1.一种基于AdaBoost算法的边坡可靠度判断方法,其特征在于,包括以下步骤:
1确定影响边坡稳定性的因素,获取小样本量的影响因素的实际数据集,确定其概率分布,利用均匀试验生成大样本量的影响因素的数据集;
3D
2根据待预测的边坡构建边坡模型,利用FLAC 软件,输入影响因素的数据集,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;
3将计算得到的安全系数K与容许安全系数[K]进行比较,得到相应影响因素所对应的边坡稳定结果,进而构建出判定指标影响因素和对应稳定性结果的数据集;
4通过AdaBoost算法和上述训练样本构建AdaBoost分类器,建立边坡是否稳定和影响因素之间的映射关系;
5将蒙特卡罗模拟生成的大量随机变量数据,代入到训练好的AdaBoost算法模型中,获得相应稳定性判别结果,进而求解边坡失效概率和可靠度指标,实现可靠度判断。
2.如权利要求1所述的基于AdaBoost算法的边坡可靠度判断方法,其特征在于,步骤1中,将影响因素区分为定量影响因素和变量影响因素,变量影响因素的实际数据,通过在边坡不同位置取点后通过地质勘探和土工实验得到。
3.如权利要求1所述的基于AdaBoost算法的边坡可靠度判断方法,其特征在于,步骤1中,对于均质土坡,选择的变量影响因素为黏聚力c和内摩擦角
4.如权利要求3所述的基于AdaBoost算法的边坡可靠度判断方法,其特征在于,步骤1中,利用均匀试验生成大样本量的影响因素的数据集的具体步骤为:*
假设训练样本的个数设置为x组,则选择均匀表 进行数值试验,其中U 代表现有的均匀性更好的均匀表,x为水平数,即生成x组数据,y表示变量影响因素的个数,即该表最多可表示含有y个变量影响因素的数值试验;
其中,由于c和 值服从正态分布,故取值范围根据3σ准则确定上下限,即[μ‑3σ,μ+3σ],其中μ为均值,σ为标准差,根据插值法,将上述的2列数据转换为c和 真实范围内的数值;
再补入取定值的定量影响因素的值,获得大样本量的影响因素的数据集。
5.如权利要求1所述的基于AdaBoost算法的边坡可靠度判断方法,其特征在于,步骤2
3D
中,在FLAC 中采用强度折减法对边坡模型的安全系数K进行求解的过程,主要包括以下步骤:
(1)在CAD中建立相应的均质边坡模型,输出为工程仿真软件能识别的格式文件;
(2)接着将格式文件导入工程仿真软件ANSYS中,根据需求进行网格划分,并生成含网
3D
格模型,在ANSYS中设置好局部坐标使之与FLAC 坐标系相同,并输出为*.FLAC3D格式的文件;
(3)确定边界条件,边界条件一般将左右两侧水平约束,下部固定,上部为自由边界,而初始地应力选择为自重地应力场;
3D
(4)在FLAC 中输入影响因素的样本数据集,采用强度折减法对安全系数K进行求解。
6.如权利要求1所述的基于AdaBoost算法的边坡可靠度判断方法,其特征在于,步骤3中,选择容许安全系数[K]为1.3。
7.如权利要求1所述的基于AdaBoost算法的边坡可靠度判断方法,其特征在于,步骤3中,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G=1表示,K<[K]认为失稳,用G=‑1表示。
8.如权利要求1所述的基于AdaBoost算法的边坡可靠度判断方法,其特征在于:步骤4中,构建AdaBoost分类器,主要包括以下步骤:(1)初始化训练数据的权值分布;每一个训练样本最开始时都被赋予相同的权值:1/N;
D1=(w11,w12,...,w1i,...,w1N),w1i=1/N,i=1,2,...,N (1)(2)进行m次迭代,用Gm(x)表示当前m轮迭代的分类器,em表示当前的分类误差,am表示加和系数,其中:
A.使用具有权值分布Dm的训练数据集学习,得到基本分类器:Gm(x):x→{‑1,+1} (2)B.计算Gm(x)在训练集上的分类误差率:C.计算Gm(x)的系数,am表示Gm(x)在最终分类器中的重要程度:由上述式子可知,em≤0.5时,am≥0,且am随着em的减小而增大,意味着分类误差率越小的基本分类器在最终分类器中的作用越大;
D.更新训练数据集的权值分布,用于下一轮迭代:其中:
使得被基本分类器Gm(x)误分类样本的权值增大,而被正确分类样本的权值减小;
(3)组合各个分类器:
最终分类器为:
9.如权利要求8所述的基于AdaBoost算法的边坡可靠度判断方法,其特征在于,步骤4中,建立好AdaBoost分类器后,将训练样本带入到建立好的AdaBoost分类器,判断分类结果误差率是否小于精度误差阈值[error],若error<[error],则结束试验;若error≥[error],则一直迭代,直至达到迭代次数;将最后得到的AdaBoost分类器作为边坡是否稳定和随机变量之间的映射关系
10.如权利要求1所述的基于AdaBoost算法的边坡可靠度判断方法,其特征在于,步骤5中,具体包括以下步骤:
5.1采用蒙特卡罗模拟方法,当影响边坡稳定性的c、变量的概率分布函数已知时,利用计算机产生符合相应基本变量概率分布的n组随机数,分别代入极限状态方程G中,其中G为‑1或者1,即为AdaBoost最终的分类器,若其中有M个值为‑1,由伯努利大数定理可知,失效概率为
Pf=P{G=‑1}=M/n (9)对n个G1,G2,…,Gn,其均值μG和均方差σG的估计量分别为:则可靠度指标为:
当基本变量为正态分布时,则对应的可靠度指标为:‑1 ‑1
β=‑Φ (Pf)=Φ (1‑Pf) (14)式中:Φ为标准正态分布;
5.2利用Matlab软件中的normrnd函数生成多组关于c、 变量的随机样本数据,通常大于100000组(越多越准确),将其带入建立的映射关系 进行求解,得到边坡失稳G=‑1和边坡稳定G=1的样本数量,根据伯努利大数定理即公式(9)求解出失效概率Pf;
5.3将求解得到的失效概率Pf带入公式(14)中求解边坡的可靠度β。