欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2021103763781
申请人: 昆明理工大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-17
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种边坡稳定性预测评估方法,其特征在于,包括以下步骤:

1选择边坡稳定性判定指标并确定容许安全系数[K],所选择判定指标分别为:容重γ、内聚力c、摩擦角 边坡角Φ、边坡高度H以及孔隙压力比ru;

2根据待预测的边坡构建边坡模型,利用工程仿真软件,计算获得判定指标和对应的安全系数的数据集;再进行稳定性判断,如果边坡安全系数大于或等于容许安全系数则视为稳定,小于则视为失稳,进而获得判定指标和对应稳定性结果的数据集;

3对数据集进行最大值和最小值归一化处理;

4根据归一化处理后的数据集,构建基于集成学习算法的边坡稳定性预测模型;

5评估时,获取待检测边坡的实际判定指标数据,带入边坡稳定性预测模型,获得边坡稳定性预测结果;

步骤2具体包括以下步骤:

2.1采用Matlab软件中随机生成不低于100组指标参数,得到关于判定指标的数据集其中γ,c, Φ,H,ru分别为一维列向量;

2.2根据待预测的边坡构建边坡模型,利用工程仿真软件,输入随机生成的指标参数,采用强度折减法对每组指标参数对应的安全系数K进行求解;

2.3将计算得到的安全系数K与容许安全系数[K]进行比较,若K≥[K]认为稳定,用0表示,K<[K]认为失稳,用1表示;得到判定指标和对应稳定性结果的数据集R∈{0,1},且为1维列向量;

步骤2.2具体为,先在CAD软件中建立待检测边坡的模型,输出为工程仿真软件能识别的格式文件,接着将格式文件导入工程仿真软件;然后在工程仿真软件中首先进行网格划分,确定边界条件,边界条件将左右两侧水平约束,下部固定,上部为自由边界;初始地应力选择为自重地应力场;再输入随机生成的指标参数,即γ,c, Φ,H,ru,采用强度折减法对安全系数K进行求解;

工程仿真软件采用OptumG2软件实现;

步骤2具体还包括以下步骤:2.4对数据集T1进行Pearson相关性分析,得到相关系数矩阵,若相关性小于等于预设值,说明所选用指标和生成数据合理;否则应重新生成数据。

2.如权利要求1所述的边坡稳定性预测评估方法,其特征在于,边坡容许安全系数[K]设定为1.3,边坡安全系数大于或等于1.3则视为稳定,小于1.3则视为失稳。

3.如权利要求1所述的边坡稳定性预测评估方法,其特征在于,步骤3具体包括:对数据集进行最大值最小值归一化处理,以减小量纲对预测结果的影响,其中映射区间为[0,1];

具体公式如下:

*

式中:z为原本的特征值,zmax和zmin分别为该特征最大值和最小值,z为该特征归一化后的取值。

4.如权利要求1所述的边坡稳定性预测评估方法,其特征在于:步骤4具体包括以下步骤:

4.0将归一化处理后的数据集T1划分为训练集A和测试集B,其中训练集A的长度大于测试集B;

4.1利用训练集A的样本构建基于XGBoost集成学习算法的边坡稳定倾向性预测模型:

4.2采用网格搜索算法和5折交叉验证对基于XGBoost集成学习算法的边坡稳定倾向性预测模型的主要参数进行优化:

4.3利用测试集B中样本对优化参数后的模型进行预测结果测试,如果误差率低于阈值视为测试通过。

5.如权利要求4所述的边坡稳定性预测评估方法,其特征在于,步骤4.1中,基于XGBoost集成学习算法的边坡稳定倾向性预测模型的表达式为:式中:yr为模型中第r个样本的预测值,fk为第k个分类回归树的基函数,K为分类回归树总数量,xr为第r个输入样本,F为假设空间;

其中,对于每一个分类回归树,其目标函数L表示为:式中:M为样本总数量,l(·)表示损失函数,yi和 分别为实际值和预测值,Ω(·)为正则项;

其中,基于XGBoost集成学习算法的边坡稳定倾向性预测模型的输入:A中的其中,基于XGBoost集成学习算法的边坡稳定倾向性预测模型的输出:利用XGBoost算法中的softmax作为目标函数,最后返回预测的类别,即判断是0还是1;

其中,基于XGBoost集成学习算法的边坡稳定倾向性预测模型的损失函数:采用默认的二分类错误率。

6.如权利要求4所述的边坡稳定性预测评估方法,其特征在于,步骤4还包括步骤4.4:构建混淆矩阵来对模型的泛化能力进行判定;具体过程为:混淆矩阵建立如表3所示,预测为稳定的样本中,实际稳定的样本数为TP,实际为失稳的样本数为FP;预测为失稳的样本中,实际为稳定的样本数为FN,实际为失稳的样本数为TN;

表3混淆矩阵

提出4类指标对预测结果进行综合评价:

准确率:

精确率:

召回率:

精确率和召回率的调和平均值:

计算出的4个指标的值大于预设阈值,则认为泛化能力达到要求。