摘 要：为了准确分析高速公路边坡性状，确保路基的稳定性，结合高速公路边坡环境特征，以边坡监测数据为基础，利用长短期记忆人工神经网络（LSTM）方法建立了高速公路边坡稳定性预测模型。以影响边坡稳定性的边坡质量系数、边坡结构系数、坡高系数、坡角系数、工程因素等因素为评估依据，采用降噪补缺、数据变换等方法处理LSTM前端数据，利用LSTM方法计算高速公路边坡稳定系数，与递归神经网络（RNN）方法进行比较。结果表明，高速公路边坡预测稳定系数为1.69，边坡安全稳定性良好，且符合实际。新方法的最大相对误差为1.60%，绝对MAPE仅为1.80%，较传统RNN方法预测更加精准。所得结论验证了深度学习在边坡稳定性预测评估过程中的有效性，对深入研究公路边坡稳定性具有借鉴价值。
关键词：岩土力学;高速公路工程;边坡稳定性;深度学习;LSTM理论;预测
中图分类号：U416 文献标识码：A
DOI：
10.7535/hbgykj.2021yx02011
Research on highway slope stability based on LSTM method
LI Bo
（Hubei Electric Power Survey and Design Institute Company Limited， Wuhan， Hubei 430000， China）
Abstract：
In order to accurately analyze the properties of the highway slope and ensure the stability of the roadbed， combined with the environmental characteristics of the highway slope， based on the slope monitoring data， the forecast model of highway slope stability was established by using the Long and Short-term Memory （LSTM） artificial neural network method. According to the factors such as slope quality coefficient， slope structure coefficient， slope height coefficient， slope angle coefficient， and engineering factors that affect slope stability， the LSTM front-end data was processed by noise reduction method and data transformation method， and the LSTM method was used to calculate the highway slope stability coefficient and was compared with the recurrent neural network （RNN） method. The research results show that the predicted stability coefficient of the highway slope is 1.69， the slope safety and stability is good and in line with reality. The maximum relative error of this method is 1.60%， and the absolute MAPE is only 1.80%， which is more accurate than the traditional RNN method. The conclusions verify the effectiveness of deep learning in the slope stability prediction and evaluation process， and have reference value for indepth study of highway slope stability.
Keywords：
geotechnical mechanics;highway engineering;slope stability;deep learning;LSTM theory;prediction
公路建設受到地形、地质、自然环境等因素的影响，公路边坡极易发生失稳、滑坡及坍塌等地质灾害[1]。高速公路边坡稳定性评估信息具有不完整性、多重性和不确定性等特点，如果评估不准确，容易导致事故的发生[2-3]。因此，对高速公路边坡稳定性预测的研究是有效提高高速公路边坡安全稳定性、降低安全风险事故的重要举措。
对于高速公路边坡稳定性的研究，贺为民等[4]针对高速公路滑坡现场进行勘查分析，引入极限平衡理论，运用FLAC法评估了公路边坡的安全稳定性，讨论了影响滑坡的重要因素;张士伦等[5]考虑到高速公路边坡岩体内部结构与外界环境要素的特点，在模糊分析理论的基础上提出了松散边坡稳定性综合评估模型，为研究边坡工程的安全稳定性提供了参考;KUMAR等[6]从工程岩体分类等级出发对高速公路边坡稳定性开展研究，建议从岩体等级（RMR）、斜坡质量等级（SMR）、以及地质强度指数（GSI）方面评价边坡安全稳定情况;何永波等[7]为提升高速公路边坡稳定性预测训练速度，提出了基于神经网络的可靠度分析方法，提高了边坡稳定的计算精度;CHEN等[8]针对无黏性土质公路边坡环境特点，根据监测数据构建时间序列模型，运用神经网络算法训练预测了高速公路边坡的稳定性。
传统预测方法难以准确评估边坡稳定性影响因素的安全等级。因此，笔者在分析高速公路边坡稳定性影响因素的基础上，引入长短期记忆人工神经网络（LSTM）方法，研究影响因素的时间序列特征，构建边坡稳定性预测模型，表征边坡稳定性变化机理，为有效研究高速公路边坡稳定性提供基础。
1 影响边坡稳定性的因素
岩质边坡的损坏变形是指在各种应力和工程因素作用下，岩性土质强度不断减弱的过程，严重影响边坡的安全稳定性。研究表明，公路边坡的安全稳定性是受到多种因素共同作用的结果[9-10]。笔者在工程实践中，分析公路边坡施工环境特征，归纳影响公路边坡稳定性因素，结合《建筑边坡工程技术规范》（GB 50330-2013），将边坡稳定性影响因素归纳为边坡岩体质量系数（SRQC）、边坡结构系数（SSC）、坡高系数（SHC）、坡角系数（SCC）、工程因素影响系数（EFEC）和环境条件影响因素（CCEC）等。
1）边坡岩体质量系数
边坡岩体的质量表达了岩体结构的完整性、岩体结构层间的发育特性、地下水作用效应等地质岩性属性，是综合表征岩体边坡稳定性的重要指标。
2）边坡结构系数
岩体结构层间的不同结合、坡面的不同结合是影响边坡岩体变形破坏的最重要因素，主要表现为结构面或结构面的交汇倾向、倾角与坡面倾向倾角之间的关系。
3）坡高系数
高边坡岩体的安全稳定性和岩体本身稳定性能有着密不可分的联系，随着边坡稳定高度的增大，边坡岩土的受力情况恶化也逐渐加大，进一步扩大岩体结构层面切割的破坏几率，从而降低边坡岩体的安全稳定状态。
4）坡角系数
岩体结构层面的内摩擦角对高边坡岩体的稳定性有着重要影响，随着边坡坡角的增大，其抗滑稳定性降低，导致边坡岩体稳定受损加重。
5）工程因素影响系数
工程因素对边坡稳定具有重要影响，在其爆破施工过程中，选择不同的爆破形式与坡形施工位置，对岩体边坡的作用效应不尽相同，易对岩体边坡产生破坏，形成崩塌。
6）环境条件影响因素
影响边坡工程稳定性的环境因素包含水文、地质、气象、地震等，其发生状况不同对边坡稳定性影响程度不同。因环境因素范围宽泛，且和其他因素之间存在共性，故本文不作考虑。
2 边坡稳定性的深度预测模型
2.1 深度学习方法的适用性
对边坡稳定性的监测是保障其稳定性的前提，高速公路边坡稳定性监测数据的收集受以下因素影响：1）监测过程中数据存在含噪失真等问题，导致数据不连续甚至缺失现象;2）统计后的监测数据量较大，难以选取具有代表性的边坡稳定性评估数据;3）边坡稳定性预测过程中，监测数据容易受到多重共线性的干扰。因此，有必要针对高速公路边坡特征，选取适合的边坡数据分析模型，以满足边坡安全稳定性分析的需求。
深度学习方法能够深层次挖掘高速公路边坡安全稳定性监控数据之间存在的规律，实现对数据的准确预测。将监测数据导入深度学习网络中，通过多次拟合训练，提取有效的数据信息，判断数据之间存在的规律，最终获得最佳的数据拟合形式，实现对高速公路边坡安全稳定性的预测。深度学习具有能够自主学习、自适应和容错性等特点，适合函数优化逼近问题，在原来多层神经网络的基础上增加了人类大脑特征学习部分，能够模仿人脑对信号的处理方式，提升对数据的网络训练性能，能够准确把握监测数据的有效性[11-12]。鉴于此，笔者利用深度学习方法对高速公路边坡数据进行挖掘，建立边坡安全稳定预测模型，提取监控过程中的有效信息并进行记录分析，为高速公路边坡的安全稳定性预测做准备。
2.2 前端处理优化
为了提高高速公路边坡稳定性预测的精准度，在进行监测数据处理的过程中，需要对监测数据进行降噪、补缺和变换等处理。现假设有包含T个监测样本信息数据的序列yj（t）， t=1，2，…，T; j=1，2，…，J，缺失与异常值分别用yjnu（t），yjan（t）来表征，对监测数据进行前端优化处理主要分2步。
步骤一：降噪、补缺
通常在收集数据的过程中，有很多不相符的重复数据，一般被当作噪声。在对噪声数据信息进行处理的过程中，為了能更好地复原数据信息的真实情况，首先将输入序列yj1（t）按照顺序滤波，然后将滤波过后的数据结果逆转方向再次放入滤波器，最后将所得到的数据结果逆转输出，获取到需要的降噪平滑序列yj2（t）。用公式表示为
zj1（t）=yj1（t）hj（t），
zj2（t）=zj1（T-1-t），zj3（t）=zj2（t）hj（t），
yj2（t）=zj3（T-1-t），（1）
式中：hj（t）表示为滤波器过程中的响应序列;zj1（t）和zj3（t）为2次滤波后的数据结果;zj2（t）和yj2（t）和为2次滤波后对应的逆转序列。
步骤二：数据变换
将步骤一处理后的平滑序列yj2（t）进行归一化，不仅能够加快算法寻找最优解的速度，并且能够避免梯度变化引起的数值变换困难。
yj3（t）=yj2（t）-min（yj2（t））max（yj2（t））-min（yj2（t）） ，（2）
式中：min（yj2（t））和max（yj2（t））分别为平滑序列yj2（t）中的最小值和最大值。
2.3 基于LSTM法的边坡稳定性预测
递归神经网络（RNN）是深度学习中比较出名的卷积神经网络，在传统多层神经网络的基础上，增添了部分卷积层与降维层，模拟人脑对事物的决策判断[13]。最明显的优势是在神经网络中融入了时间序列，考虑了不同时间节点输入样本数据对下一节点数据的影响程度。当RNN具备足够的隐藏层数目时，可以以任何精度逼近需要预测的序列，但是伴随着时间序列长度的增加，会导致RNN出现梯度爆炸以及消失问题，使得训练学习出现局部最优等问题，导致RNN的输出精度降低。为此，长短期记忆人工神经网络（LSTM）法有效避免了梯度消失缺点，提升了在时间序列较长影响下的训练处理能力。
LSTM法是基于RNN改进的神经网络，其主要特点是引入了记忆模块，能够对当前的信息进行学习，分析提取样本数据间的信息特征，利用此信息传递，能够让LSTM具有持久的记忆能力，更为方便地解决RNN算法中的梯度爆炸和消失问题[14-15]。LSTM法在处理信息过程中，能够利用自己的记忆模块对信息进行有规律的把握。其中，记忆模块分为遗忘门（flt）、输入门（ilt）和输出门（olt）三部分，主要被用于记忆信息数据传播过程中的误差反馈，并通过修正相关参数更新数据序列或遗弃不合规部分，其结构如图1所示。
遗忘门一般被用于控制上一时间节点中内部状态Clt-1所需遗弃的数据信息，输入门主要是保留当前情况下等候状态C～lt所需利用的数据信息，输出门是被用于保证当前状态Clt下记忆模块中需要向外输出的信息数据，其计算过程对应如下。
1）根据上一时间节点外部状态hlt-1和当前状态输入值hl-1t-1，计算出对应的flt，ilt和C～lt，由计算可得，输出单元状态的值为0或1，0表示将所有数据信息都遗弃，1则表示全部数据信息保留。
flt=σ（wf·[hlt-1，hl-1t-1]+bf） ，（3）
ilt=σ（wi·[hlt-1，hl-1t-1]+bi） ，（4）
C～lt=tanh（wC·[hlt-1，hl-1t-1]+bC） 。（5）
2）利用flt与ilt更新记忆单元状态Clt。
Clt=flt⊙Clt-1+ilt⊙C～lt 。（6）
3）通过olt将Clt信息传递给hlt，如式（5）和式（6）所示。
olt=σ（wo·[hlt-1，hl-1t-1]+bo） ，（7）
hlt=olt⊙tanh（Clt） ，（8）
式中：σ（·），tanh（·）分别为Sigmoid函数和双曲正切函数;w，b分別为权重矩阵和偏置向量;⊙表示两向量的标量积。
2.4 误差分析
为评价基于前端数据优化与LSTM法的高速公路边坡稳定性预测模型的精确性，结合预测值与实际值，采用相对误差β和绝对平均百分比误差（MAPE）2种方法作为评估标准，量化模型计算的精确性，同时对比验证模型的优越性，具体公式如下：
β=Δ/L×100%，（9）
MAPE=1N∑l+1i=1yi-yi^yi ，（10）
式中：β为实际相对误差，用百分数表示;Δ为绝对误差;L为实际值;y为预测输出值。
2.5 仿真流程
笔者结合前端数据优化与LSTM方法进行高速公路边坡稳定监测样本的训练和预测，分析高速公路边坡安全稳定性，步骤如下：
1）对初始数据样本进行前端优化，获取通过降噪平滑、数据变化处理后的新样本数据序列;
2）在t时刻将处理后的样本数据序列输入到输入层，根据激励函数计算需要输出的样本信息数据结果;
3）将t-1时间节点隐藏层中的输出和细胞单元中存贮的信息输入至LSTM的节点中，分别通过遗忘门、输入门、输出门以及细胞单元处理，获取可以进入下一时间节点的输出层或者隐藏层数据结果;
4）将获取到的输出样本信息结果数据输入至输出层，计算得出最后的训练输出数据;
5）将误差进行反向传播，更新完善各个部分的权值，记录全局最优值;
6）判断实际误差值E与预定误差值δ大小。若E<δ，输出全局最优值;反之E>δ，进行反向传播，回到步骤2）。
3 案例分析
3.1 数据收集与处理
影响公路边坡稳定性的因素较多，综合考虑各因素之间的联系，笔者以SQRC，SSC，SCC，SHC和EFEC等因素为稳定性评价因素，结合相关文献[16-17]收集边坡评价信息，以多条高速公路的边坡稳定性分析数据为例，如表1所示。将高速公路边坡稳定性分析报告中的稳定系数作为预测对象，其中选择前17组数据作为训练样本，后3组数据作为预测样本，利用LSTM方法进行边坡稳定性预测实验。
由于在监测过程中对部分指标数据的统计存在遗漏，导致样本数据中存在缺失值，影响数据的准确计算。因此，笔者提出数据前处理方法，旨在弥补样本数据中的缺失值，保证计算的准确性。
为更加准确预测高速公路边坡的安全稳定性，对样本数据分别进行降噪平滑和数据变化处理，得到样本信息数据处理前后对比图，如图2所示。其中，处理过后将之前样本中的缺失值与异常值进行了优化补缺，使得数据之间变化规律更加平滑，贴近实际效果。
3.2 样本训练与预测
利用LSTM法对高速公路边坡样本数据进行训练和预测，同时与RNN算法进行对比，验证LSTM模型在高速公路边坡稳定性评估过程中的准确性，训练结果如图3和图4，预测分析结果见表2。
通过分析图3和图4的曲线变化可以看出，LSTM法拟合预测值与实际值相差不是很大，与实际规律比较符合。在高速公路边坡样本数据中，大部分数据来源于不同的地质监测点，对预测准确性影响性较大。而本文提出的模型是通过多次深度分析训练数据得到最佳的拟合函数，进而寻求全局最优解。因此，尽管部分监测点数据在拟合过程中存在较大误差，但是整体的拟合效果贴近于实际值，说明本方法具有一定的实用性与准确性。
对利用改进LSTM法和RNN法得到的高速公路边坡稳定性预测结果进行绝对误差指标与绝对平均百分比误差（MAPE指标）分析并比较讨论，结果见表2。由表2可以看出：LSTM法与RNN法在样本数据预测结果和实际安全系数变化规律接近的情况下，前者预测精度显然优于后者，其最大相对误差为1.60%，MAPE为1.80%，小于RNN法预测数值，表明LSTM法预测效果良好。
4 结 语
笔者以边坡监测数据为基础，利用优化后的长短期记忆人工神经网络（LSTM）法建立了高速公路边坡稳定性预测模型，所得结论如下。
1）考虑高速公路边坡稳定性监测易受到时间跨度影响，引入深度学习方法，采用优化后的LSTM法构建高速公路边坡稳定的性预测模型，为高速公路边坡稳定性预测提供依据。
2）分析了影响高速公路边坡稳定性各要素，预测高速公路边坡安全稳定系数。结果表明，根据优化后的LSTM方法计算，高速公路边坡安全稳定系数预测值分别为1.00，1.79，1.69，边坡安全稳定情况较好。
影响高速公路边坡稳定性要素众多，各要素风险之间具有一定的影响性和转移性，今后可引入边坡稳定性风险网络拓扑结构，开展高速公路边坡稳定的脆弱性研究。
参考文献/References：
[1] DENG Xianghui， XU Tian， WANG Rui. Risk evaluation model of highway tunnel portal construction based on BP fuzzy neural network[J]. Computational Intelligence and Neuroscience， 2018，76（10）：
221-229.
[2] ZHAO Huan， TIAN Weiping， LI Jiachun， et al. Hazard zoning of trunk highway slope disasters：
A case study in northern Shaanxi[J]. Bulletin of Engineering Geology and the Environment， 2018，77（4）：
1355-1364.
[3] 邱祥， 蒋煌斌， 欧健， 等.“暂态”饱和-非饱和边坡稳定性分析方法研究[J].中國公路学报，2020，33（9）：
63-75.
QIU Xiang， JIANG Huangbin， OU Jian， et al. Stability analysis method of “Transient” saturated-unsaturated slope[J].China Journal of Highway and Transport，2020，33（9）：
63-75.
[4] 贺为民， 杨杰. 豫西高速公路滑坡成因分析[J].自然灾害学报，2013，22（3）：
244-250.
HE Weimin， YANG Jie. Analysis of landslide cause of expressway in Western Henan Province[J]. Journal of Natural Disasters， 2013，22（3）：
244-250.
[5] 张士伦， 张孟喜， 吉随旺， 等. 基于模糊分析的松散体边坡稳定性评价[J].上海交通大学学报， 2015，49（7）：
1035-1039.
ZHANG Shilun， ZHANG Mengxi， JI Suiwang， et al. Loose media slope stability evaluation based on fuzzy analysis[J]. Journal of Shanghai Jiaotong University， 2015，49（7）：
1035-1039.
[6] KUMAR S， KUMAR K， DOGRA N N. Rock mass classification and assessment of stability of critical slopes on national highway-22 in Himachal Pradesh[J]. Journal of the Geological Society of India， 2017，89（4）：
407-412.
[7] 何永波， 李青， 张宁， 等. RBF神经网络可靠度分析方法在边坡稳定性研究中的应用[J].中国安全生产科学技术， 2019， 15（7）：
130-136.
HE Yongbo， LI Qing， ZHANG Ning， et al. Application of RBF neural network reliability analysis method in slope stability research[J]. Journal of Safety Science and Technology， 2019， 15（7）：
130-136.
[8] CHEN Yanyan， WANG Shuwei， CHEN Ning， et al. Forecasting cohesionless soil highway slope displacement using modular neural network[J]. Discrete Dynamics in Nature and Society， 2012，56（7）：
112-120.
[9] 吴博， 赵法锁， 吴韶艳. 基于组合赋权-功效系数法的黄土边坡稳定性评价[J].灾害学， 2020， 35（2）：
34-38.
WU Bo，ZHAO Fasuo， WU Shaoyan. Stability evaluation of loess slope based on combined weighting and efficiency coefficient method[J]. Journal of Catastrophology，2020，35（2）：
34-38.
[10]DENG Dongping， LIANG Li. Limit equilibrium analysis of slope stability with coupling nonlinear strength criterion and double-strength reduction technique[J]. International Journal of Geomechanics， 2019， 19（4）：81-89.
[11]SHOAIB M， SHAMSELDIN A Y， KHAN S， et al. Input selection of wavelet-coupled neural network models for rainfall-runoff modelling[J]. Water Resources Management， 2019，33（3）：
955-973.
[12]黎璽克. 遗传算法优化BP神经网络的岩质边坡稳定性预测[J].河北工业科技，2020，37（3）：164-169.
LI Xike. Prediction of rock slope stability based on BP neural network optimized by genetic algorithm[J]. Hebei Journal of Industrial Science and Technology，2020，37（3）：164-169.
[13]杨仲江， 马俊彦， 王昊. 序列结构的RNN模型在闪电预警中的应用[J]. 灾害学， 2020，35（2）：90-96.
YANG Zhongjiang，MA Junyan， WANG Hao. Application of sequence structure RNN model in lightning early warning[J]. Journal of Catastrophology， 2020， 35（2）：
90-96.
[14]秦文虎， 陈溪莹. 基于长短时记忆网络的水质预测模型研究[J].安全与环境学报， 2020， 20（1）：
328-334.
QIN Wenhu， CHEN Xiying. Water quality forecast and prediction model based on long- and short-term memory network[J]. Journal of Safety and Environment，2020， 20（1）：
328-334.
[15]任秋兵， 沈扬， 李明超， 等. 水工建筑物安全监控深度分析模型及其优化研究[J/OL].水利学报.[2020-11-09]. https：//doi.org/10.13243/j.cnki.slxb.20200270.
REN Qiubing， SHEN Yang， LI Mingchao， et al. Safety monitoring model of hydraulic structures and its optimization based on deep learning analysis[J/OL]. Journal of Hydraulic Engineering. [2020-11-09]. https：//doi.org/10.13243/j.cnki.slxb.20200270.
[16]郭瑞清， 木合塔尔·扎日， 刘新喜. 基于自适应神经元模糊推理系统的岩质边坡稳定性评价方法[J]. 岩石力学与工程学报，2006，25（sup1）：
2785-2789.
GUO Ruiqing， ZARI Muhtar，LIU Xinxi. Stability evaluation method of rock mass slope based on adaptive neural-net work based fuzzy interference system[J]. Chinese Journal of Rock Mechanics and Engineering，2006，25（sup1）：
2785-2789.
[17]江婷， 沈振中， 徐力群，等， 基于支持向量机-小波神经网络的边坡位移时序预测模型[J]. 武汉大学学报（工学版）， 2017， 50（2）：
174-181.
JIANG Ting， SHEN Zhenzhong， XU Liqun， et al. Time series prediction model of slope displacement based on support vector machines-wavelet neural network[J]. Engineering Journal of Wuhan University， 2017， 50（2）：
174-181.
收稿日期：2020-09-25;修回日期：2020-12-16;责任编辑：张 军
作者简介：李 勃（1964—），男，湖北通城人，高级工程师，主要从事岩土工程管理、地质灾害勘测与预测等方面的研究。
E-mail：569797198@qq.com
李勃. 基于LSTM法的高速公路边坡稳定性研究[J].河北工业科技，2021，38（2）：142-147.
LI Bo. Research on highway slope stability based on LSTM method[J]. Hebei Journal of Industrial Science and Technology， 2021，38（2）：142-147.
猜你喜欢 深度学习预测 2017年高考选修考点预测广东教育·高中(2017年6期)2017-06-30浅谈促进小学生深度学习的内容与方式速读·下旬(2016年11期)2017-05-092017年高考三角热点考向预测广东教育·高中(2017年3期)2017-04-08促进深度学习，提升数学核心素养江苏教育(2016年19期)2017-03-12历史深度学习的六个着力点教学与管理(中学版)(2016年12期)2017-01-07深度学习与数学思维下的未来课堂新课程·上旬(2016年6期)2016-08-06深度学习在城市交通流预测中的实践研究现代电子技术(2015年15期)2015-08-14《福彩3D中奖公式》：提前一月预测号码的惊人技巧！金点子生意(2014年4期)2014-04-10《福彩3D中奖公式》：提前一月预测号码的惊人技巧！金点子生意(2014年4期)2014-04-10预测高考中学生英语高效课堂探究(2008年9期)2008-11-17
