排序方式： 共有4条查询结果，搜索用时 15 毫秒
1
1.
岩体变形模量是表征岩体变形特性的最重要参数之一，其获取手段有室内试验与现场试验法、经 验 关 系 法、数 值 模 拟法、人工智能预测方法等。人工智能预测方法中常用的是神经网络方法，但神经网络易陷入局部极小值和过学习而导致低精度，支持向量机回归（ＳＶＲ）方法能有效地避免神经网络的以上缺陷，并在小样本、非线性预测方面具有较大优势，但目前 ＳＶＲ 应用于岩体变形模量预测的研究较少。以某水电站坝址区英安岩的试验数据为依托，采用灰色关联分析筛选出与变形模量最相关的纵波波速作为输入变量。在此基础上，以３个国内的水电站为例，分别建立相应的以实测纵波波速作为输入变量的粒子群算法优化－支持向量机回归（ＰＳＯ－ＳＶＲ）变形模量预测模型，同时，通过与 ＢＰ神经网络（ＢＰ－ＮＮ）、ＲＢＦ神经网络（ＲＢＦ－ＮＮ）２种预测方法进行对比，对比分析表明ＳＶＲ模型具有更高的预测精度，预测效果较好，说明 ＰＳＯ－ＳＶＲ方法更适用于岩体变形模量预测。 相似文献
2.
岩体变形模量是表征岩体变形特性的最重要参数之一,其获取手段有室内试验与现场试验法、经验关系法、数值模拟法、人工智能预测方法等。人工智能预测方法中常用的是神经网络方法,但神经网络易陷入局部极小值和过学习而导致低精度,支持向量机回归(SVR)方法能有效地避免神经网络的以上缺陷,并在小样本、非线性预测方面具有较大优势,但目前SVR应用于岩体变形模量预测的研究较少。以某水电站坝址区英安岩的试验数据为依托,采用灰色关联分析筛选出与变形模量最相关的纵波波速作为输入变量。在此基础上,以3个国内的水电站为例,分别建立相应的以实测纵波波速作为输入变量的粒子群算法优化-支持向量机回归(PSO-SVR)变形模量预测模型,同时,通过与BP神经网络(BP-NN)、RBF神经网络(RBF-NN)2种预测方法进行对比,对比分析表明SVR模型具有更高的预测精度,预测效果较好,说明PSO-SVR方法更适用于岩体变形模量预测。 相似文献
3.
以岩质边坡中常见的平面滑动为研究对象,研究其最优锚固方向角的计算方法。将锚索自由段单位长度能提供的最大抗滑增量作为目标控制变量,将坡面和滑动面特征参数与锚索设计参数作为优化控制自变量,通过坐标系转换得到的线性方程组对锚索的预拉力进行分解,并根据锚索支护时的三维模型建立了锚索自由段长度的优化公式,进而推导了用于锚固方向角三维优化的新计算方程。在该方程的基础上借助MATLAB软件中的fmincon函数对锚索加固方向不受限制时的锚固方向角进行了优化。最后通过锚固方向角敏感性分析与工程实例分析相结合,证明了推荐的最优锚固方向角计算方法的有效性与先进性。新方法有效地解决了边坡坡面与滑动面走向存在夹角时最优锚固方向角的求解问题,可进一步提高锚索的锚固效益,降低边坡的支护费用。 相似文献
4.
以岩质边坡中常见的楔形体滑动为研究对象，研究其最优锚固方向角的计算方法。将锚索自由段单位长度能提供的最大抗滑增量作为目标控制变量，将坡面和两组滑动面的特征参数与锚索设计参数作为优化控制自变量，通过坐标系转换建立线性方程组对锚索的预拉力进行分解，得到用于锚固方向角三维优化的新计算方程。在该方程的基础上，借助导数法和Matlab软件中的fmincon函数分别对锚索加固方向与坡面走向垂直的二维优化方式和锚索加固方向不受限制时的三维优化方式下的锚固方向角进行了优化。最后通过算例与工程实例分析相结合，证明了推荐的最优锚固方向角计算方法的有效性与先进性。新方法可进一步提高锚索的锚固效益，减少锚索的总用量，降低边坡的支护费用。 相似文献
1