CN114154725A - 一种基于机器学习算法的地基承载力特征值预测方法 - Google Patents
一种基于机器学习算法的地基承载力特征值预测方法 Download PDFInfo
- Publication number
- CN114154725A CN114154725A CN202111478499.3A CN202111478499A CN114154725A CN 114154725 A CN114154725 A CN 114154725A CN 202111478499 A CN202111478499 A CN 202111478499A CN 114154725 A CN114154725 A CN 114154725A
- Authority
- CN
- China
- Prior art keywords
- bearing capacity
- foundation
- characteristic value
- machine learning
- algorithm
- 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.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000010801 machine learning Methods 0.000 title claims abstract description 39
- 239000002689 soil Substances 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims abstract description 15
- 238000012314 multivariate regression analysis Methods 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000007637 random forest analysis Methods 0.000 claims description 13
- 239000007788 liquid Substances 0.000 claims description 11
- 230000006835 compression Effects 0.000 claims description 8
- 238000007906 compression Methods 0.000 claims description 8
- 238000012706 support-vector machine Methods 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 239000011800 void material Substances 0.000 claims description 7
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims 1
- 238000012360 testing method Methods 0.000 abstract description 8
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000011065 in-situ storage Methods 0.000 abstract description 2
- 238000004836 empirical method Methods 0.000 abstract 1
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000005476 size effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
Abstract
本发明公开了一种基于机器学习算法的地基承载力特征值预测方法，该方法首先基于SPSS软件的多元回归分析功能创建了与地基承载力特征值相关的物理力学参数的数据库；然后基于不同的机器学习算法分别建立了地基承载力特征值的回归模型，通过比较不同机器学习算法回归模型的决定系数R2并选择最佳的回归模型；最后将新的参数信息输入到最佳的机器学习算法回归模型，可以快速、准确地获取地基承载力特征值。与现有的地基承载力特征值获取手段(原位测试、理论公式计算和经验法)相比，基于机器学习算法的计算系统不再那么复杂，只需通过室内试验获取土样的基本物理力学参数，具有广泛的适用性。
Description
技术领域
本发明涉及岩土工程勘察技术领域，具体涉及一种基于机器学习算法的地基承载力特征值预测方法。
技术背景
地基承载力是指在保证地基稳定和建筑物不产生过大沉降的条件下地基的承载能力，地基承载力特征值是选择地基持力层的最重要标准，合理的地基承载力特征值可以节省造价、方便施工，具有重要的工程意义。
现场原位压板试验被认为是确定地基承载力最可靠的方法，但压板试验的尺寸效应对地基承载力影响较大。《建筑地基基础设计规范》中确定地基承载力的方法之一是根据土的抗剪强度指标，存在取样扰动的影响难以确保土体抗剪强度指标的合理性，具有一定的离散性和经验性。目前还可以根据杆长修正后的标贯击数、动探击数和静探指标，采用经验公式计算和经验值查表的方法确定地区的地基承载力，只能作为一种辅助手段。
发明内容
针对现有技术中存在的问题，本发明提供了一种基于机器学习算法的地基承载力特征值预测方法，能够快速且准确地实现地基承载力特征值的预测。
为实现上述技术目的，本发明的技术方案是：一种基于机器学习算法的地基承载力特征值预测方法，具体包括以下步骤：
步骤1：获取某地若干地基土的物理力学参数信息组，每组物理力学参数信息包括：地基承载力特征值Fa、含水率、比重、湿密度、干密度、孔隙比、饱和度、液限、塑限、塑性指数、液性指数、压缩系数、压缩模量、粘聚力和内摩擦角；
步骤2：基于SPSS软件的多元回归分析功能对地基土的每组物理力学参数信息进行相关性分析，将共线性统计的容差小于0.05的参数作为与地基承载力特征值相关的物理力学参数并建立数据库；
步骤3：基于不同的机器学习算法分别建立地基承载力特征值的回归模型，将数据库中的物理力学参数作为输入，并给出每个回归模型的超参数，以获取的地基承载力特征值Fa作为标签，预测的地基承载力特征值
作为输出，训练回归模型，直至回归模型的迭代次数大于1万次或预测的准确率达到99.9％以上，依据损失函数均方误差MSE分别计算训练完毕的地基承载力特征值回归模型的决定系数R2，将决定系数R2最高的训练完毕的回归模型作为最佳的地基承载力特征值回归模型；
步骤4：获取该地的地基土物理力学参数信息，输入到最佳的地基承载力特征值回归模型中，预测出该地基土的地基承载力特征值。
进一步地，步骤1中所述物理力学参数信息组存储格式为CSV UTF-8。
进一步地，步骤2中与地基承载力特征值相关的物理力学参数为：含水率、湿密度、干密度、孔隙比、液限、粘聚力和内摩擦角。
进一步地，步骤3中所述机器学习算法包括：指数多项式回归算法、支持向量机算法、随机森林算法和前馈神经网络算法。
进一步地，所述指数多项式回归算法的超参数为转换项的数量，指数多项式回归算法用于预测地基承载力特征值
的过程为：
其中，XT表示与地基承载力特征值相关的物理力学参数组合成新的变换变量，E表示指数矩阵，c表示与地基承载力特征值相关的物理力学参数的数量。
进一步地，所述支持向量机算法的超参数为核系数C值和正则化参数γ值，支持向量机算法用于预测地基承载力特征值
的过程为：
其中，ω表示与地基承载力特征值相关的物理力学参数的权向量，x表示相关的物理力学参数，b表示偏置量。
进一步地，所述随机森林算法的超参数为决策树的数量和特征数的数量，随机森林算法用于预测地基承载力特征值
的过程为：
其中，xi为地基承载力特征值相关的物理力学参数，D1、D2分别为随机森林算法随机选择的两组与地基承载力特征值相关的物理力学参数的数据集，c1为D1的样本输出均值，c2为D2的样本输出均值。
进一步地，所述前馈神经网络算法的超参数为隐藏层的层数和隐藏神经元的个数，前馈神经网络算法用于预测地基承载力特征值
的过程为：
其中，l为总层数；Nl为第l层节点数；
为第l-1层第j个节点到第l层第i个节点的连接权值；
为第l层第j个节点的输出值；
为第l层第i个节点的阈值。
进一步地，所述损失函数均方误差MSE的函数表达式为：
其中，n表示地基承载力特征值回归模型输入的物理力学参数的组数，i为n的索引。10.根据权利要求1所述的地基承载力特征值预测方法，其特征在于，所述决定系数R2的函数表达式为：
其中，RSS为回归平方和，表示机器学习算法中预测的地基承载力特征值
的差异程度，TSS为总离差平方和，表示机器学习算法中地基承载力特征值Fa的差异程度。
与现有技术相比，本发明具有如下有益效果：
(1)本发明基于SPSS软件的多元回归分析功能，选取与地基承载力特征值相关的物理力学参数，建立数据库作为机器学习回归模型的输入，简化了地基承载力特征值回归模型的训练过程，同时也避免大量的土工试验。
(2)本发明基于4种不同的机器学习算法构建地基承载力特征值回归模型，通过比较4种机器学习算法的决定系数R2，将决定系数R2最高的训练完毕的回归模型作为最佳的地基承载力特征值回归模型，提高了地基承载力特征值的预测准确性，具有广泛的适用性。
附图说明
图1为本发明基于机器学习算法的地基承载力特征值预测方法的流程图；
图2为实施例中基于4种不同的机器学习算法分别构建地基承载力特征值回归模型的决定系数R2；
图3为实施例中基于训练完毕的前馈神经网络算法回归模型对地基承载力特征值的预测值和实际值对比图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本发明进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
如图1为本发明基于机器学习算法的地基承载力特征值预测方法的流程图，该地基承载力特征值预测方法具体包括以下步骤：
步骤1：通过查阅大量的岩土工程勘查报告，获取某地若干地基土的物理力学参数信息组，将物理学参数信息组存储格式为CSV UTF-8。本发明中每组物理力学参数信息包括：地基承载力特征值Fa、含水率、比重、湿密度、干密度、孔隙比、饱和度、液限、塑限、塑性指数、液性指数、压缩系数、压缩模量、粘聚力和内摩擦角。
步骤2：步骤1中获取的物理力学参数信息较多，为了简化后续地基承载力特征值回归模型的训练过程，同时也避免大量的土工试验，需要将那些对于地基承载力特征值影响不大的参数舍去，提高地基承载力特征值回归模型的精度，本发明中基于SPSS软件的多元回归分析功能对地基土的每组物理力学参数信息进行相关性分析，共线性统计中参数的容差小于0.05则认为该参数对地基承载力特征值具有显著相关性，将其作为与地基承载力特征值相关的物理力学参数并建立数据库；通过该方法选出的相关的物理力学参数为：含水率、湿密度、干密度、孔隙比、液限、粘聚力和内摩擦角。
步骤3：基于不同的机器学习算法分别建立地基承载力特征值的回归模型，将数据库中的物理力学参数作为输入，并给出每个回归模型的超参数，以获取的地基承载力特征值Fa作为标签，预测的地基承载力特征值
作为输出，训练回归模型，超参数的初始设置为一个范围，在计算过程中机器学习算法通过不断调节该范围内的超参数组合来获得最佳的地基承载力特征值的回归模型，直至每个地基承载力特征值回归模型的迭代次数大于1万次或地基承载力特征值预测准确率达到99.9％以上，依据损失函数均方误差MSE分别计算训练好的地基承载力特征值回归模型的决定系数R2，将决定系数R2最高的训练好的回归模型作为最佳的地基承载力特征值回归模型；本发明中损失函数均方误差MSE的函数表达式为：
其中，n表示地基承载力特征值回归模型输入的物理力学参数的组数，i为n的索引。
均方误差损失函数MSE越接近0，说明地基承载力特征值回归模型的错误预测的概率越小，该模型的拟合效果越好。决定系数R2表示为回归值与实际值拟合程度的度量，决定系数R2越接近1，说明地基承载力特征值回归模型的拟合效果越好，决定系数R2的函数表达式为：
其中，RSS为回归平方和，表示机器学习算法中预测的地基承载力特征值
的差异程度，TSS为总离差平方和，表示机器学习算法中地基承载力特征值Fa的差异程度。
本发明中采用的机器学习算法包括：指数多项式回归算法、支持向量机算法、随机森林算法和前馈神经网络算法；
指数多项式回归算法的超参数为转换项的数量，指数多项式回归算法用于预测地基承载力特征值
的过程为：
其中，XT表示与地基承载力特征值相关的物理力学参数组合成新的变换变量，E表示指数矩阵，c表示与地基承载力特征值相关的物理力学参数的数量。
支持向量机算法的超参数为核系数C值和正则化参数γ值，支持向量机算法用于预测地基承载力特征值
的过程为：
其中，ω表示与地基承载力特征值相关的物理力学参数的权向量，x表示相关的物理力学参数，b表示偏置量。
随机森林算法的超参数为决策树的数量和特征数的数量，随机森林算法用于预测地基承载力特征值
的过程为：
其中，xi为地基承载力特征值相关的物理力学参数，D1、D2分别为随机森林算法随机选择的两组与地基承载力特征值相关的物理力学参数的数据集，c1为D1的样本输出均值，c2为D2的样本输出均值。
前馈神经网络算法的超参数为隐藏层的层数和隐藏神经元的个数，前馈神经网络算法用于预测地基承载力特征值
的过程为：
其中，l为总层数；Nl为第l层节点数；
为第l-1层第j个节点到第l层第i个节点的连接权值；
为第l层第j个节点的输出值；
为第l层第i个节点的阈值。
本发明地基承载力特征值预测方法采用4种不同的机器学习算法构建地基承载力特征值回归模型，通过比较不同地基承载力特征值回归模型的决定系数R2，将决定系数R2最高的训练好的回归模型作为最佳的地基承载力特征值回归模型，可根据该地区的物理力学参数特性，针对性的选择合适的地基承载力特征值回归模型，提高了地基承载力特征值预测的准确性，该地基承载力特征值预测方法适用范围广。
步骤4：获取该地的地基土物理力学参数信息，输入到最佳的地基承载力特征值回归模型中，输出该地基土的地基承载力特征值的预测值。
实施例
本实施例以南京地区的岩土体为例，
(1)获取地基土的物理力学参数信息组，每组物理力学参数信息包括：地基承载力特征值Fa、含水率、比重、湿密度、干密度、孔隙比、饱和度、液限、塑限、塑性指数、液性指数、压缩系数、压缩模量、粘聚力和内摩擦角，将物理力学参数信息组存储格式为CSV UTF-8；
(2)基于SPSS软件的多元回归分析功能对地基土的物理力学参数信息进行相关性分析，共线性统计中参数的容差小于0.05则认为该参数对地基承载力特征值具有显著相关性，选取出与地基承载力特征值相关的物理力学参数并建立数据库，选取的物理力学参数为：含水率、湿密度、干密度、孔隙比、液限、粘聚力和内摩擦角；
(3)基于指数多项式回归算法、支持向量机算法、随机森林算法和前馈神经网络算法分别建立地基承载力特征值的回归模型，将数据库中的物理力学参数作为输入，以获取的地基承载力特征值Fa作为标签，预测的地基承载力特征值
作为输出，训练地基承载力特征值的回归模型，直至回归模型的迭代次数大于1万次或预测的准确率达到99.9％以上，依据损失函数均方误差MSE分别计算训练完毕的地基承载力特征值回归模型的决定系数R2，将决定系数R2最高的训练完毕的回归模型作为最佳的地基承载力特征值回归模型。如图2所示，该实施例中基于前馈神经网络算法构建的地基承载力特征值回归模型的决定系数R2最高，训练集的决定系数R2为1.000，测试集的决定系数R2为0.998，因此采用训练完毕的前馈神经网络算法回归模型作为最佳地基承载力特征值回归模型；
(4)获取南京地区新的地基土物理力学参数信息，输入到训练完毕的前馈神经网络算法回归模型中，预测出该地基土的地基承载力特征值。图3表明，基于前馈神经网络的地基承载力特征值回归模型的预测值与实际值吻合度极高，该预测模型的最小预测误差仅为0.2％，最大预测误差为10.3％，能很好地应用于地基承载力特征值Fa的预测。
基于机器学习算法的地基承载力特征值预测系统不再那么复杂，只需通过室内试验获取土样的基本物理力学参数，即可快速且准确地获取地基承载力特征值，具有广泛的适用性。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于机器学习算法的地基承载力特征值预测方法，其特征在于，具体包括以下步骤：
步骤1：获取某地若干地基土的物理力学参数信息组，每组物理力学参数信息包括：地基承载力特征值Fa、含水率、比重、湿密度、干密度、孔隙比、饱和度、液限、塑限、塑性指数、液性指数、压缩系数、压缩模量、粘聚力和内摩擦角；
步骤2：基于SPSS软件的多元回归分析功能对地基土的每组物理力学参数信息进行相关性分析，将共线性统计的容差小于0.05的参数作为与地基承载力特征值相关的物理力学参数并建立数据库；
步骤3：基于不同的机器学习算法分别建立地基承载力特征值的回归模型，将数据库中的物理力学参数作为输入，并给出每个回归模型的超参数，以获取的地基承载力特征值Fa作为标签，预测的地基承载力特征值
作为输出，训练回归模型，直至回归模型的迭代次数大于1万次或预测的准确率达到99.9％以上，依据损失函数均方误差MSE分别计算训练完毕的地基承载力特征值回归模型的决定系数R2，将决定系数R2最高的训练完毕的回归模型作为最佳的地基承载力特征值回归模型；
步骤4：获取该地的地基土物理力学参数信息，输入到最佳的地基承载力特征值回归模型中，预测出该地基土的地基承载力特征值。
2.根据权利要求1所述基于机器学习算法的地基承载力特征值预测方法，其特征在于，步骤1中所述物理力学参数信息组存储格式为CSV UTF-8。
3.根据权利要求1所述基于机器学习算法的地基承载力特征值预测方法，其特征在于，步骤2中与地基承载力特征值相关的物理力学参数为：含水率、湿密度、干密度、孔隙比、液限、粘聚力和内摩擦角。
4.根据权利要求1所述基于机器学习算法的地基承载力特征值预测方法，其特征在于，步骤3中所述机器学习算法包括：指数多项式回归算法、支持向量机算法、随机森林算法和前馈神经网络算法。
5.根据权利要求4所述基于机器学习算法的地基承载力特征值预测方法，其特征在于，所述指数多项式回归算法的超参数为转换项的数量，指数多项式回归算法用于预测地基承载力特征值
的过程为：
其中，XT表示与地基承载力特征值相关的物理力学参数组合成新的变换变量，E表示指数矩阵，c表示与地基承载力特征值相关的物理力学参数的数量。
6.根据权利要求4所述基于机器学习算法的地基承载力特征值预测方法，其特征在于，所述支持向量机算法的超参数为核系数C值和正则化参数γ值，支持向量机算法用于预测地基承载力特征值
的过程为：
其中，ω表示与地基承载力特征值相关的物理力学参数的权向量，x表示相关的物理力学参数，b表示偏置量。
7.根据权利要求4所述基于机器学习算法的地基承载力特征值预测方法，其特征在于，所述随机森林算法的超参数为决策树的数量和特征数的数量，随机森林算法用于预测地基承载力特征值
的过程为：
其中，xi为地基承载力特征值相关的物理力学参数，D1、D2分别为随机森林算法随机选择的两组与地基承载力特征值相关的物理力学参数的数据集，c1为D1的样本输出均值，c2为D2的样本输出均值。
8.根据权利要求4所述基于机器学习算法的地基承载力特征值预测方法，其特征在于，所述前馈神经网络算法的超参数为隐藏层的层数和隐藏神经元的个数，前馈神经网络算法用于预测地基承载力特征值
的过程为：
其中，l为总层数；Nl为第l层节点数；
为第l-1层第j个节点到第l层第i个节点的连接权值；
为第l层第j个节点的输出值；
为第l层第i个节点的阈值。
9.根据权利要求1所述基于机器学习算法的地基承载力特征值预测方法，其特征在于，所述损失函数均方误差MSE的函数表达式为：
其中，n表示地基承载力特征值回归模型输入的物理力学参数的组数，i为n的索引。
10.根据权利要求1所述的地基承载力特征值预测方法，其特征在于，所述决定系数R2的函数表达式为：
其中，RSS为回归平方和，表示机器学习算法中预测的地基承载力特征值
的差异程度，TSS为总离差平方和，表示机器学习算法中地基承载力特征值Fa的差异程度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111478499.3A CN114154725A (zh) | 2021-12-06 | 2021-12-06 | 一种基于机器学习算法的地基承载力特征值预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111478499.3A CN114154725A (zh) | 2021-12-06 | 2021-12-06 | 一种基于机器学习算法的地基承载力特征值预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114154725A true CN114154725A (zh) | 2022-03-08 |
Family
ID=80453007
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111478499.3A Pending CN114154725A (zh) | 2021-12-06 | 2021-12-06 | 一种基于机器学习算法的地基承载力特征值预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114154725A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117252042A (zh) * | 2023-11-16 | 2023-12-19 | 成都建工第三建筑工程有限公司 | 城市地下空间综合承载能力评估系统及方法 |
| CN118152787A (zh) * | 2024-05-11 | 2024-06-07 | 西昌学院 | 一种地基承载力可靠性的预测方法和系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101245593A (zh) * | 2008-03-17 | 2008-08-20 | 南京工业大学 | 胁迫振冲大葫芦头挤密砂石桩工法 |
| CN110109118A (zh) * | 2019-05-31 | 2019-08-09 | 东北林业大学 | 一种森林冠层生物量的预测方法 |
| CN113111411A (zh) * | 2021-03-24 | 2021-07-13 | 湖南城市学院 | 一种加固深层淤泥地基的系统及方法 |
| CN113204830A (zh) * | 2021-07-06 | 2021-08-03 | 中国铁路设计集团有限公司 | 基于bp网络由横波波速确定黏性土地基承载力的校正方法 |
| CN113689004A (zh) * | 2021-08-31 | 2021-11-23 | 西南石油大学 | 基于机器学习的地下管网承载力评价方法及系统 |
| CN113744395A (zh) * | 2021-11-08 | 2021-12-03 | 辽博信息科技(山东)有限公司 | 一种建筑地基沉降的监测预警方法及系统 |
-
2021
- 2021-12-06 CN CN202111478499.3A patent/CN114154725A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101245593A (zh) * | 2008-03-17 | 2008-08-20 | 南京工业大学 | 胁迫振冲大葫芦头挤密砂石桩工法 |
| CN110109118A (zh) * | 2019-05-31 | 2019-08-09 | 东北林业大学 | 一种森林冠层生物量的预测方法 |
| CN113111411A (zh) * | 2021-03-24 | 2021-07-13 | 湖南城市学院 | 一种加固深层淤泥地基的系统及方法 |
| CN113204830A (zh) * | 2021-07-06 | 2021-08-03 | 中国铁路设计集团有限公司 | 基于bp网络由横波波速确定黏性土地基承载力的校正方法 |
| CN113689004A (zh) * | 2021-08-31 | 2021-11-23 | 西南石油大学 | 基于机器学习的地下管网承载力评价方法及系统 |
| CN113744395A (zh) * | 2021-11-08 | 2021-12-03 | 辽博信息科技(山东)有限公司 | 一种建筑地基沉降的监测预警方法及系统 |
Non-Patent Citations (7)
| Title |
|---|
| AHMAD MAHMOOD: "Prediction of Ultimate Bearing Capacity of Shallow Foundations on Cohesionless Soils: A Gaussian Process Regression Approach", 《APPLIED SCIENCES》 * |
| LIU ANG: "Determining long-term strength of rock with discontinuities using shear stress relaxation test", 《CHINESE JOURNAL OF ROCK MECHANICS AND ENGINEERING（IN CHINESE》 * |
| WENLI LIN: "Acoustic emission characterristics of a dry sandy soil subjected to drained triaxial compression", 《SPRING LINK》 * |
| 刘昂: "结构面长期强度确定方法对比研究", 《防灾减灾工程学报》 * |
| 李光: "《金荞麦抗氧化活性关键物质及其主要基因研究》", 30 November 2018 * |
| 王仲万: "基于HPSO-SVM的CFG桩复合地基承载力预测研究", 《中国优秀博硕士学位论文全文数据库（硕士） 工程科技II辑》 * |
| 赵伯明: "《城市狭窄空间地下结构施工影响与控制》", 31 August 2018, 同济大学出版社 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117252042A (zh) * | 2023-11-16 | 2023-12-19 | 成都建工第三建筑工程有限公司 | 城市地下空间综合承载能力评估系统及方法 |
| CN117252042B (zh) * | 2023-11-16 | 2024-01-23 | 成都建工第三建筑工程有限公司 | 城市地下空间综合承载能力评估系统及方法 |
| CN118152787A (zh) * | 2024-05-11 | 2024-06-07 | 西昌学院 | 一种地基承载力可靠性的预测方法和系统 |
| CN118152787B (zh) * | 2024-05-11 | 2024-07-23 | 西昌学院 | 一种地基承载力可靠性的预测方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Raja et al. | An extreme learning machine model for geosynthetic-reinforced sandy soil foundations | |
| CN114154725A (zh) | 一种基于机器学习算法的地基承载力特征值预测方法 | |
| Kayadelen | Soil liquefaction modeling by genetic expression programming and neuro-fuzzy | |
| CN108038300B (zh) | 基于改进的隶属度函数结合神经网络的光纤状态评估方法 | |
| CN114254561A (zh) | 一种内涝预测方法、系统及存储介质 | |
| CN115238850B (zh) | 一种基于mi-gra与改进pso-lstm的山区边坡位移预测方法 | |
| CN112307536B (zh) | 一种大坝渗流参数反演方法 | |
| CN113326969A (zh) | 基于改进鲸鱼算法优化elm的短期风速预测方法及系统 | |
| Asgarkhani et al. | Machine learning-based prediction of residual drift and seismic risk assessment of steel moment-resisting frames considering soil-structure interaction | |
| CN110999766A (zh) | 灌溉决策方法、装置、计算机设备和存储介质 | |
| CN108961460B (zh) | 基于稀疏esgp与多目标优化的故障预测方法及装置 | |
| Hossein Alavi et al. | Formulation of secant and reloading soil deformation moduli using multi expression programming | |
| Santos et al. | Reliability-based design optimization of geosynthetic-reinforced soil walls | |
| CN114996983A (zh) | 一种软岩隧道可靠性评价方法 | |
| CN114792044A (zh) | 一种耦合空间特性基坑邻近地表沉降智能预警方法及系统 | |
| Shahin et al. | A new model based on evolutionary computing for predicting ultimate pure bending of steel circular tubes | |
| CN111612648A (zh) | 光伏发电预测模型的训练方法、装置和计算机设备 | |
| CN116522774A (zh) | 基于迁移学习算法的土质边坡稳定性预测方法及预测平台 | |
| CN109189973B (zh) | 基于策略梯度的大规模图像检索方法及装置 | |
| Liang et al. | Identification of slope stability based on the contrast of BP neural network and SVM | |
| CN115345343A (zh) | 一种供水管网浊度的预测方法及预测装置 | |
| CN113191689A (zh) | 一种耦合主成分分析与bp神经网络的土地适宜评价方法 | |
| CN112926774A (zh) | 基于长短时记忆神经网络的地热产能预测方法及系统 | |
| CN112183814A (zh) | 一种短期风速预测方法 | |
| Majidi et al. | Estimating compaction parameters of marl soils using multi-layer perceptron neural networks |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220308 |