[发明专利]一种基于模拟退火算法的边坡滑动位移序列预测方法

说明书

技术领域

本发明涉及一种基于模拟退火算法的边坡滑动位移序列预测方法。

背景技术

边坡变形受降水、地下水位、内部应力变化等多种因素影响，导致不同边坡的变形机理不尽相同，其变形过程具有复杂性、随机性和不确定性,边坡的变形预测仍然是一项困难的课题。

目前普遍应用的预测模型多为统计模型，统计模型对于影响因素单一，变形规律呈现单一函数特征的变形体，通常能够较好的拟合并外推出变形的趋势，从而作出较准确的变形预测，但对于影响因素较多，变形规律呈现非线性特征的边坡变形体，精度普遍较差。

非线性预测模型中应用较多的是BP神经网络模型，并加入了具有针对性的改进算法，取得了较好的效果。可以用于边坡滑动预测这一复杂的算法。

发明内容

本发明针对以上问题的提出，而研制的一种基于模拟退火算法的边坡滑动位移序列预测方法，具有如下步骤：

—对边坡进行有限元分析，得到边坡的有限元模型；使用计算机为所述的有限元模型施加多种外界条件，得到模拟结果；

—重复上述步骤，建立边坡模拟数据库；

—对待检测的边坡进行有限元分析，根据有限元的数量，建立当前边坡的滑动位移序列的预测函数；

—调用数据库中的模拟数据库中相关的数据，训练所述的预测函数，得到成熟的目标函数；

—将所述待检测的边坡的有限元的参数带入所述成熟的目标函数，得到当前滑动位移序列的预测结果。

对于当前滑动位移序列的预测结果，采用质心算法进行结果修正。

所述的数据库中边坡数据至少包含：边坡种类、边坡尺寸和边坡结构。

对于待测的边坡的有限元特征点，使用插值的方法，近似到数据库中有限元。

根据分析得出待检测边坡的有限元，在数据库中调取与之类似的边坡数据，形成相似数据集，使用相似数据集对所述的目标函数进行训练。

由于采用了上述技术方案，本发明提供的一种基于模拟退火算法的边坡滑动位移序列预测方法，通过对现有边坡进行大量的分析测试，形成数据库，对待检测的边坡进行有限元分析，形成目标分析函数，对函数使用人工神经网络进行训练。相较于传统的分析方法，具有更高的分析精度。

附图说明

为了更清楚的说明本发明的实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的流程图

具体实施方式

为使本发明的实施例的目的、技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述：

如图1所示：一种基于模拟退火算法的边坡滑动位移序列预测方法，主要包括如下步骤：

首先对边坡进行有限元分析，得到边坡的有限元模型；使用计算机为所述的有限元模型施加多种外界条件，得到模拟结果；

然后，针对现有的边坡进行大量的分析实验，重复上述步骤，建立边坡模拟数据库，不断的丰富样本。

获得足够的样本后，即可对待检测的边坡进行预测分析，首先对待检测的边坡进行有限元分析，得到当前边坡的有限元数据，根据有限元的数量，建立当前边坡的滑动位移序列的预测函数。

调用数据库中的模拟数据库中相关的数据，使用人工神经网络算法，训练所述的预测函数，得到成熟的目标函数；

将所述待检测的边坡的有限元的参数带入所述成熟的目标函数，得到当前滑动位移序列的预测结果。

为了增加结果的精度，作为一个较佳的实施方式，对于当前滑动位移序列的预测结果，采用质心算法进行结果修正。

相应的，所述的数据库中边坡数据至少包含：边坡种类、边坡尺寸和边坡结构。

考虑到，待测的边坡中的有限元特征点与数据库中的有限元特征点位置基本不可对应。故作为一个较佳的实施方式，对于待测的边坡的有限元特征点，使用插值的方法，近似到数据库中有限元。

为了增加对目标函数的训练的准确度，作为一个较佳的实施方式，根据分析得出待检测边坡的有限元，在数据库中调取与之类似的边坡数据，形成相似数据集，使用相似数据集对所述的目标函数进行训练。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。