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。     

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。     

一种改进的公路边坡稳定性模糊评价方法研究

考虑影响公路边坡稳定性信息的不完整性、随机性和模糊性,以最大熵原理和工程模糊集理论为基础,并采用综合赋权法确定指标权重,提出了一种改进的公路边坡稳定性模糊评价方法。该模型充分利用影响因素的信息,以广义加权距离表示待评价样本与标准样本的差异,从优化条件中获得相对隶属度,并依据加权平均原则对边坡样本等级进行识别。该模型应用于常吉和吉怀高速公路边坡稳定性评价中,将评价结果与模糊综合模型和属性识别模型的结果以及边坡实际情况进行对比验证,体现了其较好的一致性,并且结果更合理。同时,该模型具有较小的信息熵值,表明其评价的不确定性小,可靠性较高,是一种边坡稳定性评价分析新方法,可在相关工程领域中应用推广。     

因子分析-概率神经网络模型在边坡稳定性评价中的应用

边坡稳定性分析是一个复杂的系统工程问题,其评价直接影响边坡工程的安全性与经济性。为了实现对边坡稳定性的快速、高效和准确评价,需要考虑边坡稳定性多种评价指标,但指标间或多或少存在一定的相关性,从而导致参量信息重叠。文章提出一种因子分析方法对边坡稳定性相关指标数据进行降维处理,提取3个综合指标对边坡稳定性进行总体评价。因子分析后的指标彼此独立,能够满足概率神经网络（PNN）样本层中采用高斯函数作径向基函数的要求。在因子分析的基础上,建立边坡稳定性评价的PNN模型,将其应用于39个典型的边坡稳定性评价。预测结果表明:5种不同的训练和测试样本个数下PNN模型仍具有良好的预测效果,其正判率分别为100%、94.87%、94.87%、84.62%和84.62%,说明因子分析与PNN模型结合可为岩土工程中边坡稳定性评价提供了一种很好的思路。     

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。     

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。     

模糊综合评价的边坡稳定性分析

根据模糊数学的基本原理和方法,分析影响边坡稳定性的诸多因素,建立边坡稳定性评价模型,确定边坡稳定性的分级指标、构成关系矩阵、确定隶属度,然后对影响边坡稳定性的各因素赋以权重,对工程实例进行稳定性评价,研究表明,评判模型的评价结果与现场情况吻合,模糊评价法在边坡稳定性分析中具有较好的应用价值。     

水库边坡稳定性评价的改进云模型

水库边坡的稳定性受诸多因素的影响,以致其准确评价仍存在一定的困难。为克服传统的正态云模型方法在实际应用中存在的云模型特征值取值不统一以及使用期望隶属度而非实际隶属度两个问题,提出了改进型正态云模型,并在MATLAB软件平台上开发了便于模型应用的程序。选取影响水库边坡稳定性的12个主要因素作为评价指标,应用程序生成各评价指标在各稳定性等级的综合隶属度云模型,接着使用改进的熵权层次分析法确定各评价指标的相应权重,最后将平均综合隶属度最高值所在的级别确定为边坡的稳定性等级。将该方法应用于34个水电边坡工程稳定性评价实例,并将结果与现行国家规范推荐的CSMR法及这些边坡的实际状态进行了比对。结果表明该方法的准确度比CSMR法高,具有较好的可靠性和实用性,也可供公路、铁路或建筑等其他岩质边坡在进行稳定性评价时参考。     

模糊优选神经网络在边坡稳定性分析中的应用

本文应用模糊优选神经网络理论,建立了边坡稳定性评价模型,综合分析了影响边坡稳定性的各种因素,根据它们作用程度的不同,赋予不同的权值,通过对收集到的边坡稳定性实例进行学习,提出了与优属度有关的函数关系式。可以看出:该方法具有精度高、收敛速度快、权值调整模型好等优点。     

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。     

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。     

基于人工神经网络对四川省黑水县公路边坡稳定性评价

边坡稳定性和许多影响因素有关,是一种高度非线性的问题,本文采用人工神经网络方法进行边坡稳定性评价,构建了具有6-19-12网络结构的三层BP网络。用该模型对四川省黑水县渔巴渡至客龙沟公路沿线边坡进行稳定性评价,其结果与传统经验公式计算法所得结果基本一致。     

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。     

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。     

FORECAST OF PREFERRED FAULT BASED ON NEURAL NETWORK

基于优势面区域稳定性评价理论和人工神经网络 (ANN)的原理和方法 ,探讨了基于 ANN的优势断裂预报神经网络算法及模型 ,并结合实例检验表明应用反传 (BP)神经网络模型判定优势断裂的新方法是有效的 ,且取得了理想的结果。     

基于神经网络范例推理的边坡稳定性评价方法

提出了基于神经网络范例推理的边坡稳定性评价方法。针对边坡的稳定性影响因素的复杂多变性和相当强的不确定性,建立了基于神经网络的边坡范例检索模型。运用神经网络强大的自适应、自组织、自学习的能力以及高度的非线性映射性、泛化性和容错性的特点,通过边坡范例的神经网络学习,建立了当前边坡和边坡范例之间相似性计算关系,最终实现了当前边坡的稳定性评价。对于8个验证边坡范例,模型的预测准确性达到了100 %,范例中的160组数据的相关性也达到了 0.981 5,表明建立的模型具有很高的预测准确性,模型的泛化能力很强。     

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。