边坡稳定性的神经网络预测研究

根据神经网络法的基本原理，结合38个实际边坡工程稳定实例，应用VB5．0可视化编程语言，建立了边坡稳定性的神经网络预测模型，并运用该模型对部分边坡工程的稳定性进行预测，预测结果与边坡实际稳定状态相吻合，从而表明了神经网络法在边坡稳定性预测中的有效性。     

神经网络在边坡稳定性分析中的应用

应用神经网络理论,提出了圆弧式破坏边坡的边坡安全系数估计的新方法,通过对搜集到的边坡稳定性实例进行了实习和预测,可以看出,神经网络方法有精度高,收敛速度快,容错能力高等特点。     

基于交替迭代算法神经网络评价岩石边坡稳定性

目前边坡工程中常用的稳定性分析方法主要分为极限平衡法和数值分析法2大类，文章对它们各自的主要愿理、特点及其优缺点等进行了阐述。首先，根据经典边坡稳定分析方法存在的局限性，提出有必要建立基于人工神经网络的边坡稳定性预报方法。其次，针对经典算法BP网络存在的某些缺陷，提出了一种交替迭代算法神经网络，以提高其非线性映射能力和泛化能力。交替迭代神经网络算法通过解2个阶数比较低的线性代数方程组，逐步求得连接权值的。以此提高收敛速度，且有利于寻求最优解。作者用FORTRAN语言编制了程序。分析了建立边坡岩体稳定性预测网络模型的建立中应该注意的几个方面。最后，基于已有的40个岩石边坡工程实例进行所建立的神经网络的训练和边坡稳定的预报，结果表明文中所建立的边坡稳定性预报方法具有较高的预报准确度。     

二维随机场下边坡稳定性的径向基函数神经网络分析法

岩土参数的随机性会直接影响边坡稳定性评价结果的精度。首先,依据边坡参数的常用分布特征,利用拉丁超立方抽样法生成若干组边坡土性参数和几何参数的随机样本,用有限元强度折减法求解各组样本对应的边坡安全系数。再考虑土性参数的空间变异性,在二维随机场模型下将蒙特卡罗模拟和有限元强度折减法相结合求解各组样本对应的边坡失效概率。然后,利用样本数据及其安全系数和失效概率对径向基函数（RBF）神经网络进行训练和测试,从而建立边坡安全系数和失效概率的预测模型。算例表明,二维随机场模型能相对精确地考虑参数的空间变异性;在此基础上建立的神经网络模型对边坡的安全系数和失效概率具有较高的预测精度,且能极大地节省边坡稳定性分析的时间。     

考虑空间变异性条件下的边坡稳定可靠度高效敏感性分析

在有限数据条件下,可靠度敏感性分析是研究各种不确定性因素对边坡失稳概率影响规律的重要途径。基于直接蒙特卡洛模拟和概率密度加权分析方法提出了一种高效边坡稳定可靠度敏感性分析方法。所提出的方法通过随机场表征岩土体参数的空间变异性,并采用局部平均理论建立岩土体参数的缩维概率密度函数,用于概率密度加权分析中高效、准确地计算不同敏感性分析方案对应的边坡失稳概率。最后,通过一个工程案例--詹姆斯湾堤坝说明了所提出方法的有效性和准确性。结果表明：在敏感性分析过程中,所提出的方法只需要执行一次直接蒙特卡洛模拟,避免了针对不同敏感性分析方案重新产生随机样本和执行边坡稳定分析,节约了大量的计算时间和计算资源,显著提高了基于蒙特卡洛模拟的敏感性分析计算效率;在概率密度加权分析中采用岩土体参数的缩维概率密度函数能够准确地计算边坡失稳概率,避免了有偏估计,使概率密度加权分析方法适用于考虑空间变异性条件下的边坡稳定可靠度敏感性分析问题。     

边坡稳定性的神经网络估计

应用神经网络理论,本文提出了圆弧破坏和楔体破坏的边坡安全系数估计的新方法。为解决安全系数估计的知识的学习问题,提出了一种推广学习算法。用它对收集到的边坡实例进行学习,然后进行推广,预测出新边坡的安全系数。与极限平衡法和极大似然法的估计结果进行了比较,可以看出,神经网络方法具有推广预测精度高、自学习功能强、考虑不确定性能力强等特点。     

基于新型仿生智能方法的边坡变形位移预测

边坡地变形,具有高度复杂的非线性演化特征。将BP神经网络和免疫克隆算法改进并集成结合,提出一种新型的仿生智能方法,即免疫克隆神经网络。并利用其强大的非线性拟合能力,对边坡进行变形位移的预测。结果表明,此方法拥有较高的预测精度,为边坡变形位移的预测提供了行之有效的途径,从而为边坡稳定性判别和滑坡预报提供了可靠的分析依据。     

基于SOFM神经网络的边坡稳定性评价

针对边坡工程稳定性分析中参数的不确定性,在分析自组织特征映射神经网络（SOFM）基本学习算法的基础上,从提高算法收敛速度和性能出发,将自组织特征映射神经网络基本学习算法加以改进,据此建立了评价边坡稳定状态的SOFM神经网络模型。然后用收集到的边坡稳定工程实例作为样本,对该模型进行训练和检验,并与BP神经网络判别结果对比。结果表明,SOFM神经网络性能良好、预测精度高,是边坡稳定性评价的一种有效方法。     

土质边坡稳定性影响因素的研究

边坡稳定性涉及到诸多因素,引入人工神经网络预测边坡稳定性的方法--误差逆传播学习算法效果显著.边坡稳定性预测系统的输入信息包括岩土体参数、几何参数等,而输出信息则是网络预测的稳定系数和稳定状态.土质边坡主要以圆弧滑移破坏为主,通过人工神经网络预测的结果与实际监测结果的对比分析,证实了BP神经网络在评价土质边坡稳定性方面的效果显著;并在此基础上分析了土质边坡影响因素对边坡稳定性的影响程度.     

岩土边坡稳定性预报的人工神经网络方法

阐述了经典边坡稳定分析方法的局限性,综合考虑了影响边坡稳定性的因素,建立基于人工神经网络的边坡稳定性预报方法。采用遗传算法优化神经网络的结构,以提高其非线性映射能力和泛化能力,从而,提高预报准确度。基于已有的工程实例训练所建立的神经网络,并对新的边坡稳定性问题进行了预报,预报结果表明,所建立的边坡稳定性预报方法具有较高的预报准确度。     

基于改进BP网络算法的边坡稳定性评价

影响边坡稳定性的因素复杂且具有随机性和不确定性。由于神经网络方法不仅能考虑定量因素,而且能考虑定性因素的影响,因而神经网络适用于解决非确定性的边坡稳定性评价问题。结合遗传算法的并行搜索结构和模拟退火的概率突跳特性,提出了一种用于BP网络权值学习的GASA混合策略,并综合考虑影响边坡稳定性的各方面因素,建立了基于GASA混合策略的神经网络模型,并利用大量工程资料对网络进行训练和测试,得出了一些有意义的结论。     

用神经网络评价边坡稳定性

影响边坡稳定性因素是复杂且具有随机和模糊特性。神经网络的性能特征使适用于解决非性的边坡稳定性评价问题，本文建立了边坡稳定性评价的复合网络模型，并利用边坡工程的失稳及稳定实例对网络进行了训练和测试，计算分析表明，网络模型对于评价边坡的稳定性有较好的适用性。     

基于遗传算法和模糊神经网络的边坡稳定性评价

边坡工程是一个动态的、模糊的、开放的复杂非线性系统,传统的分析方法有时难以对复杂边坡的稳定性做出符合实际的评价。影响边坡稳定性的因素复杂且具有随机性和模糊性。由于神经网络方法不仅能考虑定量因素,而且能考虑定性因素的影响,因而神经网络方法适用于解决非确定性的边坡稳定性评价问题。综合考虑影响边坡稳定性的各方面因素,建立了基于遗传算法的模糊神经网络模型,并利用大量工程资料对网络进行训练和测试。预测结果表明,该模型的预测精度明显高于目前同类方法。     

边坡稳定性预测的模糊神经网络模型

根据边坡稳定问题具有的模糊性,提出了一种判定边坡稳定性的模糊神经网络模型。该系统仅从期望输入输出数据集即可达到获取知识、确定模糊初始规则基的目的。再利用神经网络学习能力便不难修改规则库中的模糊规则以及隶属函数和网络权值等参数,这样大大减少了规则匹配过程,加快了推理速度,从而极大程度地提高了系统的自适应能力。最后用收集到的边坡数据样本训练和测试模糊神经网络模型,结果表明该模糊神经网络预测边坡稳定性是可行的、有效的。     

圆弧形公路边坡稳定性分析的神经网络法

边坡的稳定性往往取决于一些难以确定的非线性因素。而人工神经网络法具有并行处理数据与信息、良好的容错特性和较强的抗噪声能力,可以通过自学功能从样本实例中获得复杂的非线性关系,能模拟人脑的某些智能行为,因而适用于解决非确定性的边坡稳定性评价问题。本文建立了边坡稳定性评价的神经网络BP模型,用收集到的边坡稳定破坏实例作为样本进行学习,对桂林-柳州一级公路中K250段公路边坡进行了稳定性评价,结果表明：神经网络法是一种有效的边坡稳定性分析方法。     

高陡复杂露天矿边坡地应力场分区非线性反演分析

地应力是边坡稳定性分析的重要因素。在杏山铁矿露天高陡边坡实测地应力数据的基础上,采用多元线性回归方法,在充分考虑岩体自重与构造应力影响的情况下,对5类11种边界条件工况进行了有限差分FLAC3D的模拟加载,反演得出研究区域内的地应力场。鉴于该方法只能对地应力场进行线性和全区反演,这对内部结构极其复杂、矿区内各个区域岩性和地形差异较大的金属矿山矿体显然是不够准确的。为了克服以上缺陷,采用了非线性的神经网络反演方法,并根据岩体的岩性分布和地形起伏将整个矿区划分为5个分区,通过引入侧压力系数k0实现分区域反演,从而得到整个矿区的地应力场。研究表明,在复杂地质条件下,神经网络方法反演出的初始地应力分布更加合理。     

基于广义回归神经网络的边坡稳定性评价

边坡失稳是比较常见的地质灾害,判定其稳定性的方法很多,在使用过程中也暴露出了这些方法的缺陷。针对这些问题,构建了适合于边坡稳定性评价的广义回归神经网络模型,并运用Matlab的神经网络工具箱进行了分析和计算,使用了相关数据来训练和测试该模型的可靠性和可行性。结果表明,广义回归神经网络模型在使用过程中需选择合适的光滑因子,而所得出的数据与实际结果较为相符,解决了之前使用的BP神经网络模型的缺点,具有很好的工程运用前景。     

Determination of stability of slope using Minimax Probability Machine

This article examines the capability of Minimax Probability Machine (MPM) for the determination of stability of slope. MPM is constructed within a probabilistic framework. This study uses MPM as classification and regression tools. Unit weight (γ), cohesion (c), angle of internal friction (φ), slope angle (β), height (H) and pore water pressure coefficient (r_u) have been used as inputs of the MPM model. The outputs of MPM are stability status of slope and factor of safety (F). The results of MPM have been compared with the artificial neural network models. The experimental results demonstrate that the developed MPM is a promising tool for the determination of stability of slope.     

边坡稳定性的CPSO-BP模型研究

为了分析边坡的稳定性,利用协调粒子群算法和BP网络建立了边坡稳定性CPSO-BP预测模型。BP网络能够很好地描述边坡稳定性与其影响因素之间复杂的非线性关系,将内摩擦角、边坡角、岩石重度、边坡高度、黏聚力、孔隙压力比6个主要影响因素作为网络的输入,将边坡稳定性系数作为网络的输出。为避免BP网络陷入局部最优,利用协调粒子群算法的全局优化能力确定BP网络的连接权值和阀值,使BP网络的优势得到分发挥,达到提高模型预测精度目的。实例表明CPSO-BP模型有更好地预测精度以及将其应用于边坡稳定性预测是可行的。