浅谈岩土分类和边坡可靠度分析的支持向量机方法

《浅谈岩土分类和边坡可靠度分析的支持向量机方法》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、湖南大学硕士学位论文岩土分类和边坡可靠度分析的支持向量机方法姓名：马宁申请学位级别：硕士专业：岩土工程指导教师：苏永华20081215硕{j学位论文摘要在岩土分类及稳定可靠度分析中，常遇到小样本、非线性及隐式函数等问题，例如基于极限平衡理论的边坡稳定性分析模式求得的安全系数就是高度非线性的隐式形式，导致在可靠度分析中无法采用精确的解析方法计算。目前通常采用响应面法、人工神经网络方法和差分方法等进行处理，但这些方法都存在着不同的局限性。支持向量机能很好地解决小样本、非线性、高维数和局部极小点等实际问题，将其引入到岩土分类及边坡可靠性分

2、析中可以有效地克服上述方法的不足。本文在对支持向量机原理作详细探讨的基础上，将其应用于岩土分类问题和边坡可靠度分析。主要取得如下成果：一、在深入分析了砂土液化影响因素的基础上，建立了基于支持向量机的非线性砂土液化判别模型，将训练样本进行归一化后输入模型，并根据核函数原理利用网格搜索方法进行参数调整。然后对砂土液化的严重性进行预测，将预测结果与BP神经网络方法比较，结果显示该模型具有预测精度高、结构简单、运行速度快和性能稳定的特点。二、在对影响围岩稳定因素进行分析筛选的基础上，建立了隧道围岩级别的多分类支持向量机判断模型，通过实例分析

3、显示了该模型的实用性和有效性。三、利用C++语言编制了极限平衡理论若干分析模式的稳定性系数计算的微机化程序。四、以斯宾塞(Spencer)模式和简布(Janbu)模式为例，利用支持向量机的拟合能力，研究了边坡极限平衡方法下非线性稳定性系数隐式函数的近似显式化方法，再根据该显式表达式建立极限状态方程通过JC法求解可靠度指标。选取三个实例，通过上述方法求解可靠度指标，并与蒙特卡洛法的结果进行对比，验证了所研究方法的准确性。支持向量机模型应用于岩土分类问题和边坡可靠性分析中只有结构简单．求解速度快，精度高，能应用于解决小样本和复杂问题等诸

4、多优点，是岩土工程中解决复杂分类问题和边坡可靠性分析的一种先进的分析方法，具有重要的理论与工程实际意义。关键词：岩土分类；边坡；支持向量机；极限平衡法；显式化；可靠度计算Il岩十分类和边坡可靠度分析的支持向量机方法AbstractThesmallsample，nonlinearandimplicitfunctionproblemswereoftenencounteredingeotechnicalclassificationandstabilityreliabilityanalysis．Forexample，thesafetycoe

5、fficientexpressionofslopestabilityanalysisresultedfromlimitequilibriumtheoryisahighlynonlinearimplicitform，whichresultinthatthereliabilitycannotbecalculatedbyaccurateanalyticmethod．Atthepresenttime，theproblemwasdealtwithbyresponsesurfacemethod，artificialneuralnetworkme

6、thodandimplicitdifferencemethod，buttherearedifferentlimitationsinthesemethods．Supportvectormachines(SVM)couldresolvethepracticalproblemsverywell，suchassmallsamples，nonlinear，highdimensionsandlocaloptimalpointissues．Introducingittogeotechnicalclassificationandsloperelia

7、bilityanalysiscanovercomethedeficienciesofabovemethodseffectively．Afteradetaileddiscussionontheprincipleofsupportvectormachine，itwasintroducedintogeotechnicalclassificationandslopereliabilityanalysis．Themainstudyresultsareshowedasfollows．First，anonlinearSVMsandliquefac

8、tionmodelwasbuiltbasedonanalyzingtheinfluencefactorsdeeply．Inputingthenormalizedtrainingsampletothemodel．andtheparame