边坡稳定性分类评价的同伦模糊C-均值聚类算法

针对单一模糊C-均值聚类算法对初始聚类中心初值敏感性问题,引入同伦理论,提出了同伦模糊C-均值聚类算法。以三峡库岸研究程度较高的36个边坡为对象,采用同伦模糊C-均值聚类算法对边坡的稳定性进行分类,研究边坡最佳分类级数和算法的收敛性、可靠性。边坡聚类结果研究表明,同伦模糊C-均值聚类算法对初始聚类中心的选取没有明显的依赖性,是一个具有全局最优解的聚类方法,其结果明显好于单一模糊C-均值聚类算法。     

基于蚁群聚类算法的岩石边坡稳定性分析

由于岩石边坡影响因素众多且关系复杂,不能用简单的方法进行分析和判断。在工程类比的基础上,一般采用聚类的方法。但由于边坡工程问题环境的复杂性,岩石边坡稳定分析的聚类问题是一个复杂的模糊、随机优化问题,采用传统方法难免带来很多局限性。为了更好地解决这类问题,首次把蚁群聚类算法这种新近提出的仿生聚类算法引入岩石边坡工程领域,以解决其稳定分析问题,提出一种分析岩石边坡稳定问题的新方法。该方法在分析岩石边坡工程实例资料的基础上,采用蚁群聚类算法,以工程类比的思想判断岩石边坡的稳定状态。工程应用证明,该算法可以自动把岩石边坡分成几种类似的状态,判断准确率较高、计算速度较快,是一种比较实用的岩石边坡稳定分析方法,值得在岩石边坡分析领域推广应用。     

水库控制流域汛期分期的有效聚类分析

受诸多因素影响的水库汛期分期其实质是一个聚类数目未确知的高维时间序列聚类问题,它要求聚类方法具有能处理高维和时序性数据,且能同时回答聚为几类最为合理的能力。鉴于目前常规聚类方法不同时具备这些能力,在模糊C-均值聚类和紧密与分离聚类有效函数的基础上,提出了能够处理高维时序聚类问题的动态模糊C-均值聚类分析方法和相应的时序聚类有效性函数,耦合二者建立了适用于汛期分期的有效模糊聚类分析方法,提出采用实码加速遗传算法优化求解,克服了模糊C-均值聚类方法常规迭代优化求解对初值敏感的困难,并给出了完备的建模步骤和模型的合理性检验。最后,将模型应用于滦河流域潘家口水库汛期分期中,得出了合理的结论。     

边坡工程岩体质量的灰色聚类评价

利用灰色聚类方法对某金矿边坡工程岩体质量进行评价。评价合理地、最大限度地利用了工程勘察成果, 使地质成果通过定量化更为可靠与可信, 既为边坡岩体稳定程度的直观判断提供了依据,又为边坡稳定性计算提供了有价值的参数。与以往的评价方法相比, 灰色聚类法克服了严格数值界限的弊端是一种具有实用价值的评价方法。     

灰色聚类自动识别岩性及微相

在前人沉积大相及亚相研究的基础上，作者采用灰色聚类方法，即灰色决策矩阵、白化函数、标定聚类权、聚类系数等的求取方法，以松辽盆地英台地区青山口组三段第二砂层组为例，进行岩性及微相自动识别，其识别结果与常规方法定相结果基本吻合。     

边坡稳定性的聚类未确知综合识别方法及应用

影响岩石边坡稳定性的因素众多且关系复杂,且存在大量未确知信息,很难用简单的方法进行分析判断,借鉴工程类比的思想,采用聚类与未确知测度相结合的方法进行研究。针对边坡工程问题环境的复杂性,以大量的历史数据为训练样本,通过动态聚类分析,求得其分类中心。针对大量的未确知信息,利用未确知测度方法对其进行评价,提出一种分析边坡稳定问题的新方法。研究表明,该算法可以对边坡的稳定状态进行预测,正确率在90%以上,为比较合理快速地分析边坡稳定分析方法提供了一条新的途径。     

考虑抗剪强度衰减特性的膨胀土边坡稳定性分析

针对传统膨胀土边坡稳定性分析中无法考虑膨胀土在降雨入渗过程中抗剪强度动态衰减的问题,本文开展了室内直剪试验,系统研究了干密度和含水量变化对膨胀土抗剪强度指标的影响;同时,以试验抗剪强度结果为参数,开展了基于强度折减法的膨胀土边坡稳定性分析,获得了抗剪强度动态衰减过程中边坡稳定性的变化规律。结果表明,含水量的增加和干密度降低会造成膨胀土黏聚力和内摩擦角的衰减,黏聚力衰减显著,内摩擦角衰减较少;膨胀土边坡稳定性主要受风化层土体含水量控制,随着膨胀土含水量的增加,膨胀土边坡逐渐由稳定状态演变为欠稳定状态;干密度对膨胀土边坡稳定性的影响则相对较小。     

用灰聚类方法定量分析剩余油潜力大小

在常规地质信息和生产开发动态资料综合分析的基础上，可以应用灰聚类分析法来定量评价剩余油潜力，以孤东油层七区西6-1小层为例，提取了剩余油潜力区的有效厚度、孔隙度、含油饮和度、储层非均质系数、沉积相、构造形态、砂体位置、射孔完善程度、注采完善程度等聚类评价指标，建立了各指标的白化函数，并采用复式加权法确定了各指标的灰聚类权，最终判别结果以概率最大的聚类系数确定，从而实现了潜力井区剩余油潜力大小的定量划分，为矿场挖潜措施的优化选择提供了指导。     

改进遗传算法和支持向量机的岩体结构面聚类分析

岩体结构面控制着岩质边坡和地下洞室等岩体工程的稳定性,在岩体力学及水力学分析中起到关键作用。为对岩体结构面进行合理分组,精确地模拟岩体结构面网络的分布,提出一种融合改进遗传算法和支持向量机的聚类方法。首先,根据岩体结构面产状信息建立结构面分组的数学模型,采用改进的遗传算法计算结构面样本的全局最优聚类中心,再以聚类中心为训练样本,利用支持向量机方法将结构面样本进行完全划分。通过随机产生的结构面数据以及实际工程的运用表明,遗传-支持向量机聚类算法对岩体结构面的分组合理,获得的优势结构面结果可靠。     

基于未确知测度的边坡地震稳定性综合评价

文章提出一种基于未确知测度理论的边坡地震稳定性综合评价方法,建立了各评价指标的未确知测度函数。根据信息墒理论计算各评判因子的权重,用置信度识别准则进行等级判定,得出了评价结果。该评价方法能解决边坡地震稳定性评价中诸多因素不确定性问题,还能对其进行定量分析。对实际工程中的16个典型的地震边坡进行综合评价,并与灰色聚类法、综合指标法、实测震害的结果进行比较。研究结果表明:未确知测度评价法性能良好,正确率高,具有重要的实用价值,为边坡地震稳定性的综合评价提供了一条新途径。     

节理岩体结构面产状的动态聚类分析

节理岩体结构面的优势产状是进行Mnote-carlo模拟和岩体稳定性分析的基础。玫瑰花图、等密度图等传统的图形分析方法比较粗糙,其结果只是相对的优势组数划分,无法准确地给出结构面的优势产状,使得分组结果在实际中应用不便。为弥补上述不足,采用改进的动态聚类分析方法,构造空间直角坐标系,以结构面的单位法向量表示其产状,并根据球面上两点之间的球面距离对结构面产状进行分类判定。将该方法应用于三峡库区巴东新县城铜盆溪桥东头高切坡结构面优势产状分析中。结果表明,采用改进动态聚类分析方法结果可靠,分类合理,可以较准确地确定结构面的优势产状。     

Dynamic stability analysis of rock slope considering the strength vibration degradation of through-type rock discontinuitiesEI北大核心

考虑结构面抗剪强度震动退化效应对分析与评价岩质边坡动力稳定性具有重要意义。基于岩石动力试验获取了多因素影响的结构面强度震动退化系数方程,结合极限平衡理论和动态矢量法原理,以UDEC程序作为计算引擎,采用其内置Fish语言编程实时刷新结构面强度特性参数和捕获任意地震历时时刻边坡地震惯性力,并以最小平均安全系数法求解边坡最终动力稳定性评价指标值,从而提出了一种考虑结构面强度震动退化的边坡动力稳定性系数动态算法。研究表明:结构面强度震动退化系数是取决于岩块间循环剪切次数、循环剪切幅度及相对运动速度响应值的动态变量;将该算法应用于含贯通型平直状结构面边坡动力稳定性算例中,其分析结果表明,动力作用时程内考虑结构面强度震动退化的边坡动力稳定性系数较未考虑该效应时的系数衰减更为明显,即前者计算结果更符合一般性自然规律,亦即验证了该算法的可行性;结构面最小强度震动退化系数随动力激励时程变化近似呈负指数函数形式逐渐衰减,且当结构面初始黏聚力(内摩擦角)越大、而坡角(层面倾角)或动荷载幅值(频率)越小时,地震历时过程中边坡最小动力稳定性系数越大,此时边坡最终动力稳定性相对越强。     

基于结构面抗剪强度演化的块体动力稳定性分析

传统块体理论仅针对块体的静力稳定性分析,而未涉及到动力稳定分析。因此,借用Newmark法累积滑移量的概念,基于块体理论对定位块体在地震历时作用下的动力稳定性进行了研究,提出了以块体累积滑动位移和动安全系数两个指标共同评价块体动力稳定性。提出一种接触面识别及面积计算算法,它考虑了接触面积变化对块体稳定的不利影响,也可用于块体滑动的大变形分析,考虑了块体滑动过程中结构面抗剪强度的演化,可对复杂的凸形块体及凹形块体进行静、动力稳定性分析。将其应用于三峡升船机乘船箱左侧边坡的块体稳定分析中,结果显示块体在强震作用下发生了一段距离的滑动,但震后仍可保持稳定     

基于改进遗传算法的岩体结构面产状聚类分析

根据产状对结构面进行分组是研究岩体结构的重要环节。传统分组方法通常需要依靠地质经验,缺乏客观性,而现有的聚类方法也存在一些缺陷。基于变长度字符串遗传算法,提出了一种改进的K均值算法,实现了岩体结构面产状的自动聚类。该方法的核心思想是使用遗传算法为K均值算法选择恰当的聚类中心,克服了K均值(K-means)算法受初始聚类中心影响,易收敛于局部最优解的缺陷。由于使用了变长度字符串,该方法能够在聚类过程中自动确定最佳结构面组数,同时提供最优的分组结果。针对产状数据,提出了一种新的变异方法,该方法利用C++语言实现,并被应用于浙江省某地下水封洞库结构面产状数据的分析,得到较为合理的分组结果,证明了该方法的有效性。     

动态聚类-模糊模式识别及其应用

本文以模糊子集论为指导,在迪戴的DCM法的基础上提出了动态聚类-模糊模式识别方法。实际上,它是一种新的模糊聚类的方法。该方法以DCM法的动态聚类部分做为原始数据变换的手段,而将迪戴的强模式概念推广为模糊模式,将强模式识别推广为模糊模式识别。此外,还提出了模糊模式间联系度的概念,从而解决了类间联系、类内典型个体、类间过渡个体、个体对各类的隶属程度以及内部有某种演化趋势的类别的划分等问题。文章还给出了该方法的数学模型和算法概要。最后,通过一个在地质学中的应用实例,说明了该方法的应用效果。     

核概率距离聚类方法及应用

研究聚类分析新方法一直是统计学和机器学习研究领域普遍关注的课题。针对概率距离聚类算法不能解决非线性可分聚类问题的缺欠,笔者应用核函数理论将该模型拓展成为一种能够解决非线性可分聚类问题的统计模型,称为核概率距离聚类分析模型。研制出一种应用新模型进行遥感图像非监督分类研究的实施策略和可行算法;在GDAL遥感图像数据输入输出函数库基础上,用VC++语言开发了遥感图像核概率距离聚类分析算法程序;用ERDAS软件提供的一幅7波段491像素×440像素大小的TM图像进行新方法分类应用实验研究。对比了新模型和其原版本的TM遥感图像非监督分类效果,结果表明新模型的非监督分类效果优于原有的分类模型。     

Automatic Identification of Rock Fracture Sets Using Finite Mixture Models

The clustering and classification of fracture orientation data are crucial tasks in geotechnical engineering and rock engineering design. The explicit simulation of fracture orientations is always applied to compensate for the lack of direct measurements over the entire rock mass. In this study, a single step approach based on the theory of finite mixture models, where the component distributions are Fisher distributions, is proposed for automatic clustering and simulation of fracture orientation data. In the proposed workflow, the spherical K-means algorithm is applied to select the initial cluster centers, and the component-wise expectation–maximization algorithm using the minimum message length criterion is used to automatically determine the optimal number of fracture sets. An additional advantage of the proposed method is the representation of orientation data using a full sphere, instead of the conventional hemispherical characterization. The use of a full spherical representation effectively solves the issue of clustering for fractures with high dip angles. In addition, the calculation process of the mean direction is also simplified. The effectiveness of the model-based clustering method is tested with a complicated artificial data set and two real world data sets. Cluster validity is introduced to evaluate the clustering results. In addition, two other clustering algorithms are also presented for comparison. The results demonstrate that the proposed method can successfully detect the optimal number of clusters, and the parameters of the distributions are well estimated. In addition, the proposed method also exhibits good computational performance.