具有最高的预测精度，平均误差为0.023，最大误差为0.031。而单独采用灰色模型或BP神经网络方法进行预测的精度要明显低于灰色神经网络方法，平均误差分别为0.092和0.13，最大误差分别达到了0.15和0.18。另一方面，灰色神经网络的用时要明显少于BP神经网络，略高于灰色模型方法，但是对于实际工程应用来说，是完全符合要求的。
本文的另一个创新点是不仅使用形变的历史数据进行建模，同时考虑影响形变的气象因素，为了考察这种方式的优越性，本文还与单独使用形变数据建立的模型进行预测对比，结果如图5所示。
图5的预测比较结果充分说明，同时使用形变和气象数据建立的模型的预测精度要明显高于单独使用形变数据建立的模型。更为重要的一点是，在预测第6个数据点时，由于降雨量和风速的影响，边坡的实际形变量突增，本文的方法因为充分考虑了气象因素，所以预测结果与实际结果非常接近，而单独使用形变数据建立的模型的预测结果与实测结果相差较大，可见气象因素对于形变的影响很大，尤其当在短时期内出现突然的气象变化时，仅依靠形变的历史数据无法给出正确的预测结果。
六、结束语
通过对某矿区边坡实测形变数据的实验分析，本文建立的灰色神经网络具有较高的预测精度和较低的工作用时。对比实验表明，这种方式建立的预测模型的适应能力更强，对于气象因素对于边坡形变的影响反应更为及时。
【参考文献】
[1]张伟航，甘德清，陈超，罗诗佳.边坡变形监测研究与进展[J].矿山测量，2010（01）.
[2]王焱，孙雁鸣，佟维妍.基于遗传算法的露天矿边坡检测传感网络优化[J].计算机测量与控制，2011（02）.
[3]马海荣，蔡林桓，李川.优化GM（1，1）模型在滑坡形变预测预报中的应用研究[J].工程地球物理学报，2012（04）.
[4]代永新，赵武鹍.基于混沌神经网络方法的边坡稳定性分析[J].金属矿山，2012（11）.