基于遗传神经网络的地震砂土液化判别研究

针对BP人工神经网络具有易陷入局部极小等缺陷,本文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,建立了砂土液化判别的遗传神经网络模型。根据地震液化的实测资料,分别对BP〗神经网络判别结果和遗传神经网络判别结果进行了比较,结果表明后者比前者判别能力要好些。     

基于减法聚类模糊神经网络的砂土液化势判别

砂土地震液化问题是岩土地震工程学的重要研究课题之一。在分析模糊神经网络原理的基础上,利用减法聚类算法对自适应模糊推理系统进行优化,并建立了砂土地震液化的模糊神经网络模型。然后,将该模型用于实际工程的砂土液化判别中,并与传统砂土液化判别方法结果进行对比。判别结果表明:文中建立的模糊神经网络模型具有较强的学习功能,用于砂土地震液化判别中是可行的和有效的。     

基于液化SPT基准值的液化势估计

基于神经网络BP模型和可靠度理论,并沿用抗震规范中液化标准贯入锤击数基准值概念,建立了简化的液化判别概率方法。文中以液化标准贯入锤击数作为估计液化势的基本依据。该基准值是给定地面加速度、土层埋深、地下水位的液化临界锤数,也与震级大小和液化概率有关。为了对不同震级和土层中任一点进行液化判别,引入土层埋深水位以及震级大小对基准值的修正系数。为了方便工程应用,也给出了按地震分组的液化判别方法。     

地震诱发的侧向水平位移神经网络预测模型

在对地震液化诱发的侧向水平位移预测模型评述的基础上，分析了地震、地形、土质等实测数据与侧向水平水移之间的相互关系，并提出了侧向位平位移神经网络预测模型。模型较好地反映了参数之间复杂的非线性关系，网络预测结果与实测数据较为吻合，两者之间相关系数为0．9左右。模型数据分析结果表明侧向位移随着距自由临空面距离（L）的增加而呈双曲线关系下降，随液化层厚度的增加而增加。不同L条件一临空面高度与侧向位移之间有一灵敏变化区，即当H约等于4－7m之间时，侧向位移急剧变化。     

砂土地震液化后大位移室内试验研究探讨

砂土地震液化引起的地面大位移会对结构产生灾难性的破坏，这已引起了人们的重视，但对其进行研究时间较短。作者在大量阅读有关资料的基础上，详细介绍了液化后地面大位移研究的室内试验设备、试验方法、试样的制备、试验的主要规律及国内的研究现状，并对试验技术和结果进行了探讨，指出以室内试验为基础提出液化后的本构模型及实用计算方法是今后工作的重点。     

求解液化土表位移两种简化理论模型的比较研究

水平液化场地地表往返位移是基础和地下工程抗震设计的关键因素。本文将液化场地单层模型与下卧非液化层的双层模型位移解进行比较,通过参数分析,比较研究单层模型与双层模型位移的差别,得到土层位移是由液化层和非液化层共同决定。仅在液化层与非液化层厚度可比拟且土层为完全液化时,液化层对土表位移起控制作用,场地土层可用单层模型模拟,此外均不能按单层模型进行简化。提出双层模型土层变形四种模式,指出仅在非液化层薄且硬及入射波频率低时,双层模型可以用单层模型简化,但对大多数工况不能进行这样的简化。     

哈尔滨高新技术开发区场址砂土液化评价与抗液化措施

该区位于松花江南岸，地下水位较浅，饱水的粉、细砂层较发育。本文采用剪切波速判别法对其进行砂土液化评价，给出液化指数提出抗液化措施。     

基于RS-PCA-GA-SVM的砂土液化预测方法研究

砂土液化是一种危害性比较大的自然灾害,对砂土液化进行判定预测在地质灾害防治领域中有重要的研究意义。通过粗糙集理论(Rough Set,RS)对影响砂土液化的6个初始评价指标(包括震级、土深、震中距、地下水位、标贯击数和地震持续时间)进行属性约简,去掉冗余或干扰信息,得到基于4个核心预测指标的数据集。通过主成分分析法(Principal Component Analysis,PCA)从核心评价指标中提取出主成分,采用支持向量机(Support Vector Machine,SVM)对数据集进行训练,用遗传算法(Genetic Algorithm,GA)优化参数,建立砂土液化的RS-PCA-GA-SVM预测模型。并结合砂土液化实际数据将预测结果与基于Levenberg-Marquardt算法改进的BP神经网络模型(LM-BP)的预测结果做比较。实例计算表明:基于RS-PCA-GA-SVM模型得到的砂土液化预测结果精度较LM-BP神经网络有很大的提高,判别结果与实际情况比较吻合,可在实际工程中应用。     

液化地基的评价及处理的体会

合理评价液化地基及采用科学的处理方案对工程建设有重要意义，总结了影响地基液化的主要因素及液化判定的一般方法，提出了一种新的液化判定方法——归一法。结合实例就液化地基的设计与处理谈了一些体会。     

以剪切波速为宗量的一种砂土地震液化的不确定性判别法

利用基于剪切波速的砂土液化判别法，本文提出了一种可考虑剪切波速的随机性和液化及液化危害等级的模糊性的液化和液化危害等级的判别法。作者首先讨论了当剪切波速具有随机性时液化的发生概率，进而给出了确定场地液化和危害程度的发生概率。在此基础上，结合液化和液化危害程度（等级）的模糊性，利用模糊事件的概率分析方法，提出了可同时考虑随机性和模糊性的场地液化和液化危害性的发生概率的计算方法。     

遗传BP网络在地震和爆破识别中的应用

将遗传算法(GA)和反向传播算法(BP算法)相结合成为GA-BP算法，以此建立了遗传BP神经网络．并将以BP算法为基础的BP神经网络及以GA-BP算法为基础的遗传BP神经网络用于对地震和爆破的识别中．得到的结果表明:遗传BP网络比BP网络对事件的识别能力略好些．      

Application of genetic BP network to discriminating earthquakes and explosions

Introduction Artificial Neural Network (ANN) is an important branch of artificial intelligence. It is proposed on the foundation of the study on modern neural science, is a man-made network that can implement some functions based on the mans comprehensive understanding for cerebral neural network (HAN, WANG, 1997). ANN is a mathematical model of simplified human brain neural network and is used to simulate the structures and functions of human brain neural network. ANN is a complex netw…     

基于遗传算法优化神经网络权值的大坝结构损伤识别

针对传统 BP 神经网络存在着容易陷入局部极小点、训练时间太长等缺点,本文采用基于浮点编码的遗传算法,对 BP 神经网络的初值空间进行了遗传优化。用基于浮点编码的遗传算法来优化 BP 神经网络的权值,可得到最佳初始权值矩阵,并按误差前向反馈算法,沿负梯度搜索进行网络学习。文中以混凝土重力坝结构作为算例,用结构的模态频率变化作为网络的输入向量,结构的损伤位置作为输出向量,对网络进行了训练。仿真结果表明：遗传 BP 神经网络的收敛和诊断能力优于传统 BP 神经网络,可有效地运用到大坝结构的健康诊断与损伤识别中。     

自适应GA-BP优化方法进行高分辨率反演

本文提出了一种高精度的神经网络学习方法．由于BP神经网络受初值的影响较大,而遗传算法可以很快达到全局最优解附近．本文结合遗传神经网络和BP神经网络各自的优点,将两种算法混合．使得神经网络的收敛速度得到加快,精度得到提高,并对传统的混合方法作了一点改进．通过对波阻抗进行反演的实践,表明这种方法可以达到提高分辨率的效果。     

砂土地震液化的神经网络预测

BP网络具有很强的非线性映射和自适应学习功能 ,可用于模式识别和预测评估等领域 .在简要分析BP算法的基础上 ,选取砂土的平均粒径 (d5 0 /mm)、相对密度(Dr/% )、标准贯入击数 (N63 .5 /击 )、上覆有效压力 (σv/kPa)、地震烈度 (I0 )作为指标 ,应用BP神经网络的理论与方法 ,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 .说明将BP网络用于沙土液化预测是可行的 .     

基于粗糙集的BP神经网络在震例中的应用研究

采用《中国震例》作为数据源,通过初步整理分析和预处理,构建了较完备的震例研究样本集。尝试将粗糙集与BP神经网络相结合的方法引入到震例研究中,用基于粗糙集的属性约简算法从众多复杂的地震异常指标中筛选出对最终分类起决定作用的核心异常作为输入,震级作为输出,构建了泛化能力强的BP神经网络模型来模拟异常与地震之间的不确定关系。仿真测试结果表明:地震震级预测精度误差基本控制在-0.5～0.5级之间。     

基于GA-BP理论的储层视裂缝密度地震非线性反演方法

基于GA-BP理论,将自适应遗传算法与人工神经网络技术(BP算法)有机地相结合,形成了一种储层裂缝自适应遗传-神经网络反演方法.这种新的方法是由编码、适应度函数、遗传操作及混合智能学习等组成,即在成像测井裂缝密度数据约束下,通过对目标问题进行编码(称染色体),然后对染色体进行选择、交叉和变异等遗传操作,使染色体不断进化,从而快速获得全局最优解.在反演执行过程中,利用地震数据和成像测井裂缝密度数据之间的非线性映射关系建立训练样本,将GA算法与BP算法有机地结合,优化三层前向网络参数;或将GA与ANFIS相结合,优化ANFIS网络参数.并采用GA算法与TS算法(Tabu Search)相结合的自适应混合学习算法,该学习算法自始至终将GA和BP两种算法按一定的概率比例进行,其概率自适应变化,以达到混合算法的均衡.这种混合算法提高了网络的收敛速度和精度.我们分别利用两个研究地区的6井和1井成像测井裂缝密度数据与地震数据之间的非线性映射关系建立训练样本,对过这两口井的测线的地震数据进行反演,获得了视裂缝密度剖面,视裂缝密度剖面上裂缝分布特征符合沉积相分布特征和岩石力学性质的变化特征.这种视裂缝密度剖面含有储层裂缝的定量信息,其误差可为油气勘探开发实际要求所允许.因此,这种新的方法优于只能作裂缝定性分析的常规裂缝地震预测方法,具有广阔的应用前景.