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。     

利用PCA和神经网络预测尾矿坝地下水位

针对尾矿坝安全监测需要对尾矿坝地下水位进行预测及时分析尾矿坝稳定性的问题,提出利用主成分分析和神经网络建立尾矿坝地下水位的预测模型。首先采用自相关分析选择预测模型的输入变量,然后利用主成分分析法对原始多维输入变量进行降维和去相关处理,最后利用提取的主成分作为神经网络的输入,对某尾矿坝地下水位进行预测实验。实验结果表明,经过主成分分析处理后的神经网络预测模型不仅简化了网络的结构,具有更高的预测精度,而且提高了网络泛化性能和稳定性。     

基于PSO-SVM的边坡稳定性组合预测方法研究

为利用不同边坡稳定预测方法的特征信息,改进预测质量,提出了一种基于微粒群优化--支持向量机(PSO-SVM)的边坡稳定性非线性组合预测模型。该模型能够利用边坡的特征参数快速预测出边坡的稳定性,且在建模过程中可对不同建模方法的特征信息进行整合,避免了单一方法的偶然性。为提高SVM的学习、泛化能力,采用混合核函数,并用具有并行性和分布式特点的PSO算法优化选择SVM模型参数。利用该非线性组合预测模型对73个边坡实例进行学习,对另外10个边坡实例进行推广预测,研究结果表明,该模型较好地整合了不同建模方法的特征信息,较单一模型、加权组合模型和BP网络组合模型具有更高的预测精度和更小的峰值误差,为边坡稳定性评价提供了一种新的途径。     

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GIS的GA-BP模型开发及其在边坡稳定性预测中的应用

结合遗传算法的全局寻优性和BP算法的局部精确搜索求解特点,构建GA-BP模型,通过使用C++语言编写的GA-BP模型算法程序和avenue语言编写的动态连接脚本程序实现该模型与ArcView GIS的集成,并利用GIS平台的海量存储、空间分析及可视化功能,针对区域性边坡稳定性预测的特点,建立了边坡稳定性预测评价系统,该系统可以对研究区内收集到的所有边坡信息进行统一的存储和管理,并能对各边坡的稳定性实现实时的、可视化的预测评价。     

基于PCA-DDA原理的砂土液化预测模型及应用

影响砂土液化的因素有很多,建立多指标的液化预测模型非常有必要。目前所有的多指标砂土液化预测模型,均默认选取的判别因子之间相互独立,不存在相关性,可能导致各判别因子之间存在信息叠加而发生误判。以唐山地震砂土液化的25个案例为样本,选取8个影响因素作为砂土液化预测的初始判别指标,首先采用主成分分析（PCA）对各判别指标进行分析,对存在相关性比较高的指标进行了降维处理。基于降维后的4个主成分换算得到新的样本数据,以18个案例为学习样本,建立主成分分析与距离判别分析（DDA）相结合的砂土液化预测模型。利用建立的预测模型对18个案例进行回判,结果全部正确。对其他7个案例的液化情况进行了预测,并与规范法、Seed方法、BP法、DDA法的判别结果进行分析比较,结果表明基于主成分分析与距离判别方法的砂土液化判别模型预测准确率为100%。将模型应用于工程实例,判别结果也与实际情况一致,表明该模型具有良好的预测功能,可在实际工程中应用。     

基于范例推理的黄土路堑高边坡稳定性预测研究

充分利用大量公路黄土路堑高边坡实例,构建了基于范例推理的边坡稳定性预测模型。该模型是将已建黄土路堑高边坡实例作为源范例,而将待分析边坡作为目标范例,通过源范例和边坡范例之间的相似度计算,得到目标范例与源范例之间的相似性序列,找出与目标边坡范例最相似的源范例,从而实现了黄土路堑高边坡的稳定性预测。实例分析表明,该法不仅原理简单、使用方便,而且效果良好。     

基于PCA-RF的回采巷道围岩稳定性预测

回采巷道的稳定对煤矿的安全、高效生产至关重要,在生产前应对其评价,以利于采取针对性的措施。为提高回采巷道稳定性预测的准确率,将主成分分析(PCA)与随机森林(RF)算法相结合,对回采巷道稳定性进行预测。根据回采巷道稳定性的影响因素,选取围岩强度、埋深、节理裂隙发育程度、巷道跨度、直接顶与煤层厚度之比和松动圈厚度6个指标作为巷道稳定性的影响因素。采用PCA提取影响因素的主成分,选取贡献率大于80%的3个主成分,代替原有的6个影响因素,将其作为随机森林(RF)的输入变量。将回采巷道稳定划分为4个等级,建立PCA-RF回采巷道稳定性预测模型。研究结果表明:采用PCA-RF模型误判率低,具有较高的预测精度,能够相对有效地对回采巷道的稳定性进行判定。     

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.     

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。     

基于SSA优化的GA-BP神经网络煤层底板突水预测模型与应用

随煤层开采深度的不断增加,煤矿生产过程中面临着复杂的突水机理和多变的突水主控因素,且各因素间相互联系的不确定性,使底板突水预测的难度不断增加。为准确预测底板突水危险性,针对底板突水的小样本、非线性问题,首先利用遗传算法(Genetic Algorithm,GA)将网络随机赋值的初始权值和阈值初次优化,再选取搜索能力强、稳定性较好的麻雀搜索算法(Sparrow Search Algorithm,SSA)对权值和阈值进行二次寻优,从而建立SSA-GA-BP神经网络底板突水预测模型。分析整理山东省滨湖煤矿地质及水文地质资料,选取含水层水压、含水层厚度、隔水层厚度、断层密度、断层分维值、渗透系数、单位涌水量、底板破坏深度共8个因素,作为预测底板突水的主控因素,绘制各主控因素3D映射投影曲面图;利用Surfer软件中的克里金插值法提取50个数据点作为模型的输入样本(分为训练集40个,测试集10个),对模型进行训练学习,训练误差精度达到要求后,对滨湖煤矿3个未开采工作面的12个数据点进行突水危险性预测。为了验证所建模型的准确性,利用BP、GA-BP、SSA-GA-BP这3种模型对测试集进行预测;为避免模型仅与BP网络预测对比的片面性,同时选取以熵权法确定权重的模糊综合评判法对测试集进行预测;将各网络模型及方法的预测结果与实际值进行对比分析。结果表明:基于SSA优化的GA-BP神经网络模型突水预测误差较小,预测结果准确率更高,为矿井水害预测预报提供了科学的评价方法和理论依据。      

基于LSTM神经网络的煤矿突水预测

针对煤层底板突水预测问题,在总结现有突水预测方法和理论的基础上,通过特征选择实验得出水压、距工作面距离、砂岩段厚度、煤层厚度、煤层倾角、断层落差、裂隙带、开采面积、采高、走向长度是影响突水发生的主要因素,这些因素具有复杂、非线性的特点。提出基于长短时记忆（LSTM）神经网络构建的突水预测模型,将煤矿突水实例的数据作为样本数据对模型进行训练。最后,将LSTM神经网络模型与遗传算法-反向传播（GA-BP）神经网络模型和反向传播（BP）神经网络模型进行对比实验。实验结果表明,LSTM神经网络模型在测试集上的预测正确率更高,稳定性更好,更适用于煤层底板突水预测。      

遗传神经网络法在巷道围岩松动圈预测中的应用

针对BP人工神经网络具有易陷入局部极小等缺陷,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,建立了基于遗传算法的围岩松动圈预测的神经网络模型。用该模型对巷道围岩松动圈厚度进行了预测并与BP预测结果相比较。结果表明,该遗传神经网络模型可靠,预测精度高,用来对围岩松动圈厚度进行预测是有效的和可行的。     

Assessing model of highway slope stability based on optimized SVM

Considering the geological hazards attributed to the highway slope, using a common simple model cannot accurately assess the stability of the slope. First, principal component analysis (PCA) was conducted to extract the principal components of six factors (namely, bulk density, cohesion, internal friction angle, slope angle, slope height, and pore water pressure ratio) affecting the slope stability. Second, four principal components were adopted as input variables of the support vector machine (SVM) model optimized by genetic algorithm (GA). The output variable was slope stability. Lastly, the assessing model of highway slope stability based on PCA-GA-SVM is established. The maximal absolute error of the model is 0.0921 and the maximal relative error is 9.21% by comparing the assessment value and the practical value of the test sample. The above studies are conducive to enrich the assessing model of highway slope stability and provide some reference for highway slope engineering treatment.     

边坡稳定性的神经网络估计

应用神经网络理论,本文提出了圆弧破坏和楔体破坏的边坡安全系数估计的新方法。为解决安全系数估计的知识的学习问题,提出了一种推广学习算法。用它对收集到的边坡实例进行学习,然后进行推广,预测出新边坡的安全系数。与极限平衡法和极大似然法的估计结果进行了比较,可以看出,神经网络方法具有推广预测精度高、自学习功能强、考虑不确定性能力强等特点。     

基于融合算法的土石混合体斜坡稳定性预测

土石混合体是物理力学性质较为复杂的地质材料,因此该类斜坡的稳定性评价是工程地质领域的重要课题。为提高斜坡稳定性预测的能力,本文将粒子群算法和果蝇优化算法相互耦合,形成融合算法,并结合机器学习模型,使用决定系数、均方误差和平均绝对误差3个评价指标,构建并评价土石混合体斜坡稳定性的预测模型,最终采用基于融合算法的梯度提升决策树模型对输入参数进行了重要性分析。结果表明:(1)相比于粒子群和果蝇优化算法,融合算法能够有效优化机器学习模型的参数,从而较为明显地提升模型预测精度。(2)基于融合算法的梯度提升决策树模型预测精度最高,达到93.33%,明显优于融合算法下的决策树模型和Stacking模型。(3)影响土石混合体斜坡稳定性的结构因素,其重要性从高到低分别为基覆面倾角、含石率、总体坡角、坡高。     

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。