基于混合聚类的岩体结构面优势分组方法

提出一种基于凝聚层次法和模糊C均值法的混合聚类法,用于对岩体结构面的优势组划分。该方法将结构面投放到在单位球面上,并使用欧式距离作为极点的相似性度量准则。先剔除结构面数据中的孤值产状,然后用凝聚层次法得到初步聚类结果,并将其作为FCM法的初始聚类中心,最后用FCM法划分优势组。通对人工生成产状样本的分组,验证了该法的正确性。将该方法应用于大藤峡坝址区实测的结构面数据的划分。在实测数据中寻找到两个孤值产状,成功将大藤峡D1y^1-3地层岩体结构面划分为两组,得到了符合实际的分组结果。     

基于粒子群算法的岩体结构面产状模糊C均值聚类分析

结构面产状分析是进行岩体力学分析及稳定性评价的基础,玫瑰花图、等密度图等传统的图形分析方法较为粗糙,无法对产状数据进行准确分析,采用模糊聚类方法则可以得到较为准确的优势产状,但需要事先指定分组数及初始聚心,且模糊聚类算法为局部寻优算法,初始划分对最终的数据分析结果影响较大。为了得到较为客观的分组结果及优势产状,同时能够针对大量结构面产状数据进行聚类分析,提出了基于粒子群算法的岩体结构面产状模糊C均值聚类算法。采用粒子群算法进行模糊C均值聚类算法初始聚心的求解,在计算过程中可同时确定最佳分组数,避免了人为指定的主观性,克服了模糊C均值聚类算法易陷入局部极小值和对初始划分敏感的不足。最后,通过工程实例中不同方法的聚类效果对比分析该算法的有效性,并将该方法应用于实测结构面产状数据的分析,得到较为符合实际的优势结构面分组。     

基于t-SNE的多参数岩体结构面分步聚类方法

结构面聚类是进行岩体稳定性评价的重要步骤。常用聚类方法多以产状作为分组依据,忽略了结构面物理特性指标对岩体稳定性的影响。针对分组依据单一化的不足,综合考虑结构面倾向、倾角、迹长、张开度、填充状态和粗糙度的影响,提出一种基于学生分布随机邻近嵌入（student-distributed stochastic neighbor embedding,简称t-SNE）的多参数岩体结构面分步聚类方法。首先,利用t-SNE算法对除产状外的结构面特征进行数据降维;进而利用模拟退火算法搜索K-means算法的全局最优初始值,并采用分步聚类思想完成聚类。研究表明：所提方法有效地解决了高维空间样本稀疏的问题,同时保留了数据的局部结构与全局结构。新方法相比于传统方法能对空间分布相似区内结构面的物理特性进行精确划分,分组精度更高,且在避免复杂权重值计算的条件下,能有效区分产状与物理特性参数对岩体稳定性的影响差异。最后,将所提方法应用于中国新疆某露天矿坡结构面实测数据分析中,所得分组结果合理可靠,进一步证明该方法在实际工程中的有效性。研究方法可为多参数岩体结构面的分步聚类提供参考。     

节理岩体结构面优势产状确定方法研究

节理岩体结构面产状的分析在岩体的力学和水力学分析中都是极为重要的基础性工作.本文分析了传统的结构面产状图形分析法、模糊等价聚类方法和模糊C均值聚类方法(FCM算法)在节理结构面产状分析中的优缺点,针对上述3种方法各自单独使用时的利弊将这3种方法有效结合起来,得出了一种更为准确合理的产状统计分析的综合性方法.应用此方法对...     

基于人工蜂群算法的岩体结构面多参数优势分组研究

岩体结构面优势分组是研究岩体力学性质与水力特性的基础,通常的分析方法是只根据产状进行划分。鉴于结构面其他特征对岩体力学性质的重要影响,考虑结构面倾向、倾角、迹长、张开度、表面形态5个特征参数,提出了基于人工蜂群算法的岩体结构面多参数优势分组方法。以样本总体离差平方和为目标函数,建立岩体结构面多参数优势分组的数学模型,应用人工蜂群优化算法求解,以目标函数值最小时的解作为聚类中心,并自动确定分组边界。对人工生成的结构面数据的计算结果验证了该方法的正确性,该方法的求解精度是令人满意的。最后,将该方法应用于怒江松塔水电站坝址区岩体结构面多参数优势组的划分,得到了较为合理的分组结果,进一步验证了此方法具有较高的运行效率与工程实用性。     

岩体结构面的多参数优势分组方法研究

岩体中的结构面对岩体的水力和力学性质有很大影响,因此,弄清岩体中结构面的发育规律是岩体稳定性评价的基础。当结构面的产状一致,其他性质不一致时,结构面的水力学特性和力学性质是不同的。而传统的结构面优势分组方法仅根据产状数据分组,无法分辨产状相同、其他性质不同的结构面。因此,提出了一种基于量子粒子群优化算法的多参数结构面的优势分组方法。该方法通过结构面的相似性度量建立目标函数,运用量子粒子群优化算法通过搜索目标函数的全局最优解来确定聚类中心,可用于结构面多个参数的优势分组。通过对计算机模拟的多参数结构面数据的分组,验证了该方法的可靠性。最后,将该方法应用于怒江松塔水电站坝址区实测的多参数结构面数据的划分,得到了符合实际的分组结果。     

基于多聚类中心的加权聚类铸体薄片图像分割方法

针对人工利用显微镜对岩石铸体薄片进行鉴定的低效和普通聚类分割算法对图像边缘分割效果差的问题，本文从岩石特征出发，提出了一种基于聚类分割算法的多聚类中心加权分割新方法，并使用该方法训练了一个适用于岩石铸体薄片的分割模型。使用该模型可以快速地完成对大量薄片的鉴定任务。该方法通过构建新的聚类距离提升了对薄片各组分边缘和内部的分割效果，将多聚类中心的方法和加权的聚类方法相结合，进一步增强了对薄片边缘部分的分割。利用来自疏松岩心的铸体薄片图像进行分割实验，并将本文提出的聚类分割新方法与普通的聚类分割算法的结果进行比较，发现本文方法的分割误差比普通分割方法的误差最高降幅达37.2%。与现有深度学习分割算法对数据量和数据类型的高要求相比，多聚类中心的加权聚类分割算法更适合地质领域中的分割任务，具有较高的应用价值。     

基于激光测量和FKM聚类算法的隧洞岩体结构面的模糊群聚分析

岩体隧洞结构面的数量、产状和发育情况是评价隧洞透水性和稳定性的重要指标。采用三维激光测量技术可以快速获取隧洞周围岩体激光点云数据和结构面的几何信息。提出了基于柱面投影和Delaunay生长算法的激光点云的三角网重构技术,利用构建的三角网平面方程的法向向量计算出单个三角网平面的产状,并应用FKM聚类算法进行隧洞岩体结构面产状的模糊群聚分类。该方法可以快速得到不同组的优势产状,且分类结果可用不同颜色进行空间显示。最后运用自主研发的FSS软件对某隧洞的岩体结构面优势产状进行了研究,研究结果表明：1）基于柱面投影和Delaunay生长法的点云构网方法特别适合于隧洞工程,构网速度快、效率高,重构得到的三角网表面与被采样的岩体表面拓扑差别最小;2）FKM模糊群聚方法对隧洞岩体结构面的群聚分类结果可靠、合理,具有较强的通用性和推广性。     

北山场址区不同尺度结构面导水特性研究

模糊聚类法常常用来分析三维数据组,例如节理产状等,同时,其他方法也被用于分析目标数据的组分,但传统方法在分析复杂数据时通常会遇到困难。本文基于Ornella Cominetti和Anastasios Matzavinos近年提出的一种可用于复杂数据分析的新方法,将其引入并编程实现了DifFUZZY聚类法分析岩体结构面的产状参数。研究成果表明：(1)DifFUZZY聚类法是一种简单且功能强大的新方法,它可以自动分组目标数据形成聚类,且能获得优势产状,为三维真实结构面网络模拟实现提供了新途径;(2)DifFUZZY聚类法不需要高等的结构面产状信息,而是随机选择初始数据进行优势分组后基于自身算法确定分类,并最终给出优势结构面参数,为岩石边坡等区域稳定性快速分析提供可能;(3)基于DifFUZZY聚类法可循环作用寻找聚类编号,并根据数据类型原则自动确定数据点的聚类。     

基于改进遗传算法的岩体结构面产状聚类分析

根据产状对结构面进行分组是研究岩体结构的重要环节。传统分组方法通常需要依靠地质经验,缺乏客观性,而现有的聚类方法也存在一些缺陷。基于变长度字符串遗传算法,提出了一种改进的K均值算法,实现了岩体结构面产状的自动聚类。该方法的核心思想是使用遗传算法为K均值算法选择恰当的聚类中心,克服了K均值(K-means)算法受初始聚类中心影响,易收敛于局部最优解的缺陷。由于使用了变长度字符串,该方法能够在聚类过程中自动确定最佳结构面组数,同时提供最优的分组结果。针对产状数据,提出了一种新的变异方法,该方法利用C++语言实现,并被应用于浙江省某地下水封洞库结构面产状数据的分析,得到较为合理的分组结果,证明了该方法的有效性。     

节理面按产状的模糊聚类及其优势方位的确定

分析了已有的几种对节理面按产状分组方法的不足，指出应用模糊聚类对节理进行分组的原由。为了构造模糊矩阵，矩阵中的元素取为两节理面锐夹角的余弦，即两节理面向上的单位法向矢量点积的绝对值。对某组节理面向上的单位法向量进行部分反向后，其矢量之和对应的产状即为该组节理面的优势方位。     

节理岩体结构面产状的动态聚类分析

节理岩体结构面的优势产状是进行Mnote-carlo模拟和岩体稳定性分析的基础。玫瑰花图、等密度图等传统的图形分析方法比较粗糙,其结果只是相对的优势组数划分,无法准确地给出结构面的优势产状,使得分组结果在实际中应用不便。为弥补上述不足,采用改进的动态聚类分析方法,构造空间直角坐标系,以结构面的单位法向量表示其产状,并根据球面上两点之间的球面距离对结构面产状进行分类判定。将该方法应用于三峡库区巴东新县城铜盆溪桥东头高切坡结构面优势产状分析中。结果表明,采用改进动态聚类分析方法结果可靠,分类合理,可以较准确地确定结构面的优势产状。     

钻探方法确定岩体结构面产状

在许多地下工程中,均需确定岩体结构面产状。文章阐述了确定岩体结构面产状的两类方法及其主要特点。岩芯定向方法需专门的仪器设备,成本较高,工序多;钻探直接计算方法,属常规方法钻探,故成本低,但需要3个钻孔测斜资料。文章提出了采用立体解析几何法,依据3点钻孔测斜资料、岩芯层面角,确定岩体结构面产状的方法。该方法分为两种情况:①3点测斜资料——钻孔顶角和方位角不完全相同情况下,3点测斜资料取自1孔、2孔或3个钻孔均可以,可以采用2个向量的数量积方法确定岩石结构面产状;①来自3孔的3点测斜资料——钻孔顶角和方位角完全相同情况下,可以采用两个向量的向量积方法确定岩石结构面产状。该方法准确,简单、成本低、适用性强。进一步完善并发展了以往确定岩石结构面产状的方法。此方法得到了很好的验证。     

优势面等级灰色聚类评价

在以往的优势面分级的基础上,本文利用灰色聚类方法对控制大型工程区域稳定性的优势面等级进行了评价,使优势面等级分类的定量化更为可靠和可信。与以往的评价方法相比,灰色聚类方法克服了严格数值界限的弊病,是一种有价值的评价方法。     

改进遗传算法和支持向量机的岩体结构面聚类分析

岩体结构面控制着岩质边坡和地下洞室等岩体工程的稳定性,在岩体力学及水力学分析中起到关键作用。为对岩体结构面进行合理分组,精确地模拟岩体结构面网络的分布,提出一种融合改进遗传算法和支持向量机的聚类方法。首先,根据岩体结构面产状信息建立结构面分组的数学模型,采用改进的遗传算法计算结构面样本的全局最优聚类中心,再以聚类中心为训练样本,利用支持向量机方法将结构面样本进行完全划分。通过随机产生的结构面数据以及实际工程的运用表明,遗传-支持向量机聚类算法对岩体结构面的分组合理,获得的优势结构面结果可靠。     

多参数岩体结构面优势分组方法研究

在岩体力学和水力学分析中,搞清岩体结构面的分布规律是一项重要的基础工作。当岩体结构面的产状一致,而其他性质不一致时,岩体结构面的力学和水力学性质是不同的,而传统的方法仅根据岩体结构面的产状进行分组,这势必存在缺陷。提出了一种基于变尺度混沌优化算法的多参数结构面数据的优势组划分方法,通过度量结构面之间的相似性建立目标函数,运用变尺度混沌优化算法搜索目标函数的最优解来确定聚类中心,可同时考虑结构面的多个参数,把具有相似性质的结构面归并成组。通过计算机模拟的结构面数据验证了此算法的正确性,最后将此算法应用于实际工程中测量的多参数结构面数据的优势组划分,得到了清晰可靠的分组结果。     

基于波形特征向量的凝聚层次聚类地震相分析

常规的基于地震沉积学原理的地震相分析,主要利用地震切片技术沿目标层提取均方根振幅属性,在地震信号信噪比较低,目标层厚度薄时,容易影响地震相分析的精度和可靠性。本文从地震沉积学原理出发,沿地层切片提取地震波形特征向量,然后引入地震波形特征向量凝聚层次聚类方法(agglomerative hierarchical clustering,AHC)开展地震相划分。波形凝聚层次聚类是一种无监督的机器学习算法,与传统的地层切片地震相分析方法相比较,基于波形聚类的分析方法,通过波形特征的变化,综合考虑了地震信号的振幅、相位和频率属性特征,具有更好的抗噪能力和更高的横向分辨率。物理模型数据测试和实际资料应用都证明了该方法的稳定性和适用性,验证了本方法具有较好的沉积相特征划分能力,是一类新的岩性分析工具,具有良好的应用前景。     

改进的区域生长算法在三维激光点云识别岩体结构面中的应用

交错分布的结构面构成了岩体中的薄弱部位,准确高效的岩体结构面识别和特征信息提取可为岩体稳定性评价提供重要依据。三维激光扫描技术可以极大地提高结构面勘测效率和精度,但目前主流的点云分析算法存在结构面边缘识别模糊、点云分割准确性不能满足结构面特征信息提取精度等问题。因此,考虑岩体结构面点云位置与其邻域的空间关系,利用KD-tree数据结构进行最邻近搜索的体素下采样,在稳健随机Hough变换的基础上改进了区域生长算法,通过多特征值对区域生长分割参数进行修正,依据点云法向量差值和特征终值进行结构面分割,实现了结构面产状、间距、延展度信息的提取。研究结果表明：与传统的主成分分析法和随机抽样一致法相比,在室内块体模型组成的24个结构面中,该方法在相同区域具有更高的识别率和准确率,既能在复杂变化的平面区域保证数据的完整识别,也能在平面的尖锐位置较好地分割边缘点云。利用该方法可以将24个结构面分为6组,并在识别数据中获取对应的结构面特征信息,与实际测量结果相比,角度信息误差约为1°,距离信息误差1 cm以内。利用该方法在长江干流蟒蛇寨斜坡岩体中成功识别出3组结构面同时计算各组结构面间距与延展度信息,并采用赤平投影图分析不同结构面组对斜坡稳定性的影响。所提出的方法在室内模型及现场斜坡验证效果良好,可以为岩体结构面识别分割提供稳定且有效的技术支撑。     

有序聚类分析法的改进及其在水文序列突变点识别中的应用

有序聚类分析法是水文学中识别突变点的有效方法,但该法只考虑了同类之间的离差较小原则,忽略了类与类之间的离差较大原则。基于此,提出了改进的有序聚类分析法,改进法同时考虑了同类之间的离差较小和类类间的离差较大原则。将改进的有序聚类分析法应用于年平均流量序列突变点识别中,并与传统有序聚类分析法进行对比分析,研究结果表明,改进的有序聚类分析法原理明确,识别突变点更加有效。     

基于蚁群聚类算法的岩石边坡稳定性分析

由于岩石边坡影响因素众多且关系复杂,不能用简单的方法进行分析和判断。在工程类比的基础上,一般采用聚类的方法。但由于边坡工程问题环境的复杂性,岩石边坡稳定分析的聚类问题是一个复杂的模糊、随机优化问题,采用传统方法难免带来很多局限性。为了更好地解决这类问题,首次把蚁群聚类算法这种新近提出的仿生聚类算法引入岩石边坡工程领域,以解决其稳定分析问题,提出一种分析岩石边坡稳定问题的新方法。该方法在分析岩石边坡工程实例资料的基础上,采用蚁群聚类算法,以工程类比的思想判断岩石边坡的稳定状态。工程应用证明,该算法可以自动把岩石边坡分成几种类似的状态,判断准确率较高、计算速度较快,是一种比较实用的岩石边坡稳定分析方法,值得在岩石边坡分析领域推广应用。