CN115809598A - 一种基于安全系数的边坡变形预测与控制值修正方法 - Google Patents
一种基于安全系数的边坡变形预测与控制值修正方法 Download PDFInfo
- Publication number
- CN115809598A CN115809598A CN202211546705.4A CN202211546705A CN115809598A CN 115809598 A CN115809598 A CN 115809598A CN 202211546705 A CN202211546705 A CN 202211546705A CN 115809598 A CN115809598 A CN 115809598A
- Authority
- CN
- China
- Prior art keywords
- slope
- model
- deformation
- side slope
- value
- 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
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/23—Dune restoration or creation; Cliff stabilisation
Landscapes
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
本发明公开一种基于安全系数的边坡变形预测与控制值修正方法,通过建立的模型M1,利用启发式算法可以较为精确的预测现场边坡待开挖阶段的待开挖边坡变形值;通过建立的模型M2,建立出安全系数和施工参数与边坡变形值的定量关系,结合边坡施工规范对边坡临界安全系数的要求以及现场实际施工参数,可实现基于安全系数的边坡变形控制值修正,最后边坡变形控制值与待开挖边坡变形值比较,直观反映边坡的安全状态,进而解决边坡变形预警不及时等导致的漏报、少报等问题,进而有效提升与保障边坡的施工安全。
Description
技术领域
本发明涉及边坡工程技术领域,特别涉及一种基于安全系数的边坡变形预测与控制值修正方法。
背景技术
近年来,机器学习在岩土工程中的运用越来越多,在传统边坡工程领域也有越来越多学者通过支持向量机、神经网络、决策树、深度学习等模型进行边坡变形研究,将边坡变形和土体参数等通过机器学习方法建立联系以实现对边坡变形的预测;但现场监测数据随着开挖步的深入在不断的变化,因此,及时利用现场监测信息实现对现场岩土结构体状态进行及时判断,对于保证施工安全至关重要。另一方面,现有规范对于基坑变形的阈值设置比较粗略,因此容易边坡变形预警不及时而导致漏报少报进而影响边坡安全。
本文基于此,提出以现场每步的实际开挖数据为基础,利用多目标优化和机器学习的方法,对后续开挖步的边坡变形值进行预测,并进一步,结合后续实测的现场数据,不断对优化算法以及机器学习算法进行校验与修正,最终获得可靠的边坡变形预测计算方法;同时结合施工规范对安全系数的要求,通过构建安全系数和施工参数与边坡变形值的定量关系,确定现场每步开挖的边坡预警阈值,并与预测得到的边坡变形值进行比较,直观反映边坡的安全状态,进而解决边坡变形预警不及时等导致的漏报、少报等问题,进而可有效提升与保障边坡的施工安全。
发明内容
本发明的主要目的是提出一种基于安全系数的边坡变形预测与控制值修正方法,旨在解决现有规范对于基坑变形的阈值设置比较粗略,因此容易边坡变形预警不及时而导致漏报少报进而影响边坡安全的问题。
为实现上述目的,本发明提出的一种基于安全系数的边坡变形预测与控制值修正方法,包括以下步骤:
S10、获取已开挖断面的土体参数以及施工参数;
S20、根据设计图纸和地质勘察报告进行有限元建模,得到边坡模型;
S30、将所述土体参数和所述施工参数作为因素,根据地质勘察报告确定取值范围,进行拉丁超立方抽样,得到样本参数组合,将所述样本参数组合输入所述边坡模型,计算得到初始安全系数和初始边坡变形值;
S40、将所述土体参数和所述施工参数作为输入,并将所述初始安全系数和所述初始边坡变形值作为输出,建立机器学习模型,模型训练后得到模型M1;
S50、基于启发式算法,使用模型M1预测现场边坡待开挖阶段的待开挖边坡变形值;
S60、将所述初始安全系数和所述施工参数作为输入,并将所述初始边坡变形值作为输出,建立机器学习模型,模型训练后得到模型M2;
S70、根据边坡施工规范,确定现场边坡待开挖阶段的边坡临界安全系数,然后获取现场边坡待开挖阶段的现场实际施工参数,将所述边坡临界安全系数和所述现场实际施工参数输入模型M2,得到现场边坡待开挖阶段的边坡变形控制值;
S80、将所述边坡变形控制值与所述待开挖边坡变形值进行比较,判断边坡安全与否。
可选地,步骤S30中,所述拉丁超立方抽样的步骤包括:
S31、输入参数维度M与抽样总数N,设总样本为X,单个样本xi由M个参数组成:
X={x1,x2,...,xN};
S32、每一个维度a上划分n个区间:
a0<a1<a2…<an;
在每一维里的每一个区间中随机的抽取一个点,各个区间中样本被抽取的概率相同:
S33、从每一维里随机抽出步骤S32中选取的点,将它们组成向量xi,进而获得全体样本X,即得样本参数组合。
可选地,所述土体参数包括泊松比、含水率、重度、渗透系数、内摩擦角、黏聚力和弹性模量。
可选地,所述施工参数包括最大开挖深度、开挖速度、温度和坡率,所述现场实际施工参数包括最大开挖深度、开挖速度、温度和坡率。
可选地,所述初始边坡变形值包括边坡深层水平位移,所述初始安全系数利用强度折减计算而成。
可选地,步骤S40中,所述机器学习模型包括前馈神经网络模型、长短期记忆神经网络模型或门控单元模型,所述机器学习模型分别将数据集划分成训练集和测试集,所述训练集与所述测试集的关系为7:3。
可选地,步骤S50包括:
S51、确定土体参数、施工参数的不同类型[uselect]m,其中,m代表土体参数和施工参数的种类数量,uselect包括泊松比、含水率、重度、渗透系数、内摩擦角、黏聚力、弹性模量、最大开挖深度、开挖速度、温度和坡率,利用步长法选择n组土体参数、施工参数矩阵[uselect]n×m,并将其与开挖深度hi结合生成新的矩阵[uselect,hi]n×(m+1),形成初始化种群;
S52、将所述初始化种群代入模型M1中,获得第一边坡变形预测值,并将所述第一边坡变形预测值与hi深度下的实际监测值代入误差函数Si中,求得hi深度下的所有种群的误差[Si]n;
S53、将误差[Si]n作为初始种群非支配排序的评价标准,进行非支配排序后,进行选择、交叉、变异操作,生成第一代种群,同时迭代次数加一;
S54、将父代种群与子代种群合并,形成新种群矩阵[uselect,hi]2n×(m+1),同时将所述新种群矩阵[uselect,hi]2n×(m+1)代入模型M1中,获得第二边坡变形预测值,并将所述第二边坡变形预测值与hi深度下的实际监测值代入误差函数Si中,求得hi深度下的所有种群的误差[Si]2n;
S55、将所述误差[Si]2n作为评价标准,先进行非支配排序进行分级,再进行拥挤度排序,以使得所述误差[Si]2n按最优到最差进行排序;
S56、将经过非支配排序和拥挤度排序的所述误差[Si]2n进行选择、交叉、变异操作,生成第二代子种群,此时第一代子种群变为父种群,同时保证种群数量为n组,与最大迭代次数比较,若小于,迭代次数加一,进入下一次迭代,执行步骤S53至步骤S55,直到超过相应的迭代次数,停止循环,输出相应的Pareto前沿;
S57、将所述Pareto前沿输入模型M1,预测现场边坡待开挖阶段的待开挖边坡变形值。
可选地,步骤S60中,所述机器学习模型包括前馈神经网络模型、长短期记忆神经网络模型或门控单元模型,所述机器学习模型分别将数据集划分成训练集和测试集,所述训练集与所述测试集的关系为7:3。
可选地,步骤S80包括:
S81、若所述待开挖边坡变形值小于等于所述边坡变形控制值,则边坡安全;
S82、若所述待开挖边坡变形值大于所述边坡变形控制值,则边坡不安全。
本发明的技术方案中,首先有限元建模出边坡模型,并通过拉丁超立方抽样的方式抽取大量样本,建立样本参数组合,代入边坡模型计算初始安全系数和初始边坡变形值,然后建立土体参数和施工参数与初始安全系数和初始边坡变形值的机器学习模型M1,然后基于启发式算法使用模型M1预测现场边坡待开挖阶段的待开挖边坡变形值;再建立初始安全系数和施工参数与初始边坡变形值的机器学习模型M2,输入边坡临界安全系数和现场实际施工参数,得出边坡变形控制值;最后,将边坡变形控制值与待开挖边坡变形值进行比较,判断边坡安全与否。其中,待开挖边坡变形值是基于启发式算法再通过模型M1预测得出,预测精确度高,而边坡变形控制值是结合施工规范对边坡临界安全系数的要求以及现场实际施工参数代入模型M2得出,边坡变形控制值设置精确,最后待开挖边坡变形值与边坡变形控制值比较,直观反映边坡的安全状态,进而解决边坡变形预警不及时等导致的漏报、少报等问题,进而有效提升与保障边坡的施工安全。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的基于安全系数的边坡变形预测与控制值修正方法的一实施例的流程示意图;
图2为本发明中模型M1中安全系数的训练和预测结果回归图;
图3为本发明中模型M1中桩(土)深层水平位移最大值训练和预测结果回归图;
图4为本发明中模型M1中桩(土)深层水平位移最大值位置训练和预测结果回归图;
图5为本发明中模型M2中桩(土)深层水平位移最大值训练和预测结果回归图;
图6为本发明中模型M2中桩(土)深层水平位移最大值位置训练和预测结果回归图;
图7为本发明中启发式算法与模型M1协同预测边坡变形的流程图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面将结合本发明实施例中的附图,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的一部分实施例,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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
另外,若本发明实施例中有涉及“第一”、“第二”等的描述,则该“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,全文中出现的“和/或”的含义,包括三个并列的方案,以“A和/或B”为例,包括A方案、或B方案、或A和B同时满足的方案。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
近年来,机器学习在岩土工程中的运用越来越多,在传统边坡工程领域也有越来越多学者通过支持向量机、神经网络、决策树、深度学习等模型进行边坡变形研究,将边坡变形和土体参数等通过机器学习方法建立联系以实现对边坡变形的预测;但现场监测数据随着开挖步的深入在不断的变化,因此,及时利用现场监测信息实现对现场岩土结构体状态进行及时判断,对于保证施工安全至关重要。另一方面,现有规范对于基坑变形的阈值设置比较粗略,无法适用于每个具体工程,因此容易边坡变形预警不及时而导致漏报少报进而影响边坡安全。
本文基于此,提出一种基于安全系数的边坡变形预测与控制值修正方法,请参照图1,所述基于安全系数的边坡变形预测与控制值修正方法包括以下步骤:
步骤S10、获取已开挖断面的土体参数以及施工参数。
步骤S20、根据设计图纸和地质勘察报告进行有限元建模,得到边坡模型。
步骤S30、将所述土体参数和所述施工参数作为因素,根据地质勘察报告确定取值范围,进行拉丁超立方抽样,得到样本参数组合,将所述样本参数组合输入所述边坡模型,计算得到初始安全系数和初始边坡变形值。
步骤S40、将所述土体参数和所述施工参数作为输入,并将所述初始安全系数和所述初始边坡变形值作为输出,建立机器学习模型,模型训练后得到模型M1。
查看模型M1在测试集中表现见图2-图4,图2为模型M1中安全系数的训练和预测结果回归图,图3为模型M1中桩(土)深层水平位移最大值训练和预测结果回归图,图4为模型M1中桩(土)深层水平位移最大值位置训练和预测结果回归图,由图2可知,回归系数R2达0.9494,说明模型M1预测安全系数的精度高,由图3和图4可知,回归系数R2分别为0.9330和0.9191,说明模型M1预测边坡变形的精度高。
步骤S50、基于启发式算法,使用模型M1预测现场边坡待开挖阶段的待开挖边坡变形值。
步骤S60、将所述初始安全系数和所述施工参数作为输入,并将所述初始边坡变形值作为输出,建立机器学习模型,模型训练后得到模型M2。
查看模型M2在测试集中表现见图5-图6,图5为模型M2中桩(土)深层水平位移最大值训练和预测结果回归图,图6为模型M2中桩(土)深层水平位移最大值位置训练和预测结果回归图,由图5和图6可知,回归系数R2分别为0.9920和0.9954,说明模型M2能够对边坡变形控制值进行有效修正。
步骤S70、根据边坡施工规范,确定现场边坡待开挖阶段的边坡临界安全系数,然后获取现场边坡待开挖阶段的现场实际施工参数,将所述边坡临界安全系数和所述现场实际施工参数输入模型M2,得到现场边坡待开挖阶段的边坡变形控制值。
步骤S80、将所述边坡变形控制值与所述待开挖边坡变形值进行比较,判断边坡安全与否。
进一步地,步骤S30中,所述拉丁超立方抽样的步骤包括:
步骤S31、输入参数维度M与抽样总数N,设总样本为X,单个样本xi由M个参数组成:
X={x1,x2,...,xN};
步骤S32、每一个维度a上划分n个区间:
a0<a1<a2…<an;
在每一维里的每一个区间中随机的抽取一个点,各个区间中样本被抽取的概率相同:
步骤S33、从每一维里随机抽出步骤S32中选取的点,将它们组成向量xi,进而获得全体样本X,即得样本参数组合。
通过上述拉丁超立方抽样的具体抽样步骤,实现对土体参数和施工参数等样本的抽样,样本量丰富。
进一步地,所述土体参数包括泊松比、含水率、重度、渗透系数、内摩擦角、黏聚力和弹性模量。土体参数所含种类多,更利于提高模型M1预测的准确性。
进一步地,所述施工参数包括最大开挖深度、开挖速度、温度和坡率,所述现场实际施工参数最大开挖深度、开挖速度、温度和坡率。所述施工参数和所述现场实际施工参数所含种类多,更利于模型M1预测的准确性和模型M2修正出的边坡变形控制值的合理性。
进一步地,所述初始边坡变形值包括边坡深层水平位移,所述初始安全系数利用强度折减计算而成。
进一步地,步骤S40中,所述机器学习模型包括前馈神经网络模型(BP)、长短期记忆神经网络模型(LSTM)或门控单元模型(GRU),所述机器学习模型分别将数据集划分成训练集和测试集,所述训练集与所述测试集的关系为7:3。本发明对机器学习模型的具体模型不做限制,该机器学习模型可以选自前馈神经网络模型(BP)、长短期记忆神经网络模型(LSTM)和门控单元模型(GRU)中的一种。
进一步地,步骤S50的流程图如附图7所示,步骤S50包括:
S51、确定土体参数、施工参数的不同类型[uselect]m,其中,m代表土体参数和施工参数的种类数量,uselect包括泊松比、含水率、重度、渗透系数、内摩擦角、黏聚力、弹性模量、最大开挖深度、开挖速度、温度和坡率,利用步长法选择n组土体参数、施工参数矩阵[uselect]n×m,并将其与开挖深度hi结合生成新的矩阵[uselect,hi]n×(m+1),形成初始化种群;
S52、将所述初始化种群代入模型M1中,获得第一边坡变形预测值,并将所述第一边坡变形预测值与hi深度下的实际监测值代入误差函数Si中,求得hi深度下的所有种群的误差[Si]n;
S53、将误差[Si]n作为初始种群非支配排序的评价标准,进行非支配排序后,进行选择、交叉、变异操作,生成第一代种群,同时迭代次数加一;
S54、将父代种群与子代种群合并,形成新种群矩阵[uselect,hi]2n×(m+1),同时将所述新种群矩阵[uselect,hi]2n×(m+1)代入模型M1中,获得第二边坡变形预测值,并将所述第二边坡变形预测值与hi深度下的实际监测值代入误差函数Si中,求得hi深度下的所有种群的误差[Si]2n;
S55、将所述误差[Si]2n作为评价标准,先进行非支配排序进行分级,再进行拥挤度排序,以使得所述误差[Si]2n按最优到最差进行排序;
S56、将经过非支配排序和拥挤度排序的所述误差[Si]2n进行选择、交叉、变异操作,生成第二代子种群,此时第一代子种群变为父种群,同时保证种群数量为n组,与最大迭代次数比较,若小于,迭代次数加一,进入下一次迭代,执行步骤S53至步骤S55,直到超过相应的迭代次数,停止循环,输出相应的Pareto前沿;
S57、将所述Pareto前沿输入模型M1,预测现场边坡待开挖阶段的待开挖边坡变形值。
通过上述步骤S51~步骤S57能够实现对土体参数和施工参数的不断修正,最后将修正后的土体参数和修正后的施工参数输入模型M1进行预测,以使得最后预测得出的现场边坡待开挖阶段的待开挖边坡变形值更精确。
需要说明的是,在步骤S51中,利用步长法选择地层参数的算法如下:
土体参数与施工参数的上下界矩阵为[ulower,uupper];
参数范围矩阵为[urange=uupper-ulower];
步长矩阵为t;
土体参数与施工参数可选取的最大点数矩阵为n=urange/t;
选择土体参数与施工参数的矩阵公式可表示为:
uselect=rand([1,n])×t+ulower,其中,rand([1,n])表示在矩阵[1,n]中随机选取一组数据。
需要说明的是,在步骤S52中,实际监测值代入的算法如下:
将选择的地层参数与施工参数及开挖深度hi代入M1模型中,获得边坡在开挖深度hi时的边坡预测值,同时结合现场该开挖深度hi的实际监测值,建立误差函数Si,并将输出结果作为非支配排序及拥挤度的评价标准。
误差函数Si表达式借鉴曲线拟合中R2的算法,误差函数Si的具体公式如下:
需要说明的是,在步骤S53中,选择、交叉、变异操作的算法具体思想如下:
选择的算法包括锦标赛选择、轮盘赌选择、随机抽样选择方法,核心思想为选择一定数量的父代种群传递至子代种群中;
交叉的算法包括单点交叉、多点交叉、匹配交叉、顺序交叉、位置交叉方法,核心思想在于选择两组数据,保证部分片段交叉,形成新的种群个体;
变异的算法为随机变异方法,核心思想在于在种群中随机选取一部分个体进行剔除,利用步长选择重新加入一部分个体。
需要说明的是,在步骤S57中,预测现场边坡待开挖阶段的待开挖边坡变形值时,是将hi阶段以前的边坡变形值全部用于土层参数反演,并将其中土层参数误差最小的一组土层反演参数用于hi+j边坡变形值的预测;其中i+j<m,m为现场边坡开挖的总阶段数,hi为现场边坡开挖的第i阶段,hi+j为现场边坡开挖的第i+j阶段。
进一步地,步骤S60中,所述机器学习模型包括前馈神经网络模型(BP)、长短期记忆神经网络模型(LSTM)或门控单元模型(GRU),所述机器学习模型分别将数据集划分成训练集和测试集,所述训练集与所述测试集的关系为7:3。本发明对机器学习模型的具体模型不做限制,该机器学习模型可以选自前馈神经网络模型(BP)、长短期记忆神经网络模型(LSTM)和门控单元模型(GRU)中的一种。
进一步地,步骤S80包括:
步骤S81、若所述待开挖边坡变形值小于等于所述边坡变形控制值,则边坡安全;
步骤S82、若所述待开挖边坡变形值大于所述边坡变形控制值,则边坡不安全。
本发明的技术方案中,首先有限元建模出边坡模型,并通过拉丁超立方抽样的方式抽取大量样本,建立样本参数组合,代入边坡模型计算初始安全系数和初始边坡变形值,然后建立土体参数和施工参数与初始安全系数和初始边坡变形值的机器学习模型M1,然后基于启发式算法使用模型M1预测现场边坡待开挖阶段的待开挖边坡变形值;再建立初始安全系数和施工参数与初始边坡变形值的机器学习模型M2,输入边坡临界安全系数和现场实际施工参数,得出边坡变形控制值;最后,将边坡变形控制值与待开挖边坡变形值进行比较,判断边坡安全与否。其中,待开挖边坡变形值是基于启发式算法再通过模型M1预测得出,预测精确度高,而边坡变形控制值是结合施工规范对边坡临界安全系数的要求以及现场实际施工参数代入模型M2得出,边坡变形控制值设置精确,最后待开挖边坡变形值与边坡变形控制值比较,直观反映边坡的安全状态,进而解决边坡变形预警不及时等导致的漏报、少报等问题,进而有效提升与保障边坡的施工安全。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是在本发明的构思下,利用本发明说明书及附图内容所作的等效结构变换,或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (9)
1.一种基于安全系数的边坡变形预测与控制值修正方法,其特征在于,包括以下步骤:
S10、获取已开挖断面的土体参数以及施工参数;
S20、根据设计图纸和地质勘察报告进行有限元建模,得到边坡模型;
S30、将所述土体参数和所述施工参数作为因素,根据地质勘察报告确定取值范围,进行拉丁超立方抽样,得到样本参数组合,将所述样本参数组合输入所述边坡模型,计算得到初始安全系数和初始边坡变形值;
S40、将所述土体参数和所述施工参数作为输入,并将所述初始安全系数和所述初始边坡变形值作为输出,建立机器学习模型,模型训练后得到模型M1;
S50、基于启发式算法,使用模型M1预测现场边坡待开挖阶段的待开挖边坡变形值;
S60、将所述初始安全系数和所述施工参数作为输入,并将所述初始边坡变形值作为输出,建立机器学习模型,模型训练后得到模型M2;
S70、根据边坡施工规范,确定现场边坡待开挖阶段的边坡临界安全系数,然后获取现场边坡待开挖阶段的现场实际施工参数,将所述边坡临界安全系数和所述现场实际施工参数输入模型M2,得到现场边坡待开挖阶段的边坡变形控制值;
S80、将所述边坡变形控制值与所述待开挖边坡变形值进行比较,判断边坡安全与否。
3.如权利要求1所述的基于安全系数的边坡变形预测与控制值修正方法,其特征在于,所述土体参数包括泊松比、含水率、重度、渗透系数、内摩擦角、黏聚力和弹性模量。
4.如权利要求1所述的基于安全系数的边坡变形预测与控制值修正方法,其特征在于,所述施工参数包括最大开挖深度、开挖速度、温度和坡率,所述现场实际施工参数包括最大开挖深度、开挖速度、温度和坡率。
5.如权利要求1所述的基于安全系数的边坡变形预测与控制值修正方法,其特征在于,所述初始边坡变形值包括边坡深层水平位移,所述初始安全系数利用强度折减计算而成。
6.如权利要求1所述的基于安全系数的边坡变形预测与控制值修正方法,其特征在于,步骤S40中,所述机器学习模型包括前馈神经网络模型、长短期记忆神经网络模型或门控单元模型,所述机器学习模型分别将数据集划分成训练集和测试集,所述训练集与所述测试集的关系为7:3。
7.如权利要求1所述的基于安全系数的边坡变形预测与控制值修正方法,其特征在于,步骤S50包括:
S51、确定土体参数、施工参数的不同类型[uselect]m,其中,m代表土体参数和施工参数的种类数量,uselect包括泊松比、含水率、重度、渗透系数、内摩擦角、黏聚力、弹性模量、最大开挖深度、开挖速度、温度和坡率,利用步长法选择n组土体参数、施工参数矩阵[uselect]n×m,并将其与开挖深度hi结合生成新的矩阵[uselect,hi]n×(m+1),形成初始化种群;
S52、将所述初始化种群代入模型M1中,获得第一边坡变形预测值,并将所述第一边坡变形预测值与hi深度下的实际监测值代入误差函数Si中,求得hi深度下的所有种群的误差[Si]n;
S53、将误差[Si]n作为初始种群非支配排序的评价标准,进行非支配排序后,进行选择、交叉、变异操作,生成第一代种群,同时迭代次数加一;
S54、将父代种群与子代种群合并,形成新种群矩阵[uselect,hi]2n×(m+1),同时将所述新种群矩阵[uselect,hi]2n×(m+1)代入模型M1中,获得第二边坡变形预测值,并将所述第二边坡变形预测值与hi深度下的实际监测值代入误差函数Si中,求得hi深度下的所有种群的误差[Si]2n;
S55、将所述误差[Si]2n作为评价标准,先进行非支配排序进行分级,再进行拥挤度排序,以使得所述误差[Si]2n按最优到最差进行排序;
S56、将经过非支配排序和拥挤度排序的所述误差[Si]2n进行选择、交叉、变异操作,生成第二代子种群,此时第一代子种群变为父种群,同时保证种群数量为n组,与最大迭代次数比较,若小于,迭代次数加一,进入下一次迭代,执行步骤S53至步骤S55,直到超过相应的迭代次数,停止循环,输出相应的Pareto前沿;
S57、将所述Pareto前沿输入模型M1,预测现场边坡待开挖阶段的待开挖边坡变形值。
8.如权利要求1所述的基于安全系数的边坡变形预测与控制值修正方法,其特征在于,步骤S60中,所述机器学习模型包括前馈神经网络模型、长短期记忆神经网络模型或门控单元模型,所述机器学习模型分别将数据集划分成训练集和测试集,所述训练集与所述测试集的关系为7:3。
9.如权利要求1所述的基于安全系数的边坡变形预测与控制值修正方法,其特征在于,步骤S80包括:
S81、若所述待开挖边坡变形值小于等于所述边坡变形控制值,则边坡安全;
S82、若所述待开挖边坡变形值大于所述边坡变形控制值,则边坡不安全。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211546705.4A CN115809598A (zh) | 2022-11-29 | 2022-11-29 | 一种基于安全系数的边坡变形预测与控制值修正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211546705.4A CN115809598A (zh) | 2022-11-29 | 2022-11-29 | 一种基于安全系数的边坡变形预测与控制值修正方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115809598A true CN115809598A (zh) | 2023-03-17 |
Family
ID=85484913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211546705.4A Pending CN115809598A (zh) | 2022-11-29 | 2022-11-29 | 一种基于安全系数的边坡变形预测与控制值修正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115809598A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116561563A (zh) * | 2023-07-11 | 2023-08-08 | 电子科技大学 | 一种基于残差预测模型的边坡位移预测方法及相关装置 |
-
2022
- 2022-11-29 CN CN202211546705.4A patent/CN115809598A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116561563A (zh) * | 2023-07-11 | 2023-08-08 | 电子科技大学 | 一种基于残差预测模型的边坡位移预测方法及相关装置 |
CN116561563B (zh) * | 2023-07-11 | 2023-09-29 | 电子科技大学 | 一种基于残差预测模型的边坡位移预测方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yin et al. | Optimization techniques for identifying soil parameters in geotechnical engineering: Comparative study and enhancement | |
Alavi et al. | A robust data mining approach for formulation of geotechnical engineering systems | |
Feng et al. | A new displacement back analysis to identify mechanical geo‐material parameters based on hybrid intelligent methodology | |
Jan et al. | Neural network forecast model in deep excavation | |
Yang et al. | Improved PLS and PSO methods-based back analysis for elastic modulus of dam | |
Tang et al. | Improved knowledge-based clustered partitioning approach and its application to slope reliability analysis | |
CN103646181A (zh) | 蠕滑型人工边坡稳定性系数与预警判据的确定方法 | |
KR101967978B1 (ko) | 쉴드 tbm의 순굴진속도 예측 장치 및 그 방법 | |
CN110472846A (zh) | 核电厂热工水力安全分析最佳估算加不确定性方法 | |
CN106407493A (zh) | 一种基于多维高斯云模型的岩爆等级评价方法 | |
CN101847171A (zh) | 基于安全监控的边坡位移反分析方法 | |
CN115809598A (zh) | 一种基于安全系数的边坡变形预测与控制值修正方法 | |
CN112100927A (zh) | 一种基于ga-bp神经网络的边坡变形及软土地基沉降预测方法 | |
CN115659729B (zh) | 一种基于结构仿真计算的大坝安全监测分析方法及系统 | |
Goharzay et al. | Computer-aided SPT-based reliability model for probability of liquefaction using hybrid PSO and GA | |
CN115293316A (zh) | 基于ssa-elman中深埋厚煤层导水裂隙带预测方法 | |
CN117745466B (zh) | 一种尾矿库数智运维系统 | |
El Haj et al. | Efficient estimation of the failure probability of a monopile foundation using a Kriging-based approach with multi-point enrichment | |
Qiu et al. | TBM tunnel surrounding rock classification method and real-time identification model based on tunneling performance | |
Xue et al. | PREDICTION OF SLOPE STABILITY BASED ON GA-BP HYBRID ALGORITHM. | |
Xu et al. | Plasticity inverse analysis for Zipingpu concrete-faced rockfill dam based on advanced cloud surrogate model via improved Jaya optimization algorithm | |
CN114186475A (zh) | 一种基于Attention-MGRU的回转支承寿命预测方法 | |
CN116956446B (zh) | 深厚软土区桩柱式桥墩临界荷载简化计算方法 | |
CN116402951A (zh) | 基于数字孪生的边坡安全管理方法及系统 | |
CN107577868B (zh) | 一种越岭隧道初期支护的优化设计方法 |
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 |