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。     

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。     

基于模糊因素的岩质边坡地震稳定性多模型组合评价

岩质边坡地震稳定性评价是岩土边坡地震失稳防治的基础工作,针对评价过程中评价因素的多源模糊性,借鉴工程可变模糊集理论,将模糊可变评价模型应用于岩质边坡地震稳定性评价中。综合考虑岩质边坡内在结构和外部自然条件,选取岩土体特性、新构造运动特征、坡高、坡角、年均降雨量和场地地震烈度6个指标作为评价指标体系并建立等级标准;将改进熵权算法引入该模型中,利用指标实际数据离散性求权重;通过改变模糊可变评价模型参数对岩质边坡地震稳定性进行线性与非线性组合评价,并将均值作为最终评价结果。将该方法应用于天然边坡与路堑边坡实例中,结果表明,模糊可变评价模型评价结果合理、客观,具有更高的可靠性与稳定性,为岩质边坡地震稳定性评价工作提供了一种新的研究方法与思路     

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。     

岩质路堑深边坡稳定性评价的模糊概率方法

边坡工程是一个动态的、模糊的、开放的复杂系统,影响边坡稳定性的因素复杂且具有随机性和模糊性,传统的分析方法难以对复杂边坡的稳定性作出符合实际的评价。运用模糊概率的基本原理,建立了岩质路堑深边坡稳定性评价的模糊概率模型。在此模型中,综合选取了边坡岩体质量系数SRQC、边坡结构系数SSC、坡高系数SHC、坡角系数SCC、工程因素影响系数EFEC等5个评价指标因子;同时将边坡稳定性评价等级划分为很不稳定、不稳定、基本稳定、稳定以及很稳定5个等级。利用模糊概率模型对20个典型的边坡工程进行了稳定性评价分析,结果表明：该方法具有明显的合理性和可靠性,为边坡工程的预测与防治提供了新的途径。     

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。     

澜沧江某水电站泄洪洞出口边坡稳定性评价

岩土质边坡是一种自然地质体，其稳定性在很大程度上具有不确定性、模糊性。模糊分析是边坡稳定性分析的有效途径之一。文章采用模糊数学分析法，构建了二次模糊综合评判模型，对影响边坡稳定性的诸多因素进行了分类归纳，并根据不同的稳定状态，将边坡划分为5个等级，再结合某水电站右岸泄洪洞出口开挖边坡稳定性的实际问题，利用梯形函数构建了与该边坡稳定性分析相关因素的隶属函数、运用专家评分法确定了各因素的权重，最终对该边坡的稳定性进行了评价。结果表明该评价分析结果与实际相吻合，评价效果较好。     

桂柳高速公路边坡稳定性二级模糊综合评价

根据桂柳高速公路大量的实际数据分析，论证控制边坡变形破坏的主要影响因素及影响程度，其中地形地貌、地质环境、气候条件是基本因素，而人类活动对边坡变形破坏形成起加速和诱发作用，同时针对目前边坡稳定性评价及预测中指标选择及评价方法的不足，指出边坡稳定性评价指标具有分级的特点，并应用模糊数学知识，建立了边坡稳定性二级模糊综合评价模型，该模型包括了3个层次(目标层、因素层、因子层)、4个因素(地貌、地质、气候、人为作用)、14项因子，然后通过实例检验，证实该模型的实用性和有效性，最后用模型对桂柳高速公路路段内边坡稳定性进行了模糊综合分区。     

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。     

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。     

基于RBF神经网络的软基短期沉降预测研究

RBF(radial basis function)神经网络是一类比较优越的前向式多层神经网络,比传统的BP网络有较快的收敛速度.以深圳湾西部通道填海软基沉降的预测分析为例,探讨采用RBF神经网络解决这一问题的方法.采用插值方法构建时间间隔统一的时间序列数据并进行归一化处理,在此基础上建立了沉降变形时间序列的RBF神经网络模型,通过训练网络模型来预测沉降量.计算实例表明,模型具有运算速度快、预测精度高的特点,是一种具有应用前景的软基预测新方法.     

偏最小二乘回归神经网络的矿坑涌水量预测

影响矿坑充水的因素多且复杂,矿坑涌水量预测模型主要考虑降水、地表水、引水灌溉等影响因素,因变量和自变量的关系比较复杂。将偏最小二乘回归与神经网络耦合,建立了矿坑涌水预报模型。模型将自变量利用偏最小二乘回归处理,提取对因变量影响强的成分,既可以克服变量之间的相关性问题,又可以降低神经网络的输入维数,并能较好地解决非线性问题,提高了模型的学习能力和表达能力。以河南鹤壁八矿涌水量为例,建立了基于偏最小二乘回归和神经网络耦合的矿坑涌水量预测模型。计算验证表明,该类模型具有较高的预报精度和推广应用价值。     

基于偏最小二乘与神经网络耦合的储层参数预测

将偏最小二乘回归（PLS）与神经网络（NN）耦合，建立了储层参数预报模型。利用偏最小二乘对影响储层参数的诸多因素进行分析，提取对因变量影响强的成分，从而克服了变量间的多重相关性问题，降低了神经网络的输入维数；同时，利用神经网络建模可以较好地解决非线性的储层参数预测问题。计算实例表明，本耦合模型的拟合和预报精度优于独立使用神经网络模型的精度。     

平面交叉裂隙非线性渗流模型参数人工神经网络预测

岩体裂隙网络渗流广泛存在于地下工程中,对地下工程的建设和运行安全具有重要的影响。因此,研究裂隙网络渗流有着重要的理论和实际意义。本文根据立方定律和Forchheimer方程推导所得的交叉裂隙渗流模型,运用数值模拟和人工神经网络方法,对平面交叉裂隙渗流模型非线性参数与模型几何条件的关系进行探究。通过数值模拟,获得了平面交叉裂隙非线性渗流模型的参数;运用人工神经网络遗传算法,探究了交叉裂隙几何条件与交叉裂隙渗流模型中非线性系数之间的关系,证明了平面交叉裂隙非线性渗流模型适用于描述交叉裂隙渗流规律,验证了神经网络方法预测非线性系数的可行性和准确性。同时,还对比分析了运用拟合数值表达式和人工神经网络两种方法的特点。     

重力异常AlexNet深度神经网络反演

针对传统反演方法存在的初始模型依赖、计算时间较长等问题,提出了一种新的基于AlexNet深度神经网络的重力异常反演方法。该方法首先借鉴经典的深度神经网络AlexNet设计了一种用于重力异常反演的Alex反演网络(AlexInvNet),接着设计大量密度异常体模型并通过正演计算得到带标签的数据集,然后用该数据集训练AlexInvNet网络,最后将重力异常数据输入训练好的AlexInvNet网络直接得到反演结果。理论模型反演结果表明,该方法相较于全连接网络深度学习反演方法,能够更好地反演出异常体的位置和密度,具有较好的泛化能力和抗噪声能力。实测数据反演结果表明,该方法能有效解决重力异常反演问题。     

基于因子分析的BP神经网络在岩体变形模量预测中的应用

岩体变形模量是研究岩体变形特性的重要参数,它对工程岩体稳定性评价与优化设计具有重要意义。本文提出了基于因子分析的BP神经网络预测岩体变形模量的方法。以西藏某水电站为例,在现场调查、室内外试验的基础上,建立了48组包括密度、吸水率、纵波波速、单轴抗压强度、岩块变形模量以及泊松比等因素的数据库,采用因子分析法对6个影响因素进行分析,可得3个公共因子,该3个公共因子作为神经网络的输入参数,采用BP神经网络进行预测。结果表明:利用因子分析法可降维输入数据,消除BP神经网络中由于输入数据太多而影响数据处理速度的缺陷; 把因子分析法和BP神经网络结合进行岩体变形模量的预测,可使预测精度提高; 该研究思路不仅对岩体变形参数的预测是一个有益的尝试,而且对类似岩土工程问题的预测也有借鉴意义。     

巷道围岩参数的人工神经网络预测

应用人工智能方法解决地下工程问题,提出了预测巷道围岩参数的人工神经网络预测法,构造了预测围岩参数的神经网络模型。预测结果证明,该模型具有很高的预测精度。提出的方法有一定的实用价值和参考价值。