基于BP神经网络对边坡稳定性预测分析

采用BP软件建立了人工神经网络的边坡稳定性预测模型,并以杨东坪小学后侧边坡为例进行田边稳定性预测。结果表明,所预测边坡稳定性与实际情况基本相符,能够满足工程需求,因此利用BP神经网络对边坡稳定性进行预测是可行的。     

灰关联神经网络法及防洪堤边坡稳定性分析

灰关联分析神经网络方法首先是对防洪堤边坡稳定性影响因素进行灰关联分析,得出各因素影响程度的大小排序,然后建立该工程的神经网络模型,选择灰关联分析得到的优势因子作为样本输入以及关联度作为网络权值确定的一个因素,利用大量南宁市防洪堤边坡工程实例对网络进行训练学习,最后用训练成功的网络对工程进行预测。预测的结果与实际情况进行对比表明,这个方法能够满足南宁市防洪堤边坡稳定性预测的要求。     

基于T-S模型的模糊神经网络在边坡稳定评价中的应用

受地质、工程等众多因素的影响,岩土质边坡稳定性具有未确知性、随机性、模糊性、可变性等特点,很难用简单的力学、数学模型描述。提出了用基于Takagi-Sugeno模型的模糊神经网络来对边坡稳定性进行评价,该模型同时兼具神经网络和模糊逻辑二者的优点,既可以比较容易地处理模糊性的实际问题,又具有较好的学习能力。将此模型与BP神经网络模型同时应用于80个实际边坡样本进行训练和预测,结果表明该模型具有预测精度更高、收敛速度更快、预测结果与实际结果吻合度更高的特点     

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。     

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。     

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.     

岩质边坡稳定性预测的BP网络法

结合已有岩质边坡工程实例,针对岩质边坡稳定性预测中存在的问题,提出了运用BP网络预测岩质边坡稳定性的方法,并构造了相应的网络模型。预测结果表明,模型具有较高的预测精度,能够满足实际工程需要,是有一定实用价值和参考价值的边坡稳定性预测方法。     

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。     

基于概率神经网络的岩土边坡稳定性预测方法

基于数据挖掘技术和智能系统,提出应用概率神经网络预测边坡稳定性的数值方法。根据大量边坡稳定或者失稳案例记录的数据库资料,采用数据挖掘方法能够从中提炼出有价值的分类模式。将岩土边坡的力学参数和几何形状作为神经网络的输入训练和测试神经网络。实际应用显示所建立的概率神经网络预测边坡稳定的实用性。与传统的极限平衡分析方法和极大似然估计方法相对比,所提出的概率神经网络具有更高的预测精度。     

加权函数组合预测边坡变形模型的研究

边坡变形监测是边坡监测的主要内容之一,其变形预测问题是边坡工程中主要技术难题之一。考虑边坡位移变形预测模型的局限性,如神经网络预测方法需要大量的实测数据作为学习样本,灰色系统模型要求原始数据序列必须满足指数规律,且数据序列变化速度不能太快等。建立了边坡变形反向传播神经网络预测模型,同时给出了灰色GM(1,1)边坡预测模型。提出边坡的神经网络与灰色系统加权函数组合预测模型,采用动态规划解法,将原模型转化为多阶段决策问题,使组合预测误差的平方和最小,得到组合权重,这样得到的变形预测结果的精度将大大提高,弥补了单一方法的局限性,满足工程预测的需要。通过边坡实例加以验证,加权函数组合预测模型的预测结果精度有一定提高,能够与实际监测数据相吻合,达到准确预测的目的。     

边坡稳定分析的神经网络改进模糊点估计法

边坡稳定性分析中,模糊点估计法能同时考虑模糊不确定性和随机不确定性因素。针对传统模糊点估计法计算工作量大的缺点,提出一种神经网络改进模糊点估计法。利用拉丁超立方抽样法和径向基函数神经网络（RBF）建立边坡安全系数的预测模型;对黏聚力和内摩擦角等模糊随机变量取λ截集,并在各截集水平对参数进行组合;利用建立的预测模型对各参数组合的安全系数进行预测;最后由统计矩点估计法计算边坡的可靠度指标。实例分析表明：改进模糊点估计法使用方便、结果可靠,且能通过增加λ截集水平的数目来提高计算精度。对于含有2～4个模糊随机变量的边坡,采用改进模糊点估计法计算可靠度时λ截集水平的数目可近似取25。     

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。     

Prediction of slope stability using multiple linear regression (MLR) and artificial neural network (ANN)

The stability problem of natural slopes, filled slopes, and cut slopes are commonly encountered in Civil Engineering Projects. Predicting the slope stability is an everyday task for geotechnical engineers. In this paper, a study has been done to predict the factor of safety (FOS) of the slopes using multiple linear regression (MLR) and artificial neural network (ANN). A total of 200 cases with different geometric and shear strength parameters were analyzed by using the well-known slope stability methods like Fellenius method, Bishop’s method, Janbu method, and Morgenstern and Price method. The FOS values obtained by these slope stability methods were used to develop the prediction models using MLR and ANN. Further, a few case studies have been done along the Jorabat-Shillong Expressway (NH-40) in India, using the finite element method (FEM). The output values of FEM were compared with the developed prediction models to find the best prediction model and the results were discussed.     

Prediction of residual friction angle of clays using artificial neural network

The residual strength of clay is very important to evaluate long term stability of proposed and existing slopes and for remedial measure for failure slopes. Various attempts have been made to correlate the residual friction angle (_r) with index properties of soil. This paper presents a neural network model to predict the residual friction angle based on clay fraction and Atterberg's limits. Different sensitivity analysis was made to find out the important parameters affecting the residual friction angle. Emphasis is placed on the construction of neural interpretation diagram, based on the weights of the developed neural network model, to find out direct or inverse effect of soil properties on the residual shear angle. A prediction model equation is established with the weights of the neural network as the model parameters.     

An extreme learning machine approach for slope stability evaluation and prediction

This paper presents slope stability evaluation and prediction with the approach of a fast robust neural network named the extreme learning machine (ELM). The circular failure mechanism of a slope is formulated based on its material, geometrical and environmental parameters such as the unit weight, the cohesion, the internal friction angle, the slope inclination, slope height and the pore water ratio. The ELM is proposed to evaluate the stability of slopes subjected to potential circular failures by means of prediction of the factor of safety (FS). Substantial slope cases collected worldwide are utilized to illustrate and assess the capability and predictability of the ELM on slope stability analysis. Based on the mean absolute percentage errors and the correlation coefficients between the original and predicted FS values, comparisons are demonstrated between the ELM and the generalized regression neural network (GRNN) as well as the prediction models generated from the genetic algorithms. Moreover, sensitivity analysis of the slope parameters and the ELM model parameters is carried out based on the two utilized evaluation functions. The time expense of the ELM on slope stability analysis is also investigated. The results prove that the ELM is advantageous to the GRNN and the genetic algorithm based models in the analysis of slope stability. Hence, the ELM can be a promising technique for approaching the problems in geotechnical engineering.     

双连拱隧道围岩变形有限元与BP神经网络耦合分析

以浙江金(华)-丽(水)-温(州)高速公路永嘉鹿城段的红枫双连拱隧道为工程背景,建立了基于神经网络的连拱隧道围岩变形预测模型.利用施工过程中左洞量测的围岩变形进行反分析,确定出围岩的力学特性参数,再通过数值分析方法对隧道右洞围岩变形和稳定性做出合理的评价和符合实际的预测,从而更有效地对支护参数和施工方法进行反馈设计.通过预测值与实际监测值的比较可以看出,其预测精度满足岩土工程的要求,具有一定的工程意义.     

多元回归分析在安徽省广德县区域边坡稳定性分析中的应用

本文利用多元线性回归分析的基本原理对安徽省广德县30个滑坡稳定性进行分析得出影响边坡稳定性的最主要的驱动因素和该区的多元线性回归分析模型,结果表明得出的回归方程回归效果显著。所以可以运用该模型进行滑坡稳定性预测和控制,为广德县农业、工业规划和政府决策提供智力支持。     

基于神经网络的储层识别处理技术及在塔河油田的应用

简述神经网络用于储层识别模型的建立,并指出单独使用神经网络进行识别的不足。对此,设计了具有辅助神经网络作用的计算机程序,从而使单独使用网络的不足之处得到完善。通过塔河油田实际资料应用表明,在单独使用BP神经网络进行储层类型预测效果不是十分理想的情况下,采用这种处理技术,能够取得较好的效果。     

基于未确知测度的边坡地震稳定性综合评价

文章提出一种基于未确知测度理论的边坡地震稳定性综合评价方法,建立了各评价指标的未确知测度函数。根据信息墒理论计算各评判因子的权重,用置信度识别准则进行等级判定,得出了评价结果。该评价方法能解决边坡地震稳定性评价中诸多因素不确定性问题,还能对其进行定量分析。对实际工程中的16个典型的地震边坡进行综合评价,并与灰色聚类法、综合指标法、实测震害的结果进行比较。研究结果表明:未确知测度评价法性能良好,正确率高,具有重要的实用价值,为边坡地震稳定性的综合评价提供了一条新途径。