CN115577619A - 基于机器学习预测液化土残余抗剪强度的方法 - Google Patents
基于机器学习预测液化土残余抗剪强度的方法 Download PDFInfo
- Publication number
- CN115577619A CN115577619A CN202211167247.3A CN202211167247A CN115577619A CN 115577619 A CN115577619 A CN 115577619A CN 202211167247 A CN202211167247 A CN 202211167247A CN 115577619 A CN115577619 A CN 115577619A
- Authority
- CN
- China
- Prior art keywords
- shear strength
- liquefied soil
- machine learning
- liquefied
- residual
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于机器学习预测液化土残余抗剪强度的方法,涉及液化土研究技术领域。本发明通过查阅文献等收集液化侧向扩展实例数据建立数据库,运用分析法选择对液化土残余强度影响较大的因素,建立并训练多个机器学习模型,通过机器学习预测算法确定了剪切波波速和标准贯入值与液化土残余强度值的映射关系,通过优化模型,用加权平均法对预测值进行数据处理,建立了基于机器学习算法的液化土残余强度计算方法。本发明为预测液化土残余强度值提供了一种新方法,并且为地震时的大坝,边坡侧向扩展的计算提供了新的思路。
Description
技术领域
本发明涉及岩土地震工程研究技术领域,尤其涉及液化土研究技术领域,更具体地说涉及一种基于机器学习预测液化土残余抗剪强度的方法。
背景技术
砂土液化是岩土地震工程研究的重要课题。地震时砂土液化会导致建筑物不均匀沉降,给人们的生命和财产安全造成损失。近些年来,对地震时砂土液化的研究不再仅仅是关注场地是否液化,更多关注研究场地砂土液化后造成的震害。
液化土是地震时饱和砂土和粉土颗粒在强烈震动下有变密的趋势,颗粒之间发生相对位移,颗粒间的孔隙水来不及排出而受到挤压,因而孔隙水压力急剧上升,当孔隙水压力上升到与土颗粒所受到总的上覆应力接近时,土颗粒之间因摩擦产生的抗剪力接近零,此时的土体像液体一样,故称之为液化土。
在砂土液化期间,土的抗剪强度会下降至一定的值,从液化发生到地震停止这段时间内,液化土具有一定的残余抗剪强度,当求得场地内的液化土的残余抗剪强度后,可利用该强度值进行极限平衡分析,对场地的动力安全系数进行计算,以评价边坡或大坝的动力位移,也可以借助该强度值进行数值计算,得到边坡或者大坝在不同烈度地震作用下的动力位移和动力安全系数。因此,研究液化土的残余抗剪强度的计算方法对计算地震作用下边坡和大坝的侧向扩展具有十分重要的意义。
发明内容
现有的技术条件无法直接测量获取液化土的残余抗剪强度,为了克服上述现有技术中存在的缺陷和不足,本发明提供了一种基于机器学习预测液化土残余抗剪强度的方法,本发明的目的在于更精确的预测液化土的残余抗剪强度值。本发明的预测液化土残余抗剪强度的方法,提出了对液化土残余强度值影响显著的主要因素,建立了液化土残余强度与剪切波波速、标准贯入值的对应关系,利用多种预测模型对液化土残余抗剪强度进行预测,并对多种预测模型的预测结果进行加权融合,预测的动态模型曲线与实测值的拟合较好。本发明为计算液化土残余强度值提供了一种新方法,并且为地震时的大坝和边坡侧向扩展的计算提供了新的思路。
为了解决上述现有技术中存在的问题,本发明是通过下述技术方案实现的。
本发明提供了一种基于机器学习预测液化土残余抗剪强度的方法,该方法包括以下步骤:
S1、运用分析法选择与液化土残余抗剪强度有密切影响且实际工程中容易得到的影响因素以建立数据库;
S2、根据S1步骤中选择的影响因素收集实例数据,建立数据库;
S3、将S2步骤所建立的数据库进行归一化处理;然后将数据库中的数据随机分为训练集和验证集;
S4、选择并建立多种机器学习模型,基于训练集数据对液化土残余抗剪强度值预测模型进行训练,得到多种液化土残余抗剪强度值预测模型;
S5、基于验证集数据检验S4步骤中训练好的多种液化土残余抗剪强度值预测模型,输入验证集,把模型输出数据与实际数据利用平均绝对百分比误差作对比,借助网格搜索法和交叉验证法优化模型,得到多种优化后的液化土残余抗剪强度值预测模型;
S6、将待检测值输入到S5步骤中得到的多种优化后的液化土残余抗剪强度值预测模型,将优化后的多种液化土残余抗剪强度值预测模型的输出值进行加权平均,即得到液化土残余抗剪强度预测值。
进一步的,S1步骤中,运用分析法选择的影响因素包括标准贯入值和剪切波波速。
更进一步的,S2步骤中,收集到的实例数据主要包含上覆有效应力、剪切波波速、标准贯入值和残余抗剪强度。
进一步优选的,在S2步骤中,收集的实例数据的具体过程为:
查找侧向扩展实例相关文献和报告,仅保留具有完整信息的液化侧向扩展实例,实例中包含详细的地层剖面信息,剔除多余信息,仅保留S1步骤中选择的影响因素。
进一步优选的,S3步骤中的训练集数据是由三列数据构成的,x1是剪切波波速,x2是标准贯入值,y是残余抗剪强度与上覆有效应力之比。
所述S4步骤中,多种机器学习模型包括knn回归模型、决策树模型、支持向量机、Random Forest回归模型、XG Boost回归模型和神经网络MLP模型。
所述S5步骤中,平均绝对百分比误差的计算公式为:
式中,s表示输入单个待检测模型的数据数量,yi表示真实的残余抗剪强度,Yi表示由用于生成预测模型的所有机器学习模型所得残余残余抗剪强度数据。
所述S6步骤中,将优化后的多种液化土残余抗剪强度值预测模型的输出值进行加权平均的计算公式如下所示:
与现有技术相比,本发明所带来的有益的技术效果表现在:
1、本发明的基于机器学习预测算法的液化土残余抗剪强度计算方法将传统行业与人工智能相结合,可以提高传统行业分析和解决问题的能力。为计算液化土残余抗剪强度值提供了一种新的思路,将工程实际与计算机相结合,相较于传统的液化土残余抗剪强度的计算而言更加的省时省力,基于机器学习理论建立的液化土残余强度预测模型是目前液化土残余强度计算方法中较快捷有效的途径。
2、本发明的基于机器学习预测算法的液化土残余抗剪强度计算方法通过机器学习直接得到液化土残余强度值,无需对现场进行勘察,有效提高施工效率,降低施工成本。利用该方法可以快速、准确的预测出液化土的残余抗剪强度值,建立满足工程需要的机器学习模型。
3、本发明的基于机器学习预测算法的液化土残余强度计算方法提出了对液化土残余强度值影响显著的主要因素,建立了液化土残余强度与剪切波波速、标准贯入值的对应关系,同时预测的动态模型曲线与实测值的拟合较好。本发明为计算液化土残余强度值提供了一种新方法,并且为地震时的大坝,边坡侧向扩展的计算提供了新的思路。
附图说明
图1为本发明基于机器学习预测算法的液化土残余抗剪强度计算方法的流程图。
图2为将收集到的数据整理后得到的部分实测散点图。
具体实施方式
下面将结合本发明说明书附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本实施例提供了一种基于机器学习预测算法的液化土残余抗剪强度计算方法,该方法通过查阅文献等收集液化侧向扩展实例数据建立数据库,运用分析法选择对液化土残余强度影响较大的因素,建立并训练多个机器学习模型,通过机器学习预测算法确定了剪切波波速和标准贯入值与液化土残余强度值的映射关系,通过优化模型,用加权平均法对预测值进行数据处理,建立了基于机器学习算法的液化土残余强度计算方法。
实施例1
作为本发明一较佳实施例,参照说明书附图1所示,本实施例公开了一种基于机器学习预测算法的液化土残余抗剪强度计算方法,该方法包括以下步骤:
S1、运用分析法选择与液化土残余抗剪强度有密切影响且实际工程中容易得到的影响因素以建立数据库;
S2、根据S1步骤中选择的影响因素收集实例数据,建立数据库;
S3、将S2步骤所建立的数据库进行归一化处理;然后将数据库中的数据随机分为训练集和验证集;
S4、选择并建立多种机器学习模型,基于训练集数据对液化土残余抗剪强度值预测模型进行训练,得到多种液化土残余抗剪强度值预测模型;
S5、基于验证集数据检验S4步骤中训练好的多种液化土残余抗剪强度值预测模型,输入验证集把模型输出数据与实际数据利用平均绝对百分比误差作对比,借助网格搜索法和交叉验证法优化模型,得到多种优化后的液化土残余抗剪强度值预测模型;
S6、将待检测值输入到S5步骤中得到的多种优化后的液化土残余抗剪强度值预测模型,将优化后的多种液化土残余抗剪强度值预测模型的输出值进行加权平均,即得到液化土残余抗剪强度预测值。
作为本实施例的一种实施方式,S1步骤中,运用分析法选择的影响因素包括标准贯入值和剪切波波速。
在S2步骤中,收集的实例数据的具体过程为:查找侧向扩展实例相关文献和报告,仅保留具有完整信息的液化侧向扩展实例,实例中包含详细的地层剖面信息,剔除多余信息,仅保留S1步骤中选择的影响因素。收集到的实例数据主要包含上覆有效应力、剪切波波速、标准贯入值和残余抗剪强度。
作为一个示例,所述S4步骤中,多种机器学习模型包括knn回归模型、决策树模型、支持向量机、Random Forest回归模型、XG Boost回归模型和神经网络MLP模型。还可以是其他机器学习模型,本申请对此不作限定。
实施例2
作为本发明又一较佳实施例,参照说明书附图1所示,本实施例公开了一种基于机器学习预测算法的液化土残余抗剪强度计算方法,包括:
S1、选择与液化土残余抗剪强度有密切影响且实际工程中容易得到的影响因素来建立数据库,本发明主要选取了SPT(标准贯入值)、VS(剪切波波速);
S2、根据选择的影响因素收集大量的实例数据,收集到的实例数据主要包含如下几点:1、上覆有效应力,能反映液化土层上部应力大小;2、剪切波波速,波速大小能反映土体的动力特性;3、标准贯入值,属于动力触探试验的一种,常选用63.5kg的标准锤来探测地基承载力大小;4、残余抗剪强度,即砂土在液化后仍具有的残余抗剪强度;
S3、将收集到的数据进行归一化处理,然后把数据随机分为训练集和验证集;
S4、使用计算机建立多种有监督学习拟合模型,所建模型可选择:knn回归、决策树模型、支持向量机、Random Forest回归、XG Boost回归、神经网络MLP等;
S5、把训练集数据输入到已经建立好的模型中进行训练,收集数据的特征。训练数据集由三列数据构成,x1是剪切波波速,x2是标准贯入值,y是残余抗剪强度与上覆有效应力之比;
S6、当模型经过训练后,为了优化模型,输入验证集把模型输出数据与实际数据利用平均绝对百分比误差作对比,借助网格搜索法和交叉验证法优化模型,得到最优预测模型;
S7、输入待测数据,将各个预测模型输出的预测值进行加权平均,得到液化土残余强度预测值。
实施例3
作为本发明又一较佳实施例,参照说明书附图1和2所示,本实施例公开了一种基于机器学习预测算法的液化土残余抗剪强度计算方法,包括以下步骤:
S1、首先通过分析法选择对液化土残余强度影响较大且工程中容易采集的因素,本发明选取标准贯入值(SPT)作为主要输入因素,液化土残余强度比作为输出因素。
S2、其次建立数据,查找侧向扩展实例相关文献和报告,仅保留具有完整信息的液化侧向扩展实例,实例中包含详细的地层剖面信息,剔除多余信息,仅保留步骤一中选择的影响因素,请参阅表1,为剔除多余数据后整理得到的43组液化侧向扩展实例。
表1为用于训练机器学习部分实测数据
S3、如图2所示,将S2步骤所建立的数据库进行归一化处理,将所收集到的数据进行随机分类,其中训练集数据占总数据的85%,验证集数据占总数据的15%,训练集主要用于训练数据,而验证集主要用于检验修正模型。
S4、选择并建立六种机器学习模型,基于训练集数据对液化土残余强度值预测模型训练,并借助网格搜索法和交叉验证法优化模型,得到六种可靠预测模型。在此过程中,所建立的模型包括:knn回归、决策树模型、支持向量机、Random Forest回归、XG Boost回归、神经网络MLP。
S5、然后基于验证集数据检验S4步骤中训练好的多个液化土残余强度预测值模型,以平均绝对百分比误差(MAPE)测试预测模型的准确性。
平均绝对百分比误差(MAPE)的公式为:
式中,s表示输入单个待检测模型的数据数量,yi表示真实的残余抗剪强度,Yi表示由用于生成预测模型的所有机器学习模型所得残余残余抗剪强度数据。
S6、最后将待预测值输入到所建立的六个模型中,将输出值进行加权平均,即得到了液化土残余强度预测值。所用的加权平均公式为:
综上所述,基于机器学习预测算法的液化土残余强度计算方法提出了对液化土残余强度值影响显著的主要因素,建立了液化土残余强度与剪切波波速、标准贯入值的对应关系,同时预测的动态模型曲线与实测值的拟合较好。本发明为计算液化土残余强度值提供了一种新方法,并且为地震时的大坝,边坡侧向扩展的计算提供了新的思路。
Claims (8)
1.基于机器学习预测液化土残余抗剪强度的方法,其特征在于,该方法包括以下步骤:
S1、运用分析法选择与液化土残余抗剪强度有密切影响且实际工程中容易得到的影响因素以建立数据库;
S2、根据S1步骤中选择的影响因素收集实例数据,建立数据库;
S3、将S2步骤所建立的数据库进行归一化处理;然后将数据库中的数据随机分为训练集和验证集;
S4、选择并建立多种机器学习模型,基于训练集数据对液化土残余抗剪强度值预测模型进行训练,得到多种液化土残余抗剪强度值预测模型;
S5、基于验证集数据检验S4步骤中训练好的多种液化土残余抗剪强度值预测模型,输入验证集把模型输出数据与实际数据利用平均绝对百分比误差作对比,借助网格搜索法和交叉验证法优化模型,得到多种优化后的液化土残余抗剪强度值预测模型;
S6、将待检测值输入到S5步骤中得到的多种优化后的液化土残余抗剪强度值预测模型,将优化后的多种液化土残余抗剪强度值预测模型的输出值进行加权平均,即得到液化土残余抗剪强度预测值。
2.如权利要求1所述的基于机器学习预测液化土残余抗剪强度的方法,其特征在于:S1步骤中,运用分析法选择的影响因素包括标准贯入值和剪切波波速。
3.如权利要求2所述的基于机器学习预测液化土残余抗剪强度的方法,其特征在于:S2步骤中,收集到的实例数据主要包含上覆有效应力、剪切波波速、标准贯入值和残余抗剪强度。
4.如权利要求1~3任意一项所述的基于机器学习预测液化土残余抗剪强度的方法,其特征在于:在S2步骤中,收集的实例数据的具体过程为:
查找侧向扩展实例相关文献和报告,仅保留具有完整信息的液化侧向扩展实例,实例中包含详细的地层剖面信息,剔除多余信息,仅保留S1步骤中选择的影响因素。
5.如权利要求3所述的基于机器学习预测液化土残余抗剪强度的方法,其特征在于:S3步骤中的训练集数据是由三列数据构成的,x1是剪切波波速,x2是标准贯入值,y是残余抗剪强度与上覆有效应力之比。
6.如权利要求1、2、3或5所述的基于机器学习预测液化土残余抗剪强度的方法,其特征在于:所述S4步骤中,多种机器学习模型包括knn回归模型、决策树模型、支持向量机、Random Forest回归模型、XG Boost回归模型和神经网络MLP模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211167247.3A CN115577619A (zh) | 2022-09-23 | 2022-09-23 | 基于机器学习预测液化土残余抗剪强度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211167247.3A CN115577619A (zh) | 2022-09-23 | 2022-09-23 | 基于机器学习预测液化土残余抗剪强度的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115577619A true CN115577619A (zh) | 2023-01-06 |
Family
ID=84582072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211167247.3A Pending CN115577619A (zh) | 2022-09-23 | 2022-09-23 | 基于机器学习预测液化土残余抗剪强度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115577619A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116776045A (zh) * | 2023-08-23 | 2023-09-19 | 四川川核地质工程有限公司 | 一种现场快速测定滑带土抗剪强度的方法及系统 |
-
2022
- 2022-09-23 CN CN202211167247.3A patent/CN115577619A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116776045A (zh) * | 2023-08-23 | 2023-09-19 | 四川川核地质工程有限公司 | 一种现场快速测定滑带土抗剪强度的方法及系统 |
CN116776045B (zh) * | 2023-08-23 | 2023-10-24 | 四川川核地质工程有限公司 | 一种现场快速测定滑带土抗剪强度的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nakamura et al. | A method for non‐parametric damage detection through the use of neural networks | |
CN113779835A (zh) | 基于ai与智能监测系统的深大基坑安全预警方法 | |
CN110889588A (zh) | 利用因子判断矩阵进行盾构隧道施工临近建筑物风险等级的评估方法 | |
Khosravikia et al. | Updated evaluation metrics for optimal intensity measure selection in probabilistic seismic demand models | |
CN104989456A (zh) | 一种大跨度地下工程开挖围岩稳定性监测预警方法 | |
CN113486570A (zh) | 一种基于随机ida和机器学习预测隧道地震易损性的方法 | |
CN111022119B (zh) | 一种基于模式识别的盾构隧道结构抗震安全评价方法 | |
Jia et al. | Bridge seismic damage assessment model applying artificial neural networks and the random forest algorithm | |
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 | |
CN111476472A (zh) | 硫铁矿山地质环境评价方法 | |
CN110378574A (zh) | 水下隧道盾构施工开挖面稳定性评价方法、系统及设备 | |
Johari et al. | A genetic-based model to predict maximum lateral displacement of retaining wall in granular soil | |
CN115423167A (zh) | 一种地铁深基坑施工安全预警及辅助决策方法及系统 | |
CN115577619A (zh) | 基于机器学习预测液化土残余抗剪强度的方法 | |
Kazemi et al. | Development of fragility curves by incorporating new spectral shape indicators and a weighted damage index: case study of steel braced frames in the city of Mashhad, Iran | |
CN111709592A (zh) | 基于神经网络与粗糙集分类的深基坑变形预测方法及系统 | |
CN112949206A (zh) | 一种建筑施工地基防老化加固系统 | |
CN110555598A (zh) | 岩溶地基稳定性模糊综合评判方法 | |
CN115795599A (zh) | 一种民防工程结构地震脆弱性评估方法 | |
JPH08179047A (ja) | ニューラルネットワークを用いる地震時の液状化判定方法 | |
CN113946790A (zh) | 一种导水裂隙带高度预测方法、系统、设备及终端 | |
Asgarian et al. | A new bracing system for improvement of seismic performance of steel jacket type offshore platforms with float-over-deck | |
Schubert et al. | The guideline for the geomechanical design of underground structures with conventional excavation. | |
Reddy | Modeling Load-Settlement Behavior Of Driven Piles Embedded In Cohesive Soils Using Artificial Neural Networks | |
Sasmal et al. | Condition ranking and rating of bridges using fuzzy logic |
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 |