【技术实现步骤摘要】
本专利技术属于水利工程堆石料参数分析方法，涉及一种基于可解释机器学习的堆石料e-b参数敏感性分析方法。
技术介绍
1、混凝面板堆石坝是水利水电工程常用的坝型之一，因混凝面板堆石坝对不同地形地质条件的适应性强、施工方便、投资小等优势得到了广泛的应用。目前，在实际工程中，常采用非线弹性模型，如邓肯-张e-b模型进行混凝土面板堆石坝变形的数值计算，该模型的参数常采用三轴试验、参数反演及同类工程类比的方法进行确定。但由于邓肯-张e-b模型参数及大坝变形监测点较多，更能够反映工程实际材料参数的反演方法难以适用。因此，寻求更为重要的变形影响参数，以提高材料参数赋值的准确性极为重要。
2、对于邓肯-张e-b模型参数的敏感性分析，目前常用的方法包括单因素分析法和多因素分析法。单因素分析法选取某一效应量作为指标值，在不断改变某一自变量参数取值的同时假定其他自变量参数保持不变，通过比较指标值随参数变化关系曲线反映各自变量参数的敏感性大小。基于单因素的敏感性分析方法虽然能够直观的反映各参数对基准指标的影响，但缺少考虑邓肯-张e-b模型不同材料参数之间的相互影响、共同变化，其分析结果往往存在一定误差。相比之下，多因素分析法能够有效弥补单因素法的不足，更为准确、全面地反映参数敏感性分析的结果，但较多的材料参数组合极大的增加了敏感性分析的工作量，为解决工作量的问题，产生了大量的试验设计方法，如拉丁超立方抽样、中心组合设计试验和正交试验设计等方法，其中正交试验法因其布点均衡、试验次数较少等优点得到广泛应用，但需要对正交试验法的结果进行进一步分析。
3、目前，采用极差分析法和方差分析法对正交试验法结果进行分析，但方差分析法不能确定敏感性较小的因子是否对效应量存在影响；极差分析无法区分试验结果的波动是由何种因素引起；若采用双判别方式，方差分析与极差分析得出的敏感性顺序存在不一致的情况，难以对堆石料e-b参数的敏感性进行合理判别。
技术实现思路
1、本专利技术的目的是提供一种基于可解释机器学习的堆石料e-b参数敏感性分析方法，解决了现有技术中存在的难以对堆石料e-b参数的敏感性进行合理判别的问题。
2、本专利技术所采用的技术方案是，基于可解释机器学习的堆石料e-b参数敏感性分析方法，具体按照如下步骤实施：
3、步骤1，采用正交设计试验方法生成特定数量的材料参数，生成数据集；
4、步骤2，将步骤1获得数据集中的数据输入非线性有限元分析软件marc进行数值仿真计算，得到特定观测点的面板堆石坝沉降变形值，将计算的面板堆石坝沉降变形值数据加入到步骤1生成的数据集中，生成堆石料e-b参数-大坝沉降变形数据集；
5、步骤3，根据堆石料e-b参数-大坝沉降变形数据集建立材料参数与大坝沉降变形间的代理模型；
6、步骤4，通过可解释机器学习的shap值理论，实现堆石料有限元计算的邓肯-张e-b模型参数的敏感性分析。
7、本专利技术的特征还在于，
8、步骤1具体为：
9、步骤1.1，通过现场土工试验数据，确定堆石料e-b参数的种类；
10、步骤1.2，采用正交试验设计方法，在确定影响因素和因素水平下，通过正交设计表每个堆石料e-b参数共生成h个，生成数据集。
11、步骤1.1中堆石料e-b参数具体包括破坏比rf、弹性模量指数n、体积模量指数m、初始体积模量基数kb、初始模量基数k、内摩擦角和摩擦角变化量
12、步骤1.2中的数据集为s＝{s1,s2,s3,...,sh}，其中，数据集s中的第i组数据为si，i＝1,2,3,...,h，其中，为第i个破坏比，ni为第i个弹性模量指数，mi为第i个体积模量指数，为第i个初始体积模量基数，ki为第i个初始模量基数，为第i个内摩擦角，为第i个摩擦角变化量。
13、步骤2具体为：
14、步骤2.1，将步骤1获取的数据集中的数据组si输入非线性有限元分析软件marc进行数值计算，获取marc计算文件，在计算文件中提取得到堆石坝每个观测点的沉降变形值；
15、步骤2.2，将提取的每个观测点的沉降变形值数据加入对应的数据组si中，生成堆石料e-b参数-大坝沉降变形数据集记数据集s*中的第i组数据为则其中，qi为输入数据组si后marc计算文件中提取的每个观测点的沉降变形值，其中，j为观测点的数量，输入数据组si后marc计算文件提取的第j个观测点的沉降变形值。
16、步骤3具体为：
17、步骤3.1，将步骤2获得堆石料e-b参数-大坝沉降变形数据集s*中的数据组分为训练集和测试集；
18、步骤3.2，将训练集数据和测试集数据中的堆石料e-b参数组合作为输入自变量、不同观测点的堆石坝沉降变形量作为输出因变量，将训练集中的自变量和因变量输入极致梯度提升算法，建立表达堆石料e-b参数组合和堆石坝沉降变形量间关系的极致梯度提升算法模型；将测试集中的自变量输入已建立的极致梯度提升算法模型中，得到对应的堆石坝沉降变形因变量；绘制极致梯度提升算法模型计算堆石坝变形值和测试集堆石坝变形值的对比图，并计算变形值间的均方根误差，验证模型的准确性，若均方根误差不小于1，则认为模型的准确性不符合要求，则返回步骤1.2重新生成数据集，若模型满足准确性需求则输出极致梯度提升算法模型即材料参数与大坝沉降变形间的极致梯度提升算法代理模型。
19、步骤3.1中选用数据集s*中80％的数据组作为训练集，选用数据集s*中20％的数据组作为测试集。
20、步骤4具体为：
21、步骤4.1，在已建立的极致梯度提升算法代理模型的基础上，利用可解释机器学习的shap值理论对其进行解释分析，获得每个堆石料e-b参数的shap值即特征贡献值；
22、步骤4.2，基于步骤4.1的堆石料e-b参数的特征贡献值，得到平均绝对shap值，量化每个影响因子的具体贡献，将所有堆石料材料e-b参数对应的平均绝对shap值按照由大到小排序，若堆石料材料e-b参数具体参数类型对应的平均绝对shap值越大，说明该参数对效应量即堆石坝沉降变形值的影响越大，则平均绝对shap值按照由大到小排序即为堆石料e-b参数的敏感性由大到小的排序，完成堆石料e-b参数的敏感性分析。
23、本专利技术的有益效果是：
24、本专利技术通过marc软件进行有限元计算，调用marc计算文件，以记录面板堆石坝不同观测点处的沉降变形值，结合正交试验设计生成的材料参数数据集，合并得到堆石料e-b参数-大坝沉降变形的数据集；再采用极致梯度提升算法构建堆石料e-b参数-大坝沉降变形计算的代理模型，不仅能够快速可靠地实现面板堆石坝沉降变形的计算，保证了后续堆石料e-b参数敏感性分析的准确性，同时可解释机器学习的shap值理论极大的提高了堆石料e-b参数敏感性分析的准确性，因此通过上述操作，本专利技术能对堆石料e-b参数敏感性进行合理的排序，根据排序能合理判断对应参数对本文档来自技高网...
【技术保护点】
1.基于可解释机器学习的堆石料E-B参数敏感性分析方法，其特征在于，具体按照如下步骤实施：
2.根据权利要求1所述的基于可解释机器学习的堆石料E-B参数敏感性分析方法，其特征在于，所述步骤1具体为：
3.根据权利要求2所述的基于可解释机器学习的堆石料E-B参数敏感性分析方法，其特征在于，所述步骤1.1中堆石料E-B参数具体包括破坏比Rf、弹性模量指数n、体积模量指数m、初始体积模量基数Kb、初始模量基数K、内摩擦角和摩擦角变化量
4.根据权利要求3所述的基于可解释机器学习的堆石料E-B参数敏感性分析方法，其特征在于，所述步骤1.2中的数据集为S＝{S1,S2,S3,...,SH}，其中，数据集S中的第i组数据为Si，i＝1,2,3,...,H，其中，为第i个破坏比，ni为第i个弹性模量指数，mi为第i个体积模量指数，为第i个初始体积模量基数，Ki为第i个初始模量基数，为第i个内摩擦角，为第i个摩擦角变化量。
5.根据权利要求4所述的基于可解释机器学习的堆石料E-B参数敏感性分析方法，其特征在于，所述步骤2具体为：
6.根
7.根据权利要求6所述的基于可解释机器学习的堆石料E-B参数敏感性分析方法，其特征在于，所述步骤3.1中选用数据集S*中80％的数据组作为训练集，选用数据集S*中20％的数据组作为测试集。
8.根据权利要求6所述的基于可解释机器学习的堆石料E-B参数敏感性分析方法，其特征在于，所述步骤4具体为：
...【技术特征摘要】
1.基于可解释机器学习的堆石料e-b参数敏感性分析方法，其特征在于，具体按照如下步骤实施：
2.根据权利要求1所述的基于可解释机器学习的堆石料e-b参数敏感性分析方法，其特征在于，所述步骤1具体为：
3.根据权利要求2所述的基于可解释机器学习的堆石料e-b参数敏感性分析方法，其特征在于，所述步骤1.1中堆石料e-b参数具体包括破坏比rf、弹性模量指数n、体积模量指数m、初始体积模量基数kb、初始模量基数k、内摩擦角和摩擦角变化量
4.根据权利要求3所述的基于可解释机器学习的堆石料e-b参数敏感性分析方法，其特征在于，所述步骤1.2中的数据集为s＝{s1,s2,s3,...,sh}，其中，数据集s中的第i组数据为si，i＝1,2,3,...,h，其中，为第i个破坏比...
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。