基于模糊神经网络的高速公路边坡危险性评价与

1概述

在高速公路施工时，因对信息分析不科学或信息反馈不及时，会造成边坡具有较大安全隐患，边坡灾害易在雨季发生。通过灾害危险性评价，可为灾害治理、预防提供科学依据[1]。目前，国内对公路边坡灾害危险性评价有较多的研究，有研究结合公路工程特点，根据已有区域地质灾害评价方法，对山区公路地质灾害危险性评价模型进行了探讨[2]；有研究者根据风险评价的步骤及原理，进行了公路承灾体抗灾能力评价、公路自然灾害危险性评价、公路灾害损失评价研究[3]；有研究者采用专家调查法和影响因素叠加法建立了评价模型，对我国公路地质灾害进行了危险性评价[4]。

目前，评价高速公路边坡危险性的方法主要包括模糊综合指数法评价法、灰色关联法[5]。现行的危险性评价大多由评价者主观意识进行决定，评价结果与实际情况有较大偏差[6-8]。模糊理论在进行评价时，结合了指标的主观信息和不确定性，但在确定权重和隶属度函数时有一定的困难[9]。当前，由于确定因子间权重、隶属度函数大多采用专家经验，具有较强的主观随意性，若在选择权重和隶属度函数时，选择不当会影响评价结果[10]。人工神经网络属于一种非线性模拟技术，对非线性关系或模糊信息的处理比较适合[11-13]。因而，本文在进行高速公路边坡危险性评价时，应用模糊神经网络方法，采用模糊逻辑系统(FLS)表示评价系统，通过BP神经网络学习算法，对FLS隶属函数参数进行调整。此时神经网络由FLS转化而来，其参数和节点均具有一定的实际意义，也就是与FLS的推理过程、隶属度函数相对应；同时，FLS模糊规则由训练样本数据调整修正产生，不是来自专家经验，通过神经网络训练隶属度函数参数，可对评价因子隶属度函数进行确定，评价结果具有一定的可靠。

2模糊神经网络评价模型

2.1T-S模糊模型

T-S模糊系统是一种能不断修正模糊参数的动态系统，T-S模型系统模糊推理过程为：假定输入量x=x1,x2,…,xm，根据模糊规则，对各输入变量xi的隶属度采用公式(1)进行计算：

μ=exp -xi-c2b

i=1,2,…,m;j=1,2,…,n

ωj=μAx1×μx2×…×μAxm

i=1,2,…,m

在T-S模糊系统中，推理规则为“If-Then”，在规则Rj，各模糊子集的输出见公式(3)：

yj=p+p+…+p

i=1,2,…,m;j=1,2,…,n

根据模糊计算结果，公式(4)为计算模糊模型的输出值：

2.2模糊神经网络构建

图1为模糊神经网络结构图，该网络结构包括模糊化层、输入层、输出层、模糊推理层。输入层为第一层，其节点与输入向量的各分量xi直接连接，输入向量的维数和节点数相同，也就是说，该层节点数N1=m，其中输入变量数用m表示。模糊化层为第二层，主要是模糊化处理输入量，通过公式(1)可将各模糊集合的隶属度值、各输入分量隶属值计算出。模糊推理层为第三层，通过和模糊化层连接，模糊推理层对模糊规则进行匹配，模糊运算在各节点间得到实现。n个节点与n条规则相对应，该层采用公式(2)的算法。反模糊化层为第四层，最终输出则采用公式(4)进行计算。

图1 模糊神经网络结构图Figure 1 Structure diagram of fuzzy neural network

2.3学习算法

按照网络输出和期望输出的误差，模糊神经网络对隶属函数、模糊系统系数的参数不断进行修正，这样使模糊神经网络不断对期望输出进行逼近，公式(5)为其学习修正算法。

e=γd-γc22

公式中，网络实际输出用yc表示；网络期望输出用yd表示；实际输出和期望输出的误差用e表示。

通过公式(6)、(7)模糊系统对系数进行修改。

采用公式(8)、(9)、(10)对隶属度参数进行修正。

3在滑坡危险性评价中应用

3.1影响因素划分标准

根据四川省地质灾害危险性评估实施细则和四川省滑坡灾害危险性分布特点，应用T-S模糊神经系统的关联分析方法，对高速公路边坡进行危险性分析。选取评价因素9个，与野外调查相结合，将各评价因素进行定量归一化，划分成3个安全等级。

3.2基于T-S模糊神经系统的灰色关联分析

表1为滑坡灾害危险性综合评价指标及赋分，在表1中，由滑坡评价标准构成比较序列，以四川省山洪灾害防治规划中统计的滑坡影响因素数据为参考序列，将比较序列和参考序列逐个进行组合，通过T-S模糊神经系统的分析，计算关联度。其中Kt表示临界雨量系数，指在单位时段，年最大降雨量的多年均值除以单位时段的临界雨量。

文章来源：《模糊系统与数学》 网址: http://www.mhxtysxzz.cn/qikandaodu/2021/0715/611.html