基于剩余推力法与BP神经网络的玄武岩残坡积土公路边坡稳定性预测

• 作者: 刘凯 林新光 罗少云 郭增 韩磊
• 来源期刊: 公路
• 学科: 交通运输
• 关键词: 公路边坡 边坡稳定性 玄武岩残坡积土 剩余推力法 BP神经网络
• 年，卷（期）: 2017,（1）
• 所属期刊栏目: 道路
• 页码范围: 19-26
• 页数: 8页
• 分类号: U416.1
• 语种: 中文

摘要

采用剩余推力法与BP神经网络,以贵州省毕节地区宋阴公路K5+170～K5+220段玄武岩残坡积土边坡作为工程研究对象,对该边坡稳定性展开了计算和预测.选取现场实测剖面作为计算剖面,设置4个计算工况,由剩余推力法得到边坡天然状态(工况1)稳定性系数为1.085 1,当边坡处于16 m地下水位+暴雨(工况2)、16 m→8m地下变化水位(工况3)和16 m→8 m地下变化水位+暴雨(工况4)时,边坡稳定性系数均小于1.边坡稳定性敏感因素分析显示,滑带土黏聚力敏感系数平均值为15.9％,内摩擦角为48.3％,地下水位为34.0％,表明滑带土内摩擦角对边坡稳定影响最大,其次是地下水位.选择同一路段其他玄武岩残坡积土滑坡作为训练样本,通过Matlab神经网络ANN工具箱分步骤设计了BP网络,选择加动量学习速率自适应traingdx函数作为训练函数,采用多次预测求均值的方法获取预测结果.BP神经网络预测结果表明,边坡工况1的稳定性系数平均值为1.095～1.139,工况3为0.988～1.021,考虑到暴雨对边坡坡稳定性的影响,工况4时边坡可能发生滑动破坏.神经网络各次预测结果之间误差较大,最大达到45.87％,但求均值后的BP神经网络预测结果与剩余推力计算结果的相对误差大大降低,仅为0.4％～5.2％.将BP网络的输入参数减少为5个后,预测精度反而较高,表明黏聚力、内摩擦角、坡高、坡角、湿重度等因素对边坡稳定性有着实质性的影响,其他因素影响权重则较低.