基于二分类的边坡系统可靠度分析方法技术方案

本发明专利技术提供了一种基于二分类的边坡系统可靠度分析方法，涉及土质边坡可靠度分析领域，本发明专利技术提出了二分类方法BCM，它结合了一个嵌入有限差分程序FLAC的基于判断的强度折减法SRM和一个主动学习支持向量机ASVM来有效且准确地估计层状边坡系统失效概率；其中，基于判断的SRM用于识别边坡系统的稳定状态，而无需计算其精确的稳定性系数FS；然后依次采用改进的三西格玛3‑σ初始采样点策略和主动学习策略来逼近真实极限状态函数LSF，不断训练SVM分类器，利用当前训练的SVM分类器对具有大量样本的拉丁超立方抽样LHS进行失效概率评估，相比已有技术，大大提升了计算效率，同时保证了计算精度，具有较强的实践性。

【技术实现步骤摘要】
基于二分类的边坡系统可靠度分析方法
本专利技术涉及土质边坡可靠度分析领域，特别是涉及一种基于二分类的层状边坡可靠度分析方法。
技术介绍
边坡稳定性评价是一个复杂的岩土工程问题，其输入参数具有不确定性。传统的安全系数(也称稳定性系数)FS(factorofsafety)评价方法难以表示这一不确定性因素。此外，边坡内部可能存在许多不同的潜在滑动面(或破坏模式)，沿任意一滑动面的破坏概率通常小于整个边坡系统的破坏概率。因此，在进行此类边坡可靠度分析时，还应考虑系统效应。考虑系统效应，可以确定对边坡系统失效概率(Pf,s)贡献最大的典型滑动面(RSSs)；然后，可以考虑(i)不同RSSs之间的相关性和(ii)其可靠度指标来计算Pf,s。已有技术中有通过随机产生大量潜在滑动面来识别RSSs，或采用扩展的Hassan和Wolff方法对RSSs进行识别。然而，在这些研究中，通常假设滑动面是圆形的，这可能不适合复杂的边坡系统，特别是当存在薄弱层时。考虑非圆形滑动面，相关研究人员利用斯宾赛法(Spencer)和遗传算法识别任意形状的RSSs，但由于涉及到许多优化问题，这种方法计算量大。基于有限元(FDM)/有限差分(FLAC)分析的强度折减法(SRM，strengthreductionmethod)将边坡视为一个系统，能自动识别任意形状的临界滑动面，因而成为土坡系统可靠度分析的理想工具。然而，尽管有这些优点，SRM在边坡可靠度分析中的应用很少，这可能是由于其计算量过大。近年来，先进可靠度方法的发展促进了SRM在边坡可靠度分析中的应用。这些先进方法的基本思想是用少量观测样本建立的显式函数来代替耗时的数值模型，这种方法也称为响应面法(RSM)。例如，使用人工神经网络(ANN)为基于FDM的SRM模型建立响应面，然后用蒙特卡罗模拟(MCS)方法估计Pf,s；或将优化克里金Kriging方法应用于边坡可靠度分析，其中，SRM分析过程需要替换为显式Kriging模型；或在设计点附近建立SRM的替代模型，并用一阶可靠度法计算Pf,s。最近，也有提出采用主动学习代理模型结合FLAC3D-SRM分析，利用这种主动学习代理模型，边坡系统可靠度分析所需的观测样本数量可以显著减少到几十个。然而，对于每个采样点，基于SRM的FS求解成为可靠度分析的主要计算负担，特别是当涉及复杂的数值模型时，这就成为阻碍基于可靠度的边坡稳定分析在工程实践中应用的主要障碍之一。
技术实现思路
本专利技术提供了一种基于二分类的边坡系统可靠度分析方法，克服了上述技术问题，进一步提高了层状边坡系统可靠度分析的计算效率，同时保持了计算精度。为了解决上述技术问题，本专利技术公开了基于二分类的边坡系统可靠度分析方法，包括：步骤S1：在标准正态空间中，利用初始采样点策略生成所述边坡系统的初始训练样本集S；步骤S2：将所述S中的训练样本从所述标准正态空间转换至物理空间，得到强度折减法SRM所需的相应输入参数，向有限差分程序FLAC发送所述相应输入参数，以更新预先建立的边坡数值模型，所述边坡数值模型用于确定所述S中每个训练样本的实际状态标签；其中，状态标签为稳定或失稳；步骤S3：根据所述S和所述S中的训练样本对应的实际状态标签，训练支持向量机SVM分类器；步骤S4：利用当前训练的SVM分类器预测预先设置的拉丁立方抽样LHS池中每个训练样本的预测状态标签，并根据所述LHS池中每个训练样本的预测状态标签，计算当前迭代的失效概率，将当前迭代的失效概率记录在预设矩阵中；步骤S5：将所述LHS池内的每个训练样本代入主动学习函数，从所述LHS池内筛选出一个最优训练样本，并利用所述边坡数值模型确定所述最优训练样本对应的实际状态标签；步骤S6：判断最后五次迭代计算的失效概率的变异系数与预设的收敛阈值的大小；步骤S7：当最后五次迭代计算的失效概率的变异系数大于所述收敛阈值时，将所述最优训练样本和所述最优训练样本对应的实际状态标签添加到所述S中，重复步骤S3～步骤S7；步骤S8：当最后五次迭代计算的失效概率的变异系数小于所述收敛阈值时，将所述预设矩阵中最后一次迭代计算的失效概率作为所述边坡系统的可靠度分析结果。进一步的，所述步骤S1包括：在标准正态空间中，使用三西格玛3-σ规则构建所述边坡系统的训练样本集；所述训练样本集包括多个训练样本u；针对所述训练样本集中每个u，判断所述u是否满足以下任一条件：所述u有n-1个元素等于-3，另一个元素等于0或者3，所述n表示u中的元素的个数；或所述u的n个元素全相同，均等于-3、0或者3；若所述u满足，则将所述u保留在所述训练样本集中；若所述u不满足，则将所述u从所述训练样本集中移除；当所述训练样本集判断完，获得所述初始训练样本集S。进一步的，所述步骤S2包括：令标准正态空间为U空间，物理空间为X空间；将所述S中的训练样本从所述U空间转换至所述X空间后，所述训练样本由u转换为x；对于所述边坡系统的可靠度分析，用下式计算所述x的功能响应：g(x)＝FS(x)-1(1)；其中，x表示包含所述边坡系统的土壤参数的变量向量，FS是使用FLAC中嵌入的强度折减法计算的稳定性系数，计算公式如下：其中，G(·)为g(·)在U空间的函数映射，c表示所述边坡系统的粘聚力，φ表示所述边坡系统的摩擦角，cnew和φnew分别表示折减后的的c和φ；随后，建立边坡数值模型，以确定所述S中每个训练样本的实际状态标签：Y(u)＝sign[G(u)](3)；其中，状态标签Y(u)＝+1表示稳定，状态标签Y(u)＝-1表示失稳。进一步的，设所述S为(u1,u2,…,ui,uN∈Rn)，所述S中的训练样本对应的实际状态标签为(Y1,Y2,…,Yi,YN∈{-1,+1})，其中，N表示S中训练样本的个数；针对所述S中线性可分的训练样本，所述步骤S3包括：根据(u1,u2,…,ui,uN∈Rn)和(Y1,Y2,…,Yi,YN∈{-1,+1})，训练所述SVM分类器，以构造F(u)＝0的线性可分的最优超平面，所述最优超平面的函数表达式为：F(u)＝wTu+b＝0(4)；其中，w表示未知参数的向量，b是标量值；在所述F(u)＝0的最优超平面中，实际状态标签不同的训练样本集中于不同的区域，其中，状态标签为稳定的训练样本集中于安全域，状态标签为失稳的训练样本集中于失效域；上述线性可分的训练样本满足以下约束：Yi(wTui+b)-1≥0i＝1,...,N(5)；F(u)＝0的最优超平面对应解决的优化问题为：其中，1/||w||表示所述最优超平面与任何状态标签的训练样本之间的最近距离；ε表示非负偏差，设置为0。进一步的，针对所述S中线性不可分的训练样本，引入了两个松弛变量ξ和ξ*，ξ≥0，ξ*≥0，所述方法还包括：本文档来自技高网...

【技术保护点】
1.基于二分类的边坡系统可靠度分析方法，其特征在于，包括：/n步骤S1：在标准正态空间中，利用初始采样点策略生成所述边坡系统的初始训练样本集S；/n步骤S2：将所述S中的训练样本从所述标准正态空间转换至物理空间，得到强度折减法SRM所需的相应输入参数，向有限差分程序FLAC发送所述相应输入参数，以更新预先建立的边坡数值模型，所述边坡数值模型用于确定所述S中每个训练样本的实际状态标签；其中，状态标签为稳定或失稳；/n步骤S3：根据所述S和所述S中的训练样本对应的实际状态标签，训练支持向量机SVM分类器；/n步骤S4：利用当前训练的SVM分类器预测预先设置的拉丁立方抽样LHS池中每个训练样本的预测状态标签，并根据所述LHS池中每个训练样本的预测状态标签，计算当前迭代的失效概率，将当前迭代的失效概率记录在预设矩阵中；/n步骤S5：将所述LHS池内的每个训练样本代入主动学习函数，从所述LHS池内筛选出一个最优训练样本，并利用所述边坡数值模型确定所述最优训练样本对应的实际状态标签；/n步骤S6：判断最后五次迭代计算的失效概率的变异系数与预设的收敛阈值的大小；/n步骤S7：当最后五次迭代计算的失效概率的变异系数大于所述收敛阈值时，将所述最优训练样本和所述最优训练样本对应的实际状态标签添加到所述S中，重复步骤S3～步骤S7；/n步骤S8：当最后五次迭代计算的失效概率的变异系数小于所述收敛阈值时，将所述预设矩阵中最后一次迭代计算的失效概率作为所述边坡系统的可靠度分析结果。/n...

【技术特征摘要】
1.基于二分类的边坡系统可靠度分析方法，其特征在于，包括：
步骤S1：在标准正态空间中，利用初始采样点策略生成所述边坡系统的初始训练样本集S；
步骤S2：将所述S中的训练样本从所述标准正态空间转换至物理空间，得到强度折减法SRM所需的相应输入参数，向有限差分程序FLAC发送所述相应输入参数，以更新预先建立的边坡数值模型，所述边坡数值模型用于确定所述S中每个训练样本的实际状态标签；其中，状态标签为稳定或失稳；
步骤S3：根据所述S和所述S中的训练样本对应的实际状态标签，训练支持向量机SVM分类器；
步骤S4：利用当前训练的SVM分类器预测预先设置的拉丁立方抽样LHS池中每个训练样本的预测状态标签，并根据所述LHS池中每个训练样本的预测状态标签，计算当前迭代的失效概率，将当前迭代的失效概率记录在预设矩阵中；
步骤S5：将所述LHS池内的每个训练样本代入主动学习函数，从所述LHS池内筛选出一个最优训练样本，并利用所述边坡数值模型确定所述最优训练样本对应的实际状态标签；
步骤S6：判断最后五次迭代计算的失效概率的变异系数与预设的收敛阈值的大小；
步骤S7：当最后五次迭代计算的失效概率的变异系数大于所述收敛阈值时，将所述最优训练样本和所述最优训练样本对应的实际状态标签添加到所述S中，重复步骤S3～步骤S7；
步骤S8：当最后五次迭代计算的失效概率的变异系数小于所述收敛阈值时，将所述预设矩阵中最后一次迭代计算的失效概率作为所述边坡系统的可靠度分析结果。


2.根据权利要求1所述的方法，其特征在于，所述步骤S1包括：
在标准正态空间中，使用三西格玛3-σ规则构建所述边坡系统的训练样本集；所述训练样本集包括多个训练样本u；
针对所述训练样本集中每个u，判断所述u是否满足以下任一条件：
所述u有n-1个元素等于-3，另一个元素等于0或者3，所述n表示u中的元素的个数；或所述u的n个元素全相同，均等于-3、0或者3；
若所述u满足，则将所述u保留在所述训练样本集中；
若所述u不满足，则将所述u从所述训练样本集中移除；
当所述训练样本集判断完，获得所述初始训练样本集S。


3.根据权利要求2所述的方法，其特征在于，所述步骤S2包括：
令标准正态空间为U空间，物理空间为X空间；
将所述S中的训练样本从所述U空间转换至所述X空间后，所述训练样本由u转换为x；
对于所述边坡系统的可靠度分析，用下式计算所述x的功能响应：
g(x)＝FS(x)-1(1)；
其中，x表示包含所述边坡系统的土壤参数的变量向量，FS是使用FLAC中嵌入的强度折减法计算的稳定性系数，计算公式如下：



其中，G(·)为g(·)在U空间的函数映射，c表示所述边坡系统的粘聚力，φ表示所述边坡系统的摩擦角，cnew和φnew分别表示折减后的c和φ；
随后，建立边坡数值模型，以确定所述S中每个训练样本的实际状态标签：
Y(u)＝sign[G(u)](3)；
其中，状态标签Y(u)＝+1表示稳定，状态标签Y(u)＝-1表示失稳。


4.根据权利要求3所述的方法，其特征在于，设所述S为(u1,u2,…,ui,uN∈Rn)，所述S中的训练样本对应的实际状态标签为(Y1,Y2,…,Yi,YN∈{-1,...

【专利技术属性】
技术研发人员：曾鹏，张天龙，李天斌，孙小平，钟可盈，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：四川;51