一种基于神经网络模型的边坡检评分类预测模型的制作方法

本发明属于边坡检评分类预测，具体是一种基于神经网络模型的边坡检评分类预测模型。

背景技术：

1、近年来，随着我国交通事业的迅速发展，浙江省提出六纵六横的交通总规划，公路里程数逐年提升。浙江地处丘陵地带，公路的建设总是伴随着人工开挖边坡的出现，是公路工程中最基本的地质环境之一。边坡形成后易受自然环境的影响，使其工况等级处于持续的变化当中，因此对边坡安全风险等级进行精确评价并对可能发生的灾害做出预警具有重要意义。目前常用的边坡等级评价方法存在一定的局限性，多偏向于定性分析。随着机器学习等新型计算机科学的进步，基于机器学习模型的数据处理方法在岩土工程边坡领域得到初步的应用，为边坡的等级评价分析开拓了新方向。

2、机器学习模型的应用广泛，常见的模型有神经网络、高斯混合模型、随机森林等。神经网络模型是深度学习的基础，通过模拟神经元的工作方式非线性的完成数据分析工作。对比其他机器学习模型，反向误差传播神经网络(bpnn)基于误差反向传播算法(backpropagation)和神经网络模型，与最优化方法结合使用。在处理非线性问题上具有突出的优势。比较了多种机器学习方法在非线性分类问题上的表现，结果表明bpnn的分类性能优异，预测结果满足工程要求。但bpnn模型运行中依赖于模型参数的调整和针对神经网络基础模型的优化，通过增强模型的适应性达到输出预测结果的准确性。许多算法与函数都可嵌入进神经网络的基础模型中，如径向基函数，guass函数，深度前馈(deepfeed-forward)函数和长短期记忆(1ong/short term memory)等。以上算法类似于bp算法，在模型运行过程中易陷入局部最优陷阱，产生过拟合现象。而产生过拟合现象会导致边坡检评分类预测的准确性降低。

技术实现思路

1、本发明针对现有技术不足，提供了一种基于神经网络模型的边坡检评分类预测模型，这种边坡检评分类预测模型通过遗传算法结合bpnn，构建ga-bpnn边坡分类预测模型来解决bpnn的以上缺点，实现优势互补，bpnn通过误差反传算法，优化了神经网络模型的权值和偏置，遗传算法则通过输出全局最优解的特性，避免了局部最优陷阱。此外，引入遗传算法还具有持续学习、耐数据噪声、可处理缺乏数学表达问题的优点。在ga-bpnn边坡分类预测模型的基础上，对边坡工况变差的概率做出预测，依据预测的弱化概率提出预警，为公路边坡的工况分类预测提出基于数据科学的研究方法。

2、为了解决上述技术问题，本发明通过下述技术方案得以解决：一种基于神经网络模型的边坡检评分类预测模型，该模型的构建方法如下：步骤1)构建数据库：根据现场调查的基础数据，基础数据包括几何特征数据、病害影响系数特征数据和防护病害系数特征数据，并依据高速公路边坡养护技术规范，基于实地调研与定性定量相结合的分析方法实现边坡分类为四级，所得基础数据与对应边坡分类组合后可得出特征数据库，得到单个向量大小为1×n的特征向量；2)利用遗传算法对神经网络的初始权值和偏置展开初步寻优：遗传算法对来自于神经网络算法中的初始权值和偏置编码；输入单个向量大小为1×n的特征向量；遗传算法中的适应度值相应的取自适应度函数，bpnn中的算法目标函数被作为适应度函数；进行选择、交叉、变异和计算适应度值的操作，获取最优权值和偏置；3)将特征向量转置后输入到bp神经网络算法中，在隐含层中经步骤2)中优化的权值和偏置加权总和和偏置后，通过激活函数输出的值即为下一隐含层对应输入节点的值，经若干层隐含层加权求和和偏置后得预测值，输出层计算预测值与实际值的误差，反传误差及更新模型，在训练模型未到设定次数时则继续训练和更新模型，若达到设定训练次数后，输出层计算预测值与实际值的误差，若误差达到指定标准则结束；若误差标准在设定训练次数之前收敛，后续loss趋于稳定，以误差标准收敛的模型作为最终模型；若误差未达到指定标准则继续训练更新模型，直至误差达到指定标准结束，在结束训练后bp神经网络便可根据输入的特征值输出对应边坡分类等级，完成边坡分类。

3、上述技术方案中，优选的，在步骤3)中，在将特征向量输入到bp神经网络算法中之前，将1×n的特征向量使用max-min归一化方法进行归一化处理后再输入，并在最后将模型输出数据进行反归一化处理。

4、上述技术方案中，优选的，所述几何特征数据包括坡高、坡角、坡长以及路距。

5、上述技术方案中，优选的，所述病害影响系数特征数据包括悬空系数、崩塌系数、坍塌系数和排水系数。

6、本发明与现有技术相比，具有如下有益效果：采用遗传算法优化bp神经网络，建立基于ga-bpnn的边坡分级预测模型具有预测准确率高，可有效针对不同边坡进行安全等级分类预测，ga-bpnn模型的精确率、f1分数与auc值分别达到了91.67％、90.43％和0.947，模型具有优秀的泛化能力，在避免局部最优陷阱与优化网络模型权值方面表现突出，避免了模型预测的过拟合问题。

技术特征：

1.一种基于神经网络模型的边坡检评分类预测模型，其特征在于：该模型的构建方法如下：步骤1)构建数据库：根据现场调查的基础数据，基础数据包括几何特征数据、病害影响系数特征数据和防护病害系数特征数据，并依据高速公路边坡养护技术规范，基于实地调研与定性定量相结合的分析方法实现边坡分类为四级，所得基础数据与对应边坡分类组合后可得出特征数据库，得到单个向量大小为1×n的特征向量；2)利用遗传算法对神经网络的初始权值和偏置展开初步寻优：遗传算法对来自于神经网络算法中的初始权值和偏置编码；输入单个向量大小为1×n的特征向量；遗传算法中的适应度值相应的取自适应度函数，bpnn中的算法目标函数被作为适应度函数；进行选择、交叉、变异和计算适应度值的操作，获取最优权值和偏置；3)将特征向量转置后输入到bp神经网络算法中，在隐含层中经步骤2)中优化的权值和偏置加权总和和偏置后，通过激活函数输出的值即为下一隐含层对应输入节点的值，经若干层隐含层加权求和和偏置后得预测值，输出层计算预测值与实际值的误差，反传误差及更新模型，在训练模型未到设定次数时则继续训练和更新模型，若达到设定训练次数后，输出层计算预测值与实际值的误差，若误差达到指定标准则结束；若误差标准在设定训练次数之前收敛，后续loss趋于稳定，以误差标准收敛的模型作为最终模型；若误差未达到指定标准则继续训练更新模型，直至误差达到指定标准结束，在结束训练后bp神经网络便可根据输入的特征值输出对应边坡分类等级，完成边坡分类。

2.如权利要求1所述的一种基于神经网络模型的边坡检评分类预测模型，其特征在于：在步骤3)中，在将特征向量输入到bp神经网络算法中之前，将1×n的特征向量使用max-min归一化方法进行归一化处理后再输入，并在最后将模型输出数据进行反归一化处理。

3.如权利要求1所述的一种基于神经网络模型的边坡检评分类预测模型，其特征在于：所述几何特征数据包括坡高、坡角、坡长以及路距。

4.如权利要求1所述的一种基于神经网络模型的边坡检评分类预测模型，其特征在于：所述病害影响系数特征数据包括悬空系数、崩塌系数、坍塌系数和排水系数。

技术总结本发明公开了一种基于神经网络模型的边坡检评分类预测模型，该模型的构建方法如下：步骤1)构建数据库得到单个向量大小为1×n的特征向量；2)利用遗传算法对神经网络的权值和偏置展开初步寻优；3)将特征向量转置后输入到BP神经网络算法中，在隐含层中经步骤2)中优化的权值和偏置加权总和和偏置后，通过激活函数输出的值即为下一隐含层对应输入节点的值，经若干层隐含层加权求和和偏置后得预测值，输出层计算预测值与实际值的误差，反传误差及更新模型，在训练模型未到设定次数时则继续训练和更新模型，若达到设定训练次数后，输出层计算预测值与实际值的误差，若误差达到指定标准则结束；若误差标准在设定训练次数之前收敛，后续loss趋于稳定，以误差标准收敛的模型作为最终模型；若误差未达到指定标准则继续训练更新模型，直至误差达到指定标准结束，在结束训练后BP神经网络便可根据输入的特征值输出对应边坡分类等级，完成边坡分类。从而避免过拟合现象和提高预测模型的准确率。技术研发人员：王华俊,卿翠贵,姚文杰,董理金,彭勃,吴振宇,陶清华受保护的技术使用者：浙江省工程勘察设计院集团有限公司技术研发日：技术公布日：2024/7/29