模式識別法在巖石邊坡監測中的應用
陸 峰 陳祖煜
（中國水利水電科學研究院）
摘要 本文提出并定義了邊坡滑動模式的概念，將其與邊坡安全監測資料分析結合起來，建立監測信息與邊坡滑動模式之間的映射關系。引入人工神經網絡模式識別方法，建立一個邊坡實時安全監測模式識別器，根據監測資料實時判斷邊坡所處于的安全狀態模式，結合其它的邊坡基本資料判斷邊坡的穩定性。作為實例，應用此模式識別器分析小浪底水利樞紐出水口高邊坡某一段時間的監測資料。實例表明該方法和工具的應用效果是值得信賴的，可滿足邊坡實時安全監測的需要。
關鍵詞 邊坡；安全監測；模式識別；人工神經網絡
高邊坡的穩定在大型水電工程的安全性中往往具有重要的地位，需要對其進行嚴密的監測。因此，開發自動化的邊坡在線監測系統對邊坡的安全和水電工程系統的安全運行十分重要。目前對邊坡的監測一般以少數重點監測物理量的先驗指標作為邊坡安全的評判標準。如此得出的分析成果的可靠性取決于指標制定者的專業知識、經驗等人為因素。而人為因素本身就具有一定的不確定性。因此，基于先驗指標的邊坡自動化監測系統在應用中還是難于推廣。而當前，邊坡穩定極限分析法在理論上已經相當完善，并已經過大量工程實踐的檢驗，其分析成果具有高度可靠性。將其引入邊坡監測工作，可提高監測分析成果的準確性和監測工作的時效性，對在線自動監測尤為重要。
應用極限分析法進行邊坡穩定的在線監測，首先要根據邊坡的地形地質條件定義了邊坡滑動模式集，將其與邊坡安全監測資料分析結合起來，根據專家的經驗建立監測信息與邊坡滑動模式之間的映射關系。引入神經網絡模式識別方法，建立一個邊坡實時安全監測模式識別器，根據監測資料實時判斷邊坡所處于的安全狀態模式。綜合邊坡的安全狀態模式和所有其基本條件，形成邊坡極限分析法的計算資料文件，即可用極限分析程序計算出邊坡在任一監測時刻的安全系數，評判邊坡的安全狀況（陸峰，2001）。
2．邊坡的滑動模式
在邊坡的靜態穩定分析工作中，往往要假設邊坡可能的滑動模式（陳祖煜，1995）。這個工作依賴于分析者對邊坡的了解和實踐經驗。事實上在邊坡監測過程中，我們也可以認為對應于任一時刻監測資料所揭示的邊坡的安全狀態，應該用某種滑動模式來考慮邊坡的穩定性。簡單地說，如果邊坡監測斷面上的位移、錨桿應力等測值呈現某種空間分布形式，且數值達到需要考慮邊坡穩定性的程度，就該將其與邊坡的某種滑動模式聯系起來。
邊坡的滑動模式由滑裂面組合形式構成。對于土質邊坡，常見的滑裂面有直線或圓弧形式。對于巖石邊坡，則要重點考慮斷層、軟弱夾層和節理等結構面�；衙嫱ǔx擇穿過某些結構面。至于選擇哪些結構面，是由非常復雜的力學因素決定的。而完善的監測系統能及時地反映這些情況。在實際應用中，我們可以根據邊坡的基本情況和監測儀器的埋設情況，列舉出邊坡可能的滑動模式，形成滑動模式集Mi。
Mi ={m1, m2, ¼ , mN} (1)
如圖1~4所示為小浪底水利樞紐工程出水口高邊坡某斷面的四種滑動模式。
|
|
|
圖1 小浪底水利樞紐工程出水口高邊坡某斷面滑動模式1 |
|
|
|
圖2 小浪底水利樞紐工程出水口高邊坡某斷面滑動模式2 |
|
|
|
圖3 小浪底水利樞紐工程出水口高邊坡某斷面滑動模式3 |
|
|
|
圖4 小浪底水利樞紐工程出水口高邊坡某斷面滑動模式4 |
將監測數據形成向量形式，如式(2)所示
Vi=(d1, d2, ¼ , dm, p1, p2, ¼ , pn, u1, u2, ¼ , ur, x1, x2, ¼ , xs) (2)
式中d1, d2, ¼ , dm表示相關位移測點測值，m為i部位位移類測點數；p1, p2, ¼ , pn代表錨索（桿）應力計測值，n為應力計數；u1, u2, ¼ , ur代表滲壓計滲壓值，r為滲壓計數；x1, x2, ¼ , xs代表人工巡視信息，s為其項目數。人工巡視項目有的是一些物理量，如水位、降雨量等；有的是一數值，表示對項目程度的評價，如0.5對于坡頂裂縫來說是確實存在而且已經張開到中等程度了。
收集大量的邊坡實測數據，整理成上述向量形式，選擇其中具有代表性和比較典型的部分，形成向量集，留待使用。在專家的參與和指導下，將整理好的向量集中的每一個向量與邊坡滑動模式集中的某一模式聯系起來，建立監測向量集與邊坡滑動模式集之間的映射關系。
Vi ® Mi (3)
3．邊坡監測神經網絡模式識別器的結構
人工神經網絡（Artificial Neural Network, ANN）方法是一種模仿動物腦神經網絡某些結構和功能的數值計算方法，具有超強的分類、預測和模式識別能力。人工神經網絡一般由神經元、神經元組成的層和層間連接權構成。關于人工神經網絡的工作原理和功能在許多專著中都有詳細討論（Abhijit S，1999；戴葵，1998），本文不再贅述。
神經網絡模式識別器是描述(3)中監測數據向量模式集對邊坡滑動模式集的映射關系，并進行預測的理想工具。本文選用典型的三層BP網絡拓撲結構作為模式識別器的結構。輸入層神經元數為監測向量的單元數，設為v，由(2)可知
v=m+n+r+s (4)
輸出層僅有一個神經元，代表一個邊坡滑動模式。隱含層（中間層）的神經元數h對神經網絡的收斂速度影響較大。經反復試驗，本文認為
h=2v-1 (5)
時效果最好。
4．神經網絡模式識別器在邊坡穩定監測中的應用
將前面整理好的邊坡監測向量集和邊坡滑動模式集的映射關系整理成數據文件的形式，交給神經網絡模式識別器程序進行訓練。因為神經網絡的訓練需要大量的迭代運算，其運行耗時往往很長。
上述訓練工作完成后，就可以將新得到的邊坡監測數據輸入邊坡監測模式識別器，判斷該時刻考慮邊坡穩定性應該使用的滑動模式。結合邊坡的其它基本資料，整理成一個邊坡極限分析法程序的數據文件，交給極限分析程序進行運算，即可計算出該時刻邊坡的安全系數。
