基于遗传神经网络的砂土液化判别模型

针对BP人工神经网络具有易陷入局部极小等缺陷，本文提出了将遗传算法与神经网络相结合，同时优化网络结构与权值、阈值的思想。根据地震液化的实测资料，建立了砂土液化判别的遗传神经网络模型，比较计算结果证明了该模型的科学性、高效性。文中并进行主成分分析，提出液化影响的主要因素。     

基于支持向量机的砂土液化预测分析

将支持向量机方法应用于砂土地震液化预测问题.考虑影响砂土液化的因素,选用震级、标贯击数、相对密实度、土层埋深、地震历时、地面运动峰值加速度和震中距7个影响因子作为液化判别指标,建立了砂土液化预测的支持向量机模型.以砂土液化实测数据作为学习样本进行训练,建立相应函数对待判样本进行分类.研究结果表明:支持向量机模型分类性能良好,是砂土地震液化预测的一种有效方法,可以在实际工程中进行推广.     

基于减法聚类模糊神经网络的砂土液化势判别

砂土地震液化问题是岩土地震工程学的重要研究课题之一。在分析模糊神经网络原理的基础上,利用减法聚类算法对自适应模糊推理系统进行优化,并建立了砂土地震液化的模糊神经网络模型。然后,将该模型用于实际工程的砂土液化判别中,并与传统砂土液化判别方法结果进行对比。判别结果表明:文中建立的模糊神经网络模型具有较强的学习功能,用于砂土地震液化判别中是可行的和有效的。     

基于NRS-ISSA-SVM的砂土液化判别模型

针对砂土液化判别中影响因素与砂土状态间映射关系的不确定性及模糊性等问题,在邻域粗糙集(Neighborhood Rough Set, NRS)因素约简的基础上,利用多策略融合的改进麻雀搜索算法(Improved Sparrow Search Algorithm, ISSA)优化支持向量机(Support Vector Machine, SVM)参数C和g,构建了SVM砂土液化判别模型。以吉林松原地区的42组实例作为总体样本集,其中35组作为训练集,另外7组作为测试集,利用邻域粗糙集对9个影响因素约简得到4个因素,然后输入ISSA-SVM模型进行预测,并进行了约简得到的因素敏感性分析。结果表明：因素约简剔除了冗余属性,降低了模型复杂度;ISSA算法具有极强的探索性、收敛性和局部逃逸能力;相比于其他模型,NRS-ISSA-SVM砂土液化判别模型精度更高,泛化能力更强;建议要判别砂土的液化状态,需要准确查明水位埋深、地震烈度、标准贯入击数,非液化土层厚度这4个因素,尤其是前三个因素。通过易获取的影响因素建立NRS-ISSA-SVM砂土液化判别模型,不仅可准确地判断该区域其余未知点的砂土状态,...     

饱和砂土地震液化判别的分形插值模型

借鉴分形基本理论,提出了基于分形插值模型的饱和砂土地震液化判别方法.该方法首先选取影响饱和砂土地震液化判别的7个主要因素,根据分类标准,采用在每级标准中随机内插的方法,得到40个标准样本,用于构建饱和砂土地震液化判别的分形插值模型;其次根据最大似然分类原则确定每个饱和砂土地震液化判别指标的评价分维数;然后利用加权求和法计算样本的综合评价值,并根据样本综合评价值与经验等级之间的关系建立分形插值评价模型;最后,进行了实例分析结果表明:该模型的评价结果合理、客观,计算得到的每个样本具体得分值,即使对属于同一级的样本也可以给出其地震液化程度的顺序,为饱和砂土地震液化评价工作提供了一种新的研究方法与思路.     

基于PCA-GSM-SVM的地震伤亡人数预测

针对影响地震伤亡人数的评价指标数量较多且各指标之间存在着复杂的非线性关系,运用机器学习理论,提出了基于支持向量机(Support Vector Machine)的地震伤亡人数预测模型;首先利用主成分分析法(Principle Component Analysis)对7个地震死亡人数影响指标进行数据降维,然后对提取出的主成分进行归一化处理,将归一化的主成分数据作为预测模型的输入向量,将地震伤亡人数作为预测模型的输出向量;以27个地震伤亡实例作为学习样本进行训练,运用网格搜索法(Grid Search Method)寻优获得最优支持向量机参数,最终建立基于PCA-GSM-SVM的地震死亡人数预测模型,并对5组样本进行死亡人数预测。结果表明:PCA-GSM-SVM模型的最小误差、最大误差和平均误差分别为5.12%、15.7%和9.16%,其平均误差相比于GSM-SVM模型和SVM模型分别降低6.51%和7.11%,因此PCA-GSM-SVM模型预测精度较高,可在工程实际中推广。     

基于主成分的时间域航空电磁数据神经网络反演仿真研究(英文)

传统上,时间域航空电磁数据通过拟合迭代反演计算得到大地模型,然而,由于航空电磁数据道间的较强相关性,导致病态反演,并引起超定问题;同时电磁数据的相关性使其与模型参数的映射关系复杂,增加了反演的复杂度。采用主成分分析法将航空电磁数据变换为正交的较少数量的主成分,不仅降低了数据道间的相关性,减小了数据量,同时压制了数据的不相关噪声。本文利用人工神经网络(ANN)逼近主成分与大地模型参数间的映射关系,避免了传统反演算法中雅克比矩阵的复杂计算。层状模型的主成分神经网络与数据神经网络的反演结果对比显示,主成分神经网络反演方法网络结构简单,训练步数少,反演结果好,特别是对于含噪数据。准二维模型的主成分ANN、数据ANN以及Zhody方法的反演结果显示了主成分神经网络具有更接近真实模型的反演效果,进一步证明了主成分神经网络反演方法适合海量航空电磁探测数据反演。     

基于主成分分析与BP神经网络相融合的云南砖木结构房屋地震破坏评估方法

针对如何选取合适的影响因素进行砖木结构房屋地震破坏合理评估的问题,提出了一种基于主成分分析与BP神经网络相融合的云南砖木结构房屋地震破坏评估方法,通过灰色关联度模型剔除对砖木结构房屋发生地震破坏影响较小的因素得到关键因子,采用主成分分析法从关键因子中提取主要成分,最后利用BP神经网络模型对处理后的主要成分进行训练,建立砖木结构房屋地震破坏比例预测模型,并利用实际震例进行验证。结果表明：本文方法相较于传统脆弱性曲线拟合方法和BP神经网络模型,其预测的砖木结构房屋地震破坏比例的预测精度更高、普适性更好。     

某长江大桥深度超过15米的砂土层液化势的综合评价

不同抗震设计规范的砂土液化判别方法或国内外其他有代表性的液化判别方法所采用的地震动参数和土性指标及其埋藏条件是不同的,因而采用这些方法对同一工程场地进行液化势预测时其评价结果通常有一些差异,甚至会得到相反的结论。为了给重大工程建设提供较为合理、可信的地基液化势预测结果,采用多种液化判别方法进行场地液化势的综合评价是比较客观的,也是必要的。本文结合某长江大桥桥基工程,采用建筑抗震设计规范的砂土液化判别方法、国内外有代表性的液化判别方法、有限元数值分析法等多种方法逐一对该工程场地砂性土层进行液化判别,并结合室内动三轴液化试验结果,对主桥墩不考虑冲刷条件和考虑一般冲刷深度5m条件时的砂性土层进行了液化势的综合评价,并将各土层的液化势分为液化、可能液化和不液化3个等级,得到了较为合理可靠的判别结果。     

基于高效梯度提升策略含水饱和度预测模型

经典含水饱和度参数预测模型是通过岩石物理实验来确定的.由于获取的岩心样本量在实际工程中非常有限,导致由实验确定的预测模型参数不可靠,最终合理的预测结果难以给出.含水饱和度预测本质属于拟合问题,而机器学习在处理拟合问题方面能力出众,因此是一理想应用手段.高效梯度提升模型(LightGBM)在集成学习理论中是最强模型之一,具有巨大的实际应用潜力,为此被采用进行预测研究.为降低原始数据集异常点及无效特征对模型预测能力和泛化能力带来的负面影响,本文提出利用Tukey算法和主成分分析(PCA)算法进行数据预处理,由此建立了一基于LightGBM的预测策略.本文选用鄂尔多斯盆地长4+5段致密砂岩储层岩心样本数据集对提出的预测策略进行验证.为加强验证效果,本文引入K邻近(KNeighbors)、支持向量拟合(SVR)和随机森林(Random Forest)等3个模型在两个验证集上进行对比.实验结果显示,提出策略在两个实验中均能给出最小均方根误差(RMSE)和平均绝对误差(MAE).验证结果显示提出的基于LightGBM的预测策略能够处理实际含水饱和度参数预测问题,且鲁棒性好,在测井评价研究方向上具有...     

基于遗传神经网络的地震砂土液化判别研究

针对BP人工神经网络具有易陷入局部极小等缺陷,本文提出了将遗传算法与神经网络结合,同时优化网络结构的权值与阈值的思想,建立了砂土液化判别的遗传神经网络模型。根据地震液化的实测资料,分别对BP〗神经网络判别结果和遗传神经网络判别结果进行了比较,结果表明后者比前者判别能力要好些。     

LM-BP神经网络在震后建筑损失评估模型中的应用

当前震后建筑经济损失评估模型得到的震后建筑经济损失评估精确度、效率低,针对单一神经网络易产生局部极值等问题,对神经网络方法进行了改进,提出LM-BP神经网络在震后建筑损失评估模型中的应用。输入样本要素为影响震后建筑经济损失的5项因素,输出样本是震后建筑经济损失评估结果,在此基础上采用LM-BP神经网络将训练转化成最小二乘问题,结合LM算法重新定义隐含层节点数量,构建基于LM-BP的神经网络震后经济损失评估模型,采用该模型获取最优震后建筑经济损失评估结果。仿真实验结果表明,所设计的评估模型最小评估误差为0.1%,相比同类模型具有高精确度的优势,是一种可靠的震后建筑经济损失评估模型。     

基于GIS的2013年吉林前郭M 5.8震群砂土液化灾害的研究

应用GIS技术,以Arcgis为操作平台,对2013年松原市前郭尔罗斯蒙古族自治县发生M5.8震群后砂土液化地震灾害进行综合分析研究,并建立了此次地震事件砂土液化灾害的数据资料库。利用Arcgis中的ArcCatalog对图形信息、数据属性信息等进行综合管理,方便地震行业相关数据的输入、存储、查询、管理和分析。运用Arcgis中的Arcmap对数据资料进行叠加和空间分析,使此次地震事件中的砂土液化灾害以直观的地图形式展示出来,方便进行更深入的地震灾害研究,也便于决策部门更明确此次地震砂土液化灾害发生的地理位置等情况,为今后的地震灾害研究提供数据基础和可参考的空间分析方法。     

Fuzzy neural network models for liquefaction prediction

Integrated fuzzy neural network models are developed for the assessment of liquefaction potential of a site. The models are trained with large databases of liquefaction case histories. A two-stage training algorithm is used to develop a fuzzy neural network model. In the preliminary training stage, the training case histories are used to determine initial network parameters. In the final training stage, the training case histories are processed one by one to develop membership functions for the network parameters. During the testing phase, input variables are described in linguistic terms such as ‘high’ and ‘low’. The prediction is made in terms of a liquefaction index representing the degree of liquefaction described in fuzzy terms such as ‘highly likely’, ‘likely’, or ‘unlikely’. The results from the model are compared with actual field observations and misclassified cases are identified. The models are found to have good predictive ability and are expected to be very useful for a preliminary evaluation of liquefaction potential of a site for which the input parameters are not well defined.     

RBF神经网络在天山地震带地震预报中的应用

运用RBF人工神经网络模型,结合中国震例,通过对1976年以来新疆天山地震带MS≥4.7地震前异常参数研究分析,筛选出15个地震异常指标使其作为RBF神经网络的输入样本,经过31组样本集的训练和5组检验样本的检验,建立了基于RBF神经网络地震震级预测模型,通过对实际震例的检验取得了较为理想的预报效果。     

Simulation of Silty Clay Compressibility Parameters Based on Improved BP Neural Network Using Bayesian Regularization

Soil compressibility parameters are important indicators in the geotechnical field and are affected by various factors such as natural conditions and human interference. When the sample size is too large, conventional methods require massive human and financial resources. In order to reasonably simulate the compressibility parameters of the sample, this paper firstly adopts the correlation analysis to select seven influencing factors. Each of the factors has a high correlation with compressibility parameters. Meanwhile, the proportion of the weights of the seven factors in the Bayesian neural network is analyzed based on Garson theory. Secondly, an output model of the compressibility parameters of BR-BP silty clay is established based on Bayesian regularized BP neural network. Finally, the model is used to simulate the measured compressibility parameters. The output results are compared with the measured values and the output results of the traditional LM-BP neural network. The results show that the model is more stable and has stronger nonlinear fitting ability. The output of the model is basically consistent with the actual value. Compared with the traditional LM-BP neural network model, its data sensitivity is enhanced, and the accuracy of the output result is significantly improved, the average value of the relative error of the compression coefficient is reduced from 15.54% to 6.15%, and the average value of the relative error of the compression modulus is reduced from 6.07% to 4.62%. The results provide a new technical method for obtaining the compressibility parameters of silty clay in this area, showing good theoretical significance and practical value.     

基于最小二乘支持向量机的砂土液化预测方法

使用最小二乘支持向量机分类方法建立了两个砂土液化预测模型,预测结果与野外实际情况全部相符,表明该分类方法用于预测砂土液化是可行的,且预测准确率高。     

Neural networks for quick earthquake damage estimation

This paper proposes the use of neural networks to predict damage due to earthquakes from the indices of recorded ground motion. Since the relationship between ground motion indices and resulting damage is difficult to express in mathematical form, neural networks are conveniently applied for this problem. Simulated earthquake ground motions are used to have a well-distributed data set and the ductility factor from non-linear analysis of two single-degree-of-freedom structural models is used to represent the damage. A sensitivity analysis procedure is described to identify qualitatively the input parameters that have a greater influence on the damage. The result of the trained neural network is then verified by using several recorded earthquake ground motions. It is found that some instability in the prediction can occur. Instability occurs when input values exceed the range of the training data. The neural network model using PGA and SI as input give the best performance in the recall tests using actual earthquake ground motion, demonstrating the usefulness of neural network models for the quick estimation of damage through earthquake intensity monitoring.