共查询到17条相似文献，搜索用时 218 毫秒
1.
工程先验知识辨识下的滑坡非平稳变形支持向量机预测 总被引：1，自引：0，他引：1
针对缺乏非平稳变形（阶段性、反复性及突变性）特征数据导致的滑坡预测与评估不完全符合工程实际的情况,通过分析变形时序的物理意义与类型,在定义了非平稳变形趋势变化外延模式的基础上,提出了综合考虑滑坡当前变形阶段、观测变形数据特征以及待预测时段外界诱发因素的时序外延模式辨识方法,并进一步在工程先验知识指导下建立了支持向量机（SVM）预测模型。通过2个工程实例对方法进行应用验证。结果表明,工程先验知识能够有效补充非平稳变形的观测数据信息,对预测建模具有指导性作用;融入外延模式的SVM模型与一般性SVM的外推预测,其平均相对误差可降低2～3倍,预测的可靠性与准确性得到了显著增强。 相似文献
2.
基于免疫RBF神经网络的深基坑施工变形预测 总被引：2，自引：0，他引：2
基坑工程由于受多种因素的影响,目前已成为岩土工程中的重点和难点。在基坑工程施工中,需要根据现场实际情况、周围环境、建筑安全等级等对变形进行严格控制。通过现场量测的深基坑围护结构变形信息资料,对实测数据进行整理和分析,利用神经网络对支护结构的变形作出预测,以保证基坑安全施工。研究了一种基于免疫识别原理的径向基函数神经网络学习算法,该算法将所识别的数据作为抗原,抗体为抗原的压缩映射并作为神经网络模型的隐层中心,采用最小二乘法确定权值,提高了RBF神经网络收敛速度和精度,将人工免疫RBF神经网络应用于时间序列预测中,工程实例计算证明了算法的有效性和可行性,为时间序列预测提供了一种新途径。 相似文献
3.
4.
考虑环境变量作用的滑坡变形动态灰色-进化神经网络预测研究 总被引：2，自引：0，他引：2
滑坡变形预测对于指导灾害的预防工作、保护人民的生命和财产安全具有重大实用价值。从系统论观点出发,结合岩土体流变理论和时序分析原理,在深入研究影响滑坡变形的主控环境变量基础上,将位移时序分解为趋势项和偏离项。采用灰色系统模型提取位移时序趋势项,结合遗传算法和人工神经网络建立起进化神经网络模型,逼近主控环境变量与位移偏离项之间的非线性关系。根据蠕变阶段和变形对环境变量响应情况,实时调整模型,建立起滑坡变形预测的动态灰色-进化神经网络（GM-ENN）模型。将此预测思路和方法应用于三峡库区某滑坡变形预测研究中,证实了模型的有效性和实用性,显示了动态预测的重要性。 相似文献
5.
岩土力学参数空间变异性的集合卡尔曼滤波估值 总被引：3，自引：1，他引：2
岩土参数具有结构性和随机性的空间变异特征,该特征导致岩土参数具有不确定性。以地质统计学作为岩土参数空间变异性分析的理论基础,将分布于研究区的岩土参数视为区域化变量,变异函数既描述了岩土参数整体的空间结构性变化,又描述了其局部的随机性变化,用变异函数理论模型作为描述岩土参数空间变异规律的数学模型。引入集合卡尔曼滤波（EnKF）分析方法,利用时空分布的观测数据,对岩土参数空间变异性进行估值。数值算例表明,EnKF能够有效地融合观测数据,较好地提供岩土参数空间变异性的估值。 相似文献
6.
岩土参数具有结构性和随机性的空间变异特征，该特征导致岩土参数具有不确定性。以地质统计学作为岩土参数空间变异性分析的理论基础，将分布于研究区的岩土参数视为区域化变量，变异函数既描述了岩土参数整体的空间结构性变化，又描述了其局部的随机性变化，用变异函数理论模型作为描述岩土参数空间变异规律的数学模型。引入集合卡尔曼滤波（EnKF）分析方法，利用时空分布的观测数据，对岩土参数空间变异性进行估值。数值算例表明，EnKF能够有效地融合观测数据，较好地提供岩土参数空间变异性的估值。 相似文献
7.
8.
9.
建立于煤矿开采基础之上的矿山开采沉陷理论和预测方法并不适用于象金川这样厚大、陡倾的金属矿床开采的岩移问题,因此,本文探讨利用神经网络来对地表岩移进行预测。根据Elman神经网络能够逼近任意非线性函数的特点和具有反映系统动态特性的能力,提出了利用Elman神经网络建立地表岩移时序预报模型的方法。利用金川二矿区GPS监测所得到的时间序列数据,通过对Elman神经网络模型预测值与GPS实测值之间的比较,结果表明模型预测显示了良好的准确性,特别是在时间步长较短情况下,应用于实际预测一定程度上可以弥补金属矿山岩移预测方法不足的缺憾。 相似文献
10.
用人工神经网络进行空间不完备数据的插补 总被引：2，自引：0，他引：2
在地学研究中,特别是区域性资料处理过程中,常常遇到“不完备数据”的问题,即所谓的“数据不全”。在尽量减小估计误差的条件下对缺失数据进行预测或插补,对于充分利用历史资料和已知信息,提高预测质量具有重要意义。利用径向基人工神经网络(RBF)同时具有自组织神经网络和回归网络的优点,可以对缺失数据进行预测。实际区域地球化学数据处理的结果表明,RBF网络对空间不完备数据的建模和预测具有优异的效果。 相似文献
11.
Li Yunkai Tian Yingjie Ouyang Zhiyun Wang Lingyan Xu Tingwu Yang Peiling Zhao Huanxun 《Environmental Earth Sciences》2010,60(7):1559-1568
Sand production by soil erosion in small watershed is a complex physical process. There are few physical models suitable to
describe the characteristics of the intense erosion in domestic loess plateau. Introducing support vector machine (SVM) oriented
to small sample data and possessing good extension property can be an effective approach to predict soil erosion because SVM
has been applied in hydrological prediction to some extent. But there are no effective methods to select the rational parameters
for SVM, which seriously limited the practical application of SVM. This paper explored the application of intelligence-based
particle swarm optimization (PSO) algorithm in automatic selection of parameters for SVM, and proposed a prediction model
by linking PSO and SVM for small sample data analysis. This method utilized the high efficiency optimization property and
swarm paralleling property of PSO algorithm and the relatively strong learning and extending capacity of SVM. For an example
of Huangfuchuan small watershed, its intensive fragmentation and intense erosion earn itself the name of “worst erosion in
the world”. Using four characteristics selection algorithms of correlation feature selection, the primary affecting factors
for soil erosion in this small watershed were determined to be the channel density, ravine area, sand rock proportion, and
the total vegetation coverage. Based on the proposed PSO–SVM algorithm, the soil erosion modulus in the small watershed was
predicted. The accuracy of the simulation and prediction was good, and the average error was 3.85%. The SVM predicting model
was based on the monitoring data of sand production. The construction of the SVM erosion modulus prediction model for the
small watershed comprehensively reflected the complex mechanism of soil erosion and sand production. It had certain advantage
and relatively high practical value in small sample prediction in the discipline of soil erosion. 相似文献
12.
采用邻域粗糙集和支持向量机建立滹沱河某地区软土固结系数的预测模型。基于自行改装的渗透固结仪,利用公式法确定不同压力下的固结系数。通过室内试验确定土体的指标参数,采用邻域粗糙集对该指标参数进行属性约简,将约简后的指标参数作为影响因素,分别建立支持向量机和神经网络的固结系数预测模型,预测未知样本的固结系数,并与实测值进行对比。结果表明:公式法可以准确客观地确定固结系数;支持向量机和BP神经网络建立的该地区软土固结系数预测模型均可以预测区域内未知点的固结系数,且支持向量机方法的预测精度比神经网络方法的预测精度提高了约10%。本文提出的方法直接从实验数据出发,通过易获取的影响因素建立特定地区固结系数预测模型,并可预测该区域其余未知点的固结系数。 相似文献
13.
热扩散系数是多年冻土对外界热扰动敏感程度的重要影响参数之一,也是寒区工程设计与建设的关键基础数据。基于瞬态平面热源法导热系数测试结果和质量加权法计算获取的比热容理论值,计算获得青藏工程走廊西大滩—唐古拉山沿线典型类别土样热扩散系数,分析对比了走廊带内冻融土热扩散系数的分布特征和参数影响规律,提出了基于经验拟合公式法和RBF神经网络方法的冻融土热扩散系数预测模型,并比较了不同预测模型的预测效果。研究结果表明:青藏工程走廊带内土的热扩散系数与粒径整体呈正相关性,融土热扩散系数按黏性土、粉土、全风化岩类、砂土及碎石土依次增大,冻土热扩散系数按黏性土、全风化岩类、粉土、碎石土及砂土依次增大;热扩散系数与容重及天然含水率相关性随土类及冻融状态差异明显,冻、融土热扩散系数呈显著正线性关系;以融土热扩散系数为拟合参数的冻土热扩散系数三元预测模型的预测精度明显高于二元经验公式;RBF神经网络模型在冻、融土热扩散系数预测中均具有最优的预测精度,为最佳预测模型。 相似文献
14.
基于网格搜索法优化支持向量机的围岩稳定性分类模型 总被引：1，自引：0，他引：1
为科学评价围岩稳定性,本次研究借助支持向量机(SVM)处理小样本、非线性问题能力强的特性,对围岩的稳定性进行了分类。选取16组围岩数据作为学习样本,以岩石质量指标、岩石单轴饱和抗压强度、完整性系数、结构面强度系数和地下水渗水量5个指标作为模型输入,围岩稳定程度为模型输出,建立了基于支持向量机的围岩稳定性分类模型。为增强模型的推广性能,提高其预测准确率,运用改进的网格搜索方法(GSM)寻找最优的支持向量机参数,并对8组围岩数据进行预测,并同BP神经网络模型的预测结果进行对比。结果表明,建立的GSM-SVM模型对预测样本的评判结果与实际结果一致,其预测精度较BP神经网络有很大的提升。 相似文献
15.
煤矿采场覆岩破坏的微地震监测预报研究 总被引：2，自引：0，他引：2
微地震现象是岩体破坏失稳发生前给出的重要信息,研究岩体变形破坏过程的微地震特征对于预报岩体破坏、保证矿山安全生产具有重要意义。采用山东科技大学自主研制的煤矿井下微震监测系统对华丰煤矿采场覆岩破坏过程进行了监测。通过对监测到的微地震事件定位计算,证实微地震发展演化与采场覆岩破坏密切相关。根据未失稳岩体微震事件频数、能量、距离的差分变化规律,能够较准确地提前预报岩体破坏,对于采用微地震监测技术解决煤矿井下岩体破坏预报具有重要指导意义。 相似文献
16.
滑坡在我国是一种极为频发的地质灾害,且其积累位移监测曲线有着复杂的非线性特性,对此各研究者建立过许多预测模型,然而这些模型的预测精度不尽如人意。基于Elman神经网络可以任意精度逼近任意非线性函数的特征,并以sigmoid为方程的核函数,在选择隐含层数时用了试用法,通过"3δ"法及归一化工程实例滑坡累积位移数据,建立了Elman神经网络动态预测模型。基于该模型对多个监测点数据进行动态预测,结果表明该模型的预测结果与实测数据的吻合度较高,且平均误差为1.78%,预测精度较高,验证了Elman神经网络能够在预测滑坡灾害中发挥一定作用。 相似文献
17.
Sarat Kumar Das Pijush Samui Shakilu Zama Khan Nagarathnam Sivakugan 《Central European Journal of Geosciences》2011,3(4):449-461
Stability with first time or reactivated landslides depends upon the residual shear strength of soil. This paper describes prediction of the residual strength of soil based on index properties using two machine learning techniques. Different Artificial Neural Network (ANN) models and Support Vector Machine (SVM) techniques have been used. SVM aims at minimizing a bound on the generalization error of a model rather than at minimizing the error on the training data only. The ANN models along with their generalizations capabilities are presented here for comparisons. This study also highlights the capability of SVM model over ANN models for the prediction of the residual strength of soil. Based on different statistical parameters, the SVM model is found to be better than the developed ANN models. A model equation has been developed for prediction of the residual strength based on the SVM for practicing geotechnical engineers. Sensitivity analyses have been also performed to investigate the effects of different index properties on the residual strength of soil. 相似文献