System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及边坡可靠度分析,具体是涉及基于机器学习算法的空间变异边坡可靠度分析方法及系统。
技术介绍
1、由于岩土体形成过程涉及多形式且复杂的物化作用,导致岩土体参数存在空间变异性,该变异性对岩土结构物(如:边坡、桩基础、隧道等)具有较大影响,这一事实已逐渐被人们所认识,已有相关研究证实了其重要性。
2、在基于机器学习算法的空间变异边坡可靠度分析方法中,蒙特卡洛方法模拟(mcs)概念简单、准确率较高在边坡失效概率评估中获得了广泛的应用。但是计算量大的问题,导致该方法在实际运用上受到限制。因此,学者们提出以少量样本点构建近似边坡极限状态函数,进而以代理模型响应值进行边坡可靠度分析的方法。例如人工神经网络(ann)、支持向量机(svm)、多元自适应回归样条(mars)法等机器学习方法,研究人员将ann引入边坡可靠度分析,并别应用于地下岩土开挖的可靠度分析,但是ann存在需要大量的训练数据,且模型非常容易过拟合,而svm适合小样本,并且可以克服ann的一部分缺陷,已有学者利用svm对边坡的位移以及稳定性分析进行了研究,但是svm如何选取合适的核函数是一个问题。mars方法能够估计输入变量对输出变量的贡献,模型精度较高。该方法已在岩土可靠度问题中验证了其有效性,而有研究人员指出如果需要得到一个精度较高的mars模型,样本数量至少为输入的参数量的10倍以上。因此,在考虑空间变异的边坡可靠度分析中无法体现出mars模型的优势,所以有必要寻找精度高、鲁棒性强的算法。
3、集成学习(ensemble learning)是机
技术实现思路
1、本申请的目的是为了克服上述
技术介绍
的不足,提供一种基于机器学习算法的空间变异边坡可靠度分析方法及系统。
2、第一方面,提供基于机器学习算法的空间变异边坡可靠度分析方法,包括以下步骤:
3、获取边坡可靠度分析所需数据;
4、将获取的边坡可靠度分析所需的数据进行融合降维处理,获取模型处理所需的数据集,所述数据集包括训练集、验证集;
5、构建边坡可靠度分析网络模型;
6、将数据集中的训练集输入构建的边坡可靠度分析网络模型通过集成学习方法进行模型训练,并经验证集进行验证,获取优化后的边坡可靠度分析网络模型;
7、将测试集输入优化后边坡可靠度分析网络模型,获取准确性符合要求的边坡可靠度分析网络模型;
8、应用准确性符合要求的边坡可靠度分析网络模型进行边坡可靠度分析。
9、根据第一方面,在第一方面的第一种实现方式中,所述边坡可靠度分析所需数据步骤中,所述边坡可靠度分析所需数据为土体抗剪强度参数,包括土体粘聚力和内摩擦角。
10、根据第一方面,在第一方面的第二种实现方式中,所述将获取的边坡可靠度分析所需的数据进行融合降维处理,获取模型处理所需的数据集,所述数据集包括以下步骤:
11、将获取的边坡可靠度分析所需对的数据进行数据处理,获取标准正态向量的随机样本矩阵,并将其转化为相关非正态随机样本的随机场;
12、对随机场进行空间变异性模拟,获取离散后的随机变量;
13、对随机场进行计算,获取随机场的安全系数;
14、将随机变量和安全系数合并处理,获取数据集,将数据集划分为训练集、测试集和验证集。
15、根据第一方面的第二种实现方式,在第一方面的第三种实现方式中,所述对随机场进行空间变异性模拟,获取离散后的随机变量步骤,具体包括以下步骤:
16、利用karhunen-loève级数展开方法对随机场进行离散,获取随机变量。
17、根据第一方面的第二种实现方式,在第一方面的第四种实现方式中,所述将随机变量和安全系数合并处理,获取数据集,将数据集划分为训练集、验证集和测试集步骤,具体包括以下步骤:
18、将获取的随机变量进行降维处理,获取降维后的随机变量;
19、将降维后的随机变量和安全系数合并处理,获取数据集,将数据集划分为训练集、验证集和测试集。
20、根据第一方面,在第一方面的第五种实现方式中,所述构建边坡可靠度分析网络模型步骤,具体包括以下步骤:
21、构建xgboost网络模型;
22、建立边坡可靠度分析网络模型目标损失函数。
23、根据第一方面,在第一方面的第六种实现方式中,所述将训练集输入构建的边坡可靠度分析网络模型通过集成学习方法进行模型训练,并经验证集进行验证,获取优化后的边坡可靠度分析网络模型步骤,具体包括以下步骤:
24、将训练集输入构建的边坡可靠度分析网络模型,基于xgboost集成学习方法使用网格搜索法优化超参数,直至目标损失函数的损失值收敛,获取优化后的边坡可靠度分析网络模型。
25、第二方面,本申请提供了一种基于机器学习算法的空间变异边坡可靠度分析系统,包括:
26、数据获取模块,用于获取边坡可靠度分析所需数据;
27、数据集获取模块,与所述数据获取模块通信连接,用于将获取的边坡可靠度分析所需的数据进行融合降维处理,获取模型处理所需的数据集,所述数据集包括训练集、验证集;
28、模型构建模块,用于构建边坡可靠度分析网络模型;
29、模型训练模块,与所述数据集获取模块和所述模型构建模块通信连接,用于将训练集输入构建的边坡可靠度分析网络模型通过集成学习方法进行模型训练,并经验证集进行验证,获取优化后的边坡可靠度分析网络模型;
30、模型测试模块,与所述数据集获取模块和所述模型训练模块通信连接,用于将测试集输入优化后边坡可靠度分析网络模型,获取准确性符合要求的边坡可靠度分析网络模型;
31、边坡可靠度分析模块,与所述模型测试模块通信连接,用于应用准确性符合要求的边坡可靠度分析网络模型进行边坡可靠度分析。
32、根据第二方面,在第二方面的第一种实现方式中,所述数据集获取模本文档来自技高网...
【技术保护点】
1.一种基于机器学习算法的空间变异边坡可靠度分析方法,其特征在于,包括如下步骤:
2.如权利要求1所述的基于机器学习算法的空间变异边坡可靠度分析方法,其特征在于,所述边坡可靠度分析所需数据步骤中,所述边坡可靠度分析所需数据为土体抗剪强度参数,包括土体粘聚力和内摩擦角。
3.如权利要求1所述的基于机器学习算法的空间变异边坡可靠度分析方法,其特征在于将获取的边坡可靠度分析所需的数据进行融合降维处理,获取模型处理所需的数据集,所述数据集包括以下步骤:
4.如权利要求3所述的基于机器学习算法的空间变异边坡可靠度分析方法,其特征在于,所述对随机场进行空间变异性模拟,获取离散后的随机变量步骤,具体包括以下步骤:
5.如权利要求3所述的基于机器学习算法的空间变异边坡可靠度分析方法,其特征在于,所述将随机变量和安全系数合并处理,获取数据集,将数据集划分为训练集、验证集和测试集步骤,具体包括以下步骤:
6.如权利要求1所述的基于机器学习算法的空间变异边坡可靠度分析方法,其特征在于,所述构建边坡可靠度分析网络模型步骤,具体包括以下步骤:
...【技术特征摘要】
1.一种基于机器学习算法的空间变异边坡可靠度分析方法,其特征在于,包括如下步骤:
2.如权利要求1所述的基于机器学习算法的空间变异边坡可靠度分析方法,其特征在于,所述边坡可靠度分析所需数据步骤中,所述边坡可靠度分析所需数据为土体抗剪强度参数,包括土体粘聚力和内摩擦角。
3.如权利要求1所述的基于机器学习算法的空间变异边坡可靠度分析方法,其特征在于将获取的边坡可靠度分析所需的数据进行融合降维处理,获取模型处理所需的数据集,所述数据集包括以下步骤:
4.如权利要求3所述的基于机器学习算法的空间变异边坡可靠度分析方法,其特征在于,所述对随机场进行空间变异性模拟,获取离散后的随机变量步骤,具体包括以下步骤:
5.如权利要求3所述的基于机器学习算法的空间变异边坡可靠度分析方法,其特征在于,所述将随机变量和安全系数合并处理,获取数据集...
【专利技术属性】
技术研发人员:邓志平,黄开榕,钟敏,潘敏,郑克红,牛景太,
申请(专利权)人:南昌工程学院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。