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。     

边坡稳定性预测的粗糙集-距离判别模型及其应用

为克服马氏距离判别模型无法考虑指标权重的不足,引入粗糙集理论,通过分析评判方法对评价对象的支持度和重要性计算得到权重系数。将权重系数嵌入距离判别模型,构建了边坡稳定性预测的加权距离判别模型。根据边坡失稳破坏特点,选取合理的判别因子,以大量工程实例样本作为原始数据和训练样本,建立了边坡稳定性评价预测的粗糙集-距离判别模型。将边坡稳定性评价预测的粗糙集-距离判别模型评价预测结果与马氏距离判别法、支持向量机理论、Bayes判别分析等方法得到的预测结果进行了对比分析,验证了粗糙集-距离判别模型的有效性。将建立的粗糙集-距离判别模型应用于黄河中游地区某大型水利枢纽库区边坡工程,预测结果与实际情况吻合。研究结果表明,粗糙集-距离判别模型具有权重分析合理、预测准确性高等优点,是进行边坡稳定性分析预测的一种新的有效途径。     

二维网络模拟方法在边坡结构面分析中的应用

采用普遍测网法对广东省清（远）—连（州）高速公路沿线岩质边坡结构面进行测量,然后利用＂赤平投影结构数据分析软件包＂对测量的参数进行统计分析,并据此运用蒙特-卡洛（Monte-Carlo）模拟的原理和方法,进行岩体结构的室内网络模拟,从而得出该高速公路边坡岩体结构面的稳定性分析结果,为其稳定性评价及支护设计服务。     

岩质边坡稳定性快速评估系统的构建及其应用

针对目前缺乏快速定量评价边坡稳定性方法问题,采用FLAC强度折减法计算了24个不同坡高、不同坡角、不同岩体质量级别边坡的稳定性系数,根据计算结果绘制了稳定性系数等值线图,该稳定性系数等值线图即为要构建的边坡稳定性系数查询系统,利用该查询系统,可以在已知坡高、坡角、岩体质量级别等条件下快速地查询到边坡稳定性系数,进而对边坡的稳定程度做出评价,实现了合理地定量快速评价边坡稳定性的目标。将该稳定性系数查询系统应用到一些边坡稳定性评价实例中,结果表明:用稳定性系数查询系统评价的边坡稳定性与其他学者用复杂评价方法评价的结果基本一致,这说明用本文提出的边坡稳定性系数查询系统进行稳定性评价是可行的。     

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.     

模糊综合评价的边坡稳定性分析

根据模糊数学的基本原理和方法,分析影响边坡稳定性的诸多因素,建立边坡稳定性评价模型,确定边坡稳定性的分级指标、构成关系矩阵、确定隶属度,然后对影响边坡稳定性的各因素赋以权重,对工程实例进行稳定性评价,研究表明,评判模型的评价结果与现场情况吻合,模糊评价法在边坡稳定性分析中具有较好的应用价值。     

基于岩体结构特征和未确知测度评价模型的岩质开挖边坡稳定性研究

综合黔西地区层状岩质开挖边坡研究成果发现:岩体结构特征是分析评价层状边坡变形失稳模式、机制和稳定性的重要基础。因此,结合该地区层状边坡地质条件的差异性,针对性地划分岩体结构类型对边坡的分析评价尤为重要。考虑地层岩性组合、地质构造、软弱夹层（结构面）因素,系统地将边坡岩体结构类型分为4个大类（近水平-缓倾边坡岩体,倾斜层状边坡岩体,陡倾、直立、倒转层状岩体,地质构造作用强烈或含有溶蚀洞穴、沟壑的边坡岩体）和10个亚类,并针对相应类型的边坡进行工程地质综合评价,分别阐述了失稳模式和机制。以边坡岩体结构类型为基础,甄选影响开挖边坡稳定性的6个定性指标和6个定量指标;对指标组合赋权,用未确知测度理论对边坡进行稳定性预测评价,建立了“岩体结构-指标组合赋权-未确知测度理论”的新评价体系。实例预测结果表明预测结果与实际情况具有较好的一致性,说明该方法是一种可靠性高、科学合理的稳定性预测新方法,可在相关工程领域中应用推广。     

圆弧形公路边坡稳定性分析的神经网络法

边坡的稳定性往往取决于一些难以确定的非线性因素。而人工神经网络法具有并行处理数据与信息、良好的容错特性和较强的抗噪声能力,可以通过自学功能从样本实例中获得复杂的非线性关系,能模拟人脑的某些智能行为,因而适用于解决非确定性的边坡稳定性评价问题。本文建立了边坡稳定性评价的神经网络BP模型,用收集到的边坡稳定破坏实例作为样本进行学习,对桂林-柳州一级公路中K250段公路边坡进行了稳定性评价,结果表明：神经网络法是一种有效的边坡稳定性分析方法。     

依据支持向量机评价绥满国道主干线某段边坡稳定性

边坡稳定性影响因素和破坏机制复杂,很难用确定的数学模型或力学模型来精确描述,试采用支持向量机进行边坡稳定性评价,选择学习样本,进行学习训练,得到准确率较高的模型,并将该模型应用于绥满国道主干线某段边坡稳定性评价,其结果与专家评价结果基本一致,并符合实际调查情况。     

基于模糊因素的岩质边坡地震稳定性多模型组合评价

岩质边坡地震稳定性评价是岩土边坡地震失稳防治的基础工作,针对评价过程中评价因素的多源模糊性,借鉴工程可变模糊集理论,将模糊可变评价模型应用于岩质边坡地震稳定性评价中。综合考虑岩质边坡内在结构和外部自然条件,选取岩土体特性、新构造运动特征、坡高、坡角、年均降雨量和场地地震烈度6个指标作为评价指标体系并建立等级标准;将改进熵权算法引入该模型中,利用指标实际数据离散性求权重;通过改变模糊可变评价模型参数对岩质边坡地震稳定性进行线性与非线性组合评价,并将均值作为最终评价结果。将该方法应用于天然边坡与路堑边坡实例中,结果表明,模糊可变评价模型评价结果合理、客观,具有更高的可靠性与稳定性,为岩质边坡地震稳定性评价工作提供了一种新的研究方法与思路     

基于人工神经网络的三峡水库库岸稳定性分级

为避免库岸稳定性评价法的随意性和不确定性,尝试采用具有处理非线性关系功能的人工神经网络方法进行库岸稳定性分级,为此构建了15-31-4结构的三层BP网络。该网络采用BP弹性算法,同时对初始权值和阀值进行了优化,实现了网络的非线性映射,并有着极快的收敛速度。用该BP网络对三峡水库的上游段库岸进行了稳定性等级判断,其结果与常规计算方法所得的结果基本相似。     

巷道围岩参数的人工神经网络预测

应用人工智能方法解决地下工程问题,提出了预测巷道围岩参数的人工神经网络预测法,构造了预测围岩参数的神经网络模型。预测结果证明,该模型具有很高的预测精度。提出的方法有一定的实用价值和参考价值。     

典型降水预报ANN多指标优选——以太湖湖西区为例

为提高多种典型人工神经网络应用于降水预报的精度与稳定性并做出优选,对太湖流域湖西区丹徒、丹阳、金坛、溧阳、宜兴5站的年降水量时间序列建立基于组成成分分析的人工神经网络模型,并通过平均相对误差、平均绝对误差、均方根误差及合格率4项评价指标对比分析预报效果。该模型采用Mann-Kendall法、秩和检验法、谱分析法进行组成成分分析;建立BP网络、小波神经网络、RBF网络、GRNN网络及Elman网络模拟并预测随机成分,与确定性成分叠加得年降水量预报结果。在湖西区的研究结果表明,基于组成成分分析的人工神经网络模型的拟合及预测精度高于原始人工神经网络和线性自回归模型,GRNN网络的预测精度与稳定性高于其他4类神经网络。     

Artificial Neural Network Model for Discrimination of Stability of Ancient Landslide in Impounding Area of Three Gorges Project, China

The factors of geomorphology, geological setting, effect of ground water and environment dynamic factors (e.g. rainfall and artificial water recharge) should be integrated in the discrimination of the stability of the ancient landslide. As the criterion of landslide stability has been studied, the artificial neural network model was then applied to discriminate the stability of the ancient landslide in the impounding area of the Three Gorges project on the Yangtze River, China. The model has the property of self-adaptive identifying and integrating complex qualitative factors and quantitative factors. The results of the artificial neural network model are coincided well with what were gained by classical limit equilibrimm analysis (the Bishop method and Janbu method) and by other comprehensive discrimination methods.     

岩土边坡稳定性预报的人工神经网络方法

阐述了经典边坡稳定分析方法的局限性,综合考虑了影响边坡稳定性的因素,建立基于人工神经网络的边坡稳定性预报方法。采用遗传算法优化神经网络的结构,以提高其非线性映射能力和泛化能力,从而,提高预报准确度。基于已有的工程实例训练所建立的神经网络,并对新的边坡稳定性问题进行了预报,预报结果表明,所建立的边坡稳定性预报方法具有较高的预报准确度。     

Inversion of quasi-3D DC resistivity imaging data using artificial neural networks

The objective of this paper is to investigate the applicability of artificial neural networks in inverting quasi-3D DC resistivity imaging data. An electrical resistivity imaging survey was carried out along seven parallel lines using a dipole-dipole array to confirm the validation of the results of an inversion using an artificial neural network technique. The model used to produce synthetic data to train the artificial neural network was a homogeneous medium of 100Ωm resistivity with an embedded anomalous body of 1000Ωm resistivity. The network was trained using 21 datasets (comprising 12159 data points) and tested on another 11 synthetic datasets (comprising 6369 data points) and on real field data. Another 24 test datasets (comprising 13896 data points) consisting of different resistivities for the background and the anomalous bodies were used in order to test the interpolation and extrapolation of network properties. Different learning paradigms were tried in the training process of the neural network, with the resilient propagation paradigm being the most efficient. The number of nodes, hidden layers, and efficient values for learning rate and momentum coefficient have been studied. Although a significant correlation between results of the neural network and the conventional robust inversion technique was found, the ANN results show more details of the subsurface structure, and the RMS misfits for the results of the neural network are less than seen with conventional methods. The interpreted results show that the trained network was able to invert quasi-3D electrical resistivity imaging data obtained by dipole-dipole configuration both rapidly and accurately.     

Single hidden layer artificial neural network models versus multiple linear regression model in forecasting the time series of total ozone

Present paper endeavors to develop predictive artificial neural network model for forecasting the mean monthly total ozone concentration over Arosa, Switzerland. Single hidden layer neural network models with variable number of nodes have been developed and their performances have been evaluated using the method of least squares and error estimation. Their performances have been compared with multiple linear regression model. Ultimately, single-hidden-layer model with 8 hidden nodes have been identified as the best predictive model.     

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。     

莱州湾凹陷垦利油田沙河街组储层渗透率评价模型研究

文章以莱州湾凹陷垦利油田沙河街组储层为例,对传统的回归统计模型和基于BP神经网络的人工智能预测模型评价储层渗透率方法和效果进行了对比研究。目标储量报告里定火沙三段中孔、中渗;岩性（粒度）和孔隙度是储层渗透率的主要影响因素。根据岩心及测井数据,建立了孔隙度——粒度二元回归渗透率统计评价模型和BP神经网络渗透率预测模型。通过检验样本集精度对比,分析了隐含层数、隐含层节点数等网络结构参数变化对模型预测结果的影响,重点分析了不同的测井参数输入对BP神经网络模型预测结果的影响。优化后的BP神经网络模型对检验样本集的渗透率预测结果精度最高,其平均相对误差为37%,比传统的二元回归统计模型精度提高了26%。对目标油田三口井连续处理,BP神经网络模型渗透率预测结果更加合理,可以满足开发层段产能分析等生产需求。