基于KPCA-GPC的地震砂土液化预测

在砂土液化多指标综合判别法中,采用的判别因子数量一般为5~12,为防止特征冗余,引入核主成分分析(KPCA)对原始样本进行非线性特征提取,同时基于高斯过程分类(GPC)原理,构建了砂土液化预测的KPCA-GPC模型。以唐山地震砂土液化的25个案例为样本,选取平均粒径D50、地下水位dw、标准贯入击数N63.5、砂层埋深ds、地震烈度I、震中距离L、不均匀系数Cu、剪应力与有效上覆应力比τ_d/σ'v共8个指标作为判别因子,对该模型进行验证。研究结果表明:距离判别分析(DDA)、高斯过程分类(GPC)、Seed法的判别准确率分别为83%、83%、67%,而KPCA-DDA和KPCA-GPC的判别准确率均为100%,由此说明消除特征冗余的必要性及KPCA-GPC模型的适用性;同时,与DDA、SVM、BP等确定性判别方法相比,GPC可获得具有概率意义的砂土液化预测结果。     

砂土地震液化预测的人工神经网络模型

在简要分析BP算法的基础上,应用BP网络的理论与方法,选取烈度、震中距、平均粒径、不均匀系数、地下水埋深、砂层埋深、标贯击数、剪应力比等8个实测指标,建立了砂土液化预测的神经网络模型。通过实例计算与模型评价、验证了该模型的科学性、高效性并较规范法、Seed简化法等传统方法具有更高的预测精度,说明人工神经网络是解决非线性问题的有效方法之一。     

改进的BP神经网络在地震砂土液化预测中的应用

地震砂土液化的影响因素具有非线性关系,至今没有形成规范的预测标准。人工神经网络在砂土液化预测中有较好的应用,尤其是BP神经网络,但由于其本身存在缺陷:学习收敛速度慢,易陷入局部极小;遗传算法具有良好的搜索全局最优解的能力。探讨利用遗传算法优化BP神经网络权值和初始阈值来预测地震砂土液化,其效果比传统的BP网络有显著提高。     

砂土液化预测的Fisher判别模型及应用

基于Fisher判别理论建立了砂土液化可能性的Fisher判别分析（FDA）模型。在分析砂土液化影响因素的基础上,选取烈度、震中距、地下水位、砂层埋深、标贯击数、平均粒径、不均匀系数、剪应力比等8个实测特征指标作为FDA模型的预测指标。利用砂土液化的实测数据作为训练样本进行训练,建立FDA模型对砂土液化进行预测,并用其他未参加训练的实测数据进行了验证。研究结果表明,FDA模型简便可行、预测精度高,是解决砂土液化预测问题的有效方法之一。     

基于判别分析法的地震砂土液化预测研究

将距离判别分析方法应用于砂土液化的预测问题中,建立了砂土液化预测的距离判别模型。选用震级、研究深度、震中距、标贯击数、地下水位及地震持续时间等6项指标作为判别因子,以大量的工程实例数据作为学习样本进行训练,建立了线性判别函数对待评样本进行了评价。研究结果表明,距离判别分析模型判别砂土液化效果良好,预测准确度高,回判估计误判率低,可望成为砂土液化预测的有效手段。     

基于MATLAB的BP神经网络在砂土液化评价中的应用

本文运用MATLAB的神经网络工具箱(NNT)建立砂土液化BP网络预测模型,并以南京地铁1#线玄武门站—南京站区间隧道砂土液化评价为例,阐述了基于MATLAB的BP网络应用于砂土液化分析的可行性和应用价值。     

盐城市某港区砂土液化评价体系建立

砂土液化引起的地基土大变形是港口工程破坏的重要原因。因此,港口地区的液化判别方法选择的合理性、判别结果的准确性就显得尤为重要。针对某港区砂土液化问题,选择临界标贯击数法、Seed简化法、BP神经网络法、基于GIS的液化判别法等四种液化评价方法,进行砂土液化势评价并分析对比,建立基于GIS三维液化评价体系。结果表明:研究区15m以上砂土液化趋势较大,15m以下液化趋势较小。     

利用模糊神经网络进行砂土液化势评判

利用模糊信息分析表达知识和人工神经网络在映射能力方面的优势, 选取应力比、震级、地面运动最大加速度、标贯击数、地下水位作为评价参数指标, 构造砂土液化势识别的模糊神经网络模型。验证和应用结果表明, 模糊神经网络模型可提供更高的映射能力, 是砂土液化势评价预测的有效手段。     

砂土地震液化预测的GA_SVM_Adaboost模型

为快速准确地对砂土液化情况作出预测,选取地震烈度、地下水位、覆盖厚度、标贯击数、平均粒径、地貌单元、土质及不均匀系数为主要影响因素,运用相关性分析和因子分析模型对其进行分析和属性约减,采用遗传算法（GA）对支持向量机（SVM）的参数寻优,结合Adaboost迭代算法,建立预测砂土地震液化的GA_SVM_Adaboost模型。选用唐山地震砂土液化现场勘察资料中的329组数据对模型进行训练,利用该模型对剩余68组砂土液化数据进行预测。最后,将预测结果与GA_SVM和SVM模型预测结果进行比较。结果表明,3个模型的平均预测准确率分别为100%、98.04%、89.71%,基于因子分析的GA_SVM_Adaboost模型的预测准确性优于GA_SVM模型和SVM模型,是一种解决砂土地震液化预测问题的有效方法,具有一定的应用参考价值。      

砂土液化预测的Fisher判别分析模型及应用

针对砂土地震液化预测问题,基于Fisher判别分析原理(FDA),选用平均粒径、不均匀系数、标贯击数、地下水水位、砂层埋深、剪应力与有效上覆应力比、地震烈度.震中距等8个实测指标为判别因子,建立Fisher线性判别函数模型,对砂土液化进行预测.研究结果表明,Fisher判别分析结果与神经网络输出结果一致,优于规范法和Seed法判别结果,验证了该模型的合理性和可靠性.运用该模型进行判别分析,简易方便,分类效率高,对砂土液化判别快速、有效,模型适用性强,具有一定的工程应用前景.