黄土边坡稳定性分析的神经网络方法

针对黄土边坡稳定分析计算方法繁琐、复杂、精度低等缺陷,应用神经网络理论,提出了黄土边坡稳定性分析的新方法.以14个边坡工程的稳定状况作为学习样本和预测样本,讨论了基于神经网络技术的黄土边坡稳定性分析方法及其有效性.研究表明,神经网络方法具有精度高,收敛速度快,容错能力高等特点,且操作简洁方便,能有效地应用于黄土边坡稳定性分析.     

边坡稳定可靠度分析的新型四阶矩法

提出了一种边坡稳定可靠度分析的新型四阶矩计算方法.该方法将均匀设计法、径向基神经网络技术和最大熵原理相结合对边坡进行可靠性分析.采用均匀设计法确定粘聚力和内摩擦角的网络训练样本空间,并采用基于有限元的强度折减法计算样本空间中样本所对应的边坡安全系数.利用这些样本及对应的安全系数训练径向基神经网络.利用训练好的神经网络获得满足统计数量要求的边坡安全系数,并计算边坡安全系数前四阶矩.利用最大熵原理得到边坡安全系数的概率密度函数近似表达式、边坡失效概率以及相应的可靠指标.该方法的计算结果与蒙特卡罗法的计算结果对比表明该方法具有较高的精度.     

基于自组织神经网络与遗传算法的边坡稳定性分析方法

将自组织(SOM)神经网络、误差反馈(BP)神经网络和遗传算法(GA)三者结合起来,应用于边坡稳定性分析中.首先推导了基于高斯函数的SOM神经网络过程简化权值求解公式,并采用SOM神经网络对收集到的边坡样本进行归类,降低了学习样本的噪声;然后设计了适用于边坡工程的神经网络结构编码模式;再将GA用于优化BP神经网络结构;最后对优化后的BP神经网络进行了计算.计算结果证明,优化后的BP神经网络在安全系数的拟合以及样本的误差分布方面均有明显的改善.同时,通过与其他类型的神经网络相比较,优化后的BP神经网络准确度较高,用于计算边坡的安全系数误差较小.     

神经网络在黄土边坡稳定性分析中的应用

应用神经网络理论估算黄土边坡稳定性的安全系数,用黄土边坡实例作为输入样本,建立神经网络BP模型,以安全系数作为输出值,进行实验。试验结果表明,该方法计算所得安全系数较为可靠,可用于边坡稳定性分析。     

边坡岩体力学参数反分析方法

为了提高数值计算结果的可靠度,基于正交设计、差分法和人工神经网络建立了新的边坡岩体力学参数反分析方法. 按照正交设计要求,选定反演参数的水平,确定数值模拟方案;用FLAC2D差分程序计算得出相应的神经网络分析样本;对RBF神经网络进行训练;利用现场监测位移,对某露天矿边坡岩体的力学参数进行神经网络反分析. 反分析结果与理论值的误差很小,满足精度要求,表明该反分析方法的可行性和精确性.     

边坡变形的GPS-ANN综合分析方法

基于边坡变形破坏的演化规律,通过对GPS变形监测数据的分析,评价了边坡的稳定现状;构建了基于GPS监测数据的位移-时间神经网络识别模型,并对未来某段时间内边坡的变形趋势进行预测;利用Matlab神经网络工具箱,实现了基于GPS监测的神经网络位移预测模型;通过实例研究,对基于GPS监测数据的边坡变形ANN预测结果进行了分析。     

基于信息扩散和BP网络的黄土边坡稳定性分析

目的探讨基于信息扩散原理的BP神经网络的黄土边坡稳定性评价模型。方法收集黄土地区24组黄土边坡实例,采用模糊信息优化处理中的信息扩散原理,建立各评价因子与安全系数之间的模糊关系,并在此基础上建立与BP神经网络相结合的评价模型。结果建立的评价模型对4组预测样本的预测结果,效果良好,较好地解决了样本过少或含有矛盾样本的问题。结论该模型在黄土边坡稳定性评价中比普通神经网络具有更高的实用性和有效性。     

基于已有矿区工程实例对同一矿区不同工作帮边坡稳定性的分析

基于BP神经网络分析方法,选取合理的边坡物理参数、力学参数和几何参数,建立露天矿边坡稳定性分析模型.按照不同的分析目的与要求,分别建立了BP神经网络可行性模型、滑坡面预测模型和治理滑坡面模型;选取分析样本,进行网络结构及学习参数的优化;选取最优的学习样本进行学习训练,据学习结果,利用勘测数据对目标进行预测,其预测结果能够满足精度要求.为了进一步证明其可行性引入模糊的方法,通过信息扩散化原理进行二次数值计算,所得计算结果与之前预测结果吻合.     

边坡稳定和滑坡实例计算对比分析

文章以文献中的大量边坡稳定和滑坡为工程实例,应用边坡稳定分析应力状态方法的解析公式,进行边坡安全系数的计算,计算结果与文献中的条分法、非线性模型、神经网络、有限元强度折减等方法的结果相比较,定性结果比较一致.由于应力状态法解析解具有完整的数学力学模型,大大简化了计算程序、应用软件的依赖过程,较真实地反映了实际土坡的稳定...     

露天矿边坡稳定性预测的人工神经网络模型

利用人工智能中的神经网络原理和方法,建立了露天矿顺层边坡稳定状态预测的神经网络模型,描述了矿山边坡稳定指标与其影响的非线性映射关系,提出了露天矿边稳定性预测的神经网络原理和方法。     

基于模糊控制的人工神经网络模拟在土质边坡安全预测中的应用

从最优化角度出发,用神经网络解决模糊控制系统的规则提取问题,给出可靠的基于BP算法的可靠神经网络模拟过程,对模糊子集个数的选取与系统复杂性、精确性之间的关系进行讨论.为获得边坡复杂工况下的安全特征,建立基于模糊控制的人工神经网络边坡安全预测模型,由大量样本进行网络训练.研究结果表明:所建立的模型预测精度较高,且实用易行;边坡的坡度、内摩擦角、凝聚力对边坡的安全系数影响较大;该预测模型可用于处理普遍存在的不确定性、非线性复杂工程问题;通过模糊控制调整模型,可对不同工程对象进行较精确的模拟分析.     

基于神经网络的边坡稳定性分析

为了评价边坡的稳定性,利用神经网络对样本进行训练。由于传统的BP神经网络存在不足,利用了自适应步长的BP神经网络和Levenberg-Marquardt法,并与传统的BP神经网络进行比较。结果表明,这两种方法在提高计算速度和泛化能力具有优势,其中自适应步长的优点更加明显。在考察训练样本预测的准确性方面,3种BP网络的结果相近。     

基于MATLAB神经网络的岩质边坡稳定性分析

对边坡进行稳定分析是治理边坡工程的基础。引入BP神经网络方法,利用MATLAB软件对岩质边坡进行了预测,通过选择对边坡稳定性因素影响较大、在实际工程中容易得到的参数作为输入的神经元,忽略了一些在试验中很难得到的参数,如、值;通过多种训练函数的拟合,确定Levenberg-Marquardt函数为合适的训练算法;通过对网络结构进行优化,提高了模型的计算精度,结果显示该方法具有较好的实用性。     

基于MIV-BP网络与粗糙集的边坡敏感性分析

结合BP神经网络与MIV算法,提出一种新的边坡稳定性影响因素敏感性分析方法.运用MATLAB程序对边坡的稳定性的影响因素进行敏感性分析,通过对选取的48个边坡工程实例进行神经网络模型的有效验证.并在MIV-BP网络分析的基础上,将其主要因素采用FCM算法离散属性数据,将边坡稳定性影响因素敏感性转化为粗糙集理论中属性重要性问题,综合分析结果表明:各因素对边坡稳定性的敏感性由大到小依次为内摩擦角、凝聚力、容重、边坡角、边坡高度、孔隙水压力比.     

基于改进粒子群算法的BP神经网络在边坡稳定性评价中的应用

边坡稳定性分析与评价是边坡工程的核心内容,具有高度非线性和不确定性特征。首先,选取了多个边坡工程实例构成学习样本集,以土体重度、内摩擦角、粘聚力、坡角、坡高、孔隙比六个主要影响因素作为土坡稳定性的评价判别指标;然后,采用改进的粒子群算法优化BP神经网络模型,将网络权值和阈值粒子化,通过引入粒子群进化度和粒子群聚合度实现惯性权重的动态变化,利用粒子群算法的全局搜索性实现网络权值和阈值的更新,从而增强算法对非线性问题的处理能力,加快了收敛速度;最后,通过与其它边坡稳定性评价算法进行比较分析,表明了本文研究算法的可行性与合理性。     

基于PSO-RBF的边坡安全系数预测

传统的径向基函数(RBF)神经网络在边坡稳定性预测中已经得到了广泛的应用,但由于其在预测中易陷入局部最优且参数选取不当会对收敛性产生影响.故引入粒子群算法(PSO)对RBF神经网络进行优化,利用其全局搜索能力对RBF神经网络的隐含层基函数中心值、宽度以及隐含层至输出层的连接权值进行参数寻优,建立了基于PSO-RBF的边坡安全系数预测模型.以114组边坡数据为训练样本,8组边坡数据为测试样本,结果显示基于PSO-RBF网络预测结果的最大误差为7.36%、最小为0.18%、平均误差为3.77%,而基于单纯RBF网络的预测结果的相应误差分析别为11.04%、1.34%、6.19%.可以看出,前者的预测结果明显优于后者,表明经粒子群算法优化后的RBF在预测精度上有了明显的提高.     

高边坡路基边坡稳定性分析研究

道路路基边坡的稳定性一直是道路修建中的难题,其中高边坡路基边坡的稳定与否直接关系到工程的施工进度、施工安全和后期线路的正常安全运营。文章介绍了边坡稳定分析的极限平衡法,并结合实际工程地质勘察资料,对镇江市官塘新城沙山路道路路基进行稳定性分析,选取3个危险的边坡断面进行稳定性分析,通过对这三个危险边坡稳定性的分析,了解到三个边坡稳定安全系数中,最小的只有1.077,由此可见,高边坡路基边坡稳定性问题与施工的紧密关系。所以,针对实际路堤边坡施工,须选取有效的支护方案进行适当的支挡加固。通过文章分析也明确了基于极限平衡法的路基高边坡稳定性分析理论,对于工程施工的重要意义。     

多因素作用下边坡稳定影响因素敏感性分析

影响边坡稳定性的因素很多,通过边坡稳定性影响因素的敏感性分析,可以找出影响边坡稳定的主导因素,从而为边坡的治理和设计提供依据.利用BP神经网络来分析边坡稳定性,在此基础上运用相对作用理论(RSE)确定各影响因素间的交互作用,并将交互作用应用于边坡稳定性影响因素敏感性分析中.考虑各因素交互作用的多因素敏感性分析比只考虑单因素或各因素间无交互作用的分析方法更符合边坡系统的内在规律.     

基于神经网络的多参数露天边坡稳定性分析

针对分析露天边坡稳定性的参数的不确定性和不完备性,精确分析方法在表达边坡系统各组成部分之间的非线性关系上有其局限性问题,依据神经网络建立的数学模型,采用神经网络的学习方法,对露天边坡进行稳定性评价。计算结果表明:边坡实际状态和预测结果十分相近,因此运用神经网络模型评价黄土地区边坡的稳定性有较好的适用性,该方法对露天边坡稳定性预测预报具有重要的理论意义和实用价值.     

基于遗传神经网络的边坡稳定性智能分析方法

分析了边坡稳定性的影响因素,建立边坡稳定性智能分析的系统模型.将遗传算法和人工神经网络相结合,并建立的遗传神经网络(GNN)具有较高的学习效率和较强的泛化能力.数值算例表明,GNN能有效地克服经典BP神经网络学习速度慢及泛化能力弱的缺点,基于GNN的边坡稳定性智能分析方法具有较高的分析准确率.图4,表2,参11.