CN109711051B - 一种考虑滑床岩体结构特征的桩顶位移非线性预测方法 - Google Patents
一种考虑滑床岩体结构特征的桩顶位移非线性预测方法 Download PDFInfo
- Publication number
- CN109711051B CN109711051B CN201811603721.6A CN201811603721A CN109711051B CN 109711051 B CN109711051 B CN 109711051B CN 201811603721 A CN201811603721 A CN 201811603721A CN 109711051 B CN109711051 B CN 109711051B
- Authority
- CN
- China
- Prior art keywords
- degrees
- pile
- pile top
- top displacement
- gamma
- 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.)
- Active
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明公开了一种考虑滑床岩体结构特征的桩顶位移非线性预测方法,针对当前滑床岩体结构特征的研究较少且仅停留在基于连续介质的单因素敏感性分析层面,本发明将滑床岩体结构特征多因素考虑在内,采用粒子群优化算法和支持向量回归机方法,建立桩顶位移的最优化预测模型,当滑床为复合层状岩体结构时,有效的提高了抗滑桩位移预测的精度。
Description
技术领域
本发明属于地质灾害防控技术领域,具体涉及一种考虑滑床岩体结构特征的桩顶位移非线性预测方法。
背景技术
目前多将滑床视为均质体进行计算,但当滑床为复合层状岩体时,滑床的岩体结构特征对抗滑桩的桩顶位移产生较大的影响;目前对滑床岩体结构特征对边坡稳定性的研究较少且仅停留在基于连续介质的单因素敏感性分析层面,不能反映各因素对桩顶位移的综合影响;各因素之间存在的相关性及随机联动性,与桩顶位移之间是高度非线性关系,很难利用传统数学方法建立用于桩顶位移预测的显式数学模型。而支持向量机机器学习算法对于小样本数据库的拟合及预测,均具有良好的性能。
发明内容
本发明要解决的技术问题在于,针对现有技术对滑床岩体结构特征对边坡稳定性的研究较少且仅停留在基于连续介质的单因素敏感性分析层面的缺陷,提供一种考虑滑床岩体结构特征的桩顶位移非线性预测方法。
本发明解决其技术问题所采用的技术方案是:构造一种考虑滑床岩体结构特征的桩顶位移非线性预测方法,具体包括以下步骤:
S1、对三峡库区所有采用抗滑桩支护的滑坡进行勘察统计,选择典型滑坡建立概化地质模型;利用三维离散元数值模拟软件-3DEC,建立所述概化地质模型的三维离散元数值模型;
S2、选取滑床岩体结构特征参数,包括有下述四个特征参数:岩层倾角α、岩层倾向与主滑方向夹角β、层厚比r、单组厚度d,其中r=hhard/hsoft,d=hhard+hsoft,hhard为硬岩单层真厚度,hsoft为软岩单层真厚度;确定参数单桩荷载q;
将上述五个参数带入步骤S1建立的概化地质三维离散元数值模型中,并进一步开展数值仿真实验进行单因素敏感分析,确定参数α、β、γ、d和q对抗滑桩桩顶位移的影响程度及影响范围;其中,在进行单因素敏感分析时,为保证对滑坡进行全方位的勘测,所述参数α、β、γ、d和q,选取为M个水平;所述参数具体为:α=[α1,α2...,αM]、β=[β1,β2...,βM]、γ=[γ1,γ2...,γM]、d=[d1,d2...,dM]和q=[q1,q2...,qM],M>0;
S3、根据步骤S2中分析得到的单因素敏感分析结果,选取对抗滑桩桩顶位移影响最大的n个水平;所述特征参数具体为:α=[α1,α2...,αn]、β=[β1,β2...,βn]、γ=[γ1,γ2...,γn]、d=[d1,d2...,dn]和q=[q1,q2...,qn];其中,M>n>0;
S4、针对所述参数α、β、γ、d和q,基于步骤S3选取得到的对抗滑桩桩顶位移影响最大的n个水平,采用正交设计方法,设计参数α、β、γ、d和q在内的N组实验;
S5、利用3DEC软件对步骤S4设计的N组实验开展数值仿真实验,监测并记录每一组实验方案下抗滑桩桩顶节点的位移值yi;经过N组实验后,建立含有五个自变量α=[α1,α2...,αN]、β=[β1,β2...,βN]、γ=[γ1,γ2...,γN]、d=[d1,d2...,dN]、q=[q1,q2...,qN]和一个目标变量y=[y1,y2...,yN]的数据库;其中i=1,2...,N;
S6、将所述数据库中的每一项数据进行归一化处理;
S7、采用支持向量机机器学习算法,将步骤S6归一化处理后的数据作为输入变量,带入到支持向量回归公式,建立支持向量回归机模型;
S8、采用粒子群优化算法,对步骤S7建立的支持向量回归机模型进行优化,建立最优化的桩顶位移预测模型;
S9、针对一具体滑坡案例,确定参数α、β、γ、d和q;对步骤S9确定的参数α、β、γ、d和q做归一化处理后,将其带入步骤S8中建立的桩顶位移预测模型,进一步得到桩顶位移归一化后的预测值,对所述桩顶位移归一化后的预测值做反归一化处理,得到的预测值即为实际的桩顶位移预测值。
进一步的,步骤S2在进行单因素敏感性分析时,岩层倾角选取10°、20°、30°、40°、50°、60°、70°、80°、90°共9个水平,岩层倾向与主滑方向夹角选取0°、10°、20°、30°、40°、50°、60°、70°、80°共9个水平,层厚比选取1:9、1:7、1:5、1:3、1:1、3:1、5:1、7:1、9:1共9个水平,单组厚度选取1m、2m、3m、4m、5m、6m、7m、8m、9m共9个水平。
进一步的,步骤S6中在进行归一化处理时采用以下公式:
x'=(x-xmin)/(xmax-xmin);
其中:x'为归一化后样本值,x为样本真实值,xmax为样本最大值,xmin为样本最小值;所述样本真实值包括从数据库中的带入数据。
步骤S9中在进行反归一化处理时采用以下公式:
x=x'(xmax-xmin)+xmin。
本发明所述的一种考虑滑床岩体结构特征的桩顶位移非线性预测方法中,通过正交实验设计考虑滑床岩体结构特征,建立模拟数据库,采用粒子群优化算法-支持向量机预测方法,建立了考虑滑床岩体结构特征的桩顶位移预测模型,有效研究了滑床岩层结构特征对桩顶位移的组合影响规律。
实施本发明的一种考虑滑床岩体结构特征的桩顶位移非线性预测方法,具有以下有益效果,具体考虑了滑床岩体结构特征对已支护边坡稳定性的影响,计算精度有所提高,预测结果更为可靠。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是桩顶位移非线性预测方法的流程图;
图2是粒子群算法对支持向量回归模型的优化流程图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
本发明针对当前滑床岩体结构特征的研究较少且仅停留在基于连续介质的单因素敏感性分析层面,提出了考虑滑床岩体结构特征多因素的桩顶位移非线性预测方法,采用粒子群优化算法-支持向量回归机方法建立桩顶位移最优化预测模型,可以提高滑床为复合层状岩体时抗滑桩桩顶位移预测的精度。
实施例1:
请参考图1,其为桩顶位移非线性预测方法的流程图,下面结合流程图对本发明提出的方法进行具体描述;在本发明的一种考虑滑床岩体结构特征的桩顶位移非线性预测方法,具体包括以下步骤:
L1、对三峡库区所有采用抗滑桩支护的滑坡进行勘察统计,选择典型滑坡建立概化地质模型;利用三维离散元数值模拟软件-3DEC,建立概化地质模型的三维离散元数值模型;
L2、对滑床岩体结构特征进行单因素敏感性分析,岩层倾角选取10°、20°、30°、40°、50°、60°、70°、80°、90°共9个水平,岩层倾向与主滑方向夹角选取0°、10°、20°、30°、40°、50°、60°、70°、80°共9个水平,层厚比选取1:9、1:7、1:5、1:3、1:1、3:1、5:1、7:1、9:1共9个水平,单组厚度选取1m、2m、3m、4m、5m、6m、7m、8m、9m共9个水平;
L3、根据单因素敏感性分析结果,进行正交实验设计,岩层倾角选取10°、20°、30°、40°、50°,岩层倾向与主滑方向夹角选取0°、10°、20°、30°、40°,层厚比选取1:1、3:1、5:1、7:1、9:1,单组厚度选取1m、2m、3m、4m、5m,水平荷载选取140kPa、200kPa、260kPa、320kPa、380kPa共五个水平;
L4、采用抓阄法,随机生成因素水平表(见表1);由于有5个自变量且每个自变量含有五个水平,正交表采用L25(56)进行设计,设计参数α、β、γ、d和q在内的25组实验(见表2);
表1因素水平表
表2正交实验设计方案
L5、利用3DEC软件对步骤S4设计的25组实验开展数值仿真实验,监测并记录每一组实验方案下抗滑桩桩顶节点的位移值yi;经过25组实验后,建立含有五个自变量α=[α1,α2...,α25]、β=[β1,β2...,β25]、γ=[γ1,γ2...,γ25]、d=[d1,d2...,d25]、q=[q1,q2...,q25]和一个目标变量y=[y1,y2...,y25]的数据库(见表3);其中i=1,2...,25;
表3训练数据库
L6、将数据库数据带入归一化公式x'=(x-xmin)/(xmax-xmin),归一化后的数据结果见表4,其中层厚比按照分数形式计算,比如9:1就看做9来处理;
表4归一化处理后训练数据库
L7、采用支持向量机机器学习算法,将步骤L6归一化处理后的数据作为输入变量,带入到支持向量回归公式,建立支持向量回归机模型;所述向量回归公式为:
S8、采用粒子群优化算法,对步骤L7建立的支持向量回归机模型进行优化,建立最优化的桩顶位移预测模型;
S9、针对一具体滑坡案例,确定参数α、β、γ、d和q;对上述参数做归一化处理后,将其带入步骤L8中建立的桩顶位移预测模型,进一步得到桩顶位移归一化后的预测值,对所述桩顶位移归一化后的预测值做反归一化处理,得到的预测值即为实际的桩顶位移预测值。
实施例2:
为了更好的说明本发明,下面以一具体滑坡为例进行详细说明。对该滑坡进行勘察分析,勘察结果为:滑床岩性为侏罗系上统遂宁组(J3s),砂岩厚度约为1.05m,泥岩厚度约为0.15m,岩层倾向为270°,倾角为28°。滑坡主滑方向为290°。该滑坡设有实验桩,桩顶位移监测结果为0.15m。
根据勘察结果可知:岩层倾角为28°、岩层倾向与主滑方向夹角为20°、层厚比为7:1、单层厚度为1.2米;
将上述五个因素进行归一化处理得到:岩层倾角为0.45、岩层倾向与主滑方向夹角为0.5、层厚比为0.75、单层厚度为0.05、单桩荷载为0.527;
将归一化处理后的数据带入本发明提出的最优化桩顶位移模型中,求得桩顶位移的预测值为0.4020;
采用反归一化公式x=x'(xmax-xmin)+xmin计算得到桩顶位移的预测值s为0.1434m;将所得的预测值与实际值比较,发现预测值比实际值小4.4%,这也充分说明了本发明设计的桩顶位移预测模型精度良好。
实施例3:
请参考图2,其为粒子群算法对支持向量回归模型的优化流程图,具体步骤为:
L81、初始化粒子、种群速度,设定最大迭代次数Tmax=500、粒子种群数量为20,将初始迭代次数设为x=1,定义最小误差参数为MSEmin;
L82、根据粒子和种群速度,确定参数:交叉验证折数kx、损失参数px、惩罚因子Cx和RBF核函数参数gx;其中,kx∈N;
L84、将步骤L83得到的N组桩顶位移的预测值ωx,与步骤L5通过3DEC软件记录得到的N组桩顶位移的实际值y,构建适应度函数:
其中在第一次迭代过程中,令MSEmin=MSE1;
L85、更新粒子速度和粒子位置;令x=x+1,返回至步骤L82-L84,进行下一次迭代,并记录迭代次数;
其中,一方面在进行第x+1次迭代时,若有MSEx+1<MSEmin,则更新MSEmin,令MSEmin=MSEx+1;另一方面,当次数达到最大迭代次数时x=Tmax,则执行步骤S86;
L86、结束迭代,输出MSEmin,其中对应的参数组合(px,Cx,gx)即为当前适应于拟合函数f(ζ)的最优输出组合;
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (4)
1.一种考虑滑床岩体结构特征的桩顶位移非线性预测方法,其特征在于,包括步骤如下:
S1、对三峡库区所有采用抗滑桩支护的滑坡进行勘察统计,选择典型滑坡建立概化地质模型;利用三维离散元数值模拟软件-3DEC建立所述概化地质模型的三维离散元数值模型;
S2、选取滑床岩体结构特征参数,包括有下述四个特征参数:岩层倾角α、岩层倾向与主滑方向夹角β、层厚比r、单组厚度d,其中r=hhard/hsoft,d=hhard+hsoft,hhard为硬岩单层真厚度,hsoft为软岩单层真厚度;确定参数单桩荷载q;
将所述参数α、β、γ、d和q带入步骤S1建立的概化地质三维离散元数值模型中,并进一步开展数值仿真实验进行单因素敏感分析,确定参数α、β、γ、d和q对抗滑桩桩顶位移的影响程度及影响范围;其中,在进行单因素敏感分析时,为保证对滑坡进行全方位的勘测,所述参数α、β、γ、d和q,选取为M个水平;所述参数α、β、γ、d和q具体为:α=[α1,α2...,αM]、β=[β1,β2...,βM]、γ=[γ1,γ2...,γM]、d=[d1,d2...,dM]和q=[q1,q2...,qM],M>0;
S3、根据步骤S2中分析得到的单因素敏感分析结果,选取对抗滑桩桩顶位移影响最大的n个水平;所述参数α、β、γ、d和q具体为:α=[α1,α2...,αn]、β=[β1,β2...,βn]、γ=[γ1,γ2...,γn]、d=[d1,d2...,dn]和q=[q1,q2...,qn];其中,M>n>0;
S4、针对所述参数α、β、γ、d和q,基于步骤S3选取得到的对抗滑桩桩顶位移影响最大的n个水平,采用正交设计方法设计所述参数α、β、γ、d和q在内的N组实验;
S5、利用3DEC软件对步骤S4设计的N组实验开展数值仿真实验,监测并记录每一组实验方案下抗滑桩桩顶节点的位移值yi;经过N组实验后,建立含有五个自变量α=[α1,α2...,αN]、β=[β1,β2...,βN]、γ=[γ1,γ2...,γN]、d=[d1,d2...,dN]、q=[q1,q2...,qN]和一个目标变量y=[y1,y2...,yN]的数据库;其中i=1,2...,N;
S6、将所述数据库中的每一项数据进行归一化处理;
S7、采用支持向量机机器学习算法,将步骤S6归一化处理后的数据作为输入变量,带入到支持向量回归公式,建立支持向量回归机模型;
S8、采用粒子群优化算法,对步骤S7建立的支持向量回归机模型进行优化,建立最优化的桩顶位移预测模型;
S9、针对一具体滑坡案例,确定参数α、β、γ、d和q;对当前步骤下确定的参数α、β、γ、d和q做归一化处理后,将其带入步骤S8中建立的桩顶位移预测模型,进一步得到桩顶位移归一化后的预测值,对所述桩顶位移归一化后的预测值做反归一化处理,得到的预测值即为实际的桩顶位移预测值。
2.根据权利要求1所述的一种考虑滑床岩体结构特征的桩顶位移非线性预测方法,其特征还在于,步骤S2在进行单因素敏感性分析时,岩层倾角选取10°、20°、30°、40°、50°、60°、70°、80°、90°共9个水平,岩层倾向与主滑方向夹角选取0°、10°、20°、30°、40°、50°、60°、70°、80°共9个水平,层厚比选取1:9、1:7、1:5、1:3、1:1、3:1、5:1、7:1、9:1共9个水平,单组厚度选取1m、2m、3m、4m、5m、6m、7m、8m、9m共9个水平。
4.根据权利要求1所述的一种考虑滑床岩体结构特征的桩顶位移非线性预测方法,其特征还在于,步骤S6中在进行归一化处理时采用以下公式:
x'=(x-xmin)/(xmax-xmin);
其中:x'为归一化后样本值,x为样本真实值,xmax为样本最大值,xmin为样本最小值;所述样本真实值包括从数据库中导入的数据;
步骤S9中在进行反归一化处理时采用以下公式:
x=x'(xmax-xmin)+xmin。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811603721.6A CN109711051B (zh) | 2018-12-26 | 2018-12-26 | 一种考虑滑床岩体结构特征的桩顶位移非线性预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811603721.6A CN109711051B (zh) | 2018-12-26 | 2018-12-26 | 一种考虑滑床岩体结构特征的桩顶位移非线性预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109711051A CN109711051A (zh) | 2019-05-03 |
CN109711051B true CN109711051B (zh) | 2020-06-26 |
Family
ID=66257740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811603721.6A Active CN109711051B (zh) | 2018-12-26 | 2018-12-26 | 一种考虑滑床岩体结构特征的桩顶位移非线性预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109711051B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110427654B (zh) * | 2019-07-09 | 2023-04-18 | 中国地质大学(武汉) | 一种基于敏感状态的滑坡预测模型构建方法及系统 |
CN111667003B (zh) * | 2020-06-05 | 2023-11-03 | 北京百度网讯科技有限公司 | 数据清洗方法、装置、设备以及存储介质 |
CN113987632B (zh) * | 2021-10-19 | 2023-07-21 | 武汉大学 | 预测场地液化横向位移的方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100038554A (ko) * | 2008-10-06 | 2010-04-15 | 인하대학교 산학협력단 | 자기변형 박막의 영향을 받는 캔틸레버 유한요소 해석 방법 |
CN103020434A (zh) * | 2012-11-30 | 2013-04-03 | 南京航空航天大学 | 一种基于粒子群优化的最小二乘支持向量机组合预测方法 |
CN103790169B (zh) * | 2013-06-29 | 2015-11-18 | 中南大学 | 嵌岩双排微型抗滑桩预警分级方法 |
CN104636812A (zh) * | 2013-11-07 | 2015-05-20 | 大连市勘察测绘研究院有限公司 | 一种基于粒子群优化算法的边坡滑动位移序列预测方法 |
CN103778480A (zh) * | 2014-01-14 | 2014-05-07 | 辽宁工程技术大学 | 一种基于敏感度分析的裂隙带高度预测方法 |
CN107330224B (zh) * | 2017-07-24 | 2019-11-15 | 中国地质大学(武汉) | 一种分条间作用力倾角非假定的边坡稳定性分析条分法 |
CN108228538A (zh) * | 2017-12-29 | 2018-06-29 | 航天科工智慧产业发展有限公司 | 一种城市中so2浓度值的预测方法 |
CN108197396A (zh) * | 2018-01-09 | 2018-06-22 | 国网福建省电力有限公司 | 一种基于pso-svm的高压隔离开关过热状态预测方法 |
CN108982915A (zh) * | 2018-05-25 | 2018-12-11 | 广西电网有限责任公司电力科学研究院 | 一种加速度传感器温度补偿方法 |
CN109085105A (zh) * | 2018-07-25 | 2018-12-25 | 成都理工大学 | 一种岩体裂隙统计与分形方法 |
-
2018
- 2018-12-26 CN CN201811603721.6A patent/CN109711051B/zh active Active
Non-Patent Citations (2)
Title |
---|
基于PSO-SVM 非线性时序模型的隧洞围岩变形预报;姜谙男;《岩土力学》;20070630;第28卷(第6期);1176-1180 * |
岩石力学性态预测的PSO-SVM模型;徐飞 等;《岩石力学与工程学报》;20090930;第28卷(第增2期);3769-3704 * |
Also Published As
Publication number | Publication date |
---|---|
CN109711051A (zh) | 2019-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Physics-guided deep learning for seismic inversion with hybrid training and uncertainty analysis | |
CN109711051B (zh) | 一种考虑滑床岩体结构特征的桩顶位移非线性预测方法 | |
WO2019017962A1 (en) | TANK MODELING BASED ON DEEP LEARNING | |
CN104459782B (zh) | 使用薄层的沿层层析反演地震速度建模方法以及建模单元 | |
CN103797381A (zh) | 绘制地质特征 | |
CN112698390B (zh) | 叠前地震反演方法及装置 | |
Scheidt et al. | A multi-resolution workflow to generate high-resolution models constrained to dynamic data | |
Chen et al. | Integration of principal-component-analysis and streamline information for the history matching of channelized reservoirs | |
US11768982B1 (en) | Density abrupt interface inversion method and system based on machine learning constraints | |
CN103454677A (zh) | 基于粒子群与线性加法器结合的地震数据反演方法 | |
Korjani et al. | Reservoir characterization using fuzzy kriging and deep learning neural networks | |
Arouri et al. | An accelerated gradient algorithm for well control optimization | |
Mallison et al. | Improved mappings for streamline-based simulation | |
CN111980662B (zh) | 一种斜井各向异性地层阵列侧向测井资料快速处理方法 | |
CN105277974A (zh) | 一种地层数据插值方法 | |
Nakashima et al. | Near-well upscaling for three-phase flows | |
Zhang et al. | Efficient Surrogate Modeling Based on Improved Vision Transformer Neural Network for History Matching | |
Waheed et al. | A holistic approach to computing first-arrival traveltimes using neural networks | |
CA3134777A1 (en) | Automatic calibration of forward depositional models | |
Sedighi et al. | Faster convergence in seismic history matching by dividing and conquering the unknowns | |
CN116992754A (zh) | 一种基于迁移学习的随钻测井资料快速反演方法 | |
Jiang et al. | Full waveform inversion based on inversion network reparameterized velocity | |
Dhara et al. | Seismic image registration using multiscale convolutional neural networks | |
Wang et al. | On the Feasibility of An Ensemble Multi-Fidelity Neural Network for Fast Data Assimilation for Subsurface Flow in Porous Media | |
Gaudrie | High-Dimensional Bayesian Multi-Objective Optimization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |