砂土地震液化的神经网络预测

在简要分析BP算法的基础上,应用BP网络的理论与方法,选取砂土的平均粒径(d50／mm)、相对密度(Dr／％)、标准贯入击数(N63.5／击)、上覆有效应力(σv／kPa)、地震烈度(I0)作为指标,预测砂土在地震作用下液化的可能性,取得了较好的预测效果。     

改进的BP神经网络在地震砂土液化预测中的应用

地震砂土液化的影响因素具有非线性关系,至今没有形成规范的预测标准。人工神经网络在砂土液化预测中有较好的应用,尤其是BP神经网络,但由于其本身存在缺陷:学习收敛速度慢,易陷入局部极小;遗传算法具有良好的搜索全局最优解的能力。探讨利用遗传算法优化BP神经网络权值和初始阈值来预测地震砂土液化,其效果比传统的BP网络有显著提高。     

地震砂土液化预测模型研究

本文通过对砂土液化机制的研究,建立了临界液化状态下的超静孔隙水压力随地震地面加速度及地震持续时间的关系式,利用该模型可以确定砂土层达到临界液化状态所需地震持续时间及液化可能发生的深度,并根据唐山地区的砂土液化资料进行了实例分析。     

基于数据挖掘的砂土地震液化预测模型研究

在对砂土地震液化各影响因素分析的基础上,引入整合式模糊聚类神经网络的数据挖掘模型.该模型以模糊系统为框架,结合聚类分析技术和神经网络模式,建立砂土液化与其影响因素之间的非线性关系.运用所建立的模型,对国内外400组砂土地震液化资料进行分析,来预测砂土液化现象.数据挖掘结果的误判率及分类矩阵表明,文章的系统模式在判断砂土地震液化时能取得较好的效果.     

砂土地震液化危害的概率分析

由于砂土地震液化危害具有随机性和不确定性,本文提出了砂土地震液化危害的概率分析方法,即用概率表示不液化、轻微液化、中等液化和严重液化,并给出了采用Monte Carlo法(蒙托卡罗法)计算液化危害概率的表达式.对一算例进行了分析,认为概率分析方法能较清楚地反映液化危害程度.     

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。     

基于自组织神经网络的砂土液化评价

在分析自组织特征映射(SOFM)神经网络基本学习算法的基础上,从提高算法收敛速度和性能出发,提出了一种改进算法:根据实际应用并结合专家经验确定初始连接权值;采用高斯函数作为拓扑邻域函数;将算法分为粗调整和细调整两个阶段,分别采用不同的学习率和邻域函数,然后采用改进后的SOFM算法对砂土液化进行评价。实例研究表明,应用SOFM神经网络评价砂土液化高效可行,为砂土液化评价提供了新方法。     

砂土地震液化预测的人工神经网络模型

在简要分析BP算法的基础上,应用BP网络的理论与方法,选取烈度、震中距、平均粒径、不均匀系数、地下水埋深、砂层埋深、标贯击数、剪应力比等8个实测指标,建立了砂土液化预测的神经网络模型。通过实例计算与模型评价、验证了该模型的科学性、高效性并较规范法、Seed简化法等传统方法具有更高的预测精度,说明人工神经网络是解决非线性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.     

砂土液化的地质综合判别法

本文根据地震烈度七、八、九度区的实际资料,分别建立了包括砂土厚度、砂土密实度、砂土埋深及地下水位埋深等四项因素的藏化判别式和严重液化与轻微液化的判别式。根据对唐山、海城地震区131个钻孔162组资料的统计结果,本判别法的有效率为:七度区91％,八度区88％,九度区95％。     

砂土地震液化的改进进化遗传算法判别

改进了进化遗传算法,提出了新的交叉算子和变异算子,使之具有更好的全局收敛能力。砂土液化是一种危害极大的地震破坏现象,其影响因素很多,选择地震烈度、砂土粒径、相对密度、标贯击数和有效正应力为判据,利用改进了的进化遗传算法建立了砂土地震液化的判别模型。与现场液化情况比较表明,改进进化遗传算法应用于砂土地震液化的判别效果良好。     

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。     

砂土地震液化的改进进货遗传算法判别

改进了进化遗传算法,提出了新的交叉算子和变异算子,使之具有更好的全局收敛能力。砂土液化是一种危害极大的地震破坏现象,其影响因素很多,选择地震烈度、砂土粒径、相对密度、标贯击数和有效正应力为判据,利用改进了的进化遗传算法建立了砂土地震液化的判别模型。与液化情况比较表明,改进进化遗传算法应用于砂土地震液化的判别效果良好。     

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。     

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。     

砂土液化的广义回归神经网络判别法

本文阐述了广义回归神经网络的特点,综合考虑了影响砂土液化的主要因素,利用我国台湾和土耳其科贾埃利地区震害调查资料,建立了预测砂土液化的广义回归神经网络模型。应用多元回归预处理优化输入样本数据后,用广义回归神经网络对砂土液化判别,计算结果与实际情况基本吻合。研究表明,广义回归神经网络是进行砂土液化判别预测的有效手段,计算数据经过多元回归预处理后,大幅度提高了预测准确度。     

利用模糊神经网络进行砂土液化势评判

利用模糊信息分析表达知识和人工神经网络在映射能力方面的优势, 选取应力比、震级、地面运动最大加速度、标贯击数、地下水位作为评价参数指标, 构造砂土液化势识别的模糊神经网络模型。验证和应用结果表明, 模糊神经网络模型可提供更高的映射能力, 是砂土液化势评价预测的有效手段。     

径向基神经网络在砂土液化评价中的应用

基于MATLAB6.5平台编程,研究利用径向基神经网络进行砂土液化评价,探讨了原始数据预处理方法、神经网络构建、训练、结果评价、主因子识别以及与BP网的对比,表明了RBF网络砂土液化评价的优越性,同时给出了RBF网络砂土液化评价的归一化数据预处理方法与利用网络权重识别砂土液化主因子方法,为今后的进一步研究与实践奠定了基础.