CN105181933B - 预测土壤压缩系数的方法 - Google Patents
预测土壤压缩系数的方法 Download PDFInfo
- Publication number
- CN105181933B CN105181933B CN201510577443.1A CN201510577443A CN105181933B CN 105181933 B CN105181933 B CN 105181933B CN 201510577443 A CN201510577443 A CN 201510577443A CN 105181933 B CN105181933 B CN 105181933B
- Authority
- CN
- China
- Prior art keywords
- soil
- sample
- svm
- prediction
- compression coefficient
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Sampling And Sample Adjustment (AREA)
Abstract
本发明公开了利用基于小波变换的二型模糊支持向量机（SVM）预测土壤压缩系数（SCC）的方法，属于软土地基处理技术领域，该方法选取土样进行室内土工试验测得界限含水率，用于土壤压缩系数的预测。预测过程包括将室内土工试验结果数据进行分解，然后通过5倍交叉验证技术测定和，再进行SVM训练，训练结束后，使用经训练的基于小波的多尺度二型SVM预测土壤压缩系数。本发明所述方法克服了现有技术的诸多缺点，预测能力明显优于神经网络模型，具有很好的推广性能。
Description
技术领域
本发明属于软土地基处理技术领域，涉及一种软土地基处理时软土物理力学指标之间的相互关系的确定方法，具体涉及利用基于小波的二型模糊支持向量机（SVM）预测土壤压缩系数的方法。
背景技术
在软土地基处理领域中，地基土的变形参数有着非常重要的作用，也是当前岩土工程领域研究的热点。土壤压缩系数（SCC）是其中一个重要的变形参数，可表征土壤的可压缩性。
土壤压缩系数可从压缩试验中获得，但由于此类测试的费时性和困难性，实际可操作性差，于是人们又试图其它的方法。现在的研究认为土壤的物理特性决定了其压缩性能，因此在土壤压缩系数和物理参数之间应该存在一定的相关性，由于物理参数很容易得到，所以研究者们试图使用土壤的物理参数去预测其压缩系数。但是，现有的模型存在许多缺陷，比如需要大量的物理参数、难以获得良好的稳定性及过拟合的风险性。这些问题往往导致尽管有大量的样本内数据，但对于样本外数据仍不好推广。
支持向量机（SVM）是一种新的分类和回归技术，在最近几年已经引起了广泛的关注。SVM建立基础是统计学习理论。对于有正负样本的二元分类问题，SVM以期能找到一个最佳的分离超平面，它可以把数据分成两类，在高度上具有最大余量或甚至无限变换的特征空间，就像通过多变量差值的径向基函数（RBF）功能所创建的无限维Hilbert空间。最大余量是由一组正负训练样本构成，它们最接近于分离超平面，被称为是支持向量。特征空间从输入空间的转换可以通过核技巧实现，这使得每个点积可被核函数简单地代替。在SVM分类中，根据不同的变换特征空间可选择不同的核函数。所以，在SVM分类中内核功能发挥着重要作用，因为它们决定着功能空间，这个功能空间中数据进行分类且直接影响SVM分类和回归的结果和性能。
然而，在许多应用中，人们必须要处理的实际困难是如何选择比任何其他内核函数更好，更适当的核函数。一个显而易见的方法是尝试很多不同的内核，并选择其中效果最好的。但是，当规模或训练数据的属性数量巨大的时候，这种方法可能是非常耗时的。另一种相对耗时较少的方法是随机选择几个有不同内核的支持向量机（SVMs），利用不同的SVMs建立一个整体模型，生成一个复合回归模型。由此产生的回归模型可能优于它的每一个组成单一回归模型，因为不同的回归模型可能相互互补。为此，本发明提出了使用二型模糊集理论结合多个SVMs形成的回归模型。该模型采用的数据例从具有不同内核的SVMs输入，并产生一个输出。
另外，单一尺度学习过程的一个可能的缺点是，它有时不足以解决复杂和困难的问题，例如，一些非平稳和非线性的现实问题，并且推广性能差。为了解决推广性能差的潜在问题，我们有必要制定一个新的方法来评估和预测土壤压缩系数。
发明内容
针对当前软土地基处理过程中土壤压缩系数难以预测的现状，本发明提供了利用基于小波变换的多尺度二型模糊SVM学习范例来预测土壤压缩系数的方法。
为了实现本发明所述目的，发明人提供了以下技术方案。
预测土壤压缩系数的方法，具体操作步骤包括：
步骤一，现场取样：钻探取样孔，利用薄壁取土器采取土样，将土样密封，备用；采取土试样和进行原位测试的勘察点应结合地貌单元、地层结构和土的工程性质布置，其数量可依据《岩土工程勘察规范》GB50021-2001的相关要求，占勘探点总数的1/4～1/2；采取土试样的数量和孔内原位测试的竖向间距，应按地层特点和土的均匀程度确定，每层土均应采取试样或进行原位测试，其数量不宜少于6个；采取土样时土应充满薄壁取土器；
步骤二，室内土工试验：测定步骤一所取土样的界限含水率；
步骤三，预测土壤压缩系数：
①数据分解：根据室内土工试验结果，得到软土物理力学性质指标，获取最初的塑性指数系列，用天平被其分解成各种正交分量，所得到的不同组件即为二型SVM的输入，原始系列 被分解成一个近似值和细节，并且可以被类似地进一步分解为近似值和细节，这种分解过程可以重复逐次逼近，也可被反过来分解，在此筛选过程结束，该系列可以表示为，其中，是细节的数量，是近似值， 是彼此正交的细节，将数据序列分解成多个分层次的有组织的分解体；
②计算和：通过5倍交叉验证技术测定和；
③SVM训练：一旦输入模式和内核宽度确定，SVM训练可通过样本启动，在本研究中，SVM的输入端有4个部件，SVM网络训练过程由Matlab的软件包进行；
④土壤压缩系数预测：训练结束后，使用经训练的基于小波的多尺度二型SVM预测土壤压缩系数。
本发明步骤一所述现场取样是为了对岩土特性进行鉴定和各种室内试验提供所需要的样品而进行的工作。取样采用钻孔取样的方式。
取样所使用的薄壁取土器壁厚为1.25-2.00mm，取样扰动小、质量高。
土样密封的过程是将土样的上、下两端各去掉20mm，加上一块与土样上下截面面积相当的不透水圆片，置于蜡封容器中，浇灌蜡液至与容器口齐平，待蜡液凝固后扣上胶皮或塑料保护帽。然后用配合适当的盒盖将蜡封容器两端盖严，将所有接缝用纱布条蜡封或用胶带封口。
为防止样品混淆，每一个土样蜂蜡后均应填贴标签，标签上下方向应与土样上下方向一致，并牢固的黏贴于容器外壁。土样标签应记载内容包括：工程名称或编号、孔号、土样编号、取样深度、土类名称、取样日期、取样人姓名。土样标签记载应与现场钻探记录相符。取样的取土器型号、回收率等应在现场记录中详细记载。
土样密封后应置于温度及湿度变化小的环境中，避免暴晒或冰冻。如需运输土样，应采用专用土样箱包装，土样之间用柔软缓冲材料填实，一箱土样总重不宜超过40kg。对易于震动液化、水分离析的土样，不宜长途运输，应在现场就近进行室内实验。
土样采取之后至开始土工实验之间的储存时间，不宜超过两周。
本发明提出了一种小波分解为基础的多尺度学习方法，它与SVMs和二型模糊理论相结合，对土壤压缩系数预测是一个新的学习模式，克服了现有方法的诸多缺点。适用于交通、土木、市政、水利等工程的软土地基处理技术领域。
附图说明
图1为本发明的三维二型模糊隶属函数（T2 MF），图中（a）为主隶属度下限（粗虚线）和上限（粗实线），和分别是下界和上界，FOU为不确定性域，（b）为高斯次隶属函数，（c）为区间次隶属函数，（d）为具有均匀隶属函数的平均值。
图2为本发明建立模型（实线）和RBF神经网络模型（虚线）的训练数据集误差。
图3为本发明建立模型（实线）和RBF神经网络模型（虚线）的验证数据集误差。
图4为瑞典科学家阿太堡划分的界限含水率示意图。
具体实施方式
一种利用基于小波的二型模糊支持向量机预测土壤压缩系数的方法，步骤如下：
步骤一，现场取样
钻探过程用一定的设备、工具（如钻机）来破碎地壳岩石或土层，从而在地壳中形成一个直径较小、深度较大的钻孔。钻孔取样数量依据《岩土工程勘察规范》GB50021-2001的相关要求，占勘探点总数的1/4～1/2；采取土试样的数量和孔内原位测试的竖向间距，应按地层特点和土的均匀程度确定，每层土均应采取试样或进行原位测试，其数量不宜少于6个；采取土样时土应充满薄壁取土器；钻孔取样做法依照《原状土取样技术标准》（JGJ89-92）规定进行：
（1）采取原状土样的钻孔，其孔径必须要比取土器外径大一个等级；
（2）地下水位以上应采用干法钻进，不得注水或使用冲洗液，地下水位一下钻进时应采用通气通水的螺旋钻头。在鉴别地层方面无严格要求时，也可以采用侧喷式冲洗钻头成孔，但不得采用底喷式冲洗钻头。
步骤二：室内土工试验
1. 土样的制备和饱和
（1）目的和适用条件
土样在试验前必须经过制备过程，包括土的风干、碾散、过筛、匀土、分试样和储存等预备程序，以及制备试样程序，试样的制备程序是土工试验工作的第一个质量要素，为保证试验成果的可靠性和试验数据的可比性，必须统一土样和试样的制备方法和程序。
本试验方法适用于粒径小于60mm的原状土和扰动土，对于粒径大于等于60mm的土应按有关粗粒料的试验方法进行。
（2）试样制备
1）原状土试验的制备
将土样筒按标明的上下方向放置，剥去腊封和胶带，开启土样筒取出土试样。检查土样结构，当确定土试样已受扰动或取土不符合规定时，不应制备力学性质试验的试样。
据试验要求用环刀切取试样时，应在环刀内壁涂一薄层凡士林，刀口向下，将环刀垂直下压，并用切土刀沿环刀外侧切削土样，边压边削至土样高出环刀，根据试样的软硬程度采用钢丝据或切土刀平整环刀环刀两侧土样，擦净环刀外壁。称环刀和土的总质量，同一组试样间密度的允许差值为0.03g/cm3。
余土中取代表性试样测定含水量。相对密度、颗粒分析、界限含水量等项试验的取样，应按1.2(2)规定进行。
削试样时，应对土试样的层次、气味、颜色、夹杂物、裂缝和均匀性进行描述，对低塑形和高灵敏度的软土，制试样时不得扰动。
2）扰动试样的制备
试验的数量视试验项目而定，应备用试样1~2个。
碾散的风干土样通过孔径2mm或5mm的筛，取筛下足够试验用的土试样，充分拌匀，测定风干含水率，装入保湿缸或塑料袋内备用。
根据试验所需的土量与含水率，制备试样所需的加水量应按下式计算：
式中 mw—制备试样所需的加水量（g）；
m0—湿土（或风干土）质量（g）；
ω0—湿土（或风干土）含水率（%）；
ω'—制样要求的含水率（%）。
称取过筛的风干土试样平铺于盘内，将水均匀洒于土试样上，充分搅匀后装入容器内盖紧，润湿一昼夜，砂土的润湿时间可以酌减。
测定润湿土试样不同位置处的含水率，不应少于两点，含水率差值应不大于±1%。
根据环刀容积及所需的干密度，制试验所需的湿土量应按下式计算：
式中 ρd—试样干密度（g/cm3）;
V—试样体积（环刀容积）（cm3）。
扰动土制样可采用击样法和压样法，同一组试样的密度与要求密度之差不得大于±0.01 g/cm3。
（3）试样的饱和
土的孔隙被水填满的过程称为饱和，当孔隙被水充满后的土称为饱和土。试样饱和的方法采用抽气饱和法。选用框式或叠式饱和器和真空饱和装置将装有试样的饱和器放入真空缸内，启动抽气机，当压力表读数近1个大气压力时保持压力表读数不变，同时打开管夹使水徐徐注满缸后，停止抽气，缸内放入气后，浸泡10小时以上使试样饱和。取出试样擦干称重，并按下式计算饱和度，如饱和度低于95%应继续抽气饱和。
或
式中Sr—试样的饱和度（%）；
ωsr—试样饱和后的含水率（%）；
ρsr—试样饱和后的密度（g/cm3）；
Gs—土粒的相对密度；
e—试样的孔隙比。
2. 界限含水率试验
（1） 概念及意义
黏性土由于土中水含量的变化明显地表现出不同的性质和不同的物理状态，如含水率的增大黏性土可由固态、半固态的脆性状态变为可塑状态，最后变为流动状态或液体状态。黏性土这种因含水率变化而表现出的各种不同物理状态，称为黏性土的稠度，界限含水率就是量度黏性土从液态过渡到固态的过程各阶段的数值。1911年瑞典科学家阿太堡将其划分为五个阶段（如图4所示），规定了各界限含水率，称为阿太堡度也即界限含水率。
在工程实际中，最具实用性的界限含水率为液限（ωL）、塑限（ωp）及缩限（ωn）。
将土具有最小强度时的含水率作为液态和塑态的界限值，称为液限（ωL），随着土中水分继续逐渐减少，土的强度逐渐增大，土体变得具有脆性，呈固态或半固态，区分塑形、固态半固态的界限含水率称为塑限（ωp），当饱和黏性土进一步干燥至体积不再收缩时的含水率称为缩限（ωn）。
（2）界限含水率测试试验方法
1）液塑限联合测定法
依据及仪器：液塑限联合测定法的理论依据是圆锥下沉深度与相应含水率在双对数坐标纸上具有直线关系。联合测定法所用仪器光电式、游标式和百分表式液塑限联合测定仪等。
联合测定法的试验标准
（A）液限试验标准的确定。液限是试样有黏质液体变成黏质塑性状态时的含水率。在该界限时。试样具有出现一定的流动阻力，即最小可量度的抗剪强度，理论上是强度“从无到有”的分界点，这是采用各种测定方法的等效标准。卡萨格兰特得到土在液限状态时的不排水抗剪强度为2~3kPa，为此，采用与蝶式仪法测得液限时土的抗剪强度相一致的方法来确定圆锥仪入土深度作为液限标准。经大量的试验证明：76g圆锥入土深度17mm和100g圆锥入土深度20mm时土的强度与卡式蝶式仪测得液限时土的强度（平均值）一致，说明这两种标准与卡式蝶式仪标准等效。交通部公路系统的标准《公路土工试验规程》（JTG E40—2007）中采用100g圆锥入土深度20mm作为液限标准。
（B）塑限试验标准的确定。使用圆锥仪测定土的塑限是以滚搓法作为比较的，主要问题是确定相应的入土深度。比较试验得到，相对于滚搓法塑限的平均强度值为143kPa，而76g圆锥入土深度2mm时的平均强度为156kPa。说明入土深度2mm时的含水率作为塑限基本上是与滚搓法塑限相当。
2)试验要点
此试验方法适用于粒径小于0.5mm以及有机质含量小于试样总质量5%的细粒土；将＜0.5mm的试样调成膏状，填满试样杯后刮平，放于联合测定仪升降座上；电磁铁吸住圆锥，调整零点和升降座，使圆锥尖接触试样表面。电磁铁断电，圆锥靠自重下沉，当沉入试样中5s后观测并记录圆锥入土深度。取出试样测定含水率。重复上述步骤再测定另外两种不同含水率试样的圆锥入土深度和含水率。测定点应不少于三点，圆锥入土深度宜为3~4mm，7~9mm，15~17mm，试样的含水率宜分别接近液限、塑限和两者的中间状态。将圆锥入土深度及相应的含水率在双对数坐标纸上绘制关系曲线，求得圆锥入土深度为17mm及2mm时的相应含水率及液限及塑限。
步骤三，预测土壤压缩系数：
①数据分解：根据室内土工试验结果，得到软土物理力学性质指标，获取最初的塑性指数系列，用天平被其分解成各种正交分量，所得到的不同组件即为二型SVM的输入，原始系列被分解成一个近似值和细节，并且可以被类似地进一步分解为近似值和细节，这种分解过程可以重复逐次逼近，也可被反过来分解，在此筛选过程结束，该系列可以表示为，其中，是细节的数量，是近似值，这是主要的趋势，是彼此正交的细节。因此，可以实现数据序列分解成几个固有组分；
②计算和：通过5倍交叉验证技术测定和；
③SVM训练：一旦输入模式和内核宽度确定，SVM训练可通过样本启动，在本研究中，SVM的输入端有4个部件，SVM网络训练过程由Matlab的软件包进行；
④土壤压缩系数预测：训练结束后，使用经训练的基于小波的多尺度二型SVM预测土壤压缩系数。
下面结合具体实施例对本发明所述内容作进一步详细的说明。
实施例
发明人从石家庄碧景园项目施工现场取样进行室内土工试验，得到塑性指标数据，依照本发明所述预测土壤压缩系数的方法，进行土壤压缩系数的预测，并对预测结果进行了评估，具体如下：
一、进行数据和实验设计描述。
使用的数据是从建筑单元获得的用于石家庄碧景园项目土壤测试的35个数据。为了进行训练和测试，选择30个作为样本内数据集（训练期间），其余数据作为样本外数据集（测试阶段）。采用小波的类型是Daubechies小波，小波分解细节的数目被设置为，高斯函数作为所提出的基于小波的多尺度二型SVM核函数，产生较好验证集结果的内核参数值和用于基于小波的多尺度二型SVM。
二、预测能力评估。
为了评估所提出的基于小波变换的多尺度二型SVM学习方法的预测能力，从现有的文献中选择了流行的神经网络预测方法进行比较。每个预测模型通过样本内数据进行评估和验证。为简单起见，模型的性能利用样本外数据的相对误差进行测量。表1和表2分别显示了石家庄碧景园项目训练数据集和验证数据集的比较结果。
附图2绘出了训练数据的目标输出误差（实线）和模型输出误差（虚线）。附图3为验证数据的目标输出误差（实线）和模型输出误差（虚线）。可以看出，所提出的模型捕获了塑性指数的特性，因此，比RBF网络更好。
表1 两种模式训练数据集的预测效果比较
| 训练样本 | 塑形指数 | SCC | 本发明建立模型预测的SCC值 | RBF神经网络预测的SCC值 | 本发明建立模型的相对误差 | RBF神经网络的相对误差 |
| 1 | 10.4 | 0.11 | 0.1083 | 0.1083 | 1.55% | 1.55% |
| 2 | 15.4 | 0.07 | 0.0694 | 0.0694 | 0.86% | 0.86% |
| 3 | 9.6 | 0.11 | 0.1063 | 0.1060 | 3.36% | 3.64% |
| 4 | 10.6 | 0.29 | 0.2884 | 0.2879 | 0.55% | 0.72% |
| 5 | 9.3 | 0.11 | 0.1122 | 0.1124 | 2.00% | 2.18% |
| 6 | 15.4 | 0.16 | 0.1575 | 0.1560 | 1.56% | 2.50% |
| 7 | 10.9 | 0.15 | 0.1483 | 0.1483 | 1.13% | 1.13% |
| 8 | 10.9 | 0.10 | 0.0994 | 0.0992 | 0.60% | 0.80% |
| 9 | 15.4 | 0.15 | 0.1475 | 0.1428 | 1.67% | 4.80% |
| 10 | 12.1 | 0.20 | 0.2005 | 0.2010 | 0.25% | 0.50% |
| 11 | 10.8 | 0.09 | 0.0893 | 0.0893 | 0.78% | 0.78% |
| 12 | 10.7 | 0.20 | 0.1981 | 0.1979 | 0.95% | 1.05% |
| 13 | 16.8 | 0.14 | 0.1391 | 0.1382 | 0.64% | 1.29% |
| 14 | 7.7 | 0.16 | 0.1577 | 0.1576 | 1.44% | 1.50% |
| 15 | 10.8 | 0.09 | 0.0896 | 0.0894 | 0.44% | 0.67% |
| 16 | 14.1 | 0.11 | 0.1075 | 0.1049 | 2.27% | 4.64% |
| 17 | 10.5 | 0.08 | 0.0776 | 0.0771 | 3.00% | 3.62% |
| 18 | 10.8 | 0.09 | 0.0859 | 0.0856 | 4.56% | 4.89% |
| 19 | 10.9 | 0.11 | 0.1073 | 0.1072 | 2.45% | 2.55% |
| 20 | 10.5 | 0.19 | 0.1877 | 0.1874 | 1.21% | 1.37% |
| 21 | 13.4 | 0.19 | 0.1923 | 0.1933 | 1.21% | 1.74% |
| 22 | 10.5 | 0.20 | 0.1987 | 0.1982 | 0.65% | 0.90% |
| 23 | 10.8 | 0.20 | 0.1992 | 0.1991 | 0.40% | 0.45% |
| 24 | 17.4 | 0.20 | 0.1978 | 0.1974 | 1.10% | 1.30% |
| 25 | 10.9 | 0.21 | 0.2107 | 0.2110 | 0.33% | 0.48% |
| 26 | 10.9 | 0.16 | 0.1588 | 0.1587 | 0.75% | 0.81% |
| 27 | 13.0 | 0.10 | 0.0989 | 0.0981 | 1.10% | 1.90% |
| 28 | 10.4 | 0.10 | 0.1004 | 0.1009 | 0.40% | 0.90% |
| 29 | 12.6 | 0.12 | 0.1184 | 0.1147 | 1.33% | 4.42% |
| 30 | 17.8 | 0.15 | 0.1501 | 0.1503 | 0.07% | 0.20% |
表2 两种模式验证数据集的预测效果比较
| 测试样本 | 塑形指数 | SCC | 本发明建立模型的预测值 | RBF神经网络的预测值 | 本发明建立模型的相对误差 | RBF神经网络的相对误差 |
| 1 | 9.9 | 0.23 | 0.2159 | 0.2155 | 6.14% | 6.29% |
| 2 | 10.5 | 0.25 | 0.2678 | 0.2744 | 7.11% | 9.78% |
| 3 | 10.2 | 0.34 | 0.3570 | 0.3627 | 5.00% | 6.67% |
| 4 | 10.8 | 0.23 | 0.2435 | 0.2458 | 5.89% | 6.89% |
| 5 | 8.6 | 0.16 | 0.1485 | 0.1480 | 7.21% | 7.50% |
从表1和表2中，可以看到，所提出的多尺度二型SVM学习范例的性能比神经网络模型更好。因此，本发明所提供的预测土壤压缩系数的方法具有很好的推广性能。
Claims (2)
1.一种预测土壤压缩系数的方法，其特征在于，具体操作步骤包括：
步骤一，现场取样：钻探取样孔，利用薄壁取土器采取土样，将土样密封，备用；
步骤二，室内土工试验：测定步骤一所取土样的界限含水率；
步骤三，预测土壤压缩系数：
①数据分解：根据室内土工试验结果，得到软土物理力学性质指标，获取最初的塑性指数系列，用天平被其分解成各种正交分量，所得到的不同组件即为二型SVM的输入，原始系列被分解成一个近似值和细节，并且可以被类似地进一步分解为近似值和细节，这种分解过程可以重复逐次逼近，也可被反过来分解，在此筛选过程结束，该系列可以表示为，其中，是细节的数量，是近似值， 是彼此正交的细节，将数据序列分解成多个分层次的有组织的分解体；
②计算和：通过5倍交叉验证技术测定和；
③SVM训练：一旦输入模式和内核宽度确定，SVM训练可通过样本启动，在本研究中，SVM的输入端有4个部件，SVM网络训练过程由Matlab的软件包进行；
④土壤压缩系数预测：训练结束后，使用经训练的基于小波的多尺度二型SVM预测土壤压缩系数。
2.根据权利要求1所述的一种预测土壤压缩系数的方法，其特征在于，步骤一所述取样所使用的薄壁取土器壁厚为1.25-2.00mm。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510577443.1A CN105181933B (zh) | 2015-09-11 | 2015-09-11 | 预测土壤压缩系数的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510577443.1A CN105181933B (zh) | 2015-09-11 | 2015-09-11 | 预测土壤压缩系数的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105181933A CN105181933A (zh) | 2015-12-23 |
| CN105181933B true CN105181933B (zh) | 2017-04-05 |
Family
ID=54904156
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510577443.1A Expired - Fee Related CN105181933B (zh) | 2015-09-11 | 2015-09-11 | 预测土壤压缩系数的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105181933B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110008613B (zh) * | 2019-04-12 | 2023-05-09 | 交通运输部天津水运工程科学研究所 | 一种网格式软土地基承载特性计算方法 |
| CN113567303A (zh) * | 2021-07-20 | 2021-10-29 | 深圳市市政工程总公司 | 疏浚淤泥的液限、塑限及塑性指数测定方法 |
| CN113592743B (zh) * | 2021-08-11 | 2024-01-23 | 北华航天工业学院 | 基于复数小波变换的光谱高频信息与低频信息分离与耦合方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008033100A1 (en) * | 2006-09-11 | 2008-03-20 | Agency For Science, Technology And Research | Method of predicting protein allergenicity using a support vector machine |
| CN101846605A (zh) * | 2010-03-19 | 2010-09-29 | 中国科学院武汉岩土力学研究所 | 含天然气水合物土压缩系数测试装置及其方法 |
| CN102129511A (zh) * | 2011-02-21 | 2011-07-20 | 北京航空航天大学 | 一种基于matlab的风电场短期风速预测系统 |
| JP4992081B2 (ja) * | 2006-09-20 | 2012-08-08 | 国立大学法人山口大学 | 画像処理により対象物の表面状態を検査する方法及びそのための画像処理プログラム |
| CN102944418A (zh) * | 2012-12-11 | 2013-02-27 | 东南大学 | 一种风电机组叶片故障诊断方法 |
| CN104200230A (zh) * | 2014-09-11 | 2014-12-10 | 哈尔滨工业大学 | 一种基于小波变换和svm分类的土壤土质识别方法 |
| CN104700374A (zh) * | 2015-03-26 | 2015-06-10 | 东莞职业技术学院 | 基于Type-2模糊逻辑系统的场景图像去噪方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012109658A2 (en) * | 2011-02-11 | 2012-08-16 | Emory University | Systems, methods and computer readable storage mediums storing instructions for segmentation of medical images |
-
2015
- 2015-09-11 CN CN201510577443.1A patent/CN105181933B/zh not_active Expired - Fee Related
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008033100A1 (en) * | 2006-09-11 | 2008-03-20 | Agency For Science, Technology And Research | Method of predicting protein allergenicity using a support vector machine |
| JP4992081B2 (ja) * | 2006-09-20 | 2012-08-08 | 国立大学法人山口大学 | 画像処理により対象物の表面状態を検査する方法及びそのための画像処理プログラム |
| CN101846605A (zh) * | 2010-03-19 | 2010-09-29 | 中国科学院武汉岩土力学研究所 | 含天然气水合物土压缩系数测试装置及其方法 |
| CN102129511A (zh) * | 2011-02-21 | 2011-07-20 | 北京航空航天大学 | 一种基于matlab的风电场短期风速预测系统 |
| CN102944418A (zh) * | 2012-12-11 | 2013-02-27 | 东南大学 | 一种风电机组叶片故障诊断方法 |
| CN104200230A (zh) * | 2014-09-11 | 2014-12-10 | 哈尔滨工业大学 | 一种基于小波变换和svm分类的土壤土质识别方法 |
| CN104700374A (zh) * | 2015-03-26 | 2015-06-10 | 东莞职业技术学院 | 基于Type-2模糊逻辑系统的场景图像去噪方法 |
Non-Patent Citations (2)
| Title |
|---|
| RBF神经网络预测土的物理力学指标初探;曾洪飞;《建材技术与应用》;20070930(第9期);第7－9页 * |
| 基于小波变换和优化的 SVM 的网络流量预测模型;周晓蕾 等;《计算机应用与软件》;20110228;第28卷(第2期);第36－39页转第59页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105181933A (zh) | 2015-12-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wood et al. | Effect of depositional method on the undrained response of silty sand | |
| Zekkos et al. | Unit weight of municipal solid waste | |
| Wesley | Fundamentals of soil mechanics for sedimentary and residual soils | |
| Coop et al. | The behaviour of granular soils at elevated stresses | |
| Shi et al. | A consolidation model for lumpy composite soils in open-pit mining | |
| Wang et al. | Experimental study on permeability characteristics of calcareous soil | |
| Zeng et al. | Evolution characteristics of the cracks in the completely disintegrated carbonaceous mudstone subjected to cyclic wetting and drying | |
| CN105181933B (zh) | 预测土壤压缩系数的方法 | |
| Nguyen et al. | Prediction of California bearing ratio from physical properties of fine-grained soils | |
| CN104237966A (zh) | 测算地下有机质孔隙度的方法和装置 | |
| Pan et al. | Evaluation of structural strength and parameters of collapsible loess | |
| Staub et al. | Large-scale bioreactor pilots for monitoring the long-term hydromechanics of MSW | |
| Rahardjo et al. | Effects of unsaturated properties on stability of slope covered with Caesalpinia crista in Singapore | |
| Najser et al. | Mechanisms controlling the behaviour of double-porosity clay fills; in situ and centrifuge study | |
| Li et al. | The influences of sand content and particle size on the desiccation cracks of compacted expansive soil | |
| Sanzeni et al. | Compression and creep of Venice lagoon sands | |
| Ali et al. | Field behavior and numerical simulation of coastal bund on soft marine clay loaded to failure | |
| Kokusho et al. | Sand liquefaction observed during recent earthquake and basic laboratory studies on aging effect | |
| Hanna et al. | Experimental investigation of foundations on sensitive clay subjected to cyclic loading | |
| Wang et al. | Experimental study on the dilatancy characteristics and equation of saturated sand–gravel composites during the whole shearing process | |
| Robinson et al. | Experimental study of the behavior of a lumpy fill of soft clay | |
| Lim et al. | Unifying framework for modeling swelling soil behaviour | |
| Sun et al. | Experimental and computational analysis of hydraulic behavior in shallow buried structures in sand | |
| Lekstutytė et al. | Engineering geological and geotechnical properties of till soil of the Middle Pleistocene glacial period | |
| Robinson et al. | Three-dimensional swelling of clay lumps |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170405 Termination date: 20170911 |