CN111915022A - 滑移式岩溶危岩稳定系数快速识别的高斯过程方法及装置 - Google Patents
滑移式岩溶危岩稳定系数快速识别的高斯过程方法及装置 Download PDFInfo
- Publication number
- CN111915022A CN111915022A CN202010821189.6A CN202010821189A CN111915022A CN 111915022 A CN111915022 A CN 111915022A CN 202010821189 A CN202010821189 A CN 202010821189A CN 111915022 A CN111915022 A CN 111915022A
- Authority
- CN
- China
- Prior art keywords
- karst
- sliding
- model
- dangerous rock
- sample
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明公开了一种滑移式岩溶危岩稳定系数快速识别的高斯过程方法及装置,主要解决岩溶地区滑移式失稳崩塌类型危岩的抗滑稳定安全系数合理识别问题。首先,选定14种显著影响滑移式岩溶危岩稳定系数的特征指标;其次,通过多个工程实例收集与稳定系数计算,建立机器学习样本集;然后,采用交叉验证策略训练并测试GPR模型;进一步,将新的待识别危岩体输入训练好的GPR模型,直接输出待识别危岩体稳定系数的具有概率意义的识别结果;最后,定量化评估识别结果的不确定性。本发明可用于岩溶地区大批量滑移式危岩体稳定系数快速识别,特别适用于不具备危岩体稳定性计算分析专业背景知识与经验的地质灾害管理或技术人员应用。
Description
技术领域
本发明属于地质灾害防治工程技术领域,涉及一种滑移式岩溶危岩稳定系数 快速识别的高斯过程方法及装置。
背景技术
危岩是被多组结构面切割分离,稳定性差,可能以倾倒、坠落、滑移等形式 发生崩塌的地质体。滑移式危岩是陡峻斜坡的危岩体在重力等因素作用下沿倾向 坡外的结构面滑出坡外,产生竖向为主的运动,终堆积于坡脚。
我国岩溶地区分布非常广泛,全国碳酸盐类岩石分布面积约130万km2,西 南地区的岩溶地区占地区幅员面积的三分之一以上。岩溶危岩具有岩石裂隙丰 富、受水体影响较大以及稳定性差等特点,相较于普通危岩更容易崩塌失稳。危 岩崩塌是岩溶地区的主要地质灾害,危岩崩塌具有突发性,危岩崩塌从稳定到失 稳崩塌只需短短几秒;危岩崩塌具有灾难性,崩塌后危岩体获得较大的动能,即 使较小的危岩也能导致较大的灾害;危岩崩塌具有小因素性,典型危岩崩塌都是 小危岩体所引起的,由其失稳引起连锁反应影响到大型危岩体的稳定,而导致成 具有灾害性的危岩崩塌;危岩崩塌具有长期性,崩塌后的山体随时都可能发生“多 次”崩塌失稳现象,灾后山体危岩需要较长的时间才能回到较为稳定的状态。
抗滑稳定安全系数(简称稳定系数)是危岩体稳定程度评价的常用指标。近 几十年来,国内外在滑移式岩溶危岩稳定系数计算方面做了大量的研究工作,众 多专家、学者已经从危岩强度、节理、荷载、自然因素以及人为因素等方面,对 滑移式岩溶危岩失稳崩塌现象进行了分析,提出了各种各样的理论判据和识别方 法。然而,滑移式岩溶危岩崩塌失稳的发生机制十分复杂,影响因素众多,滑移 式岩溶危岩的稳定系数与影响因素之间呈现高度复杂的非线性关系,要获得合理 的稳定系数,一般需要采用复杂的力学模型或数值计算等方法来获取,实施人员 需要拥有充足专业知识背景与丰富经验,导致大量危岩体的稳定系数需要确定 时,所需消耗的人力成本较高且计算效率不高,难以满足大型交通工程中所涉及 的大量危岩体需要在初步设计阶段实现快速、经济地设计和稳定性评价的边坡工程实践需求。因此,有必要提出新的经济快速的危岩稳定系数识别技术。
高斯过程(Gaussian Process,GP)是一种基于贝叶斯推理的机器学习技术, 它具有严格的统计学理论基础,对处理高维数、小样本、非线性等复杂回归与分 类问题具有很好的适应性,在不牺牲性能的条件下,与人工神经网络和支持向量 机相比,高斯过程具有容易实现和参数自适应化的优点,并能给出具有概率意义 的预测结果。
发明内容
为实现滑移式岩溶危岩体稳定系数的经济快速识别,本发明将高斯过程机器 学习技术引入到滑移式岩溶危岩稳定系数估计中,提出滑移式岩溶危岩稳定系数 快速识别的高斯过程回归模型,以满足岩溶地区边坡工程设计快速性、经济性和 安全性的工程实践需求。
具体技术方案如下:
滑移式岩溶危岩稳定快速识别的高斯过程方法,包括以下步骤:
步骤S1:选定显著影响滑移式岩溶危岩稳定系数的特征指标
参考国内外文献以及工程经验,选定对滑移式岩溶危岩稳定系数影响显著的 多种影响因素的特征指标;
步骤S2:建立机器学习样本集
针对多个滑移式危岩体工程实例,采用刚体极限平衡方法或数值方法计算其 稳定系数,将各危岩的14种特征指标评分值所组成的特征向量与相应的稳定系 数值形成样本对,对样本对进行预处理与标准化,由此建立样本集;
步骤S3:建立滑移式岩溶危岩稳定系数快速识别的GPR模型
把训练样本数据集进行动态切分,组合为不同的训练集和测试集,用训练集 来训练模型,用测试集的预测误差来评估模型预测的效果,即采用交叉验证算法 建立GPR模型,获得可靠稳定、外推预测性能最好的滑移式岩溶危岩稳定系数 快速识别的GPR模型;
步骤S4:识别新危岩体稳定系数
对新的危岩体稳定性的控制性影响因素进行收集、测量与量化分析,由此将 构建好的新危岩体输入特征向量输入至GPR模型中,可快速输出识别结果,即 滑移式岩溶危岩稳定系数的预测均值与预测方差;
步骤S5:划分识别结果的不确定性等级
利用新滑移式岩溶危岩体稳定系数的预测方差,定量化评估GPR模型识别 结果的不确定性,并划分不确定性等级。
进一步的,本发明中涉及预测及识别两个关键词,需要指明的是,本发明提 及的预测是来自于GPR模型中的概念,且不是时间尺度上的预测;识别是指本 发明应用GPR模型执行滑移式岩溶危岩体稳定系数识别;本发明中所出现这两 个词并不混淆冲突,可理解为预测为形式,而识别是目的。
各步骤的具体说明如下:
步骤S1具体说明:
本发明根据滑移式岩溶危岩的成因及特点,考虑岩溶发育程度、水文气象、 地形地质及岩体受力特性等等影响岩溶危岩稳定性的主要因素,选定显著滑移式 岩溶危岩稳定性的特征指标,具体包括:岩溶发育度、降雨强度、主控结构面产 状特征、主控结构面充填物特性、主控结构面粗糙度、风化程度、地下水共7 种定性类特征指标,并制定了其定量化评分规则,见表1;以及危岩体自重W、 主控结构面长度L、主控结构面夹泥厚度h、主控结构面张开度v、主控结构面 裂隙水压力Q、年降雨量P、溶蚀裂隙平均宽度d共7种定量类指标。
步骤S2具体说明:
对于步骤S2,包括子步骤S2-1、S2-2,具体说明如下。
步骤S2-1:建立样本集
通过资料收集、影响因素测量与测试,获得多个滑移式岩溶危岩工程案例的 14个特征指标的实测数据,采用刚体极限平衡方法或数值方法计算其抗滑稳定 系数。
建立样本集D={x,y},其中,i=1,2,…,n,xi为输入的特征向量,xi=[xi1,…,xi7,xi9,…,xi14],特征向量xi各元素分为第i个危岩体的岩溶发育度、降雨强度、 主控结构面产状特征、主控结构面填充物特性、主控结构面粗糙程度、风化程度、 地下水共7种定性类特征指标,以及危岩体自重W、主控结构面长度L、主控结 构面夹泥厚度h、主控结构面张开度v、主控结构面裂隙水压力Q、年降雨量P、 溶蚀裂隙平均宽度d共7种定量类特征指标;yi为第i个输出的滑移式岩溶危岩 稳定系数。
表1滑移式岩溶危岩定性类特征指标评分规则表
步骤S2-2:数据标准化
为了减少同一特征的离散性以及使不同特征之间具有可比性,将特征组成的 样本集进行数据标准化处理:
步骤S3具体说明:
对于步骤S3,包括子步骤S3-1及S3-2,具体说明如下
本发明采用基于贝叶斯统计学习理论及核理论的GPR模型,是在经验贝叶 斯方法的基础上结合核函数方法得到的。GPR模型训练及测试过程特征如下:
步骤S3-1:建立GPR模型
通过样本集D构建滑移式岩溶危岩稳定系数输出值y的先验分布:
式中,K=K(X,X)为n×n阶对称正定的协方差矩阵,矩阵中的任一种Kij度量了 滑移式岩溶危岩样本xi和xj(i,j=1,2,…,n)的相关性。
采用交叉验证算法将样本库划分训练和测试两种样本,样本库数量为n,训 练集数量为m,测试集数量为n-m。
将m个训练样本输出y和n-m个测试样本输出y*建立联合高斯先验分布:
式中,k(X,x*)是测试集x*与训练集的所有输入点X的m×m-n阶协方差矩阵, k(x*,x*)是测试点x*自身的协方差。
本模型采用的协方差函数形式为:
式中,最优超参数l,σf,σn为需要求解的超参数。
为了求解上述的超参数,构建求解式:
上式表示为滑移式岩溶危岩训练样本的对数边缘似然函数。可通过极大似然 法自适应获得,先求导,然后采用共轭梯度优化算法搜索出超参数的最优解。
根据贝叶斯原理,在训练集的基础上预测出与x*对应的最可能的输出值。 得到滑移式岩溶危岩稳定系数的预测后验分布、预测均值和预测方差:
式中,k(x*)=K(X,x*)为m×m-n阶协方差矩阵,依据上述步骤,构建好n个GPR 模型。
步骤S3-2:GPR模型的识别性能合理性检验
为了确保最优滑移式岩溶危岩稳定系数快速识别的GPR模型性能达到学习 能力及泛化能力要求,对于最优GPR模型输出测试样本的结果进行合理性检验, 检验指标为测试样本的识别相对误差:
式中,δ为测试样本的实际输出值y与模型预测均值y*结果之间的识别相对误差。
优选的,当预测误差δ取值小于5%时,认为建立的GPR模型识别性能良好, 否则,重新调试GPR模型。
优选的,若模型识别性能不佳,可对训练样本进行必要的筛选,重新训练 GPR模型。
为提升模型的外推预测性能,采用典型k倍(k=10)交叉验证(k-fold crossvalidation,K-CV)法,将训练样本集均分为10(k=10)份,依次选定其中9份作 为训练样本,另外1份作为测试样本,设置GPR模型的协方差函数、噪声分布 以及超参数等初始值,进行滑移式岩溶危岩稳定系数快速识别的GPR模型的训 练以及测试,并根据k次计算平均的训练准确率以及测试准确率评价模型的性 能。
本发明根据滑移式岩溶危岩稳定系数快速识别的GPR模型交叉验证结果进 行相应的调整,一方面:对样本库中的训练集及预测集进行调整;另一方面,对 模型的初始设置的参数进行调整;本发明模型的交叉验证算法的评判依据为:
式中,通过建立的n个GPRi模型,得到各模型对应的均方误差CV(i),i=1,2,…, n,均方误差最小值CV(min)所对应的模型即为最优GPRi模型。
步骤S4具体说明:
对新的危岩体稳定性的控制性影响因素进行收集、测量与量化分析,由此将 构建好的新危岩体输入特征向量输入至GPR模型中,可快速输出识别结果,即 滑移式岩溶危岩稳定系数的预测均值与预测方差;
将新增危岩体样本列入模型预备样本集P,若预备样本集P数量增加至阈值, 则进行建立预测外推模型,即将预备样本集P中样本输入至样本集D中,组成 新的模型样本集D。
以模型样本集D数量为基准设定预备样本集P数量阈值,将两者相对值作 为一个评估指标,即预备样本集P数量m与模型样本集D数量n的更新比重ζ, 若ζ>0.2,则认为加入新样本,模型预测性能具有较高的提升空间,重新建立滑 移式岩溶危岩稳定系数快速识别的GPR模型;否则,滞留预备样本集P。
步骤S5具体说明:
本发明提出预测不确定性指数(predictive uncertainty index,PUI)用以定量化评价识别结果的不确定性。其计算式如下:
预测方差大小界限界定不确定程度具有较大的主观性存在,把测试样本空间 内的预测方差的平均值作为参照值,利用PUI指数,就可以方便地度量训练样 本空间之外的识别结果对应的不确定度,不确定性等级的划分标准见表2。
表2识别结果的不确定性等级
等级 | 极低 | 低 | 中 | 高 | 极高 |
PUI区间 | [0,1.5] | (1.5,2] | (2,3] | (3,5] | (5,+∞) |
从表2可知,从预测不确定性指数PUI的取值范围可知识别结果的不确定 性大小,能根据其不确定性大小,判断此样本的识别结果y*的可信度大小;当 不确定性等级在低及以下时,认为其识别结果的不确定性等级较低,可信度较高; 当其不确定性等级处于中及以上时,判断其识别结果的不确定性等级较高,可信 度较低。
本发明提供一种滑移式岩溶危岩稳定系数快速识别的高斯过程装置,包括:
输入模块,用于接收收集的滑移式岩溶危岩原始数据,获取模型初始原始样 本集;
处理模块,用于将初始原始样本集进行分析、优化、提取并整合,以获取模 型样本集特征向量;
GPR模型训练模块,用于根据滑移式岩溶危岩稳定系数的特征向量,构建 GPR模型的样本集并进行训练,根据训练及测试的准确性,得到具有良好性能 的滑移式岩溶危岩稳定系数快速识别的GPR模型;
GPR模型预测模块,用于将新危岩体样本稳定系数的特征向量输入至GPR 模型中,输出新危岩体的稳定系数识别结果;
输出模块:用于将新危岩体的模型识别结果输出。
进一步的,所述输入模块包括:
输入接收单元,用于接收收集的滑移式岩溶危岩实例原始数据,数据包括危 岩体的岩溶特性、岩性、力学性能及水文条件等等;
裂隙水压力采集单元,用于根据收集的实例样本,对其样本的主控结构面裂 隙水压力进行动态实时采集,其原因为:裂隙水压力为一种动态参数,根据其在 岩体中以非连续性和非均匀性分布、动态变化等特点,为了提高危岩稳定系数识 别的准确性,需对其进行实时采集。
进一步的,所述处理模块包括:
预处理单元,用于将原始数据集中存在缺失、无效及格式错误的数据进行剔 除或完善,获取较为完整性、有效性以及合理性数据,提高原始数据质量;
提取单元,用于根据滑移式岩溶危岩稳定系数的特征指标,从所述预处理后 的数据集中提取并建立各滑移式岩溶危岩样本稳定系数的特征向量样本;
标准化单元,用于避免不同特征数值相差过大或同一特征离散性过大对机器 学习模型识别准确性造成的不利影响,将建立各样本的输入特征向量进行标准化 处理。
进一步的,所述提取单元包括:
相似度计算子单元,用于将所述预处理后的样本集以及本发明选定的滑移式 岩溶危岩稳定系数的特征指标进行对比计算,以获得所述数据集中各样本所有数 据信息与特征指标之间的相似度,并依据计算的数据相似度大小,将相似度低值 的数据剔除,将相似度较高的样本建立第一特征向量数据集;
特征向量重编子单元,用于根据第一特征向量集中各个数据计算出的编码信 息,对选定的特征向量进行匹配,进行特征向量重排序,建立第二特征向量集, 即为最终特征向量组。
进一步的,所述GPR模型训练模块包括:
模型训练及测试单元,用于将模型样本集进行训练及测试,建立最优的滑移 式岩溶危岩稳定系数快速识别的GPR模型;
模型检验单元,用于将所述的最优GPR模型进行合理性测试,模型性能是 否符合工程应用标准,其检验指标主要为预测准确性及泛化能力。
进一步的,所述模型训练及测试单元包括:
模型初训练子单元:用于将所述输入样本集采用交叉验证策略划分为训练样 本与测试样本,为了提高训练模型的效率,采用典型的k倍(及k-1份训练样本、 1份测试样本)交叉划分;
模型训练调整子单元:用于根据交叉验证策略训练及测试准确性,将模型的 参数及样本库进行重调整,以获取具有最优模型参数及训练集、测试集样本库划 分的滑移式岩溶危岩稳定系数快速识别的GPR模型。
进一步的,所述GPR模型预测模块包括:
特征向量算子单元:用于将待预测样本的数据输入至处理模块,以获得滑移 式岩溶危岩稳定系数快速识别的GPR模型所需特征向量;
预测算子单元:用于将特征向量输入至模型中,预测出新样本稳定系数预测 均值及预测方差;
不确定性评估算子单元:用于根据新样本识别结果的预测方差,评估出识别 结果的不确定性;
外推模型评估算子单元,用于将上述新危岩体样本对模型预测性能提升空间 进行定量化评估,依据新样本数量及GPR模型样本库数量之间的更新比重,判 断现有预测模型样本库是否需更新,即建立新的外推预测模型。
与现有技术相比,本发明的有益效果是:
(1)应用本发明用于滑移式岩溶危岩稳定系数识别时,不需要进行复杂耗 时的力学计算或数值仿真分析,不要求工程人员具备的深入的专业知识水平及丰 富工程经验,仅需将获得的待预测滑移式岩溶危岩样本对应的特征指标向量输入 本发明所提供的GPR模型,就可以在短时间内快速获得稳定系数识别结果,具 有经济实用、快速高效的优点。
(2)本发明针对岩溶地区滑移式岩溶危岩崩塌特点,选定14种显著影响滑 移式岩溶危岩稳定系数的特征指标,使得稳定性系数识别结果具有综合性,克服 了传统的仅考虑一种或几种特征指标的稳定系数计算方法的识别误差偏大不满 足工程实践要求的瓶颈问题。
(3)GPR机器学习方法是基于贝叶斯统计学理论及和核方法,具有严密、 完整的理论推导,并具有超参数自适应获取特点。其实现过程简单、高效,对待 复杂非线动力学问题适应性强,并能输出具有概率意义的预测结果。
(4)本发明提出了基于预测不确定性指数PUI来评估模型识别结果的不确 定性程度,为工程人员评判识别结果的可信度提供科学依据。
(5)本发明提供的一种滑移式岩溶危岩稳定系数快速识别的GPR模型具有 小样本学习能力强、预测模型的最优参数可自适应获取、预测模型具有较好的泛 化能力并能给出具有概率意义的预测结果等优点,克服了当前应用较为广泛的人 工神经网络方法存在的最优网络拓扑结构与超参数不易确定、支持向量机方法超 参数难以合理确定的不足。
附图说明
图1为本发明实施例提供的滑移式岩溶危岩稳定快速识别的高斯过程方法 的流程图;
图2为本明发实施例提供的建立GPR模型流程图;
图3为本发明实施例提供的一种云服务器装置示意图;
图4为本发明实施例提供的滑移式岩溶危岩稳定快速识别的GPR装置的结 构示意图;
图5为本发明实施例提供的一种输入装置示意图;
图6为本发明实施例提供的一种处理装置示意图;
图7为本发明实施例提供的一种提取装子置示意图;
图8为本发明实施例提供的一种GPR模型训练装置示意图;
图9为本发明实施例提供的一种模型训练及测试子装置示意图;
图10为本发明实施例提供的一种GPR模型预测装置示意图。
具体实施方式
下面结合附图和实例对本发明的具体实施方式进一步进行说明阐述。需要指 出的是,附图中仅示出了与本发明相关的部分,并非全部结果。并且具体实例仅 为解释本发明,而非限制发明的范围。
实施例1
图1为本发明实例所提供的一种滑移式岩溶危岩稳定快速识别的GPR方法 示意图。本实例可适用于岩溶地区滑移式危岩稳定系数快速识别,其方法具体包 括如下:
步骤S1:选定显著影响滑移式岩溶危岩稳定系数的特征指标
选定的影响滑移式岩溶危岩稳定系数的特征指标,具体包括:岩溶发育度、 降雨强度、主控结构面产状特征、主控结构面充填物特性、主控结构面粗糙度、 风化程度、地下水共7种定性类特征指标,并根据评分规则表(表1)将其特征 指标进行定量化处理;以及危岩体自重W、主控结构面长度L、主控结构面夹泥 厚度h、主控结构面张开度v、主控结构面裂隙水压力Q、年降雨量P、溶蚀裂 隙平均宽度d共7种定量类指标,将上述14种指标作为快速识别滑移式岩溶危 岩稳定系数的特征指标。
步骤S2:建立机器学习样本集
本发明收集实例数据来源于国内外滑移式岩溶危岩相关文献以及防治工程 中的51个滑移式岩溶危岩的实例,实例数据包括选定的影响滑移式岩溶危岩稳 定系数的特征指标,并通过刚体极限平衡法分析得到的各危岩体的稳定系数值。
步骤S2-1:建立机器学习模型样本
本发明分别以滑移式岩溶危岩稳定性的评价指标及计算的稳定系数值作为 样本的输入特征向量和输出目标,样本数据格式上为(xi,yi),其中xi=[xi1,…, xi7,xi8,…,xi14],特征向量xi各元素分为第i个危岩体样本的岩溶发育度、降雨强 度、主控结构面产状特征、主控结构面填充物特性、主控结构面粗糙程度、风化 程度、地下水等7种定性类特征指标,以及危岩体自重W、主控结构面长度L、 主控结构面夹泥厚度h、主控结构面张开度v、主控结构面裂隙水压力Q、年降 雨量P、溶蚀裂隙平均宽度d共7种定量类特征指标;yi为第i个输出的滑移式 岩溶危岩稳定系数。
步骤S2-2:数据标准化
式中,xi,j及x'i,j分别表示为第i个样本的第j维输出特征的实际值及标准化后的值,及sj分别表示所有样本第j维特征的均值及标准差。经过上述标准化,所 有样本的输入样本在各维度上均符合标准正态分布,即x′i,j~N(0,1)。
步骤S3:建立滑移式岩溶危岩稳定系数快速识别的GPR模型
步骤S3-1:GPR模型训练
本实例中,优选的,采用典型的k(k=10)倍交叉验证算法,将样本集随机 分为10等份,依次选定其中9份(51×9/10≈46)为训练样本,另外1份(51×1/10 ≈5)作为测试样本;参考国内外有关GPR模型论文中的参数设置经验,初始设 立的初始模型协方差函数超参数为:lnl=[-1,-1,-1,-1,-1,-1,-1,-1,-1,-1,-1,-1,-1, -1],lnσf=0.1,lnσn=1.0。
基于GPR自适应特点,以训练样本的极大似然为目标,采用共轭梯度优化 算法搜索最优超参数,其收敛标准设为最大迭代步数为300或迭代步之间的目标 值的绝对差值小于1×10-6。
根据上述k倍交叉验证算法训练及评价GPR模型,评价依据:
式中,通过建立的n个GPRi模型,得到各模型对应的均方误差CV(i),i=1,2,…, n,均方误差最小值CV(min)所对应的模型即为最优GPRi模型。
实例中,本发明提出的最优滑移式岩溶危岩稳定系数快速识别的GPR模型 的训练样本以及测试样本比例为46:5,交叉验证后筛选出的测试样本编号为5、 21、28、30、39号5个样本。GPR模型的最优超参数为:lnl=[0.516,0.474,0.771, 0.527,0.235,0.220,0.013,0.788,0.511,0.501,0.439,0.748,0.613,0.347], lnσf=-1.371,lnσn=-1.893,本实例中样本集、测试样本集识别结果如下表3。
表3本发明模型的样本集
表4本发明模型的测试样本识别结果
步骤S3-2:GPR模型识别效果的合理性测试
本实例中,提供了滑移式岩溶危岩稳定系数快速识别的GPR模型的测试样 本的相关数据,见表4,可知本模型的预测误差δ均保持在5%以下,认为训练 的GPR模型的性能较好、符合滑移式岩溶危岩稳定系数识别合理性测试要求。 具体地,图2包括步骤S3中的S3-1、S3-2。
步骤S4:识别新危岩体稳定系数
鉴于广西壮族自治区桂林市地处喀斯特地貌区,属典型的亚热带峰林平原、 洼地地貌,孤峰兀立、平地拔起,加之石灰岩裸露及其质硬性脆、裂隙发育较完 全等特性,决定了危岩发育,极易发生岩块崩塌灾害,并其独特的地质环境孕育 了桂林市地质灾害类型以滑移式岩溶危岩塌陷失稳为主。
本应用实例收集了18个新滑移式岩溶危岩样本实例,其来源于广西壮族自 治区桂林市滑移式岩溶危岩防护工程,将其经过步骤S2处理后的特征向量样本 集D*={(X*i,y*i)}输入至滑移式岩溶危岩稳定系数快速识别的GPR模型中,输出 具有概率意义的识别结果,即为实例中各样本的均值y*i与对应方差σ* 2,见表5。
步骤S5:划分识别结果的不确定性等级
表5基于本发明模型的新危岩体稳定系数识别结果及其不确定性等级
从表5可见,18个新危岩体样本稳定系数识别结果对应预测不确定性指数 PUI中,存在2、5、13编号的样本的PUI指数超过了2,不确定性等级评估分 别为高、中、中,不确定性程度较大,其模型识别结果可信度较低,因此舍弃其 识别结果;其余样本的PUI指数均小于2,不确定性程度较小,其模型识别结果 可信度较高,可根据其模型识别结果来判断危岩体稳定性。
实施例2
参见图3,本发明提出一种云服务器装置100,其包括一个或多个处理器 100-1、一个或多个存储装置100-2、输入装置100-3和输出装置100-4,这些组 件通过总线系统100-5和/或其它形式的连接机构互连。应当注意,图3所示的云 服务器装置100的组件和结构只是示例性的,而非限制性的,根据需要,所述云 服务器装置也可以具有其他组件和结构。
处理器100-1可以是中央处理单元或者具有数据处理能力和/或指令执行能 力的其它形式的处理单元,并且可以控制所述云服务器装置100中的其它组件以 执行期望的功能。
进一步的,所述处理器100-1可进行本发明方法中原始样本集的预处理、GPR 模型训练以及新危岩体稳定系数识别等步骤S2-S5。
存储装置100-2可以包括一个或多个计算机程序产品,所述计算机程序产品 可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存 储器。所述易失性存储器例如可以包括随机存取存储器和/或高速缓冲存储器等。 所述非易失性存储器例如可以包括只读存储器、硬盘、闪存等。在所述计算机可 读存储介质上可以存储一个或多个计算机程序指令,处理器100-1可以运行所述 程序指令,以实现下文所述的本发明实施例中的计算机功能以及/或者其它期望 的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据,例 如所述应用程序使用和/或产生的各种数据等。
输入装置100-3可以是用来接收用户所输入的指令以及采集数据的装置,并 且其输入方式采用无线及有线传输结合方式。
输出装置100-4可以向外部输出各种信息如本文数据、图像或声音,并且可 以包括显示器、扬声器等中的一个或多,本发明应用主要以文本数据输出为主。
图4为本发明实例提供的一种滑移式岩溶危岩稳定系数快速识别的GPR装 置200示意图,用于岩溶地区滑移式危岩稳定系数的识别,该装置用于执行本发 明上述实例所提供的方法。GPR装置200包括:
输入模块200-1,用于接收收集的滑移式岩溶危岩原始数据,获取模型初始 原始样本集。输入模块200-1可以由图3所示的云服务器装置100中的处理器 100-1运行储存装置100-2存储的程序指令来实现,并且可以执行本发明实施例 提出的一种滑移式岩溶危岩稳定系数快速识别的GPR方法步骤S2相应部分;
处理模块200-2,用于将初始原始样本集进行分析、优化、提取并整合,以 获取模型样本集特征向量。处理模块200-2可以由图3所示的云服务器装置100 中的处理器100-1运行储存装置100-2存储的程序指令来实现,并且可以执行本 发明实施例提出的一种滑移式岩溶危岩稳定系数快速识别的GPR方法步骤S2相 应部分;
GPR模型训练模块200-3,用于根据滑移式岩溶危岩稳定系数的特征向量, 构建机器学习的样本集,并采用交叉验证策略训练GPR模型,根据训练及测试 的准确性,得到具有良好性能的滑移式岩溶危岩稳定系数识别的GPR模型。GPR 模型训练模块200-3可以由图3所示的云服务器装置100中的处理器100-1运行 储存装置100-2存储的程序指令来实现,并且可以执行本发明实施例提出的一种 滑移式岩溶危岩稳定系数快速识别的GPR方法步骤S3。
GPR模型预测模块200-4,用于将新危岩体样本稳定系数的特征向量输入至 GPR模型中,输出新危岩体的稳定系数识别结果。GPR模型预测模块200-4可 以由图3所示的云服务器装置100中的处理器100-1运行储存装置100-2存储的 程序指令来实现,并且可以执行本发明实施例提出的一种滑移式岩溶危岩稳定系 数快速识别的GPR方法步骤S4。
输出模块200-5:用于将新危岩体的模型识别结果输出。输出模块200-5可 以由图3所示的云服务器装置100中的处理器100-1运行储存装置100-2存储的 程序指令来实现。
见图5,输入模块200-1中包括:
输入接收单元200-1-1,输入接收单元,用于接收收集的滑移式岩溶危岩实 例原始数据,数据包括危岩体的岩溶特性、岩性、力学性能及水文条件等等;
裂隙水压力采集单元200-1-2,用于根据收集的实例样本,对其样本的主控 结构面裂隙水压力进行动态采集,其原因为:裂隙水压力为一种动态参数,根据 其在岩体中以非连续性和非均匀性分布、动态变化等特点,为了提高危岩稳定性 识别的准确性,需对其进行实时采集。
见图6,处理模块200-2包括:
预处理单元200-2-1,用于将原始数据集中存在缺失、无效及格式错误的数 据进行剔除或完善,获取较为完整性、有效性以及合理性数据,提高原始数据质 量;
提取单元200-2-2,用于根据滑移式岩溶危岩稳定系数的特征指标,从所述 预处理后的数据集中提取并建立各滑移式岩溶危岩样本稳定系数的特征向量样 本;
标准化单元200-2-3,用于避免不同特征数值相差过大或同一特征离散性过 大对机器学习模型识别准确性造成的不利影响,将建立各样本的输入特征向量进 行标准化处理。
进一步的,所述提取单元200-2-2,具体用于根据选定的滑移式岩溶危岩稳 定系数特征变量,基于距离度量原理,即以特征变量为基准,将各个样本原始数 据集与其对比,若相似度超过阈值时,则进行数据提取至特征变量,并将某个样 本的特征变量组建立为一个特征向量。
见图7,所述提取单元200-2-2包括:
相似度计算子单元200-2-2-1,用于根据标定的特征向量以及原始数据集, 进行相似度计算,其相似度s若超过设定的阈值k,把其列为第一特征向量组, 其余为残余数据组,采用皮尔逊误差算法:
特征向量重编子单元200-2-2-2,用于根据第一特征向量集中各个数据计算 出的编码信息,于选定标定特征向量进行匹配,进行特征向量重排序,建立第二 特征向量组,即为最终特征向量组。
见图8,所述GPR模型训练模块200-3包括:
模型训练及测试单元200-3-1,用于将模型样本集分为训练样本及测试样本, 利用训练样本训练GPR模型,利用测试样本测试模型的泛化能力,建立最优的 滑移式岩溶危岩稳定系数快速识别的GPR模型。
模型检验单元200-3-2,用于将所述的最优GPR模型进行合理性测试,若不 符合标准,依据模型测试样本结果,筛选、剔除与样本库差异大、对滑移式岩溶 危岩稳定系数特征指标不敏感的特殊样本,并得到新的优化样本库,重新建立 GPR模型。
见图9,模型训练及测试单元200-3-1包括:
模型初训练子单元200-3-1-1:用于将所述输入样本集采用交叉验证策略划 分为训练样本与测试样本,为了提高训练模型的效率,采用典型的k倍(k-1份 训练样本、1份测试样本)交叉划分;
模型训练调整子单元200-3-1-2:用于根据交叉验证策略训练及测试准确性, 将模型的参数及样本库进行重调整,以获取具有最优模型参数及样本库划分的滑 移式岩溶危岩稳定系数快速识别的GPR模型。
见图10,GPR模型预测模块200-4包括:
特征向量算子单元200-4-1:用于将待预测样本的数据输入至处理模块,以 获得滑移式岩溶危岩稳定系数快速识别的GPR模型所需特征向量。
预测算子单元200-4-2:用于将特征向量输入至模型中,预测出新危岩体稳 定系数预测均值及预测方差;
不确定性评估算子单元200-4-3:用于根据新样本识别结果的预测方差,评 估出识别结果的不确定性;
外推模型评估算子单元200-4-4,用于将上述新危岩体样本对模型预测性能 提升空间进行定量化评估,依据新样本数量及GPR模型样本库数量之间的更新 比重,判断现有预测模型样本库是否需更新,即建立新的外推预测模型。
进一步的,本发明中所提及的装置均可依照图3中云服务器装置100中的处 理器100-1运行储存装置100-2存储的程序指令来实现,没有描述的模块及单元, 不代表没有涉及此装置处理。
进一步的,本发明所提及装置中,仅输入模块200-1、GPR模型预测模块 200-4、输出模块200-5涉及图3中云服务器装置100中输入装置100-3及输出装 置100-4,本发明提出的一种滑移式岩溶危岩稳定系数快速识别的GPR装置中的 其余装置输入、输出均在云服务器100装置内部进行,即仅输入、预测、输出模 块进行了用户间的交互,此形式减少了频繁交互带给用户的不便问题,并且使此 本发明提出的预测装置更接近智能化。
本申请实施例的滑移式岩溶危岩稳定系数快速识别的GPR装置,首先应用 数据结构模块获取危岩原始数据,根据数据的完整性、有效性、一致性等将原始 数据进行预处理清洗操作,将数据集与滑移式岩溶危岩特征变量标签进行一一对 应计算,根据计算相似度将原始样本数据来建立模型特征向量,采用交叉验证算 法训练及测试GPR模型,并检验其测试及泛化性能,得到最优模型,将新输入 样本进行清洗、分析、量化操作,将其特征向量输入至模型中,输出其识别结果 及预测方差,根据预测方差来计算预测不确定性指数PUI并进行评价分析,从而 保证了滑移式岩溶危岩体稳定性高准确性的快速识别。本发明以简单、高效方法 建立滑移式岩溶危岩稳定系数快速识别的GPR模型,不要求具有较高的专业水 平要求,极大程度提高了滑移式岩溶危岩稳定性识别的效率及准确性。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部 分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算 机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各个单元/子单元可以集成在一个模块中, 也可以是单元/子单元单独物理存在,也可以两个或两个以上单元/子单元集成在 一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能 模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的 产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而 且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发 明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性 的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要 求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的 任何附图标记视为限制所涉及的权利要求。
Claims (7)
1.滑移式岩溶危岩稳定系数快速识别的高斯过程方法,其特征在于,包括以下步骤:
步骤S1:选定显著影响滑移式岩溶危岩稳定系数的特征指标,具体包括:岩溶发育度、降雨强度、主控结构面产状特征、主控结构面填充物特性、主控结构面粗糙程度、风化程度、地下水共7种定性类指标,以及危岩体自重W、主控结构面长度L、主控结构面夹泥厚度h、主控结构面张开度v、主控结构面裂隙水压力Q、年降雨量P、溶蚀裂隙平均宽度d共7种定量类指标;
步骤S2:收集多个滑移式危岩体工程实例的上述14种特征指标,采用刚体极限平衡方法或数值方法计算其稳定系数,并将上述定性类指标按照所制订的评分规则打分转化为定量指标,然后将各危岩的14种特征指标定量值组成的特征向量与相应的稳定系数值形成样本对,对样本对进行预处理与标准化,由此建立样本集;
步骤S3:根据机器学习策略,将样本集分为训练样本集和测试样本集,基于高斯过程回归(GPR)方法,按照交叉验证原则利用训练样本集训练对处理高维数非线性回归问题具有良好适应性且泛化能力强的GPR模型,以测试样本集的预测误差为最小化为目标,建立具有良好外推预测性能的滑移式岩溶危岩稳定系数快速识别的GPR模型,据此建立滑移式岩溶危岩稳定性的多种影响因素与稳定系数之间可靠的非线性映射关系;
步骤S4:对于新的待识别的滑移式岩溶危岩体,通过数据收集与工程测试,根据评分规则表获得相应的14种特征指标的评分,构建14维的特征指标向量,将此特征指标向量输入训练好的GPR模型,得到识别结果,即稳定系数的预测均值与预测方差;
步骤S5:利用新滑移式岩溶危岩体稳定系数的预测方差,定量化评估GPR模型识别结果的不确定性,并划分不确定性等级。
3.滑移式岩溶危岩稳定系数快速识别的高斯过程装置,其特征在于,包括:
输入模块,用于接收收集的滑移式岩溶危岩原始数据,获取模型初始原始样本集;
处理模块,用于将初始原始样本集进行分析、优化、提取并整合,以获取模型样本集特征向量;
GPR模型训练模块,用于根据滑移式岩溶危岩稳定系数的特征向量,构建GPR模型的样本集并进行训练,根据训练及测试的准确性,得到具有良好性能的滑移式岩溶危岩稳定系数快速识别的GPR模型;
GPR模型预测模块,用于将新危岩体样本稳定系数的特征向量输入至GPR模型中,输出新危岩体的稳定系数识别结果;
输出模块,用于将新危岩体的模型识别结果输出。
4.根据权利要求3所述的滑移式岩溶危岩稳定系数快速识别的高斯过程装置,其特征在于,所述处理模块包括:
预处理单元,用于将原始数据集中存在缺失、无效及格式错误的数据进行剔除或完善,获取较为完整性、有效性以及合理性数据,提高原始数据质量;
提取单元,用于根据滑移式岩溶危岩稳定系数的特征指标,从所述预处理后的数据集中提取并建立各滑移式岩溶危岩样本稳定系数的特征向量样本;
标准化单元,用于避免不同特征数值相差过大或同一特征离散性过大对机器学习模型识别准确性造成的不利影响,将建立各样本的输入特征向量进行标准化处理。
5.根据权利要求4所述的滑移式岩溶危岩稳定系数快速识别的高斯过程装置,其特征在于,所述提取单元包括:
相似度计算子单元,用于将所述预处理后的样本集以及本发明选定的滑移式岩溶危岩稳定系数的特征指标进行对比计算,以获得所述数据集中各样本所有数据信息与特征指标之间的相似度,并依据计算的数据相似度大小,将相似度低值的数据剔除,将相似度较高的样本建立第一特征向量数据集;
特征向量重编子单元,用于根据第一特征向量集中各个数据计算出的编码信息,对选定的特征向量进行匹配,进行特征向量重排序,建立第二特征向量集,即为最终特征向量组。
6.根据权利要求3所述的滑移式岩溶危岩稳定系数快速识别的高斯过程装置,其特征在于,所述GPR模型训练模块包括:
模型训练及测试单元,用于将模型样本集进行训练及测试,建立最优的滑移式岩溶危岩稳定系数快速识别的GPR模型;
模型检验单元,用于将所述的最优GPR模型进行合理性测试,得到最终的滑移式岩溶危岩稳定系数快速识别的GPR模型。
7.根据权利要求3所述的滑移式岩溶危岩稳定系数快速识别的高斯过程装置,其特征在于,所述GPR模型预测模块包括:
特征向量算子单元,用于将待预测样本的数据输入至处理模块,以获得滑移式岩溶危岩稳定系数快速识别的GPR模型所需特征向量;
预测算子单元,用于将特征向量输入至模型中,预测出新样本稳定系数预测均值及预测方差;
不确定性评估算子单元,用于根据新样本识别结果的预测方差,评估识别结果不确定性;
外推模型评估算子单元,用于将上述新危岩体样本对模型预测性能提升空间进行定量化评估,依据新样本数量及GPR模型样本库数量之间的更新比重,判断现有预测模型样本库是否需更新,即建立新的外推预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010821189.6A CN111915022B (zh) | 2020-08-14 | 2020-08-14 | 滑移式岩溶危岩稳定系数快速识别的高斯过程方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010821189.6A CN111915022B (zh) | 2020-08-14 | 2020-08-14 | 滑移式岩溶危岩稳定系数快速识别的高斯过程方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111915022A true CN111915022A (zh) | 2020-11-10 |
CN111915022B CN111915022B (zh) | 2022-06-03 |
Family
ID=73278050
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010821189.6A Active CN111915022B (zh) | 2020-08-14 | 2020-08-14 | 滑移式岩溶危岩稳定系数快速识别的高斯过程方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111915022B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114088560A (zh) * | 2021-11-05 | 2022-02-25 | 国网山东省电力公司经济技术研究院 | 一种测试离心环形电杆强度的方法及系统 |
CN114371270A (zh) * | 2021-12-03 | 2022-04-19 | 中铁第四勘察设计院集团有限公司 | 原位测试方法及系统 |
CN114608661A (zh) * | 2022-04-15 | 2022-06-10 | 成都理工大学 | 一种山区滑坡岩体结构的确定性指数评价方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103225296A (zh) * | 2013-05-17 | 2013-07-31 | 青岛理工大学 | 一种确定抽水型岩溶塌陷致塌临界地下水位的方法 |
CN104732070A (zh) * | 2015-02-27 | 2015-06-24 | 广西大学 | 一种基于信息向量机的岩爆等级预测方法 |
CN105155502A (zh) * | 2015-09-25 | 2015-12-16 | 青岛理工大学 | 岩溶溶洞型地基塌陷风险的测定方法 |
CN107229603A (zh) * | 2017-06-08 | 2017-10-03 | 重庆大学 | 一种空洞型岩溶地面稳定性评估方法 |
CN109710968A (zh) * | 2018-11-14 | 2019-05-03 | 中国石油天然气股份有限公司 | 一种基岩潜山裂缝预测方法及装置 |
US20190360334A1 (en) * | 2017-05-23 | 2019-11-28 | Shandong University | Intelligent steel arch flexible protection device for rockfall and landslide of tunnels |
-
2020
- 2020-08-14 CN CN202010821189.6A patent/CN111915022B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103225296A (zh) * | 2013-05-17 | 2013-07-31 | 青岛理工大学 | 一种确定抽水型岩溶塌陷致塌临界地下水位的方法 |
CN104732070A (zh) * | 2015-02-27 | 2015-06-24 | 广西大学 | 一种基于信息向量机的岩爆等级预测方法 |
CN105155502A (zh) * | 2015-09-25 | 2015-12-16 | 青岛理工大学 | 岩溶溶洞型地基塌陷风险的测定方法 |
US20190360334A1 (en) * | 2017-05-23 | 2019-11-28 | Shandong University | Intelligent steel arch flexible protection device for rockfall and landslide of tunnels |
CN107229603A (zh) * | 2017-06-08 | 2017-10-03 | 重庆大学 | 一种空洞型岩溶地面稳定性评估方法 |
CN109710968A (zh) * | 2018-11-14 | 2019-05-03 | 中国石油天然气股份有限公司 | 一种基岩潜山裂缝预测方法及装置 |
Non-Patent Citations (5)
Title |
---|
YAN ZHANG等: "Gaussian Process Machine Learning Model for Forecasting of Karstic Collapse", 《ICAIC 2011: APPLIED INFORMATICS AND COMMUNICATION》 * |
刘宝臣等: "峰林岩溶区危岩失稳模式分析", 《工业建筑》 * |
夏自能: "边坡位移非线性时间序列的高斯过程预测方法", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
张研: "地下工程岩体非线性行为预测识别的高斯过程模型与动态智能反馈分析", 《中国博士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
郝金有: "溶岩区路桥基础稳定性评价分析", 《黑龙江交通科技》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114088560A (zh) * | 2021-11-05 | 2022-02-25 | 国网山东省电力公司经济技术研究院 | 一种测试离心环形电杆强度的方法及系统 |
CN114088560B (zh) * | 2021-11-05 | 2024-02-09 | 国网山东省电力公司经济技术研究院 | 一种测试离心环形电杆强度的方法及系统 |
CN114371270A (zh) * | 2021-12-03 | 2022-04-19 | 中铁第四勘察设计院集团有限公司 | 原位测试方法及系统 |
CN114371270B (zh) * | 2021-12-03 | 2024-03-15 | 中铁第四勘察设计院集团有限公司 | 原位测试方法及系统 |
CN114608661A (zh) * | 2022-04-15 | 2022-06-10 | 成都理工大学 | 一种山区滑坡岩体结构的确定性指数评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111915022B (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111915022B (zh) | 滑移式岩溶危岩稳定系数快速识别的高斯过程方法及装置 | |
CN107633265B (zh) | 用于优化信用评估模型的数据处理方法及装置 | |
CN105069470A (zh) | 分类模型训练方法及装置 | |
CN112001565A (zh) | 基于Softmax回归模型的地震灾害损失预测与评估的方法及系统 | |
CN113779272B (zh) | 基于知识图谱的数据处理方法、装置、设备及存储介质 | |
CN105975573A (zh) | 一种基于knn的文本分类方法 | |
CN111008337B (zh) | 一种基于三元特征的深度注意力谣言鉴别方法及装置 | |
CN105608004A (zh) | 一种基于cs-ann的软件缺陷预测方法 | |
CN111914943B (zh) | 倾倒式岩溶危岩稳定综合判别的信息向量机方法及装置 | |
CN104346379A (zh) | 一种基于逻辑和统计技术的数据元识别方法 | |
CN110889440A (zh) | 基于主成分分析和bp神经网络的岩爆等级预测方法及系统 | |
CN111126868B (zh) | 一种道路交通事故发生风险确定方法及系统 | |
CN113625697B (zh) | 考虑任务能力变化的无人机集群可靠性评估方法和系统 | |
CN114169374A (zh) | 一种斜拉桥斜拉索损伤识别方法及电子设备 | |
CN115423594A (zh) | 企业财务风险的评估方法、装置、设备及存储介质 | |
CN111753776A (zh) | 基于回声状态与多尺度卷积联合模型的结构损伤识别方法 | |
CN110956543A (zh) | 异常交易检测的方法 | |
Wang et al. | A hybrid fuzzy method for performance evaluation of fusion algorithms for integrated navigation system | |
CN111105041B (zh) | 一种用于智慧数据碰撞的机器学习方法及装置 | |
CN106709598B (zh) | 一种基于单类样本的电压稳定性预测判断方法 | |
CN116245406A (zh) | 基于运维质量管理数据库的软件运维质量评价方法及系统 | |
CN110502669A (zh) | 基于n边dfs子图的轻量级无监督图表示学习方法及装置 | |
CN114821322A (zh) | 基于注意力机制的小样本遥感影像分类方法及系统 | |
Jiang et al. | Discharge estimation based on machine learning | |
CN107506824B (zh) | 一种配电网的不良观测数据检测方法及装置 |
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 |