基于贝叶斯集成学习算法的土体先期固结压力预测模型

准确评估土体的先期固结压力（PS）是岩土工程实践中的一个重要问题.采用集成学习算法（XGBoost、RF）来捕捉各个土体参数之间的关系,建立先期固结压力预测模型.使用贝叶斯优化方法来确定模型的最优参数,并通过与SVR、KNN和MLP三种非集成算法进行对比,统计分析了不同模型在相关系数R2、均方根误差RMSE和绝对平均误差MAPE三种误差指标下的表现;最后在5折交叉验证下,评估各个模型的预测精度及泛化性.结果表明基于XGBoost的预测精度最高,其RMSE及MAPE分别为20.80 kPa和18.29%;其次是RF,分别为24.532 kPa和19.15%.同时在PS作为回归变量的情况下,其特征重要性为：USS>VES>w>LL>PL.因此,在小规模数据集情况下,集成学习算法在预测精度及泛化性上要优于其他算法,且可作为岩土参数敏感性分析的有效方法.     

“阶跃式”滑坡突变预测与核心因子提取的平衡集成树模型

"阶跃式"滑坡在复杂多变的地质环境作用下呈现突变与稳定交替、不平衡的演化形态,根据此特点提出了边坡突变与稳定分类的平衡集成树模型,建立高维地质环境影响因子与致变之间的关联,并应用于三峡库区26个具有"阶跃"特征的滑坡。考虑到直接使用分类器难以捕捉有效信息,模型利用了合成边界少数类过采样原理适当提升突变样本比率,再分别组合随机森林和梯度提升树进行优化和训练,并对测试集和预测集进行评估校核。同数据平衡前后的不同模型进行对比实验,平衡集成树模型能够有效提高突变预测的整体精度,并量化得出了所有地质环境因子的特征重要性指标,最终应用于样本外的王爷庙滑坡结果表明,模型取得了较高的预报水平。该方法能够实现突变的有效预测,并发现核心影响因子及其数据分布特征,为研究"阶跃式"滑坡机理和预警提供了新的思路。     

基于PSO-XGB混合优化技术的浅层地下温度预测——以长春市为例

准确预测浅层地下温度对于降低投资风险和推动浅层地热能开发利用具有重要意义。本研究基于粒子群优化(PSO)和极限梯度提升(XGB)的混合模型(PSO-XGB),并将其与K近邻(KNN)、支持向量回归(SVR)、随机森林(RF)和极限梯度提升(XGB)等单一模型进行了比较。首先收集了54组钻孔数据,使用克里金插值法对数据集进行扩充,经过相关性分析最终选择经纬度坐标、年平均降雨量、年平均气温和与断裂距离等因素用作预测100 m地下温度的输入特征。然后利用测试集对预测模型进行验证,使用均方根误差(E_RMS)、平均绝对误差(E_MA)、决定系数(R²)和均方误差(E_MS)等指标评估了模型的性能。结果表明,PSO-XGB混合模型在测试集表现最好,E_RMS为0.070 6,E_MA值为0.054 9,R²值为0.962 0,E_MS值为0.005 0,在精度和拟合程度上明显高于其他模型,可知PSO-XGB混合模型在预测性能方面优于单...     

基于DILSSVM的岩石强度预测研究

为解决经典强度准则预测岩石破坏强度不准确的问题,本文使用交叉最小二乘支持向量机(DILSSVM)在单轴及三轴加载情况下对岩石强度进行预测。将现场和实验室试验得到的各种岩石相关数据划分成训练和验证子集。将抗压强度c和最小主应力3作为输入值,最大主应力值1f作为输出值训练DILSSVM。使用训练后的DILSSVM预测岩石破坏时的1f,同时使用训练子集反演Hoek-Brown经验公式的常数m。使用测试数据对训练后DILSSVM预测的目标岩石强度的准确性进行验证,同时将测试数据带入2类Hoek-Brown(m值的取值不同)经验公式预测目标岩石强度1f。比较DILSSVM和Hoek-Brown预测结果, 表明:DILSSVM预测结果的均方差减小了45% ～55%,决定系数增加了0.055～0.085,更接近于1。说明DILSSVM对岩石强度的预测范围较宽,且适合岩石种类多变的复杂非线性情况。     

基于机器学习的Landsat数据地层信息提取——以西南天山柯坪地区为例

当前机器学习方法不断创新发展,为遥感数据的分析利用提供了很好的平台。结合西南天山柯坪地区沉积岩的典型地质特征,针对1:5万区域地质调查数据,利用Landsat 8数据9个波段的遥感信息进行机器学习方法解译。为增强机器学习过程中参与变量数目,在原始9波段数据的基础上分别采用比值法增强方式、主成分分析法增强方式进行数据叠加。为减弱地质体内部纹理信息,同时不影响地质体之间的边界,笔者采用双边滤波的形式对遥感数据进行进一步处理。选用的极限随机树方法、直方梯度增强随机树、随机森林3种机器学习方法整体识别精度均超过93%,尤其是极限随机树方法达到94.18%。本研究方法可用在其他地质信息解译、地质填图中,值得推广。     

基于Stacking集成学习的泥石流易发性评价:以四川省雅江县为例

为给四川省雅江县提供直观准确的泥石流易发性图,将四川省雅江县作为研究区,选用高程、坡度、坡向、地形起伏度、平面曲率、剖面曲率、年平均降雨、到河流的距离、到道路的距离、地形湿度指数、归一化差分植被指数及土壤类型12个评价因子,利用Stacking集成学习框架,结合支持向量机、神经网络和随机森林,建立了一种多模型融合的泥石...     

基于岩石地质本质性的碳酸盐岩单轴抗压强度预测

充分认识岩石的地质本质性是准确描述其物理力学特性的桥梁。岩石的地质本质性涵盖了岩石的物质性、结构性和赋存状态3个方面的内容。在综合考虑岩石上述3方面特征及其与单轴试验联系的基础上,以矿物组成、密度、纵波波速和含水状态为基本指标,采用回归和BP神经网络的方法对碳酸盐岩单轴抗压强度进行预测,并采用灰色关联分析法验证本研究所选用的预测基本指标的合理性。实例应用表明：本次采用的回归方法对该类岩石强度预测的最大误差为15.3%,BP神经网络方法预测的最大误差为8.5%。预测误差出现的原因为碳酸盐岩物质组成复杂,所选预测基本指标是实际情况的简化,同时泥灰质岩石所具有的膨胀性也导致实测和预测结果具有一定的差异。     

基于P波模量的岩石单轴抗压强度预测

传统获取岩石单轴抗压强度参数需要钻进取样、加工制作等严格的试验步骤,需要建立一种参数易于获取且准确的岩石单轴抗压强度预测公式。基于岩石物理力学参数的内在联系,建立了岩石单轴抗压强度与岩石P波模量的关系式。根据英安斑岩和页岩两种岩石的干密度、P波速度及单轴抗压强度的测试数据,采用线性拟合的方法建立了岩石基于P波模量的单轴抗压强度预测公式,并采用统计检验的方法对上述预测公式与传统基于P波速度的预测公式进行了对比分析。结果表明,所建立的强度预测通式简单、精度高,模量容易获取,具有很强的实用性。     

不同围压下岩石抗压强度与变形参数尺寸效应的数值模拟

岩石抗压强度和变形参数是岩石工程设计的重要指标。由于岩石是典型的非均质材料,其强度和变形特性随样品尺 寸的变化而不同。本文采用PFC2D程序模拟了不同围压下不同尺寸岩样的压缩试验。结果表明（1） 岩样具有明显的尺寸效 应。同一围压下,尺寸越大,岩石强度、峰值应变和压缩模量越小,尺寸的变化对岩样的破坏模式影响较小;（2） 岩样具 有明显的围压效应。同一尺寸的岩样,随着围压的增大,岩石强度、峰值应变和压缩模量均增加,其中强度和峰值应变随 围压的增加呈线性增加。同时,随着围压的增大,岩石破裂模式由轴向劈裂破坏向剪切破坏变化;（3） 围压的存在会影响 岩样的尺寸效应。不同尺寸岩样的强度和峰值应变在相同围压区间内的增量基本相同,同时随着围压的增大,其强度和峰 值应变增加,进而使岩石强度和峰值应变的尺寸效应弱化;而不同尺寸岩样的压缩模量在相同围压区间内的增长率大致相 同,因而造成围压对压缩模量尺寸效应的影响较小     

基于岩石图像深度学习的岩性自动识别与分类方法

岩石岩性的识别与分类对于地质分析极为重要,采用机器学习的方法建立识别模型进行自动分类是一条新的途径。基于Inception-v3深度卷积神经网络模型,建立了岩石图像集分析的深度学习迁移模型,运用迁移学习方法实现了岩石岩性的自动识别与分类。采用此方法对所采集的173张花岗岩图像、152张千枚岩图像和246张角砾岩图像进行了学习和识别分类研究,通过训练学习建立岩石图像深度学习迁移模型,并分别采用训练集和测试集中的岩石图像对模型进行了检验分析。对于训练集中的岩石图像,每组岩石分别用3张图像测试,三种岩石的岩性分类均正确,且分类概率值均达到90%以上,显示了模型良好的鲁棒性;对于测试集中的岩石图像,每组岩石分别采用9张图像进行识别分析,三种岩石的岩性分类均正确,并且千枚岩组图像分类概率均高于90%,但是花岗岩组2张图像和角砾岩组的1张图像分类概率值不足70%,概率值较其他岩石图像低,推测其原因是训练集中相同模式的岩石图像较少,导致模型的泛化能力减小。为了提高识别精确度,对准确率较低的岩石图像进行截取,分别取其中的3张图像加入训练集进行再训练,增加与测试图像具有相同模式的训练样本;在新的模型中,对3张图像进行二次检验,测试概率值均达到85%以上,说明在数据足够的状况下模型具有良好的学习能力。与传统的机器学习方法相比,所提出的岩石图像深度学习方法具有以下优点:第一,模型通过搜索图像像素点提取物体特征,不需要手动提取待分类物体特征;第二,对于图像像素大小,成像距离及光照要求低;第三,采用适当的训练集可获得较好的识别分类效果,并具有良好鲁棒性和泛化能力。     

基于贝叶斯网络的隧道勘察设计期大变形灾害概率分级预测与应用研究

我国西南山区的铁路和公路隧道在遭遇高地应力、软岩和断层破碎带等不良地质条件时常发生挤压大变形灾害,带来巨大的经济损失.从隧道工程勘察设计期的实际需求出发,考虑该阶段预测指标的易获取性,以隧道埋深、围岩级别、等效洞径和岩石强度作为预测指标;搜集建立了以我国西南地区隧道工程为主的包含151组大变形案例的数据库.采用贝叶斯网络模型建立了不完整数据条件下隧道挤压大变形灾害概率分级预测模型,通过十折交叉验证确定模型准确率为76.52%.基于该模型研发了一款大变形分级预测软件平台,并在九绵高速公路白马隧道开展应用,预测准确率达71.11%.本研究成果可为我国西南地区类似地质环境条件下隧道勘察设计期大变形灾害预测提供技术支撑.     

基于分层贝叶斯学习的滨海软土地层高效识别方法

基于静力触探试验数据划分土层依赖于经验图表和主观判断,划分的土层剖面不可避免地存在不确定性.提出了一种基于土体分类指数Ic的土层界面快速识别和不确定性量化方法 .在分层贝叶斯学习框架下,所提方法采用全高斯概率模型表征土体空间变异性,通过引入正态-逆威沙特共轭分布实现似然函数的快速计算,高效求解模型证据,识别最可能土层数目和厚度.所提方法基于Ic的统计特性自动划分土层,提高了识别结果的可靠性.     

从层序地层学角度论岩石地层单位界线的厘定与优化

以碳酸盐台地内部、边缘及盆地３个不同相区的岩石地层基本单位———组为实例,从层序地层学角度论述了岩石地层单位界线的厘定与优化方案,认为以层序（尤其是Ⅰ型层序）界面及体系域之间界面（即初始海泛面、最大海泛面等）作为一些组的新界线,将会更有利于野外岩石地层单位的识别与对比。     

基于贝叶斯优化机器学习超参数的滑坡易发性评价

利用机器学习模型进行滑坡易发性评价时,不同的超参数设置往往会导致评价结果的不同.采用贝叶斯算法对4种常见机器学习模型(逻辑回归LR、支持向量机SVM、人工神经网络ANN和随机森林RF)的超参数进行了优化,探索了该算法对滑坡易发性机器学习模型的优化效果.以湘中地区4县(安化县、新华县、桃江县和桃源县)滑坡易发性评价为例说...     

基于关联规则与随机森林的地震多属性砂体厚度预测

地震属性技术是砂体厚度预测的重要手段,由于目前可从地震数据中提取的地震属性种类较多,在利用地震属性技术前,必须优化出对砂体厚度最敏感的地震属性组合,以减少地震属性信息的重复与冗余.为此提出了一种联合关联规则与随机森林回归算法的地震多属性砂体厚度预测方法.随机森林回归算法能够建立地震多属性与砂体厚度之间的非线性关系,并能...     

基于P波模量的岩石单轴抗压强度预测EI北大核心CSCD

传统获取岩石单轴抗压强度参数需要钻进取样、加工制作等严格的试验步骤,需要建立一种参数易于获取且准确的岩石单轴抗压强度预测公式。基于岩石物理力学参数的内在联系,建立了岩石单轴抗压强度与岩石P波模量的关系式。根据英安斑岩和页岩两种岩石的干密度、P波速度及单轴抗压强度的测试数据,采用线性拟合的方法建立了岩石基于P波模量的单轴抗压强度预测公式,并采用统计检验的方法对上述预测公式与传统基于P波速度的预测公式进行了对比分析。结果表明,所建立的强度预测通式简单、精度高,模量容易获取,具有很强的实用性。     

基于粘结和摩擦特性的岩石变形与破坏的研究

就微观结构而言,矿物颗粒之间或相互粘结或相互分离,Coulomb准则的粘结力和内摩擦力在局部不能同时存在.粘结力是在变形作用下丧失的,材料丧失粘结力之后通过摩擦承载.若承载能力降低,屈服破坏仅在局部断面发生,具有脆性特征;反之将发生分布的屈服破坏,具有延性特征.围压增加可以使裂隙能够承载的摩擦力超过岩石材料的粘结力,那么当轴向应力增加到粘结力时,材料发生剪切屈服产生塑性变形,而摩擦力不会增加到其最大值,裂隙也不发生滑移.利用摩擦的概念可以理解不同岩石的变形、承载和破坏随围压变化的特征.