Stability Analysis of Open-pit Slope Based on Artificial Neural Network
马俊南① MA Jun-nan；任志丹② REN Zhi-dan
（①青海省能源发展（集团）有限责任公司，西宁 810000；②四川省煤炭设计研究院，成都 610000）
（①Qinghai Energy Development Group Co.，Ltd.，Xining 810000，China；
②Sichuan Coal Design and Research Institute，Chengdu 610000，China）
摘要：边坡稳定性分析是露天矿山的重点研究方向，本文根据某露天矿边坡发生滑坡的实际问题，利用人工神经网络的分析方法，对该矿原设计边坡结构参数与优化后的边坡结构参数进行分析讨论。本文既解决了矿山的实际问题，又为矿山利用神经网络进行边坡稳定性分析积累了经验。
Abstract： Slope stability analysis is the key research direction of open-pit mine. According to the actual problem of slope landslide in an open-pit mine, the original design parameters of slope and the optimized parameters of slope structure are analyzed and discussed by using the analysis method of artificial neural network. This paper not only solves the practical problems of mine, but also accumulates experience for mine slope stability analysis using neural network.
关键词：边坡；人工神经网络；稳定性分析；参数优化
Key words： slope；artificial neural network；stability analysis；parameter optimization
中图分类号：TD854 文献标识码：A 文章编号：1006-4311（2019）26-0203-02
0 引言
露天矿山在开采后会形成不同类型的边坡，其中，采场边坡的稳定性评价成为露天矿山采矿工程中的重点研究对象。采场边坡的力学性质会随着采区内的采矿活动而发生一系列变化，因此露天矿山的采场边坡极易失稳而发生坍塌或滑坡现象。2018年3月，某露天铜矿采场东南部边坡顶部出现了局部裂缝，之后变形范围变大、程度深，局部出现了坍塌，给安全生产造成隐患，经过分析认为该滑坡已形成。本文利用人工神经网络对采场原设计边坡和优化边坡进行稳定性分析，确定优化方案，合理解决边坡失稳滑坡问题。
1 矿区工程地质
矿区位于冈底斯-念青唐古拉褶皱系与唐古拉-昌都-兰坪-思茅褶皱系两个Ⅰ级大地构造单元的接合部，属于澜沧江复杂火山岩带中南段火山岩岛弧。矿区位于地震多发区，属于7°～9°高烈度设防区。该矿采场的东南部边坡主要由英安岩、凝灰岩和流纹岩构成，上盘英安岩岩层破碎，中部为松软的凝灰岩，下盘为流纹岩。且断层发育较多，其中包括两个较大的纵断层及若干小断层，两大纵断层中的一条与松软凝灰岩的位置和走向一致，走向N41°W，倾向NE，倾角57°，在标高1130m至1180m错断凝灰岩50m。另一个纵断层走向N51°W，倾向SW，倾角53°，两断层之间存在较大的滑坡体。同时，该采场东南部标高1200m以上的岩石风化程度较为严重，因此导致该区域的岩石稳定性相应变差。
2 滑坡形成因素分析
影响露天矿边坡稳定性的因素十分复杂，其中最主要的因素为边坡岩土类型及性质、地质结构、水文地质条件等。除此以外，还有岩石风化、地表水和大气水的作用、地震及人类工程活动等。这些因素综合起来可以分为内在因素和外在因素两大类[1]。内在因素为：边坡岩土类型及性质、岩土体结构等；外在因素为：水文地质条件、岩石风化、地表水和大气水的作用、地震及人为因素等。对边坡稳定性起决定作用的是内在因素，它们决定边坡的变形破坏的形式和规模。外在因素只有通过内在因素才能对边坡的稳定性的变化起到促进作用，促使边坡变形破坏的发生。
2.1 内在因素
该采场东南部边坡的岩石性质主要是以破碎英安岩和土层为主。影响边坡稳定性的因素主要是，地质构造、岩体的岩性、结构面、结构体构造及抗剪强度等。在影响边坡稳定性或导致滑坡的诸多因素中，复杂的地质条件、岩层结构体和结构面为主要内因，特别是不同地质结构的硬度存在的差异也很大，而岩体的软弱结构面、不稳定的软夹层对边坡变形或边坡失稳起控制作用，另外，该边坡角度过大，其岩体结构的力学性质相对较差，受松软凝灰岩地层的影响，从而造成边坡失稳，导致滑坡。
2.2 外在因素
外在因素中，爆破工艺以及生产过程中开采的方法技术条件等也是造成边坡失稳的重要因素。该露天矿采场东南部边坡岩层分为两部分，上部岩层为强风化英安岩，下部岩层为流纹岩，在强风化英安岩和流纹岩之间存在夹层，夹层为自身力学性质较差的凝灰岩，所以该夹层属于软弱层。在矿山开采过程中，切断了边坡中部的软弱夹层，从而导致边坡上部的英安岩顺着软弱夹层发生滑动和变形，由于上部边坡角度过大，在巨大下滑力的作用下边坡岩土体出现滑动，发生滑坡[2]。
3 岩体力学参数的确定
根据矿山实际情况，选取具有代表性的主要岩石和矿石进行物理力学参数的试验测定，经过现场调查后，在合适的地段现场采取符合试验要求的岩（矿）块样，分别进行室内的相关物理力学指标试验，得出该矿岩石力学最终参数，见表1。
4 边坡稳定性分析
4.1 人工神经网络
人工神经网络（Artificial Neural Network，即ANN），是在研究生物神经网络系统的学习能力和并行机制的基础上提出的一门新兴交叉学科[3]。人工神经网络是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。
4.2 BP神经网络模型
BP神经网络的应用是十分广泛的，在很多学科及行业中都能发挥良好的作用，在神经网络学科中，BP神经网络是发展最为成熟的，它可以对非线性可微分函数进行权值训练[4]。在具体应用中，BP神经网络以及它的变化形式占据了人工神经网络80％-90％的份额，BP神经网络是前向网络的核心部分，体现了人工神经网络最精华的部分。
如图1所示，BP网络的构造包括输入层、输出层和隐含层，同一层中的节点只和该层紧邻的下一层各节点连接。在实际应用过程中，误差达到规定范围内，此次网络的学习过程就可以结束。
■
4.3 露天矿边坡稳定性的神经网络预测
4.3.1 BP网络模型构建
在利用神经网络建立模型时，应将不可靠数据源剔除，系统规模减小后，系统学习的复杂性也随之减少。
输入参数是能够影响露天矿边坡稳定性的主要因素。建立BP神经网络模型的关键是确定影响边坡失稳规律的特征指标。
输出参数是边坡稳定性等级及安全系数。安全系数以实际输出值为准；稳定性等级的划分与所收集的边坡实例采取统一的划分原则，即分为稳定与失稳2级。其期望输出的2级依次定为：稳定=（1，0），失稳=（0，1）。因此，模型的输出参数为3个。
在建模过程中，根据输入输出参数的数目来决定输入层和输出层的节点数。根据实际情况，本次模型采用一个隐含层的网络，隐层节点数经过试算后确定为13。因而，本BP网络模型的结构为（6-13-3），即输入层节点6个、隐含层节点13个、输出层节点3个。
4.3.2 预测对象的选取
本次预测对象为原设计边坡和优化后的边坡。预测边坡在开挖至最终形态后的稳定性情况。根据矿山原设计，边坡参数如下：①最终帮坡角：西北面42°42′15″，东北面42°19′12″，东南面41°37′24″，西南面26°55′57″；②工作平台台阶高度10m，终了时合并台阶高度20m；③台阶坡面角：最终台阶坡面角为65°，工作台阶坡面角为75°。滑坡现象发生后，对边坡结构参数进行优化，建立模型时，将矿山边坡分为上下两部分，上部分边坡主要为土层和风化严重英安岩，下部分边坡主要为表面风化英安岩、英安岩和流纹岩，经边坡结构参数优化研究综合分析，该矿区地震烈度按7°考虑，得出最终优化边坡角：上部边坡17°，下部边坡42°。各种模拟情况下的输入参数分别见表2和表3所示，因此，在本次模拟计算参数的选取中，容重、粘聚力及内摩擦角的参数值以上下两部分边坡平均力学参数为依据。
■
■
4.3.3 预测结果分析
各剖面不同情况下的边坡稳定性预测结果一并列于表2和表3。
从表2中可知，原设计中上部边坡处于失稳状态，下部边坡处于稳定状态，这与采场东南部边坡已形成滑坡相吻合，证明原设计中对于采场上部边坡的设计存在问题；从表3中可知，经过优化后的上部边坡处于稳定状态，安全系数达到1.443，证明边坡优化参数达到预计的效果。
5 结论
通过人工神经网络对矿山采场边坡稳定性的分析，得出以下结论：
①该露天矿东南部采场边坡滑坡因素主要为上部土层和强风化英安岩力学性质较差，受凝灰岩软弱地层的影响，造成边坡失稳；
②优化边坡结构参数后经人工神经网络预测，该矿东南部采场边坡安全系数达到1.2以上，处于稳定状态；
③经过对边坡的稳定性分析可知，人工神经网络对于露天矿边坡的稳定性分析具有较好的效果，分析结果较准确，误差较小，并且应用范围十分广泛。
参考文献：
[1]郭成，马萃林，朱明，赵鸣展.模糊数学在露天矿边坡稳定分析中的应用[J].现代矿业，2010（08）：38-40，43.
[2]任志丹，吕力行.某露天铜矿采场滑坡因素分析及治理的方案[J].价值工程，2014（2）：33-34.
[3]薛海棠.基于神经网络模型的微悬臂梁力学特性研究[D].山西：中北大学，2009.
[4]任谢楠.基于遗传算法的BP神经网络的优化研究及MATLAB仿真[D].天津：天津师范大学，2014.
[5]张永兴.边坡工程学[M].北京：中国建筑工业出版社，2012.
[6]饶运章.岩土边坡稳定性分析[M].湖南：中南大学出版社，2012.
[7]李志成，夏阳.露天开采[M].云南：云南大学出版社，2009. |
