(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111453559.6 (22)申请日 2021.12.01 (71)申请人 武汉大学 地址 430072 湖北省武汉市武昌区珞珈山 武汉大学 (72)发明人 李典庆　王茂鑫　杜文琪　曹子君　 (74)专利代理 机构 武汉科皓知识产权代理事务 所(特殊普通 合伙) 42222 代理人 肖明洲 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G01V 1/30(2006.01) (54)发明名称 一种基于人工神经网络的边坡地震滑移预 测方法及系统 (57)摘要 本发明公开了一种基于人工神经网络的边 坡地震滑移预测方法及系统， 旨在利用大量的地 震波和Newmark滑块分析， 构建由地震动谱加速 度和边坡屈服加速度预测边坡永久位移的显式 表达式。 本发明首先构建位移预测 网络模型； 然 后从地震动数据库N GA‑West2中挑选地震波并计 算不同条件 下边坡的永久位移； 耦合早停技术和 5折交叉验证技术选择最优的模型超参数； 接着 为位移预测网络模型配备最优超参数， 进行最终 训练并评估位移预测网络模型性能； 最后 在给定 地震工况和边坡 条件下预测永久位移。 基于该方 法， 本发明发展并公开了三个具有较好准确性、 普适性与实用性的边坡地震滑移预测模型， 对地 震作用下的边坡稳定性评价和抗震设计具有显 著的指导 意义。 权利要求书3页 说明书8页 附图6页 CN 114330101 A 2022.04.12 CN 114330101 A 1.一种基于人工神经网络的边坡地震滑 移预测方法， 其特 征在于， 包括以下步骤： 步骤1： 构建位移预测网络模型； 所述位移预测网络模型包含输入层、 中间层和输出层； 输入层节点数等于预测变量的 数量； 中间层节点数采用耦合早停法与5折交叉验证法进 行选取； 输出层节点数为 1， 代表预 测位移； 步骤2： 挑选地震波记录， 考虑若干种边坡工况， 得到位移预测网络模型所需的数据集， 包括训练集和 测试集； 步骤3： 根据训练集数据， 耦合早停法与5折交叉验证法， 实现对位移预测网络模型超参 数的选择， 所述超参数即为中间层节点数； 步骤4： 为位移预测网络模型配备最优超参数， 基于训练集得到最终的位移预测网络模 型， 并评估位移预测网络模型在测试集上的泛化能力； 步骤5： 将所得位移预测网络模型应用于边坡工程案例， 在给定地震工况下预测边坡永 久位移D及标准差σlnD， 进而获得边坡地震滑 移预测值。 2.根据权利要求1所述的基于人工神经网络的边坡地震滑移预测方法， 其特征在于： 步 骤2中， 采用批量 化Newmark滑块分析 方法获取 预设边坡条件的地震滑 移数据； 所述批量化Newmark滑块分析方法， 计算边坡在地震波正向和逆向作用下的两种永久 位移值， 具体实现包括以下子步骤： 步骤A1： 给定一条地震波加速度 时间历程a(t)与一个边坡屈服加速度Ky， 计算滑块的 滑动加速度A(t)， 即A(t)＝a(t) ‑Ky； 步骤A2： 对A(t)进行一次数值积分获得滑块的滑动速度V(t)， 即 式中T 为地震波的持续时间； 步骤A3： 对V(t)再进行一次数值积分求取永久位移D， 即 式中I [·]为指令函数， 当V(t)>0时取1， 否则取0， 即去除坡体向上滑动的不真实情况； 步骤A4： 对步骤A1中的a(t)取相 反数， 再重复上述步骤一次计算地震波逆向作用下的 永久位移； 步骤A5： 在并行运算的框架下对多条地震波与多个边坡屈服加速度的情况执行上述步 骤A1～步骤A4， 至此获得 所有情况 下的正向和逆向边坡永久位移值数据。 3.根据权利要求1所述的基于人工神经网络的边坡地震滑移预测方法， 其特征在于： 步 骤2中， 对训练集和 测试集进行Mi n‑Max归一化处理以映射到[ ‑1,1]的区间； 式中， n为输入变量的数目； 为第l组样本中第i个变量的原始值； xi,min和xi,max分别为 第i个变量原始数据的最小值和最大值； 为第l组样本中第i个 变量归一 化后的值。 4.根据权利要求1所述的基于人工神经网络的边坡地震滑移预测方法， 其特征在于： 步 骤2中， 输出变量 为lnD， 即D的自然对数， 其中D的单位 为cm；权　利　要　求　书 1/3 页 2 CN 114330101 A 2式中， m为中间层节点的数目； wij和w′j1为待求权值， i＝ 1,2,...,n； j＝ 1,2,...,m； bj和 b′为待求节点偏置值； f( ·)为双曲正切激活函数， 以矩阵形式运 算。 5.根据权利要求1所述的基于人工神经网络的边坡地震滑移预测方法， 其特征在于， 步 骤3的具体实现包括以下子步骤： 步骤3.1： 设置参数j的初值为1； 其中， 参数j表示Nhyp组备选超参数的组索引， 即j＝1, 2,…,Nhyp； 步骤3.2： 设置参数k的初值为1； 其中， 参数k表示5组子训练集数据的组索引， 即k＝1, 2,…,5； 步骤3.3： 将第j组超参数配置给位移预测网络模型， 令第k部分训练集作为验证集， 其 他4部分合并为交叉训练集； 基于交叉训练集数据对位移预测网络模 型进行训练， 并监测每 一轮位移预测网络模型在 验证集上的性能， 其中将正则化均方根误差RMS E作为性能的评价 指标， 逐渐增加训练轮数l并记录每一轮后的RMSEk,l， 直至RMSEk,l+20>RMSEk,l时停止训练， 即 位移预测网络模型泛化 性能不再显著改善； 式中， N为输入数据的数目； ln代表自然对数处理； 和 分别为第l组样本的边坡 实际位移与预测位移； RMSW 为网络权值与偏置值的平方和； 步骤3.4： 重复子步骤3.3， 直至5部分子训练集数据都在交叉训练中被考虑， 即k＝1, 2,…,5； 步骤3.5： 由于交叉训练 中5次终止轮 数不同， 将其中的最小轮 数记录为Lj， 作为第j组超 参数对应的最佳训练轮数； 计算[RMSE1,L,RMSE2,L,…,RMSE5,L]的平均值RMSEj， 作为第j组超 参数对应的模型性能指标； 步骤3.6： 重复子步骤3.2 ‑步骤2.5， 直至已获得Nhyp组备选模型超参数对应的性能指 标， 即j＝1,2, …,Nhyp； 步骤3.7： 比较备选超参数对应的RMSEj， j＝1,2, …,Nhyp， 选择使RMSEj小于预设值且位 移预测网络模型复杂度在预设范围的那组超参数作为 最优超参数。 6.根据权利要求1所述的基于人工神经网络的边坡地震滑移预测方法， 其特征在于， 步 骤4的具体实现包括以下子步骤： 步骤4.1： 为位移预测网络模型配置所选的最优超参数， 将训练集所有数据用于最终位 移预测网络模型的训练， 其中训练轮数设置为该组超参数对应的Lj， 即求取位移预测网络 模型中的未知权值和偏置值； 步骤4.2： 评估所得位移预测网络模型在测试集上的性能； 若性能满足预设值则接受并 保存该位移预测网络模型， 否则调整位移预测网络模型训练 时的算法或位移预测网络模型 结构后重新执 行步骤3与步骤4.1。权　利　要　求　书 2/3 页 3 CN 114330101 A 3