基于SOFM神经网络的边坡稳定性评价

针对边坡工程稳定性分析中参数的不确定性,在分析自组织特征映射神经网络（SOFM）基本学习算法的基础上,从提高算法收敛速度和性能出发,将自组织特征映射神经网络基本学习算法加以改进,据此建立了评价边坡稳定状态的SOFM神经网络模型。然后用收集到的边坡稳定工程实例作为样本,对该模型进行训练和检验,并与BP神经网络判别结果对比。结果表明,SOFM神经网络性能良好、预测精度高,是边坡稳定性评价的一种有效方法。     

基于MATLAB的BP神经网络在砂土液化评价中的应用

本文运用MATLAB的神经网络工具箱(NNT)建立砂土液化BP网络预测模型,并以南京地铁1#线玄武门站—南京站区间隧道砂土液化评价为例,阐述了基于MATLAB的BP网络应用于砂土液化分析的可行性和应用价值。     

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.     

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。     

支持向量机在砂土液化预测中的应用研究

介绍了人工智能领域最新的基于结构风险最小化原理的数据挖掘算法——支持向量机算法。根据支持向量机线性分类和可以具有不同核函数的非线性分类两种算法，建立了砂土液化预测模型，并且运用Matlab语言编写了程序。通过试算和分析比较得到了最佳模型，最佳模型的预测结果与实际液化情况基本上一致。认为支持向量机算法无论在学习或者预测精度方面都有很大的优越性，而基于支持向量机理论建立的砂土液化预测模型是可行的，且可以较为准确地实现砂土液化的预测。     

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。     

基于MATLAB下BP网络在砂土液化评价中的应用

介绍利用MATLAB神经网络工具箱训练BP网络的方法及其在砂土震动液化评价中的应用，取得了良好的效果。     

盐城市某港区砂土液化评价体系建立

砂土液化引起的地基土大变形是港口工程破坏的重要原因。因此,港口地区的液化判别方法选择的合理性、判别结果的准确性就显得尤为重要。针对某港区砂土液化问题,选择临界标贯击数法、Seed简化法、BP神经网络法、基于GIS的液化判别法等四种液化评价方法,进行砂土液化势评价并分析对比,建立基于GIS三维液化评价体系。结果表明:研究区15m以上砂土液化趋势较大,15m以下液化趋势较小。     

基于广义回归神经网络的砂土液化综合判别方法

基于厦门地区大量钻孔试验数据,分别采用规范法和Seed法对该区饱和砂土进行液化判别。然后选取二者判别结果相同的数据作为训练和测试样本,运用广义回归神经网络,对二者判别结果分歧的钻孔数据进行二次判别。结果表明:广义回归神经网络性能良好,预测准确度高。此外,这种综合判别方法也提高了饱和砂土液化判别的准确度,并为其他地区饱和砂土的液化判别研究提供借鉴和参考。      

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。     

建筑物震陷预测新方法研究

利用人工神经网络的基本原理，本文修正了经典BP型神经网络的激励函数，并对学习率和训练样本进行了动态调整等多方面改进。根据70个多层建筑震陷的实测资料，在分析了建筑物震陷的影响因素基础上，提取了9个指标；采用改进后的BP算法，建立了多指标的建筑物震陷预测模型。研究结果表明，改进的BP网络性能良好，所建立的模型预测精度高，具有一定的工程实用价值；神经网络法是一种有效可行的预测新方法，人工神经网络技术具有广泛的应用前景。     

基于MPL神经网络的地震作用下砂土液化评估及预测

砂土在地震的作用下会产生剧烈的液化现象,液化引发的地基失稳会对道路、建筑物、堤坝等各类设施造成严重危害。因此,地震作用下的砂土液化判别预测一直是地质灾害领域研究的热点问题。本文使用过去几十年发生在世界各地的166组地震作用下砂土液化实例数据,通过大量数据训练和参数分析建立了基于机器学习的地震作用下砂土液化判别模型。结果表明,当网络结构为6(输入层)-15(隐藏层)-1(输出层)、训练函数为Levenberg-Marquardt时,对地震液化预测效果较好,最大准确率可达96%。参数分析结果表明不同参数对网络预测准确率影响程度不一:锥端阻力、地表归一化峰值水平加速度影响相对较大;地震震级、总垂向应力、有效垂向应力影响中等;贯入深度对其影响较小。因此在不同网络预测精度要求的条件下,可考虑适当简化输入参数。     

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。     

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.     

Evaluation of liquefaction potential based on CPT results using evolutionary polynomial regression

In this paper a new approach is presented, based on evolutionary polynomial regression (EPR), for determination of liquefaction potential of sands. EPR models are developed and validated using a database of 170 liquefaction and non-liquefaction field case histories for sandy soils based on CPT results. Three models are presented to relate liquefaction potential to soil geometric and geotechnical parameters as well as earthquake characteristics. It is shown that the EPR model is able to learn, with a very high accuracy, the complex relationship between liquefaction and its contributing factors in the form of a function. The attained function can then be used to generalize the learning to predict liquefaction potential for new cases not used in the construction of the model. The results of the developed EPR models are compared with a conventional model as well as a number of neural network-based models. It is shown that the proposed EPR model provides more accurate results than the conventional model and the accuracy of the EPR results is better than or at least comparable to that of the neural network-based models proposed in the literature. The advantages of the proposed EPR model over the conventional and neural network-based models are highlighted.     

基于改进雨林模糊神经网络模型的页岩储层总有机碳含量评价方法

由于采用常规测井曲线评价页岩储层总有机碳含量的精度不高,泛化能力不强,需要大量样本。针对这些问题,改 进了神经网络算法,以增加模型的预测能力。利用模糊系统优化细胞神经网络结构,以增强其逻辑推理能力,提高其对模 糊数据的敏感性;选择能有效避免“虚拟碰撞”的雨林算法,并针对其存在的缺陷进行改进;利用改进雨林优化算法对网 络的初始权值阈值进行优化,避免网络陷入局部极小。分析测井特征曲线的物理意义,选择密度测井曲线与自然伽马能谱 测井曲线作为网络的输入,以总有机碳含量作为输出,通过70块岩心样本网络学习与26块岩心样本预测,证明了新网络模 型的优越性。结果表明,新模型回判将相对误差从23.189%减小到17.185%,预测相对误差由52.421%减小到15.158%,具 有更强的学习能力与泛化能力,更适用于页岩储层总有机质含量的测井评价。