CN117688821B - 一种排土场边坡稳定性预测方法 - Google Patents
一种排土场边坡稳定性预测方法 Download PDFInfo
- Publication number
- CN117688821B CN117688821B CN202410156565.2A CN202410156565A CN117688821B CN 117688821 B CN117688821 B CN 117688821B CN 202410156565 A CN202410156565 A CN 202410156565A CN 117688821 B CN117688821 B CN 117688821B
- Authority
- CN
- China
- Prior art keywords
- slope
- data set
- soil
- model
- wolf
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000002689 soil Substances 0.000 claims abstract description 57
- 238000012360 testing method Methods 0.000 claims abstract description 30
- 239000011435 rock Substances 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 25
- 239000013598 vector Substances 0.000 claims description 48
- 241000282461 Canis lupus Species 0.000 claims description 43
- 241000282421 Canidae Species 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 20
- 238000011835 investigation Methods 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 13
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 7
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 7
- 230000000452 restraining effect Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 239000002245 particle Substances 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000014509 gene expression Effects 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 11
- 238000005070 sampling Methods 0.000 description 11
- 238000012706 support-vector machine Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 239000000758 substrate Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000283153 Cetacea Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 239000010878 waste rock Substances 0.000 description 1
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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于地质灾害技术领域，具体公开一种排土场边坡稳定性预测方法，调查排土场获取H、φ及b；通过室内试验得到排土场及地基岩土力学参数；构建待预测边坡模型，以前述排土场及地基岩土力学参数得对应数据集Td、Tf，用有限元软件以强度折减法求解边坡安全系数K，构建包括Td、Tf及K的数据集T；对数据集T归一化处理并划分为训练集Ttrain和预测集Ttest；利用训练集Ttrain构建边坡稳定性GWO‑LSSVM模型，以GWO得到最优参数γ和σ并输入LSSVM模型完成训练集Ttrain数据拟合和预测；设定容许系数[K]，将试验岩土力学参数输入GWO‑LSSVM模型得到安全系数K，判定排土场边坡稳定性。本发明具有收敛速度快、边坡结构和稳定性影响小、预测准确率和预测精度高的特点。
Description
技术领域
本发明属于地质灾害技术领域，具体涉及一种具有收敛速度快、边坡结构和稳定性影响小、预测准确率和预测精度高的排土场边坡稳定性预测方法。
背景技术
排土场(dump，wastedump，wastepile)又称废石场，是指矿山采矿废弃物集中排放的场所。排土场是一种巨型人工松散堆垫体，由于排土场松散土岩体自身或基底的变形或滑动，容易导致排土场内部滑坡、沿排土场与基底接触面滑坡及沿基底软弱层滑坡，从而形成矿山土场灾害和重大工程事故，不仅影响到矿山的正常生产，也将使矿山蒙受巨大的经济损失，因此研究排土场边坡稳定性预测和监控具有重要意义。
当前，对于边坡的稳定性监控，多采用在边坡岩土体内埋设传感器或者通过在边坡下方设置摄像头的方式实现监控，虽然取得了一定的效果，但边坡内埋设传感器的方式容易破坏边坡自身的结构和稳定性，而摄像头监控的方式则可靠性较差。而对于边坡的稳定性预测，目前主要是基于静力平衡理论的极限平衡法和以弹塑性力学为基础的数值分析方法，虽然应用满足严格平衡条件的极限平衡法可以得到足够精度的边坡稳定系数，但由于其迭代过程复杂且计算量大，并且还存在收敛性问题，在边坡系统各组成部分之间的非线性关系的表达方面也有局限性。
近年来，随着计算机科学和人工智能的发展，各种模糊算法、支持向量机、人工神经网络等智能算法也给边坡稳定性预测问题带来了新的研究途径。支持向量机(SVM)模型基于非线性映射理论，将低维样本数据映射到高维空间，在处理小样本、非线性、避免陷入局部最优解等多个问题中展现出了独特优势。但是，由于SVM模型准确率涉及惩罚因子和核函数参数的合理确定，因此，很多智能优化算法被用于SVM模型的参数寻优，如鲸鱼优化算法(WOA)、哈里斯鹰算法(HHO)、蚁群算法(ACO)、灰狼算法(GWO)等，前述各种算法因其高效性和可靠性而备受关注，并越来越多的被提出并应用于SVM模型的参数寻优形成各种机器学习模型。但是，上述各种算法也存在各种问题，而且影响边坡稳定性的因素众多，若不能合理选取输入指标参数，也无法准确高效地对边坡稳定性进行预测。为此，现有技术中也有通过结合两种或多种算法的方式用于预测边坡的稳定性，从而发挥各算法的优点并规避相应的缺陷，但仍然存在计算过程复杂、收敛速度慢、预测准确率和精度较低的问题。
发明内容
为解决现有边坡稳定性预测方法存在的不足，本发明提供了一种具有收敛速度快、边坡结构和稳定性影响小、预测准确率和预测精度高的排土场边坡稳定性预测方法。
本发明目的是这样实现的：包括野外调查、获取参数、构建数据集、数据集处理、构建预测模型、边坡稳定性判定步骤，具体包括：
A、野外调查：对目标排土场的几何形状进行野外调查，获取排土场边坡的坡高H、每个台阶坡脚角度φ及每个护堤的宽度b；
B、获取参数：根据规划获取目标边坡及地基试样，然后对试样通过室内试验得到排土场岩土力学参数和地基岩土力学参数；
C、构建数据集：基于野外调查的数据构建待预测边坡的边坡模型，并将前述排土场岩土力学参数和地基岩土力学参数进行处理，得到排土场岩土力学特性数据集Td及地基岩土力学特性数据集Tf，然后利用有限元软件，采用强度折减法求解排土场边坡安全系数K，随后构建包括Td、Tf及K的数据集T；
D、数据集处理：对数据集T进行最大值和最小值归一化处理，然后将归一化处理的数据集T划分为训练集Ttrain和预测集Ttest；
E、构建预测模型：通过GWO算法进行参数优化得到最优的正则化参数γ和核函数参数σ，然后利用训练集Ttrain的数据构建预测边坡稳定性的GWO-LSSVM模型，随后将优化后的γ和σ参数作为LSSVM模型的输入参数，完成对训练集Ttrain数据的拟合和预测；
F、边坡稳定性判定：设定排土场边坡容许安全系数[K]，然后将目标区域试验得到的排土场及地基岩土力学参数输入GWO-LSSVM模型中，得到相应的边坡安全系数K ，若K≥[K]则认为排土场边坡稳定，否则认为排土场边坡将失稳。
进一步的，所述E步骤后还包括预测模型评价步骤：利用预测集Ttest评估GWO-LSSVM模型性能，并采用拟合优度R 2、均方根误差RMSE及平均绝对百分比误差MAPE来评价模型性能，若GWO-LSSVM模型性能符合要求则进入F步骤，否则返回E步骤。
进一步的，所述预测模型评价步骤中，
拟合优度，
均方根误差，
平均绝对百分比误差，
式中：y i 和f i 分别是模拟计算安全系数和预测安全系数；f mean是模拟计算安全系数的算术平均值；N是总的样本数量；
所述评价模型性能在R 2大于0.95、RMSE小于0.05或MAPE小于5%时满足要求。
进一步的，所述B步骤中的排土场岩土力学参数包括土体密度ρ d、抗剪强度τ d、最大及最小粒径d max和d min、压缩指数C d及饱和度S d，地基岩土力学参数包括饱和度S f、孔隙率p f及抗剪强度τ f。
进一步的，所述C步骤具体分为：
C10、边坡建模：根据野外调查的数据在CAD软件中构建待预测边坡的边坡模型；
C20、有限元设置：将边坡模型导入有限元软件中，在有限元软件中对边坡模型进行网格划分，确定边界条件：将左右两侧坡面水平约束，下部与地基交界处固定约束且上部坡面为自由边界，并将初始地应力选择为自重地应力场；
C30、数据集生成：根据输入排土场岩土力学参数和地基岩土力学参数，分别分析分布特征，然后以最大值及最小值在Matlab软件中随机生成若干组指标参数，分别得到排土场岩土力学特性数据集Td=[ρ d, τ d, d max, d min, C d, S d]、地基岩土力学特性数据集Tf=[S f, p f, τ f]；
C40、安全系数求解：在有限元软件的边坡模型中分别输入上述数据集Td及Tf，其它参数选择默认，采用强度折减法求解排土场边坡安全系数K；
C50、数据集构建：根据前述求解结果K ，构建包括Td、Tf及K的数据集T = [ρ d, τ d,d max, d min, C d, S d, S f, p f, τ f, K]。
进一步的，所述D步骤具体包括：
D10、归一化处理：对数据集T进行最大值和最小值归一化处理，以减小量纲、多指标、维数差异对预测结果的影响，其中归一化区间为[0 ,1]；具体公式如下：
，
式中：y为原本的特征值，y max 和y min 为该类别特征最大值、最小值，y * 为该特征归一化后的取值；
D20、划分数据集：将上述归一化处理后的数据集T划分为训练集Ttrain和预测集Ttest，其中训练集Ttrain占总数据的70%且预测集Ttest占总数据剩余的30%。
进一步的，所述E步骤中通过GWO算法进行参数优化得到最优的正则化参数γ和核函数参数σ具体为：
E10、初始化灰狼的数量及狼群中各狼的位置、最大迭代次数t和γ及σ的取值区间；
E20、计算狼群中各狼的适应度值，并按从高到低顺序进行排列，以排名前三的α、β、δ狼作为上层狼，其余的狼称为ω 狼；
E30、迭代更新α、β、δ狼与猎物的位置，直到达到最大迭代次数t时终止，并将与最小适应度值相对应的α狼位置作为γ及σ的最优组合参数。
进一步的，所述E30步骤具体如下：
E31、围捕猎物：灰狼通过观察自己与猎物之间的距离，不断调整自己的位置，如下式所示：
，
，
式中：D为灰狼和猎物之间的位置矢量，t为当前迭代次数，X p (t)为猎物此时的位置矢量，X(t)为灰狼此时的位置矢量，A和B分别为系数向量和收敛向量；
A和B的表达式为：，
式中：r 1和r 2是在区间[0,1]内的随机向量，a是收敛因子，随着迭代次数的增加，收敛因子从2到0线性减小；
E32、攻击猎物：在确定猎物的大致位置后，灰狼会接近猎物并进行攻击，其α、β、δ狼与ω狼的方向和距离如下式所示：
，
，
，
式中：k = α、β、δ，i = 1、2、3，D k 是α、β、δ狼与ω狼之间的位置向量，X k 是α、β、δ狼此时的位置向量，X是ω狼此时的位置向量，X i 是α、β、δ狼引导ω狼下一步行动的位置向量，X(t+1)是t+1步时的位置向量；
E33、按E31和E32迭代更新α、β、δ狼与猎物的位置，直到达到最大迭代次数t时终止，并将与α狼的位置向量X k 作为γ及σ的最优组合参数。
进一步的，所述E步骤中LSSVM模型构建过程如下：
E50、假设一个n维训练集D = {(x i , y i )|i = 1, 2, …, n}存在，x i ∈R n 为输入向量，y i ∈R为输出目标，采用结构风险最小准则将LSSVM模型描述为：
，
式中：ω是权重向量，φ (x i )是非线性变换的核函数，b是偏置量，γ是正则化参数，ξ i 是松弛因子；
E60、构造一个Lagrange函数，以便于求解上述优化问题：
，
式中：a i = [a 1, a 2, …, a n ]，a i 为Lagrange乘子；
E70、根据Karush Kuhn Tucker优化条件，对Lagrange函数进行求导，得到LSSVM模型的线性估计模型：
，
式中：K（x，x i ）为径向基核函数，。
进一步的，所述D步骤中排土场边坡容许安全系数[K]为1.2～1.3，若相应的边坡安全系数K≥[K]则认为排土场边坡稳定，否则认为排土场边坡将失稳。
进一步的，所述C步骤中排土场岩土力学特性数据集Td、地基岩土力学特性数据集Tf及数据集T分别为800～1200组数据的一维列向量。
本发明的有益效果：
1、本发明根据排土场边坡作为一种人工边坡，其影响因素/失稳条件等和天然边坡有很大不同的特点，因此详尽的考虑了影响排土场边坡稳定性的因素，首先通过对目标排土场野外调查、采样获取边坡几何形状及试样，并对试样采用室内试验获得排土场岩土力学参数和地基岩土力学参数，然后通过边坡建模、创新的数据集生成及有限元分析以获得数据集T，随后将数据集T进行归一化处理并划分为训练集Ttrain和预测集Ttest，从而不仅可获得目标排土场的真实数据为预测准确性打下基础，而且数据集T中包括了排土场岩土力学参数和地基岩土力学参数，还包括了基于边坡几何形状构建的模型生成的边坡安全系数K，并融合在训练集Ttrain和预测集Ttest中，因此解决了现有单一或局部参数导致条件不全面的问题，能够有效提高预测的准确率，并且通过数据集生成可有效扩展数据，而数据集T经过归一化处理可减小量纲、多指标、维数差异对预测结果的影响，从而可进一步提高预测的准确性。
2、本发明仅需短暂取样而无需如传感器长期埋设，因此不会破坏边坡自身的结构和稳定性，而且相较摄像头监测可提前获得稳定性预测结果而采取措施，提高了灾害控制的时效性。
3、本发明采用参数设置较少的GWO算法来优化LSSVM模型参数，可有效降低模型的复杂性和提高运算速度；并且根据GWO-LSSVM模型为数据驱动模型，因此对数据的数量和质量要求较高，而在实际的排土场边坡中，由于数据量少且难以收集，因此会导致模型预测精度不高的问题，采用抽样的方法进行简单室内试验，获得一定的数据量，然后利用数据分布相似性获得大量的数据样本，并结合数值模拟软件进行模拟从而建立数据集，这些数据量大、质量高的数据，可以很好的运用于模型进行排土场边坡稳定性预测，而且也解决了GWO算法收敛精度不高的问题，提高了预测的准确率和预测精度。
4、本发明进一步利用预测集Ttest以拟合优度R 2、均方根误差RMSE及平均绝对百分比误差MAPE来评估GWO-LSSVM模型的性能，从而既可以为改进GWO- LSSVM模型和准确评估预测结果提供较为可靠的依据，而且最终获得性能极佳的模型也可进一步规避GWO算法收敛精度不高的问题。
综上所述，本发明具有收敛速度快、边坡结构和稳定性影响小、预测准确率和预测精度高的特点。
附图说明
图1为本发明的排土场几何参数示意图；
图2为本发明的模型构建流程图；
图3为本发明的流程图；
图中：1-排土场边坡，2-地基。
具体实施方式
下面结合附图与实施例对本发明作进一步的说明，但不以任何方式对本发明加以限制，依据本发明的教导所作的任何变更或替换，均属于本发明的保护范围。
如图1、2和3所示，本发明包括野外调查、获取参数、构建数据集、数据集处理、构建预测模型、边坡稳定性判定步骤，具体包括：
A、野外调查：对目标排土场的几何形状进行野外调查，获取排土场边坡的坡高H、每个台阶坡脚角度φ及每个护堤的宽度b；由于排土场高度、台阶坡脚角度及护堤宽度对边坡稳定性有显著影响，因此野外调查主要包括坡高H、每个台阶坡脚角度(φ1, φ2, …,φn)、每个护堤宽度((b1, b2, …, bn)；其中，坡高H和台阶坡脚角度φ采用全站仪进行测量，护堤宽度b采用卷尺进行测量，且测量值均为算数平均值；
B、获取参数：根据规划获取目标边坡及地基试样，然后对试样通过室内试验得到排土场岩土力学参数和地基岩土力学参数；首先对整个排土场及地基进行规划，按照排土场面积平均设置采样点，面积越大，采样点越多，同时，采样点越多获得的岩土力学特性越准确；采用环刀取土钻进行取样，每个取样点取样量满足试验要求；其中，为方便取样，地基采样点具体在排土场与地基的外侧；
C、构建数据集：基于野外调查的数据构建待预测边坡的边坡模型，将前述排土场岩土力学参数和地基岩土力学参数进行处理，得到排土场岩土力学特性数据集Td及地基岩土力学特性数据集Tf，然后利用有限元软件，采用强度折减法求解排土场边坡安全系数K，随后构建包括Td、Tf及K的数据集T；
D、数据集处理：对数据集T进行最大值和最小值归一化处理，然后将归一化处理的数据集T划分为训练集Ttrain和预测集Ttest；
E、构建预测模型：通过GWO算法进行参数优化得到最优的正则化参数γ和核函数参数σ，然后利用训练集Ttrain的数据构建预测边坡稳定性的GWO-LSSVM模型，随后将优化后的γ和σ参数作为LSSVM模型的输入参数，完成对训练集Ttrain数据的拟合和预测；
F、构建预测模型：通过GWO算法进行参数优化得到最优的正则化参数γ和核函数参数σ，然后利用训练集Ttrain的数据构建预测边坡稳定性的GWO-LSSVM模型，随后将优化后的γ和σ参数作为LSSVM模型的输入参数，完成对训练集Ttrain数据的拟合和预测；
F、边坡稳定性判定：设定排土场边坡容许安全系数[K]，然后将目标区域试验得到的排土场及地基岩土力学参数输入GWO-LSSVM模型中，得到相应的边坡安全系数K ，若K≥[K]则认为排土场边坡稳定，否则认为排土场边坡将失稳。
所述E步骤后还包括预测模型评价步骤：利用预测集Ttest评估GWO-LSSVM模型性能，并采用拟合优度R 2、均方根误差RMSE及平均绝对百分比误差MAPE来评价模型性能，若GWO-LSSVM模型性能符合要求则进入F步骤，否则返回E步骤。
所述预测模型评价步骤中，
拟合优度，
均方根误差，
平均绝对百分比误差，
式中：y i 和f i 分别是模拟计算安全系数和预测安全系数；f mean是模拟计算安全系数的算术平均值；N是总的样本数量；
所述评价模型性能在R 2大于0.95、RMSE小于0.05或MAPE小于5%时满足要求。
所述B步骤中的排土场岩土力学参数包括土体密度ρ d、抗剪强度τ d、最大及最小粒径d max和d min、压缩指数C d及饱和度S d，地基岩土力学参数包括饱和度S f、孔隙率p f及抗剪强度τ f。其中，土体密度ρ d采用比重法获得，抗剪强度τ d采用直剪仪进行直剪试验获得，最大及最小粒径d max和d min采用激光粒度仪获得，压缩指数C d通过一维固结试验获得，饱和度S d采用烘干法获得；饱和度S f采用烘干法获得，孔隙率p f采用压汞法获得；所有试验按照相应的试验章程进行。
所述C步骤具体分为：
C10、边坡建模：根据野外调查的数据在CAD软件中构建待预测边坡的边坡模型；
C20、有限元设置：将边坡模型导入有限元软件中，在有限元软件中对边坡模型进行网格划分，确定边界条件：将左右两侧坡面水平约束，下部与地基交界处固定约束且上部坡面为自由边界，并将初始地应力选择为自重地应力场；
C30、数据集生成：根据输入排土场岩土力学参数和地基岩土力学参数，分别分析分布特征，然后以最大值及最小值在Matlab软件中随机生成若干组指标参数，分别得到排土场岩土力学特性数据集Td=[ρ d, τ d, d max, d min, C d, S d]、地基岩土力学特性数据集Tf=[S f, p f, τ f]；其中ρ d, τ d, d max, d min, C d, S d, S f, p f, τ f分别为一维列向量，且其分布、均值、标准差均与试验所得参数相近；
C40、安全系数求解：在有限元软件的边坡模型中分别输入上述数据集Td及Tf，其它参数选择默认，采用强度折减法求解排土场边坡安全系数K；
C50、数据集构建：根据前述求解结果K ，构建包括Td、Tf及K的数据集T = [ρ d, τ d,d max, d min, C d, S d, S f, p f, τ f, K]，其中ρ d, τ d, d max, d min, C d, S d, S f, p f, τ f, K均为一维列向量；
所述D步骤具体包括：
D10、归一化处理：对数据集T进行最大值和最小值归一化处理，以减小量纲、多指标、维数差异对预测结果的影响，其中归一化区间为[0 ,1]；具体公式如下：
，
式中：y为原本的特征值，y max 和y min 为该类别特征最大值、最小值，y * 为该特征归一化后的取值；
D20、划分数据集：将上述归一化处理后的数据集T划分为训练集Ttrain和预测集Ttest，其中训练集Ttrain占总数据的70%且预测集Ttest占总数据剩余的30%。
所述E步骤中通过GWO算法进行参数优化得到最优的正则化参数γ和核函数参数σ具体为：
E10、初始化灰狼的数量及狼群中各狼的位置、最大迭代次数t和γ及σ的取值区间；
E20、计算狼群中各狼的适应度值，并按从高到低顺序进行排列，以排名前三的α、β、δ狼作为上层狼，其余的狼称为ω 狼；
E30、迭代更新α、β、δ狼与猎物的位置，直到达到最大迭代次数t时终止，并将与最小适应度值相对应的α狼位置作为γ及σ的最优组合参数。
所述E30步骤具体如下：
E31、围捕猎物：灰狼通过观察自己与猎物之间的距离，不断调整自己的位置，如下式所示：
，
，
式中：D为灰狼和猎物之间的位置矢量，t为当前迭代次数，X p (t)为猎物此时的位置矢量，X(t)为灰狼此时的位置矢量，A和B分别为系数向量和收敛向量；
A和B的表达式为：，
式中：r 1和r 2是在区间[0,1]内的随机向量，a是收敛因子，随着迭代次数的增加，收敛因子从2到0线性减小；
E32、攻击猎物：在确定猎物的大致位置后，灰狼会接近猎物并进行攻击，其α、β、δ狼与ω狼的方向和距离如下式所示：
，
，
，
式中：k = α、β、δ，i = 1、2、3，D k 是α、β、δ狼与ω狼之间的位置向量，X k 是α、β、δ狼此时的位置向量，X是ω狼此时的位置向量，X i 是α、β、δ狼引导ω狼下一步行动的位置向量，X(t+1)是t+1步时的位置向量；
E33、按E31和E32迭代更新α、β、δ狼与猎物的位置，直到达到最大迭代次数t时终止，并将与α狼的位置向量X k 作为γ及σ的最优组合参数。
所述E步骤中LSSVM模型构建过程如下：
E50、假设一个n维训练集D = {(x i , y i )|i = 1, 2, …, n}存在，x i ∈R n 为输入向量，y i ∈R为输出目标，采用结构风险最小准则将LSSVM模型描述为：
，
式中：ω是权重向量，φ (x i )是非线性变换的核函数，b是偏置量，γ是正则化参数，ξ i 是松弛因子；
E60、构造一个Lagrange函数，以便于求解上述优化问题：
，
式中：a i = [a 1, a 2, …, a n ]，a i 为Lagrange乘子；
E70、根据Karush Kuhn Tucker优化条件，对Lagrange函数进行求导，得到LSSVM模型的线性估计模型：
，
式中：K（x，x i ）为径向基核函数，。
所述D步骤中排土场边坡容许安全系数[K]为1.2～1.3，若相应的边坡安全系数K≥[K]则认为排土场边坡稳定，否则认为排土场边坡将失稳。
所述C步骤中排土场岩土力学特性数据集Td、地基岩土力学特性数据集Tf及数据集T分别为800～1200组数据的一维列向量。
以上所述仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.一种排土场边坡稳定性预测方法，其特征在于包括野外调查、获取参数、构建数据集、数据集处理、构建预测模型、边坡稳定性判定步骤，具体包括：
A、野外调查：对目标排土场的几何形状进行野外调查，获取排土场边坡的坡高H、每个台阶坡脚角度φ及每个护堤的宽度b；
B、获取参数：根据规划获取目标边坡及地基试样，然后对试样通过室内试验得到排土场岩土力学参数和地基岩土力学参数；
C、构建数据集：基于野外调查的数据构建待预测边坡的边坡模型，将前述排土场岩土力学参数和地基岩土力学参数进行处理，得到排土场岩土力学特性数据集Td及地基岩土力学特性数据集Tf，然后利用有限元软件，采用强度折减法求解排土场边坡安全系数K，随后构建包括Td、Tf及K的数据集T；
D、数据集处理：对数据集T进行最大值和最小值归一化处理，然后将归一化处理的数据集T划分为训练集Ttrain和预测集Ttest；
E、构建预测模型：通过GWO算法进行参数优化得到最优的正则化参数γ和核函数参数σ，然后利用训练集Ttrain的数据构建预测边坡稳定性的GWO-LSSVM模型，随后将优化后的γ和σ参数作为LSSVM模型的输入参数，完成对训练集Ttrain数据的拟合和预测；
F、边坡稳定性判定：设定排土场边坡容许安全系数[K]，然后将目标区域试验得到的排土场及地基岩土力学参数输入GWO-LSSVM模型中，得到相应的边坡安全系数K ，若K≥[K]则认为排土场边坡稳定，否则认为排土场边坡将失稳；
所述B步骤中的排土场岩土力学参数包括土体密度ρ d、抗剪强度τ d、最大及最小粒径d max和d min、压缩指数C d及饱和度S d，地基岩土力学参数包括饱和度S f、孔隙率p f及抗剪强度τ f；
所述C步骤具体分为：
C10、边坡建模：根据野外调查的数据在CAD软件中构建待预测边坡的边坡模型；
C20、有限元设置：将边坡模型导入有限元软件中，在有限元软件中对边坡模型进行网格划分，确定边界条件：将左右两侧坡面水平约束，下部与地基交界处固定约束且上部坡面为自由边界，并将初始地应力选择为自重地应力场；
C30、数据集生成：根据输入排土场岩土力学参数和地基岩土力学参数，分别分析分布特征，然后以最大值及最小值在Matlab软件中随机生成若干组指标参数，分别得到排土场岩土力学特性数据集Td=[ρ d, τ d, d max, d min, C d, S d]、地基岩土力学特性数据集Tf=[S f,p f, τ f]；
C40、安全系数求解：在有限元软件的边坡模型中分别输入上述数据集Td及Tf，其它参数选择默认，采用强度折减法求解排土场边坡安全系数K；
C50、数据集构建：根据前述求解结果K ，构建包括Td、Tf及K的数据集T = [ρ d, τ d, d max,d min, C d, S d, S f, p f, τ f, K]。
2.根据权利要求1所述排土场边坡稳定性预测方法，其特征在于在所述E步骤后还包括预测模型评价步骤：利用预测集Ttest评估GWO-LSSVM模型性能，并采用拟合优度R 2、均方根误差RMSE及平均绝对百分比误差MAPE来评价模型性能，若GWO-LSSVM模型性能符合要求则进入F步骤，否则返回E步骤。
3.根据权利要求2所述排土场边坡稳定性预测方法，其特征在于所述预测模型评价步骤中，
拟合优度，
均方根误差，
平均绝对百分比误差，
式中：y i 和f i 分别是模拟计算安全系数和预测安全系数；f mean是模拟计算安全系数的算术平均值；N是总的样本数量；
所述评价模型性能在R 2大于0.95、RMSE小于0.05或MAPE小于5%时满足要求。
4.根据权利要求1所述排土场边坡稳定性预测方法，其特征在于所述D步骤具体包括：
D10、归一化处理：对数据集T进行最大值和最小值归一化处理，以减小量纲、多指标、维数差异对预测结果的影响，其中归一化区间为[0 ,1]；具体公式如下：
，
式中：y为原本的特征值，y max 和y min 为该类别特征最大值、最小值，y * 为该特征归一化后的取值；
D20、划分数据集：将上述归一化处理后的数据集T划分为训练集Ttrain和预测集Ttest，其中训练集Ttrain占总数据的70%且预测集Ttest占总数据剩余的30%。
5.根据权利要求4所述排土场边坡稳定性预测方法，其特征在于所述E步骤中通过GWO算法进行参数优化得到最优的正则化参数γ和核函数参数σ具体为：
E10、初始化灰狼的数量及狼群中各狼的位置、最大迭代次数t和γ及σ的取值区间；
E20、计算狼群中各狼的适应度值，并按从高到低顺序进行排列，以排名前三的α、β、δ狼作为上层狼，其余的狼称为ω狼；
E30、迭代更新α、β、δ狼与猎物的位置，直到达到最大迭代次数t时终止，并将与最小适应度值相对应的α狼位置作为γ及σ的最优组合参数。
6.根据权利要求5所述排土场边坡稳定性预测方法，其特征在于所述E30步骤具体如下：
E31、围捕猎物：灰狼通过观察自己与猎物之间的距离，不断调整自己的位置，如下式所示：
，
，
式中：D为灰狼和猎物之间的位置矢量，t为当前迭代次数，X p (t)为猎物此时的位置矢量，X(t)为灰狼此时的位置矢量，A和B分别为系数向量和收敛向量；
A和B的表达式为：，
式中：r 1和r 2是在区间[0,1]内的随机向量，a是收敛因子，随着迭代次数的增加，收敛因子从2到0线性减小；
E32、攻击猎物：在确定猎物的大致位置后，灰狼会接近猎物并进行攻击，其α、β、δ狼与ω狼的方向和距离如下式所示：
，
，
，
式中：k = α、β、δ，i = 1、2、3，D k 是α、β、δ狼与ω狼之间的位置向量，X k 是α、β、δ狼此时的位置向量，X是ω狼此时的位置向量，X i 是α、β、δ狼引导ω狼下一步行动的位置向量，X(t+1)是t+1步时的位置向量；
E33、按E31和E32迭代更新α、β、δ狼与猎物的位置，直到达到最大迭代次数t时终止，并将与α狼的位置向量X k 作为γ及σ的最优组合参数。
7.根据权利要求5所述排土场边坡稳定性预测方法，其特征在于所述E步骤中LSSVM模型构建过程如下：
E50、假设一个n维训练集D = {(x i , y i )|i = 1, 2, …, n}存在，x i ∈R n 为输入向量，y i ∈R为输出目标，采用结构风险最小准则将LSSVM模型描述为：
，
式中：ω是权重向量，φ (x i )是非线性变换的核函数，b是偏置量，γ是正则化参数，ξ i 是松弛因子；
E60、构造一个Lagrange函数，以便于求解上述优化问题：
，
式中：a i = [a 1, a 2, …, a n ]，a i 为Lagrange乘子；
E70、根据Karush Kuhn Tucker优化条件，对Lagrange函数进行求导，得到LSSVM模型的线性估计模型：
，
式中：K（x，x i ）为径向基核函数，。
8.根据权利要求4所述排土场边坡稳定性预测方法，其特征在于所述C步骤中排土场岩土力学特性数据集Td、地基岩土力学特性数据集Tf及数据集T分别为800～1200组数据的一维列向量；所述D步骤中排土场边坡容许安全系数[K]为1.2～1.3，若相应的边坡安全系数K≥[K]则认为排土场边坡稳定，否则认为排土场边坡将失稳。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410156565.2A CN117688821B (zh) | 2024-02-04 | 2024-02-04 | 一种排土场边坡稳定性预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410156565.2A CN117688821B (zh) | 2024-02-04 | 2024-02-04 | 一种排土场边坡稳定性预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117688821A CN117688821A (zh) | 2024-03-12 |
| CN117688821B true CN117688821B (zh) | 2024-04-26 |
Family
ID=90128725
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410156565.2A Active CN117688821B (zh) | 2024-02-04 | 2024-02-04 | 一种排土场边坡稳定性预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117688821B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110059435A (zh) * | 2019-04-27 | 2019-07-26 | 西南石油大学 | 一种非纯二氧化碳混相驱最小混相压力gwo-lssvm预测方法 |
| CN110110406A (zh) * | 2019-04-24 | 2019-08-09 | 河海大学 | 一种基于Excel计算平台实现LS-SVM模型的边坡稳定性预测方法 |
| CN115600510A (zh) * | 2022-11-28 | 2023-01-13 | 华北科技学院（中国煤矿安全技术培训中心）（Cn） | 露天矿排土场土石混合体边坡的稳定性评估方法和系统 |
| CN115618737A (zh) * | 2022-10-28 | 2023-01-17 | 云南电网有限责任公司电力科学研究院 | 一种边坡加固参数优化方法及相关设备 |
| CN116976223A (zh) * | 2023-08-14 | 2023-10-31 | 张留杰 | 一种基于深度学习的边坡安全系数计算方法 |
| CN117235510A (zh) * | 2023-09-26 | 2023-12-15 | 云南迪庆有色金属有限责任公司 | 节理粗糙度预测方法与节理粗糙度预测模型训练方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110443002A (zh) * | 2019-08-16 | 2019-11-12 | 中国水利水电科学研究院 | 一种高边坡形变预测方法及系统 |
-
2024
- 2024-02-04 CN CN202410156565.2A patent/CN117688821B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110110406A (zh) * | 2019-04-24 | 2019-08-09 | 河海大学 | 一种基于Excel计算平台实现LS-SVM模型的边坡稳定性预测方法 |
| CN110059435A (zh) * | 2019-04-27 | 2019-07-26 | 西南石油大学 | 一种非纯二氧化碳混相驱最小混相压力gwo-lssvm预测方法 |
| CN115618737A (zh) * | 2022-10-28 | 2023-01-17 | 云南电网有限责任公司电力科学研究院 | 一种边坡加固参数优化方法及相关设备 |
| CN115600510A (zh) * | 2022-11-28 | 2023-01-13 | 华北科技学院（中国煤矿安全技术培训中心）（Cn） | 露天矿排土场土石混合体边坡的稳定性评估方法和系统 |
| CN116976223A (zh) * | 2023-08-14 | 2023-10-31 | 张留杰 | 一种基于深度学习的边坡安全系数计算方法 |
| CN117235510A (zh) * | 2023-09-26 | 2023-12-15 | 云南迪庆有色金属有限责任公司 | 节理粗糙度预测方法与节理粗糙度预测模型训练方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117688821A (zh) | 2024-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Moghaddasi et al. | ICA-ANN, ANN and multiple regression models for prediction of surface settlement caused by tunneling | |
| Yang et al. | Improved PLS and PSO methods-based back analysis for elastic modulus of dam | |
| Xue et al. | Seismic liquefaction potential assessed by neural networks | |
| Behnia et al. | Predicting crest settlement in concrete face rockfill dams using adaptive neuro-fuzzy inference system and gene expression programming intelligent methods | |
| CN113033108B (zh) | 一种基于AdaBoost算法的边坡可靠度判断方法 | |
| CN114036841A (zh) | 基于半监督支持向量机模型的滑坡易发性预测方法及系统 | |
| 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 | |
| Wang et al. | Modeling of shield-ground interaction using an adaptive relevance vector machine | |
| Feng et al. | Reliability-based multi-objective optimization in tunneling alignment under uncertainty | |
| Zhang et al. | A new approach for mechanical parameter inversion analysis of roller compacted concrete dams using modified PSO and RBFNN | |
| Ekmen | Evaluation of SPT-N values and internal friction angle correlation using artificial intelligence methods in granular soils | |
| Zhou et al. | Hybrid random forest-based models for predicting shear strength of structural surfaces based on surface morphology parameters and metaheuristic algorithms | |
| Wen et al. | Predicting the crest settlement of concrete face rockfill dams by combining threshold regression and support vector machine | |
| CN110245370A (zh) | 一种高面板堆石坝多目标力学参数反演方法 | |
| CN117688821B (zh) | 一种排土场边坡稳定性预测方法 | |
| Zhao et al. | Determining geomechanical parameters and a deformation uncertainty analysis of the Longtan Hydropower Station slope, China | |
| CN116777079A (zh) | 一种基于贝叶斯层间结构模型的沙漠化侵扰灾害预测方法 | |
| Zhang et al. | Application of grey feed forward back propagation-neural network model based on wavelet denoising to predict the residual settlement of goafs | |
| CN116861347A (zh) | 一种基于深度学习模型的磁力异常数据计算方法 | |
| Yin et al. | Deep learning-based design model for suction caissons on clay | |
| Fu et al. | Slope stability analysis based on big data and convolutional neural network | |
| CN115182398A (zh) | 一种地震预警区域的地下水位及地表沉降预测方法 | |
| CN111597752B (zh) | 平衡孔间敏感性的跨孔电阻率ct深度学习反演方法及系统 | |
| CN111767649B (zh) | 一种软基地区变电站地质变形安全评估方法 | |
| Mahmoud et al. | Hybrid meta-heuristic adaptive fuzzy inference systems in rockfill dam multi-objective shape 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 |