基于BP神经网络湖南益阳市滑坡敏感性分析

益阳市是湖南省地质灾害易发区之一,其中滑坡地质灾害占比74.1%。滑坡的敏感性分析通常采用专家知识评价、编录数据评价、滑坡过程物理评价等方法,其评价结果受评价人员水平的影响或评价过程复杂,适用性有限。基于BP神经网络算法,将益阳市338处滑坡以及1∶10 000地质灾害详查得到的307处未滑坡的斜坡调查数据,提取到1个数据库中,利用BP神经网络方法,经过信号正向传播和反向传播的误差逐步修正,研究益阳市滑坡的敏感性影响因子。结果表明,计算模型和滑坡影响因子的重要性从高到低依次为斜坡类型、坡度、坡高、坡顶高程、地层岩性、斜坡结构类型,为滑坡野外识别和防治提供了数据支撑。通过实例分析验证了计算模型的正确性,该计算模型可应用于大批量斜坡稳定性分析。     

垃圾填埋场地特征及其工程地质问题分析

以徐州某垃圾填埋场工程为例,以勘察工作成果为基础,对区域稳定性、地震效应等方面进行了探讨。重点研究和评价了水文地质条件,分析了垃圾填埋场建设所涉及的主要工程地质问题。研究结果表明:本场地的变形特性、边坡稳定性等满足填埋场使用要求,不会出现承压水突涌现象,填埋场的修建不会对地下水产生不良影响,场地作为垃圾填埋场的建筑场地是适宜的。     

露天煤矿边坡稳定性影响因素的敏感性正交分析

对白音华三号露天煤矿复合边坡稳定性进行评价。借助理正软件,采用极限平衡法计算的稳定系数为评价指标,通过多因素敏感性分析认为,地震作用、粘聚力、内摩擦角、地下水位和重度等因素对该边坡稳定参数的敏感性依次变小。这一研究结论与工程实际基本相符。     

滑坡稳定影响因子敏感性分析及治理方案探讨

对一给定的滑坡(即滑坡坡率、坡高等已确定), 稳定系数的影响因素有滑带土粘聚力、内摩擦角、滑体容重和孔隙水压力等。由于各因素对稳定系数的影响程度不同(即敏感性大小不同), 因此, 需要以定量的标准来找出其中影响较大的因子, 作为滑坡治理重点研究的对象, 有效提高滑坡整治效果。本文以延安市宝塔区王良寺滑坡为例, 采用正交分析法对滑坡稳定性的影响因子进行了分析, 并计算出各种组合的滑坡稳定系数, 然后采用极差分析对因子进行敏感性评价; 以分析结果为基础, 提出滑坡的治理方案, 以期达到经济合理的治理效果。      

河北省垃圾填埋场对地下水的污染分析

从河北省垃圾场的调查情况来看,全省处理生活垃圾的主要方式为垃圾填埋,且垃圾填埋场以未采取任何防渗措施的简易填埋场为主,约占垃圾场总数量的三分之二,已对环境造成一定污染。本文分析了河北省生活垃圾及其渗沥液化学成分,确定了生活垃圾及其渗沥液的主要污染成分。采用污染指数法,分析研究了河北省18个生活垃圾填埋场对地下水的污染情况,并总结出了垃圾填埋场对地下水的污染规律,对垃圾填埋场的建设和水资源的保护具有指导意义。     

生活垃圾填埋场渗滤液对潜层地下水污染的实验模拟分析——以北京北天堂垃圾填埋场为例

通过对北京市西郊南部北天堂垃圾填埋场渗滤污染组分在含水介质中运移的室内模拟实验分析，揭示了有机污染物等污染组分在含水介质中的运移转化规律，即有机污染物等污染组分在微生物的作用下得到降解；通过阻滞因子和水化学迁移率的计算，得出该含水介质对污染组分的阻滞能力较好。可用水化学迁移率粗略预测不同污染质锋面达到指定地点的时间，为垃圾填埋场地底部防渗层的设计和渗滤液对地下水污染程度的预报提供依据。     

垃圾填埋场抽水试验及降水方案设计

垃圾填埋场中的渗滤液水位过高会引发一系列环境和稳定问题,工程上可用竖井抽水降低渗滤液水位。通过在填埋场现场进行抽水试验,确定垃圾土的渗透系数和抽水影响半径,在此基础上对填埋场降水的瞬态流问题进行有限元模拟,分析了抽水井口径和间距对填埋场降水的影响,提出了降水方案的设计步骤和方法。抽水试验表明,现场垃圾的渗透系数约为3.6×10-4cm/s,抽水影响半径约为20m。数值分析表明,井径的变化对于降水效果影响不大,而合理选择抽水井间距对降水十分关键。进行抽水方案设计时,应首先根据工期和降水幅度要求计算井间距,按井的出水速度选择水泵,再根据水泵确定井径,最后根据井径和过滤层形式确定钻孔尺寸并选择钻机。     

垃圾渗滤液在含水层中的污染规律研究——以阜新市垃圾填埋场为例

垃圾的堆存和填埋会产生大量的渗滤液。渗滤液对垃圾填埋场周围环境能够造成严重污染,尤其使地下水质污染而丧失利用价值。通过阜新市垃圾填埋场现场采集新鲜渗滤液水样、垃圾堆体附近土样的实验研究,获得了新鲜渗滤液的各组分浓度和垃圾堆体附近土壤的性质。结合当地地理气候等情况揭示了垃圾渗滤液中污染溶质在地下水系统中的迁移转化的动态过程,定量化预测了污染范围及时空分布,为研究该地区地下水污染控制、管理和评价提供了可靠依据。     

基于广义回归神经网络的边坡稳定性评价

边坡失稳是比较常见的地质灾害,判定其稳定性的方法很多,在使用过程中也暴露出了这些方法的缺陷。针对这些问题,构建了适合于边坡稳定性评价的广义回归神经网络模型,并运用Matlab的神经网络工具箱进行了分析和计算,使用了相关数据来训练和测试该模型的可靠性和可行性。结果表明,广义回归神经网络模型在使用过程中需选择合适的光滑因子,而所得出的数据与实际结果较为相符,解决了之前使用的BP神经网络模型的缺点,具有很好的工程运用前景。     

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。     

卫生填埋场复合边坡地震稳定性和永久变形分析

采用非连续变形分析方法,对卫生填埋场复合型边坡的地震稳定性和永久变形进行了详细地计算分析,探讨了边坡倾角、土与土工膜之间的摩擦系数、边坡的长度、覆盖土层的厚度以及地震加速度对边坡的稳定性和永久变形的影响。由边坡的破坏形式,讨论了复合型边坡的破坏机理,指出了文献[1]给出的计算公式的适用条件以及局限性,为卫生填埋场复合型衬垫层的稳定设计提供参考。     

围岩力学参数反演的GSA-BP神经网络模型及应用

针对遗传算法（GA）存在早熟现象和局部寻优能力较差等缺陷,引入具有很强局部搜索能力的模拟退火算法（SA）,组成改进的遗传模拟退火算法（GSA）提高优化问题的能力和求解质量。针对BP神经网络容易陷入局部最小和收敛速度慢等方面的不足,应用改进的遗传模拟退火算法搜索BP神经网络的最优权值和阀值,提高BP神经网络的预测精度,建立了围岩力学参数反分析的GSA-BP神经网络模型。将该模型应用于乌东德水电站右岸地下厂房围岩力学参数的反演分析中,根据监测围岩变形数据反演围岩力学参数,反演所得参数应用到正计算分析中,得出的计算位移与实测值吻合较好,说明该方法的有效性和应用于该工程的可行性。     

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。     

灰关联神经网络法及防洪堤边坡稳定性分析

灰关联分析神经网络方法首先是对防洪堤边坡稳定性影响因素进行灰关联分析,得出各因素影响程度的大小排序,然后建立该工程的神经网络模型,选择灰关联分析得到的优势因子作为样本输入以及关联度作为网络权值确定的一个因素,利用大量南宁市防洪堤边坡工程实例对网络进行训练学习,最后用训练成功的网络对工程进行预测。预测的结果与实际情况进行对比表明,这个方法能够满足南宁市防洪堤边坡稳定性预测的要求。     

山谷型垃圾卫生填埋场堆埋体稳定性评价

山谷型卫生填埋场是我国卫生填埋场建设的主要形式之一.本文借鉴无粘性坝体边坡的容许安全系数,反算求得不考虑内聚力的垃圾可能最小内摩擦角.利用这个内摩擦角计算坝体所受的主动压力,从而计算垃圾坝的抗滑、抗倾覆及坝基的稳定状态.初步建立了一套评价此类型填埋场堆埋体安全稳定性的方法,并通过对一工程实例的分析,证明了该方法是可行的.     

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。     

基于神经网络范例推理的边坡稳定性评价方法

提出了基于神经网络范例推理的边坡稳定性评价方法。针对边坡的稳定性影响因素的复杂多变性和相当强的不确定性,建立了基于神经网络的边坡范例检索模型。运用神经网络强大的自适应、自组织、自学习的能力以及高度的非线性映射性、泛化性和容错性的特点,通过边坡范例的神经网络学习,建立了当前边坡和边坡范例之间相似性计算关系,最终实现了当前边坡的稳定性评价。对于8个验证边坡范例,模型的预测准确性达到了100 %,范例中的160组数据的相关性也达到了 0.981 5,表明建立的模型具有很高的预测准确性,模型的泛化能力很强。     

基于BP神经网络的瓦斯含量预测

以淮南矿区潘一矿13-1煤层为研究对象,在分析勘探钻孔资料的基础上,确定了煤层埋深及厚度、顶底板岩性、地质构造和煤变质程度是影响煤层瓦斯含量的主要因素;使用BP神经网络方法建立了瓦斯含量预测模型;结合实际数据,对预测模型进行训练和检验。预测结果表明:该模型比使用多元线性回归预测能获得更高的精度,说明预测模型可靠。