基于改进爬山聚类法的模糊神经网络边坡稳定性判别模型

影响边坡稳定性的因素复杂且具有随机性和模糊性。综合考虑重度、黏聚力、内摩擦角、坡角及坡高等影响边坡稳定的主要因素,为判别边坡稳定性建立出新型模糊神经网络模型,该模型利用学习能力强大的神经网络及推理功能突出的模糊逻辑,通过改进的爬山聚类法进行结构学习,并利用 BP 算法和最小二乘估计法相结合的综合学习算法来调整参数,进而大幅度提高模型判别能力。经工程实例测试证明该模型可以快速准确的判别边坡的稳定性,可以为类似工程提供参考和借鉴。     

基于均匀设计的边坡敏感性灰色关联分析

传统的敏感性分析方法试验次数多,不能够反映边坡破坏的非线性规律。采用均匀设计对边坡稳定性进行数值试验,用灰色关联模型对试验结果进行数据处理,可以减少试验次数,并能用非线性的数据评价模型来分析试验数据。以一均质土坡为例,选取容重、内摩擦角、粘聚力、坡角、地震加速度等5个因素进行数值试验和灰色关联分析。结果表明,在抗震设防烈度为7度以下的均质土坡或松散堆积体岩土质边坡中,各因素对稳定性的关联度大小依次为粘聚力、内摩擦角、地震加速度、重度以及坡角。     

基于FAHP和K-Means聚类的边坡稳定性模型

为了解决实际工程中边坡安全系数不能准确描述边坡状态的问题,基于定性分析和定量分析相结合的思想,运用FAHP法和K-Means聚类算法,通过对滑坡样本的关键因素进行评价和聚类得到各因素的聚类中心,再通过构建联系数向量的方法,建立基于FAHP和K-Means聚类的边坡稳定性模型。根据边坡中的关键性因素运用基于FAHP和K-Means聚类的边坡稳定性模型完成对未知边坡样本进行预测。将该模型应用于新建南昌到赣州铁路客运专线项目,结果与实际情况相符合,避免了实际工程中单纯考虑边坡安全系数来确定边坡状态的局限性。通过构建基于FAHP和K-Means聚类的边坡稳定性模型,揭示了高度、边坡角、孔隙水压力比等因素与边坡稳定性的非线性关系,此模型可以为边坡的设计、施工、监测提供参考。     

基于GA-BP算法的岩质边坡稳定性和加固效应预测模型及其应用研究

针对岩质边坡稳定性预测及加固效应具有的非线性和非明确性等特征,为了准确的预测稳定安全系数和加固效应,采用在实际工程中较为常见的二折线滑动面边坡概化模型,以边坡潜在滑块高度、上下滑动面倾角、坡面倾角、滑块面积,以及上下滑动面的黏聚力和摩擦系数作为影响因素,进行基于强度折减法的数值计算获得安全系数,得到足够数量的样本。然后利用遗传算法GA优化BP神经网络的权值和阈值,建立边坡稳定性的安全系数GA-BP预测模型,将其预测结果与标准BP神经网络进行对比分析。在此基础上,建立混凝土置换加固和锚索加固的方案优化方法。最后,将该方法应用于白鹤滩水电站泄洪洞出口边坡典型剖面在天然和开挖状态下的安全系数预测,并分别对混凝土置换加固和锚索加固进行了方案优化。结果表明:GA-BP神经网络模型精度更高,收敛速度更快,比使用标准BP网络模型的效果更优。研究成果对边坡稳定性评价和加固方案优化具有参考意义。     

基于范数灰关联的黄土边坡稳定性影响分析

黄土地区的滑坡严重制约了当地的经济发展,为了减少滑坡灾害的损失,有必要进一步加强边坡稳定的分析预测研究工作.由于滑坡的形成是多因素综合作用的结果,为了预测边坡的稳定性,必须确定出各影响因子对边坡的影响程度.以关中地区为例,利用收集到的数据进行范数灰关联分析,定量分析了影响黄土边坡稳定性的因子,并获取各影响因子的权重系数.结果表明:黄土边坡的重度、粘聚力、内摩擦角是黄土边坡稳定性影响因子中最主要的因子.其次为坡比、坡高,孔隙压力比和地震烈度也对黄土边坡的稳定性有一定的影响.权重系数的排序为边坡的治理和监测提供了重要依据,只要合理地估算黄土边坡的重度、粘聚力、内摩擦角抵?就可以比较快速、准确地确定边坡的稳定状态,这对于快速预测边坡稳定性具有一定的指导意义.     

基于均匀试验的岩质高边坡敏感性灰关联分析

确定边坡稳定性影响因素的主次因素,可为边坡的设计、加固提供依据。在分析岩质高边坡稳定性影响因素的基础上,利用均匀设计对各因素进行交互试验,研究不同交互值作用下边坡稳定系数的变化,采用标准变换对数据矩阵进行无量纲化处理,通过灰色关联方法计算出影响因素与边坡稳定性系数之间的关联系数,并根据关联系数大小对影响因素进行排序。利用该方法对某工程高边坡变形稳定性及其影响因素进行分析,结果表明:内摩擦角、粘聚力、坡角及重度为边坡稳定性最大的4个影响因素,说明该边坡稳定性主要影响因素为自身强度因素,但几何及岩性参数对边坡稳定性的影响不容忽视。分析结果可为预防和控制边坡失稳提供重要指导,为高边坡设计、加固提供重要参考。     

基于灰色关联度的红黏土边坡稳定性因素敏感性分析

基于灰色关联分析理论,运用有限元强度折减法计算红黏土边坡稳定性安全系数,并通过计算和比较贵州地区红黏土边坡的黏聚力、内摩擦角、容重、弹性模量、泊松比、坡角、坡高等7个不相关因素对边坡安全系数的灰色关联度,进行了红黏土边坡稳定性敏感性分析。结果表明,内摩擦角的变化对红黏土边坡稳定性的影响最敏感,其次是黏聚力、坡高、泊松比、坡角、容重和弹性模量。研究成果可为贵州地区类似红黏土边坡的防护治理和设计提供重要参考。     

堤岸稳定性影响因素敏感性评价

影响堤岸稳定性的因素众多,选取黏聚力、内摩擦角等7个定量指标作为堤岸稳定性评价的重要指标,采用神经网络与Garson算法相结合的组合模型对各因素进行敏感性分析。计算结果表明:堤岸稳定性对各因素的敏感性强弱顺序如下:黏聚力、内摩擦角、坡比、坡高、墙前水位、墙后水位、墙后荷载。     

硅质岩单面山路堑边坡稳定性影响因素分析

为了研究硅质岩路堑边坡的稳定性影响因素,先通过野外调查,总结出路堑边坡的破坏模式主要为滑移—拉裂破坏和受控于结构面的破坏;然后进行单轴压缩变形试验、抗拉强度试验及直接剪切试验得到硅质岩的物理力学参数,为数值模拟提供依据;最后通过有限元强度折减法,分析边坡坡角、结构面间距、开挖坡率及平台宽度4个因素对坡体稳定性的影响。结果表明,边坡坡角对坡体的稳定性影响最大,其次为开挖坡率。由于硅质岩的特殊破坏形式及单面山路堑边坡破坏模式的多样性,在评价路堑边坡稳定性时需要综合考虑各个因素,不可单凭某一因素来判断。研究成果可为其他硬质岩单面山边坡的稳定性评价及支护结构设计提供参考。     

基于支持向量机的边坡稳定性系数预测及变量分析

边坡稳定性研究对于地质灾害的防治尤为重要,为了研究不同机器学习模型的边坡稳定性预测效果,以边坡稳定性系数为预测对象,选择重度、黏聚力、内摩擦角、边坡高度、坡角、孔隙压力比为输入变量,建立了基于支持向量机（ＳＶＲ）的边坡稳定性系数预测模型。研究了不同核函数对 ＳＶＲ模型预测结果的影响,对比了 ＳＶＲ模型与极限学习机（ＥＬＭ）模型、ＢＰ神经网络模型的预测效果,分析了各输入变量对 ＳＶＲ模型与 ＥＬＭ模型预测性能的影响。结果表明:基于 ＳＶＲ的边坡稳定性系数预测模型的预测效果较好,其中采用了 ＲＢＦ核函数的 ＳＶＲ模型预测效果较好,平均绝对误差为 8．10％,均方根误差为 0．034;输入变量对 ＳＶＲ模型与 ＥＬＭ模型的影响较大,剔除各变量后 ＳＶＲ模型预测结果的均方根误差变化小于 0．02,因此本文建立的 ＳＶＲ模型具有更好的稳定性。     

岩体结构面产状改进的K均值聚类分析

岩体结构面产状的优势分组是进行岩体工程稳定性评价的基础,极点等密度图、走向玫瑰花图等传统方法比较粗糙,只能给出优势组数,无法准确地给出每一组结构面的优势产状。为弥补传统方法的缺点,采用改进的K均值聚类算法,以结构面的单位法向量表示其产状,以结构面之间所夹锐角对结构面产状进行分类判定。将该方法应用于某采石场岩质边坡结构面优势产状的分析中,结果表明：采用改进的K均值聚类分析方法结果可靠,分类合理,可以准确确定结构面的优势产状。     

基于 C4．5决策树算法的土质边坡稳定性评价研究

采用神经网络进行土质边坡稳定性评价时，差异性较大的训练样本往往会使评价结果不太理想。针对这一问题引入 C4．5决策树算法，采用多个土质边坡工程的实测数据，运用信息增益率进行分类属性的选择，并对建立好的树体结构进行剪枝操作，建立基于决策树的土质边坡稳定性评价模型。将该模型与 BP 神经网络和 LVQ （Learning Vector Quantization，学习向量量化）神经网络进行对比分析，结果显示决策树模型分类正确率最高，达到90％，模型所用时间为2．24 s，表明把决策树用于土质边坡稳定性评价是合理的。     

GRNN在边坡稳定预测分析中的应用

介绍广义回归神经网络(GRNN)的原理和影响因素,论述光滑因子的影响和选择。采用LOO交叉验证方法遍历所有样本,搜索出合适的光滑因子,结果表明合适的光滑因子能够较大幅度地提高网络泛化能力。应用收集到的82个圆弧滑面边坡稳定状态的实例资料,将GRNN模型应用于边坡稳定性评价,计算结果表明,在边坡稳定状态分析及预测方面,GRNN模型比BPNN模型更加精准简捷。     

基于正交试验和神经网络的堤防边坡抗滑稳定可靠度研究

对于功能函数不能显式表达的边坡类等复杂结构,不方便采用传统的可靠度理论计算其失效概率,因而采用BP神经网络模型代替边坡失效的隐式函数,通过神经网络强大的非线性拟合能力进而构造边坡抗滑稳定可靠度分析的功能函数,并结合蒙特卡洛方法计算边坡抗滑稳定的失效概率。采用正交试验选取网络训练所需的样本点,利用有限元强度折减法计算样本点的抗滑稳定安全系数。通过算例研究了以内摩擦角和黏聚力为随机变量的堤防边坡抗滑稳定的失效概率,验证了该方法操作的简便性与结果的合理性。     

基于K近邻改进密度峰值聚类分析法的岩体结构面产状优势分组

为了研究结构面对岩体稳定性的影响,需要清楚岩体结构面的发育规律。传统玫瑰花图、极点图和等密度图等岩体结构面产状优势分组方法较为粗糙,主观因素影响较大,而采用K均值聚类算法、FCM模糊聚类算法则可以得到较为准确的分组结果,但须事先指定聚类数量及初始聚类中心。初始划分对分组结果影响较大,因此提出一种基于K近邻改进密度峰值聚类分析法的岩体结构面产状优势分组的新方法,该方法优点在于无需迭代过程、计算速度快、可自动探测聚类中心数量,并可通过自动计算岩体结构面局部密度大小和聚类中心距离更加准确地确定聚类中心,实现结构面产状的合理划分。通过应用计算机模拟生成的结构面产状数据进行产状优势分组,验证了该方法的准确性和可靠性。最后将这种方法应用于怒江松塔水电站坝址区实测的结构面产状优势分组中,得到了较为符合实际的分组结果。     

改进BP神经网络在地下水环境质量评价中的应用

以LM算法和步长自适应法对BP神经网络进行改进,并将输入数据采用压缩系数法进行处理, 用改进后的BP神经网络对黄河流域某地区地下水环境质量进行评价,并和内梅罗指数法、灰色聚类法评价结果相比较,结果表明改进后的BP神经网络计算速度快、评价精度高、结果客观准确。     

基于时空聚类挖掘的库岸边坡位移监测数据约简

库岸边坡失稳会对工程自身效益和周边安全造成巨大损失,而位移监测数据可以直接表征库岸边坡安全状况。传统变形位移分析一般仅考虑单个监测点,不同监测点之间位移的相似性和关联性有待挖掘。基于时空数据挖掘领域的聚类方法,综合考虑测点属性和空间特征,采用K-means算法度量测点间的相似程度,实现变形区域划分;在变形区域划分基础上,采用遗传算法优化的投影聚类算法,将高维数据向低维空间映射,通过提取测点数据特征,筛选得到重点关注的测点和压缩数据量。经实例工程数据验证,时空聚类挖掘方法便捷、有效,逐步实现了边坡位移监测数据约简,可用于类似库岸边坡的监测数据挖掘。