Determination of stability of slope using Minimax Probability Machine

This article examines the capability of Minimax Probability Machine (MPM) for the determination of stability of slope. MPM is constructed within a probabilistic framework. This study uses MPM as classification and regression tools. Unit weight (γ), cohesion (c), angle of internal friction (φ), slope angle (β), height (H) and pore water pressure coefficient (r_u) have been used as inputs of the MPM model. The outputs of MPM are stability status of slope and factor of safety (F). The results of MPM have been compared with the artificial neural network models. The experimental results demonstrate that the developed MPM is a promising tool for the determination of stability of slope.     

基于概率神经网络的岩土边坡稳定性预测方法

基于数据挖掘技术和智能系统,提出应用概率神经网络预测边坡稳定性的数值方法。根据大量边坡稳定或者失稳案例记录的数据库资料,采用数据挖掘方法能够从中提炼出有价值的分类模式。将岩土边坡的力学参数和几何形状作为神经网络的输入训练和测试神经网络。实际应用显示所建立的概率神经网络预测边坡稳定的实用性。与传统的极限平衡分析方法和极大似然估计方法相对比,所提出的概率神经网络具有更高的预测精度。     

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。     

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。     

最小势能方法在二维边坡稳定分析中的应用

提出了一种新的边坡稳定性评价方法。依据平衡体系势能变化最小的原理，从整个边坡的势能变化求得一个满足势能的最小位移，并直接求出滑面上的法向力分布。均质边坡直接用此分布即可求出合理的安全系数；具有多种土层边坡在保持法向力代数和不变的前提下，按自重应力因子重新分布，也可以求得合理的安全系数。     

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。     

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.     

Prediction of surface crown pillar stability using artificial neural networks

A relatively novel technique, artificial neural networks (ANN), is used in predicting the stability of crown pillars left over large excavations. Data for the training and verification of the networks were obtained from the literature. Four artificial networks, based on two different architectures, were used. The networks used different numbers of input parameters to predict the stability or failure of crown pillars. Multi‐layer perceptron networks using mine type, dip of orebody, overburden thickness, pillar thickness, pillar length, stope height, backfill height, Rock Mass Rating (RMR) of the host rock and RMR of the orebody showed excellent performance in training and verification. Adding three more variables, namely pillar width, rock density and pillar thickness to width ratio, showed symptoms of over‐learning without degrading performance significantly. Radial basis function networks were capable of predicting crown pillar behaviour on the basis of few input functions. It was shown that mine type, dip and pillar thickness to width ratio can be used for a preliminary estimation of stability. Copyright © 2006 John Wiley & Sons, Ltd.     

Explicit limit equilibrium solution for slope stability

Conventional methods of slices used for slope stability analysis satisfying all equilibrium conditions involves generally solving two highly non‐linear equations with respect to two unknowns, i.e. the factor of safety and the associated scaling parameter. To solve these two equations, complicated numerical iterations are required with non‐convergence occasionally occurring. This paper presents an alternative procedure to derive the three equilibrium equations (horizontal and vertical forces equations and moment equation) based on an assumption regarding the normal stress distribution along the slip surface. Combination of these equations results in a single cubic equation in terms of the factor of safety, which is explicitly solved. Theoretical testing demonstrates that the proposed method yields a factor of safety in reasonable agreement with a closed‐form solution based on the theory of plasticity. Example studies show that the difference in values of factor of safety between the proposed method, the Spencer method and the Morgenstern–Price method is within 5%. Application of the proposed method to practical slope engineering problems is rather straightforward, but its solution is of the same precision as those given by the conventional rigorous methods of slices since it is still within the rigorous context. Copyright © 2002 John Wiley & Sons, Ltd.     

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。     

应用点安全系数分析基坑边坡三维稳定性

复杂基坑边坡具有明显的三维效应,目前计算方法尚不便准确计算其三维稳定性,不便于确定其空间失稳范围。在三维数值计算结果的基础上,选用Bezier双三次曲面对通过节点的位移等值面进行拟合,以位移等值面作为基坑边坡局部破坏面,据此计算出垂直破坏面的正应力和滑动方向的剪应力,提出新的点安全系数定义为该点抗剪强度与滑动方向上剪应力的比值,整体安全系数为等值面上点安全系数对面积的加权平均值。分析了某师范大学基坑边坡的稳定性,结果表明,点安全系数在剖面分布上呈中部小,内、外高的分布特征,小于1.06的区域从坡脚延伸至坡顶,揭示了滑动面的位置,最危险滑动面为15 mm的位移等值面。通过与刚体极限平衡法比较,验证了特定剖面上二者计算结果的一致性     

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。     

地震多参数神经网络储层油气预测中的参数优化

在利用多参数进行储层油气预测时,并不是使用的特征越多越好,最佳特征的维数取决于实际问题的预测效果。这里运用聚类分析法优选地震特征参数,将距离较远或相似系数低的特征参数聚为一类,用来对未知样本进行地震储层预测。利用优选后的参数进行神经网络储层油气预测,在实际应用时取得了较好的效果。     

禁忌搜索在确定土坡危险滑动面中的应用

在土坡稳定的计算过程中常采用经典的极限平衡法。对每一条可能的圆弧滑动面通过条分法计算其安全系数,最小的安全系数就代表了土坡的实际安全系数。在此过程中,滑动面的圆心坐标和半径可以视为安全系数的函数,滑动面的圆心坐标和半径是自变量,安全系数就是函数值。这样,土坡安全系数的计算过程实际上是对安全系数这个函数求极值的过程。通过将土坡的安全系数视为圆心坐标和滑弧半径的函数,应用连续变量的禁忌搜索技术计算土坡稳定安全系数,提高土坡稳定计算的可靠性。     

边坡稳定分析的非线性有限元混合解法

在对有限元强度折减法和有限元迭代解法的优缺点分析的基础上,提出了边坡稳定分析的非线性有限元混合解法,该法将有限元强度折减法和有限元迭代解法联合运用于边坡稳定分析,充分利用了两种方法的优点。即由有限元强度折减法搜索边坡可能滑动面,将可能滑动面在网格中画出,由迭代解法逐步迭代求得其滑动面的安全系数。并以算例和工程实例说明了此种方法的正确性和合理性。     

人工神经网络在爆破块度预测中的应用研究

利用人工神经网络模型对爆破块度进行预测,实验结果表明,该方法是完全可行的。通过对实验样本数据进行归一化处理后再对人工神经网络模型进行训练和预测,其预测精度会得到大大提高。     

计算边坡安全系数的坡向离心法

边坡稳定分析方法发展最引人注目,它是经典土力学最早试图解决而至今仍未圆满解决的课题。在常用边坡分析方法的基础上,从边坡失稳机制出发,提出一种更方便的安全系数计算方法--坡向离心法。该法通过不断增大水平加速度,直至边坡失稳为止,依据水平加速度与重力加速度失稳影响机制求得安全系数。通过算例与传统极限平衡法和有限元强度折减法相比较,并对各物理参数进行敏感性分析。结果表明,坡向离心法在边坡工程稳定分析中的应用是切实可行的,其弹性模量和泊松比对该法所求安全系数影响不大。     

人工神经网络在边坡滑移预测中的应用

利用一项实际边坡工程的多年实测滑移资料，基于人工神经网络方法，建立了非线性人工神经网络分析模型，从而能够较精确地对该边坡的滑移进行预测，通过本工程实际的应用实践，发现它可避开复杂的本构模型而成为解决岩土工程问题的新途径。     

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。