中國地質學會八十五年年會

運用類神經網路做岩體分類

Application of Neural Network to Rockmass Classification

鄭錦桐(Chin-Tung Cheng)1,李錫堤(C. T. Lee)1.2

1國立中央大學地球物理研究所
2國立中央大學應用地質研究所

摘要

選擇類神經網路做岩體分類是因為它具有自我學習的特點只要採取較佳的樣本,透過訓練就可將樣本學習下來。隨著新加樣本的學習,會更新加強使系統更具判斷力。這樣一套系統可改善岩體分類時,分類的不確定性,而且可提供即時有效的隧道支撐型式建議。本文選擇類神經網路中,倒傳遞類神經網路(Back-Propagation Neural Network) 演算模式來進行研究。並採用福德坑隧道工程RMR岩體分類資料來做分析。經挑選300個樣本訓練學習,再用剩餘的1719個樣本對訓練成果做測試,結果發現分類效果良好,其正確率達約96%。相信運用類神經網路可以發展成為一套頗為理想的岩體分類系統。

Abstract

We choose neural network system to study rockmass classification, because we expect its self-learning capability may help to some extend. We just take good samples to train, then the neural network system will learn the samples. As samples increase, the system will upgrade by itself, and become more justice. A well trained system can decrease the uncertainty of rockmass classification and help engineers making decision to adopt a support type for tunnel excavation. We choose back-propagation neural network model for studying. In this paper we take RMR rockmass classification data set from the Fuder Tunnel for studying. We select 300 good samples from the data for training, and the rest 1719 samples of the data set for testing. We find that the result is pretty good. The correct rate of the result of classification is about 96%. We believe that we can apply neural network to develop an excellent system for rockmass classification.

一、前言

類神經網路是一種計算系統包括軟體與硬體,使用大量簡單的人工相連神經元來模仿生物神經網路(圖一)的能力。人工神經元是生物神經元的簡單模擬(圖

二),從外界環境或者其它人工神經元取得資訊並加以非常簡單的運算並輸出其結果到外界環境或神經元, 今採用的倒傳遞類神經網路,其特點為學習準確度高、回想速度快、理論簡明,其架構包括輸入神經元、隱藏神經元、輸出神經元(圖三),是監督式學習網路,作業時分為學習及回想兩部份(葉怡成,1994),從問題中取得樣本來學習訓練,樣本包含輸入變數值,目標輸出變數值,透過訓練取得輸入變數與輸出變數的內在對應規則即神經元間的權重,透過回想將學習後所得的神經元權重運用於新的案例,一旦系統輸入變數值就能產生推論輸出值。簡單的說,它產生一內部黑箱函數,難以得出一明確的方程式,我們經由倒傳遞類神經網路的演算法,只可以得出各神經元間連接的權重,也就是輸入變數值與輸出變數值之間內部對應的規則。


二、研究方法

類神經網路岩體分類訓練測試樣本,採用的原始資料為福德坑隧道工程RMR分類共2019筆,六項評分值作為輸入神經元的輸入值,及專家建議的隧道支

撐七種型式為輸出神經元的目標輸出值,採取原樣本中300筆資料來訓練,並取

1719筆資料來測試檢驗,以下是經過多次測試後較佳的訓練學習流程,及測試回想流程。

訓練流程

訓練樣本的選取,首先將各次評分原RMR評分值正規化(Normalize)調整各項評分為0至1的數字,而節理評分項原為負值轉為正值仍然保持數值大的為大(見表一、表二,並作比較)。採用模糊( Fuzzy)隸屬函數的觀念,例如第四類支撐型式為(0.,0.3,0.6,0.9,0.6,0.3,0.),將原目標輸出值給予隸屬度值由中間向兩側隸屬度降低,表示專家可能會有誤判,並且在決定類型時能提供較彈性選擇。

去除RMR各項分數完全相同卻有不同的施工支撐結果之情況,以免影響類神經網路訓練造成混淆不清。輸入層為六個人工神經元,代表為RMR六項評分值(經過正規化的值),輸出層七個神經元表示專家岩體分類的七類施工支撐模式。隱藏層數目根據前人研究,輸出層神經元數目乘以輸入層神經元數目後再開方所得的結果為較恰當的隱藏層數目,本次測試完全根據實驗經驗採用12個神經元。最後將每個樣本的系統輸出值與目標輸出值相減後平方再相加後平均即均方差(mse, mean-square-error)檢驗,發現可收斂到0.08以下。收斂曲線見圖四。

表一 福德坑隧道原始岩體評分及支撐型式之一例
單壓強度 RQD 節理間距 解裡面狀況 地下水量 節理方向 施工支撐型式
2 13 10 20 10 -12 4
2 13 10 15 12 -12 4
2 13 10 15 13 -12 4
2 13 10 18 15 -12 4
2 15 10 18 15 -12 4

表二 福德坑隧道岩體評分正規化及支撐型式模糊化之一例
RMR評分正規化
支撐型式模糊化
單壓強度 RQD 節理間距 節理面狀況 地下水量 節理方向 type1 type2 type3 type4 type5 type6 type7
.50 .65 .67 .74 .67 .00 .00 .30 .60 .90 .60 .30 .00
.50 .65 .67 .56 .80 .00 .00 .30 .60 .90 .60 .30 .00
.50 .65 .67 .56 .87 .00 .00 .30 .60 .90 .60 .30 .00
.50 .65 .67 .67 1 .00 .00 .00 .30 .60 .90 .60 .30 .00

測試流程

取了福德坑隧道工程RMR岩體分類原樣本中1719個樣本不包括之前的300個訓練樣本經過正規化後作為測試樣本。將樣本訓練程式中所得的各神經元之間權重及測試樣本輸入至測試程式(廬炳勳及曹豋發,1994),讓測試樣本經回想計算而得出系統輸出值,再與目標輸出值即專家分類的支撐型式作比較,以得正確率。

本文定義第一種正確率,若是測試樣本的目標輸出值與回想後的系統輸出值差一級的施工型式的話,算是分類正確。

本文定義第二種正確率,若是測試樣本目標輸出值與回想所得系統輸出值所得之支撐型式相等的話,才算分類成功。

圖四 訓練學習收斂曲線
  1. 結果

  1. 在第一種正確率定義下,經測試有96%左右的準確率。
  2. 在第二種正確率定義下,經測試有72%左右的準確率。
    1. 以下(表三)是部分分類的結果,T(K)表示目標輸出值專家分類型式,而Y(K)表示系統輸出值。結果大部分可以分類,僅有少部分不能分類。

表三 第二種正確率定義下測試回想後的部份分類結果
T( 138)= .30 Y( 138)= .22

T( 138)= .60 Y( 138)= .50

T( 138)= .90 Y( 138)= .84

T( 138)= .60 Y( 138)= .71

T( 138)= .30 Y( 138)= .40

T( 138)= .00 Y( 138)= .05

T( 138)= .00 Y( 138)= .00

the type is 3 mse= .05
T( 387)= .00 Y( 387)= .03

T( 387)= .30 Y( 387)= .28

T( 387)= .60 Y( 387)= .58

T( 387)= .90 Y( 387)= .89

T( 387)= .60 Y( 387)= .63

T( 387)= .30 Y( 387)= .31

T( 387)= .00 Y( 387)= .04

the type is 4 mse= .00
T( 61)= .00 Y( 61)= .00

T( 61)= .00 Y( 61)= .04

T( 61)= .30 Y( 61)= .36

T( 61)= .60 Y( 61)= .69

T( 61)= .90 Y( 61)= .77

T( 61)= .60 Y( 61)= .49

T( 61)= .30 Y( 61)= .22

the type is 5 mse= .05
T( 242)= .00 Y( 242)= .00

T( 242)= .00 Y( 242)= .00

T( 242)= .00 Y( 242)= .06

T( 242)= .30 Y( 242)= .33

T( 242)= .60 Y( 242)= .67

T( 242)= .90 Y( 242)= .82

T( 242)= .60 Y( 242)= .59

the type is 6 mse= .02
T( 426)= .00 Y( 426)= .00

T( 426)= .00 Y( 426)= .00

T( 426)= .00 Y( 426)= .03

T( 426)= .00 Y( 426)= .14

T( 426)= .30 Y( 426)= .33

T( 426)= .60 Y( 426)= .52

T( 426)= .90 Y( 426)= .79

the type is 7 mse= .04
T( 628)= .00 Y( 628)= .01

T( 628)= .00 Y( 628)= .27

T( 628)= .30 Y( 628)= .57

T( 628)= .60 Y( 628)= .88

T( 628)= .90 Y( 628)= .63

T( 628)= .60 Y( 628)= .31

T( 628)= .30 Y( 628)= .04

failed mse=.46

四、討論
  1. 本類神經網路系統目前考慮的輸入因子只有RMR分類中的六項因子。當我們以這六項因子訓練這個系統去決定支撐型式時,必然地遺漏了一些施工因素的影響。此影響可能是本系統測試結果正確率未能更提升的主要原因。進一步的研究若能考慮施工因素,甚至考慮更多的地質因子,相信可以有效地提高判釋的正確率。
  2. 本類神經網路系統的輸出值是一個隸屬函數,而非單一值。這樣的結果有利於使用者根據隸屬函數做彈性的判釋,作成最後的決定。在訓練樣本或測試樣本時,目標輸出值的隸屬函數目前暫以三角形的分布來做。進一步或許可以考慮常態分布的隸屬函數來替代,並比較其結果是否能改進。
  3. 實際上原始評分的給予是跳躍式的,若能加以模糊集合的觀念給予評分數,(張泰,1993),每一項評分都有一隸屬函數,根據判斷給定一模糊集合,最後將各模糊集合加總並再決定訓練樣本目標輸出值的隸屬度分布,值得進一步嘗試。

五、結論

本研究針對福德坑隧道RMR岩體分類及隧道支撐資料所做的訓練及測試效果良好,其正確率達約96% 。相信運用類神經網路可以發展成為一套頗為理想的岩體分類系統。

參考文獻

廬炳勳,曹豋發 (1994) 類神經網路理論與運用,全華科技圖書,共277頁。

葉怡成 (1994) 類神經網路理論與實作,儒林圖書公司,共655頁。

交通部台灣區國道新建工程局(1994 岩體隧道工程技術之研究岩體分類,共

121頁。

張泰 (1993) 以模糊集合方法處理研體分類,國立中央大學應用地質

研究所碩士論文,共58頁。