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。     

基于高斯过程分类的地震砂土液化预测及其应用

在砂土液化预测模型中,采用的数据一般来源单一且数据量少。本文选取了来自SPT场地、VS场地、CPT场地的三个数据库,其数量分别为620、185、226例,每个数据库中影响因子的种类和个数都不相同。共有9种模型与高斯过程分类模型(GPC)进行综合对比分析,分别为FDA、DDA、BDA、MLR、ELM、LSSVM、SVM、CART、ANN。研究结果表明,GPC模型对每个数据库的液化判别都具有高准确率,分别为0.869 1、0.910 1、0.940 1,且其预测精度及稳健性均明显优于其他模型。由于数据来源的广泛性及代表性,可以得出GPC模型对于砂土液化预测具有极强的适应性。 更多还原     

基于判别分析法的地震砂土液化预测研究

将距离判别分析方法应用于砂土液化的预测问题中,建立了砂土液化预测的距离判别模型。选用震级、研究深度、震中距、标贯击数、地下水位及地震持续时间等6项指标作为判别因子,以大量的工程实例数据作为学习样本进行训练,建立了线性判别函数对待评样本进行了评价。研究结果表明,距离判别分析模型判别砂土液化效果良好,预测准确度高,回判估计误判率低,可望成为砂土液化预测的有效手段。     

砂土液化预测的Fisher判别分析模型及应用

针对砂土地震液化预测问题,基于Fisher判别分析原理(FDA),选用平均粒径、不均匀系数、标贯击数、地下水水位、砂层埋深、剪应力与有效上覆应力比、地震烈度.震中距等8个实测指标为判别因子,建立Fisher线性判别函数模型,对砂土液化进行预测.研究结果表明,Fisher判别分析结果与神经网络输出结果一致,优于规范法和Seed法判别结果,验证了该模型的合理性和可靠性.运用该模型进行判别分析,简易方便,分类效率高,对砂土液化判别快速、有效,模型适用性强,具有一定的工程应用前景.     

基于MPL神经网络的地震作用下砂土液化评估及预测

砂土在地震的作用下会产生剧烈的液化现象,液化引发的地基失稳会对道路、建筑物、堤坝等各类设施造成严重危害。因此,地震作用下的砂土液化判别预测一直是地质灾害领域研究的热点问题。本文使用过去几十年发生在世界各地的166组地震作用下砂土液化实例数据,通过大量数据训练和参数分析建立了基于机器学习的地震作用下砂土液化判别模型。结果表明,当网络结构为6(输入层)-15(隐藏层)-1(输出层)、训练函数为Levenberg-Marquardt时,对地震液化预测效果较好,最大准确率可达96%。参数分析结果表明不同参数对网络预测准确率影响程度不一:锥端阻力、地表归一化峰值水平加速度影响相对较大;地震震级、总垂向应力、有效垂向应力影响中等;贯入深度对其影响较小。因此在不同网络预测精度要求的条件下,可考虑适当简化输入参数。     

砂土液化预测的Fisher判别模型及应用

基于Fisher判别理论建立了砂土液化可能性的Fisher判别分析（FDA）模型。在分析砂土液化影响因素的基础上,选取烈度、震中距、地下水位、砂层埋深、标贯击数、平均粒径、不均匀系数、剪应力比等8个实测特征指标作为FDA模型的预测指标。利用砂土液化的实测数据作为训练样本进行训练,建立FDA模型对砂土液化进行预测,并用其他未参加训练的实测数据进行了验证。研究结果表明,FDA模型简便可行、预测精度高,是解决砂土液化预测问题的有效方法之一。     

基于逐步判别分析的砂土液化预测研究

为高效地进行砂土液化的预测,运用逐步判别法,从8个液化影响因子中选择平均粒径、烈度、震中距等3个判别能力显著的影响因子,建立判别函数,并利用工程实例进行验证。研究结果表明：逐步判别分析模型预测性能良好,且能有效地选择对砂土液化起主导作用的因子。相比距离判别分析,逐步判别分析建立的判别函数更加稳定,且所需测试因子较少,节省了因试验和现场调查所耗费的大量人力、物力和时间,因此逐步判别分析是一种值得推广的砂土液化预测方法。     

砂土地震液化预测的GA_SVM_Adaboost模型

为快速准确地对砂土液化情况作出预测,选取地震烈度、地下水位、覆盖厚度、标贯击数、平均粒径、地貌单元、土质及不均匀系数为主要影响因素,运用相关性分析和因子分析模型对其进行分析和属性约减,采用遗传算法（GA）对支持向量机（SVM）的参数寻优,结合Adaboost迭代算法,建立预测砂土地震液化的GA_SVM_Adaboost模型。选用唐山地震砂土液化现场勘察资料中的329组数据对模型进行训练,利用该模型对剩余68组砂土液化数据进行预测。最后,将预测结果与GA_SVM和SVM模型预测结果进行比较。结果表明,3个模型的平均预测准确率分别为100%、98.04%、89.71%,基于因子分析的GA_SVM_Adaboost模型的预测准确性优于GA_SVM模型和SVM模型,是一种解决砂土地震液化预测问题的有效方法,具有一定的应用参考价值。      

基于广义回归神经网络的砂土液化综合判别方法

基于厦门地区大量钻孔试验数据,分别采用规范法和Seed法对该区饱和砂土进行液化判别。然后选取二者判别结果相同的数据作为训练和测试样本,运用广义回归神经网络,对二者判别结果分歧的钻孔数据进行二次判别。结果表明:广义回归神经网络性能良好,预测准确度高。此外,这种综合判别方法也提高了饱和砂土液化判别的准确度,并为其他地区饱和砂土的液化判别研究提供借鉴和参考。      

矿井突水水源的Bayes逐步判别分析研究

对Bayes逐步判别法在矿井突水水源判别中的应用进行研究分析。选用六大常规离子（ Ca2＋、Mg2＋、K＋＋Na＋、SO42-、Cl-、HCO3-）作为判别因子,建立Bayes逐步判别分析模型,以内蒙唐家汇矿区突水水源判别为例,在建立的判别模型回判检验准确率仅60%,分析原因可能与选定的特征判别因子对该矿区水样分类影响能力较弱有关。增加总硬度、碱度、PH值和矿化度作为判别因子,重新建立Bayes判别分析模型,使回判准确率提高至90%,证明适当增加特征判别因子对改善Bayes逐步判别模型的可靠性和稳定性有利。经对唐家会矿区的3个未知样本进行了判别分析,并与距离判别法和模糊综合评判法判别结果对比,结果表明Bayes逐步判别模型准确性较好,判别准确率与距离判别结果完全相同,而优于模糊综合评判方法。在合理选取特征判别因子的情况下,Bayes逐步判别法是目前矿井突水水源判别的有效方法。     

基于聚类-二叉树支持向量机的砂土液化预测模型

建立在统计学习理论基础之上的支持向量机（SVM）,是一种基于结构风险最小的小样本机器学习方法。经典的支持向量机主要针对二分类问题,而工程实践中遇到的往往是多分类问题。根据影响砂土液化的主要因素,采用聚类分析中的类距离思想,建立了基于聚类-二叉树的多类支持向量机的砂土液化判别模型。该模型可以通过有限样本的学习,建立砂土液化与各影响因素之间的非线性关系。研究结果表明,基于聚类-二叉树支持向量机的层次结构合理,分类精度高,泛化性好,可对砂土液化等级进行较准确判别     

饱和砂土的剪切波速与其抗液化强度关系研究

根据饱和砂土剪切波速与其抗液化强度的相关性原理,利用剪切波速与振动三轴联合实验装置,进行了控制饱和砂土初始剪切波速的振动液化实验,依据实验结果建立了剪切波速与抗液化强度的定量关系。最后用现场勘查数据对此定量关系进行验证,结果表明：该关系式对实际 66 个未液化地点的判别准确率达到 81.2 %;对 108 个实际液化地点的判别准确率达到 62.8 %;平均判别准确率达到 69.5 %。     

饱和砂土地震液化判别的可拓聚类预测方法

基于可拓学的物元模型和聚类分析原理,提出了饱和砂土地震液化判别的可拓聚类方法。选取地震烈度、震中距、砂层埋置深度、地下水位、标贯击数、平均粒径、不均匀系数和动剪应力比等8个影响因素,作为饱和砂土地震液化的评价因子,构建了经典域物元和节域物元。应用物元理论和可拓集合中的关联函数,建立预测模型,通过聚类分析得到饱和砂土地震液化的判别结果。实例研究表明,该模型能客观地反映砂土的液化规律,可拓聚类预测方法应用于饱和砂土地震液化判别是有效可行的。     

矿柱稳定性判别的ICA-RoF模型及其工程应用

为准确判别矿柱稳定性情况,综合考虑矿柱形状特征量、力学状态量和力学极限量3类指标,选取矿柱宽度、矿柱高度、矿柱宽高比、矿柱约束、矿柱摩擦系数、矿柱应力、矿岩单轴抗压强度、矿柱强度共8个特征作为识别指标,利用独立成分分析旋转森林(ICA-RoF)算法逆构特征指标与矿柱状态之间的非线性映射关系,建立一种基于ICA-RoF算法的矿柱稳定性判别模型。结合工程实例,以150组矿柱样本数据进行训练,采用40次5折交叉验证算法获得最佳模型参数,以剩余12组样本数据对该模型进行检验,并与主成分分析旋转森林算法(PCA-RoF)、CART决策树算法(CDT)和高斯过程分类算法(GPC)进行比较。研究结果表明:ICA-RoF判别模型精度高、泛化能力强,在显著性水平α=0.05的情况下,ICA-RoF明显优于PCA-RoF、CDT和GPC。     

渭南北湾水库库坝地基砂砾土液化判别浅议

砂砾土和砂土成分不同,两者在相同的波速值时密实度也不同,现有规范对砂土液化的波速判别法不适用于砂砾土,砂土液化的判别结果对砂砾土偏于危险。而我国部分地区砂砾土分布广泛,十分有必要发展砂砾土的液化预测及判别方法。本文根据渭南北湾水库工程基础勘察资料,在前人对砂砾土液化判别方法的研究基础上,采用剪切波速对砂砾土进行液化判别,为液化土的工程处理提供地质建议,同时也为其他工程砂砾土液化判别提供借鉴作用。     

DDA法和Fisher判别法在潜在滑坡判识中的应用比较

选择地貌特征（包括地形坡度、沟谷切割状况、洼地封闭状况、前缘临空状况）、滑面特征（包括滑面倾角、滑面形态、滑面阻抗比）、滑体结构和近期活动迹象4大类9个因子作为古（老）滑坡类潜在滑坡的判识指标,以三峡库区和岷江上游地区相同数量的典型滑坡作为学习样本,依据距离判别分析（DDA）和Fisher线性判别分析（FLDA）方法,分别建立了两个研究区潜在滑坡的DDA判识模型和FLDA判识模型。实例分析结果表明,DDA方法对两个研究区学习样本和测试样本的误判率均为0,而FLDA方法对两个研究区测试样本的误判率分别为5.56%和11.11%,对学习样本的错判率分别为11.1%和0%。因此,在三峡库区和岷江上游地区潜在滑坡的判识中,DDA法比FLDA法判识准确性更高、适用性更强。     

基于贝叶斯网络的地震液化概率预测分析

基于解释结构模型和因果图法,选取12个具有代表性的定性和定量因素,在大量数据不完备的情况下提出了建立贝叶斯网络液化模型的方法。以2011年日本东北地区太平洋近海地震液化不完备数据为例,采用总体精度、ROC曲线下面积、准确率、召回率和F1值5项指标对模型进行综合评估,并与径向基神经网络模型进行对比。结果表明：贝叶斯网络液化模型的回判和预测效果都优于径向基神经网络模型,且对于数据缺失的样本的预测效果也较理想。此外,该模型对于不同土质的液化评估均有较好的适用性。分类不均衡和抽样偏差会对模型的学习和预测效果产生很大影响,建议应同时采用上述5项评估指标进行综合评估模型的优劣。     

饱和砂土液化判别与放大效应数值模拟研究

为研究地震作用下饱和砂土液化判别及地震放大效应的影响因素,采用边界面塑性模型框架内开发的砂土本构模型,基于开源有限元平台OpenSees建立了一维剪切梁土柱模型。以循环应力比CSR和循环抗力比CRR为控制指标,对比了不同液化判别方法的差异,分析了地震荷载类型和砂土相对密度对液化判别和放大效应的影响。研究表明：与数值模拟结果相比,Seed简化法计算的CSR更大,判断饱和砂土场地发生液化的可能性更高;冲击型地震波较振动型地震波更容易使饱和砂土场地发生液化,砂土相对密度越小场地越容易发生液化;放大系数随埋深的减小而增大,振动型地震波引起的放大效应整体大于冲击型,埋深较大时放大系数随砂土相对密度的增大而减小。     

距离判别法在矿山防治水中应用

以淮南潘二矿区、山西河池矿区和河南焦作矿区水样作为突水水源数据,采用距离判别分析理论,对突水水源进行判别分析。选用六大常规离子作为判别因子,分别建立矿井突水水源的距离判别分析模型。经回判检验表明,潘二水样和焦作水样的距离判别模型回判准确率超过90％,而河池矿区水样距离判别模型的回判准确率仅50％。为此,增加总硬度、碱度、PH值和矿化度作为判别因子,重新建立河池矿区水样的距离判别分析模型,回判准确率提高至90％,证明适当增加特征判别因子对改善距离判别分析模型的判别准确率有利。最后对三个矿区的未知样本进行了距离判别分析,并与Bayes逐步判别法和模糊综合评判法判别结果对比,结果表明距离判别法稳定性较好,判别准确率与Bayes逐步判别基本相同,比模糊综合评判要好。因此,在判别因子选择合适的情况下,距离判别法是目前矿井突水水源判别的有效方法。     

盐城市某港区砂土液化评价体系建立

砂土液化引起的地基土大变形是港口工程破坏的重要原因。因此,港口地区的液化判别方法选择的合理性、判别结果的准确性就显得尤为重要。针对某港区砂土液化问题,选择临界标贯击数法、Seed简化法、BP神经网络法、基于GIS的液化判别法等四种液化评价方法,进行砂土液化势评价并分析对比,建立基于GIS三维液化评价体系。结果表明:研究区15m以上砂土液化趋势较大,15m以下液化趋势较小。