基于神经网络的岩体边坡稳定性的灰色聚类空间预测法及其应用

针对岩体边坡稳定性与影响因素之间的非线性关系,提出了基于神经网络的岩体边坡稳定性的灰色聚类空间预测法,结合实例仿真分析,表明该方法能较好地处理岩体边坡稳定性与影响因素之间的灰色非线性关系,同时,能比较准确地预测岩体边坡的稳定性。     

时变参数模型用于滑坡位移量预测的研究

滑坡的位移量发展受地质条件、气候环境以及人类活动等多种因素的影响,变化复杂,通常难以用固定参数的数学模型准确表达。时变参数模型的模型参数随时间变化,能够描述更为复杂的函数关系。将时变参数模型应用于滑坡位移量预测,通过对比发现,时变参数模型有望提高滑坡位移量的预测精度。     

基于神经网络的岩质边坡稳定性评估系统研究

本文针对边坡稳定性预测问题，初步建立了基于神经网络的边坡稳定性评估系统（称为ＳＳＥ），还阐述了该系统的开发过程，介绍了系统的主要组成部分及运行环境，同时给出了应用实例。应用结果表明了该系统的有效性。     

西安f7地裂缝发展变化的预测研究

论文首先分析和总结了影响西安地裂缝发展变化的主要人为因素。随后,利用三维非稳定渗流分析方法研究了人类活动对地下水位的影响;根据西安市新增固定资产投资的变化,预测了地面荷载的变化;以时间、地下水位和地面荷载为基本变量,建立了预测f 7地裂缝活动趋势的BP神经网络模型;最后,借助MATLAB语言进行编程,利用训练稳定的网络模型,预测了f 7地裂缝的活动趋势以及年平均的垂直位移沉降量,为进一步研究西安地铁2号线安全运行和防护提供参考依据。     

BP和RBF神经网络在边坡稳定性评价中的应用

基于BP网络和RBF网络理论,选取影响岩质边坡稳定性的一些主要因素,建立了边坡稳定性分析的神经网络模型,并用Matlab7.0神经网络工具箱对一些边坡样本进行训练仿真。对比了两种网络的逼近精度和预测结果,结果表明:两种网络均可以用于边坡的稳定性评价,RBF网络的性能要优于BP网络,网络最优参数的选择要通过反复实验获得。     

基于改进的PSO‑BP神经网络的边坡稳定性研究∗

边坡稳定性研究对于重大地质灾害防治极其重要，但由于影响边坡稳定性的因素具有非线性、多样性以及模糊性等特征，边坡稳定性分析一直是地质灾害防治领域的热难点问题。已有研究表明神经网络预测模型可有效应用边坡稳定性分析，但同时存在预测精度低、鲁棒性差、收敛速度慢等缺点。为改善上述问题，在粒子群算法优化的 BP 神经网络（简称 PSO?BP 神经网络）算法基础上提出一种改进的边坡稳定性预测模型。该模型以容重、内聚力、内摩擦角、边坡角、高度、孔隙压力比作为输入参数，以安全系数作为输出参数。通过借鉴遗传算法中的变异思想来提升模型全局寻优的能力，利用能量函数负梯度下降原理提高模型的收敛速度。将所收集到百余条边坡数据进行数据清洗，最终得到 80 条高质量边坡数据，随机选取其中的 50 条边坡数据作为模型的试验数据。最后采用十折交叉验证的方法对模型的准确性进行验证，并在多维度与其余边坡稳定性神经网络预测模型进行对比分析。结果表明：①该模型相比于其余模型收敛速度、准确率、鲁棒性均有明显提高；②将 K 折交叉验证应用在小样本数据下的边坡稳定性神经网络预测模型，可有效避免结果的偶然性。③该模型的预测误差仅为 4.31%，满足工程精度需求，可在实际工程中为边坡稳定性分析与灾害防治提供参考。     

基于GRA-GPR的滚石运动特征参数敏感性分析及预测模型

针对滚石运动特征参数间关系模糊等问题,在开展其敏感性分析的基础上,构建准确、快捷的滚石运动特征参数预测系统。首先引入灰色关联法(grey relation analysis, GRA),以水平运动距离、弹跳高度和碰撞能量等滚石运动特征为目标参数,研究了初始速度、边坡摩擦角、滚石质量、法向恢复系数和切向恢复系数等滚石运动影响因素的敏感性和显著性。随后,使用高斯过程回归模型,建立水平运动距离、弹跳高度和碰撞能量等滚石运动特征参数的预测模型,避免了传统的滚石运动数值模拟软件繁琐的建模计算过程。研究表明,高斯过程回归(Gaussian process regression, GPR)模型对滚石的水平距离和总动能的预测精度最高。因此,文中所构建的滚石运动特征参数敏感性分析及预测模型能够快速得出滚石运动特征参数,对支挡结构的设计和施工有重要的参考价值。     

高喷插芯组合桩极限承载力的灰色预测

高喷插芯组合桩(JPP)是一种新的桩型,具有承载力高、造价低等优点。许多工程单桩的静载荷试验只能加到两倍设计荷载,无法达到试桩的极限或破坏荷载,因此利用有限的实测数据比较准确地预测高喷插芯组合桩的极限承载力具有一定的现实意义。根据灰色理论,介绍了预测单桩竖向极限承载力的自调整非等步长GM(1,1)模型,讨论了三种不同的灰色模型在有限的实测数据条件下预测单桩极限承载力以及荷载—沉降关系的方法。通过对达到破坏和未达到破坏的工程实例的分析计算,证明三种模型的预测精度是令人满意的,其中等维新息模型预测精度最高。     

基于CSMR和卷积神经网络的岩质边坡稳定性分析

CSMR分类体系是一种半定量的岩质边坡稳定性分析方法，其综合考虑了多因素对边坡稳定性的影响，但是计算复杂。在岩质边坡稳定性评价CSMR分类体系基础上，引入卷积神经网络原理，建立基于CSMR和卷积神经网络的边坡稳定性评价模型。首先，通过85个实测岩质边坡样本对模型进行训练，构建CSMR方法中的坡高H、高度修正系数ξ、RMR评分、结构面方位修正系数(F₁、F₂、F₃)、开挖方法修正系数F₄和结构面条件修正系数λ共8个影响因子和边坡稳定状态的非线性映射关系。然后，用另外15个边坡样验证基于CSMR和卷积神经网络的岩质边坡稳定性分析模型的有效性。最后，将模型应用于广东清远银湖城边坡稳定性分析，其预测值和期望值基本吻合。同时与有限元分析法计算结果进行了对比，表明该方法具有较强的泛化能力，能快速预测边坡稳定性，可为山区工程建设中岩质边坡工程设计和管理提供依据和参考。     

基于XGBoost模型的降雨诱发阶跃型滑坡位移预测

滑坡位移预测一直是滑坡研究的热点之一。近年来,随着计算机科学的发展,越来越多的人工智能技术模型被用于滑坡位移的预测。相较于常用的如LSTM神经网络等机器学习模型,集成算法中的XGBoost模型在滑坡位移预测领域尚不多见。由于其在滑坡位移预测中具有预测精度更高、运行速度更快等优点,目前在学术界已成为研究的热点领域。文中以泉州市安溪县尧山村滑坡地灾点监测数据为例,运用Python搭建XGBoost模型,并通过最大信息系数的比较来选定与位移高度相关的特征,输入至模型中对滑坡位移进行预测。结果表明,XGBoost模型因其在目标函数中引入正则项来控制模型过拟合、模型数据集划分采用前向验证方式等优点,相较于大多数机器学习模型,能更加准确地预测降雨诱发阶跃型滑坡位移。该模型对此类滑坡的位移预测及早期监测预警具有重要参考意义。