摘要：人工神经网络最大的能力就在于可以模拟人大脑的思维，能在完全不知道数据分布规律的情况下处理各种参数间的复杂非线性映射关系。本次研究正是利用神经网络的这一巨大优势，对边坡的稳定性进行分析和预测。将已经通过验证的一些边坡影响因子参数输入神经网络模型，作为输入单元，再经过隐含层和输出单元的训练，最终得到预测结果。预测结果与实际工程结果非常接近，为边坡稳定性评价提供了一种新的方法。
关键词：BP神经网络,边坡稳定性
0 引言
随着计算机技术进步，神经网络技术进入人们视线。复杂的非线性关系是边坡稳定性分析中最大的障碍，而神经网络则具备良好的处理上述关系能力，所以，本次研究使用BP神经网络方法对边坡稳定性进行预测。
1 BP神经网络对边坡稳定性的分析
一个具有n个输入单元，2n+1个中间单元和m个输出单元的三层网络能精准表达出任何映射。所以，本文采用该模式进行预测。
1.1 对输入单元的确定
土质边坡稳定性受多因素影响。这里取土体重度γ，坡体高度h，坡角β，孔隙水压力比，内聚力c、内摩擦角φ作为边坡的主要影响因素。
由上可知，本次神经网络，输入层6个神经元，隐含层13个神经元，输出层1个神经元。
1.2 BP神经网络的训练
通过35个算例的影响因子数据和安全系数，让神经网络形成一套特有的映射关系。
1.2.1网络训练样本参数的归一化
因为样本存在差异，对数据进行归一化是很必要的。根据本次网络特点，将样本的数据处理到0.1~0.9之间，公式 即可。
1.2.2 网络初始权值
本次选用 为初始权值的数量级，其中s是隐含层的神经元数，r是输入数。
1.2.3自适应学习速率选择
在网络训练的过程当中，如果训练速率是定值，那就不能保证每个训练阶段都是合理的，所以使用动态、可调节的速率来训练网络将会非常必要。
这里E是平方误差，R是学习速率。误差小于上次误差时，学习速率将放大1.05倍;误差大于上次误差的1.03倍时，学习速率将缩小到原来的0.6倍，其他情况不变。
由上可知，这里选用6-13-1的网络结构，样本总数是35，初始学习速率是0.7，递增因子是1.05，递减因子是0.6，误差速率为1.04，目标误差是0.01。因子取值情况见表1所示。
网络的节点作用函数使用非线性可微连续Sigmoid型函数： 。
1.3 网络对边坡的预测
网络训练完成后，拿出5组新边坡输入训练好的神经网络中进行模拟，从而检验该方法的合理性，选取出来的边坡都是具有极强代表性的，具体数据见表2所示。
2 结论
表3中的安全系数1是神经网络的预测结果，安全系数2是工程上测定出的安全系数，从表中的数据可以看出，本次神经网络的预测结果和实际值相差很小，具有一定的工程意义。
(1)借助大量通过验证的边坡数据，对BP神经网络进行训练，形成了一套同类边坡的映射机理。
(2)利用训练好的神经网络，对一些典型边坡进行稳定性预测，得到的结论与实际结果相差不大。
(3)通过分析可知，本次研究为边坡稳定性分析提供了一种更为简单而易行的方法。
参考文献(Reference)
[1]戴自航，卢才金.边坡失稳机理力学解释[J].岩土工程学报，2006,28(10):1193-1197.
[2]张彩双，李俊杰，胡军.有限元强度折减法的边坡稳定分析[J].中国农村水利水电，2006(5):72-74.
[3]莫永强，丁德馨，肖猛.改进BP神经网络在边坡稳定性评价中的应用[J].矿冶，2006，15(2):10-12.
[4] J.Bojorque G.DE Roeck J.Maertens.Comments on ‘Two-dimensional slop stability analysis by limit equilibrium and strength reduction methods’ by Y.MCheng, T.Lansivaara and W.B.Wei [J].Computer and Geotechnics， 2007 ，34:305-308.
[5]邱道宏，陈剑平，阙金声. 基于粗糙集和人工神经网络的洞室岩体质量评价[J].吉林大学学报(地球科学版)，2008，38 (1):87-91.