[发明专利]预测土壤压缩系数的方法

说明书

技术领域

本发明属于软土地基处理技术领域，涉及一种软土地基处理时软土物理力学指标之间的相互关系的确定方法，具体涉及利用基于小波的二型模糊支持向量机（SVM）预测土壤压缩系数的方法。

背景技术

在软土地基处理领域中，地基土的变形参数有着非常重要的作用，也是当前岩土工程领域研究的热点。土壤压缩系数（SCC）是其中一个重要的变形参数，可表征土壤的可压缩性。

土壤压缩系数可从压缩试验中获得，但由于此类测试的费时性和困难性，实际可操作性差，于是人们又试图其它的方法。现在的研究认为土壤的物理特性决定了其压缩性能，因此在土壤压缩系数和物理参数之间应该存在一定的相关性，由于物理参数很容易得到，所以研究者们试图使用土壤的物理参数去预测其压缩系数。但是，现有的模型存在许多缺陷，比如需要大量的物理参数、难以获得良好的稳定性及过拟合的风险性。这些问题往往导致尽管有大量的样本内数据，但对于样本外数据仍不好推广。

支持向量机（SVM）是一种新的分类和回归技术，在最近几年已经引起了广泛的关注。SVM建立基础是统计学习理论。对于有正负样本的二元分类问题，SVM以期能找到一个最佳的分离超平面，它可以把数据分成两类，在高度上具有最大余量或甚至无限变换的特征空间，就像通过多变量差值的径向基函数（RBF）功能所创建的无限维Hilbert空间。最大余量是由一组正负训练样本构成，它们最接近于分离超平面，被称为是支持向量。特征空间从输入空间的转换可以通过核技巧实现，这使得每个点积可被核函数简单地代替。在SVM分类中，根据不同的变换特征空间可选择不同的核函数。所以，在SVM分类中内核功能发挥着重要作用，因为它们决定着功能空间，这个功能空间中数据进行分类且直接影响SVM分类和回归的结果和性能。

然而，在许多应用中，人们必须要处理的实际困难是如何选择比任何其他内核函数更好，更适当的核函数。一个显而易见的方法是尝试很多不同的内核，并选择其中效果最好的。但是，当规模或训练数据的属性数量巨大的时候，这种方法可能是非常耗时的。另一种相对耗时较少的方法是随机选择几个有不同内核的支持向量机（SVMs），利用不同的SVMs建立一个整体模型，生成一个复合回归模型。由此产生的回归模型可能优于它的每一个组成单一回归模型，因为不同的回归模型可能相互互补。为此，本发明提出了使用二型模糊集理论结合多个SVMs形成的回归模型。该模型采用的数据例从具有不同内核的SVMs输入，并产生一个输出。

另外，单一尺度学习过程的一个可能的缺点是，它有时不足以解决复杂和困难的问题，例如，一些非平稳和非线性的现实问题，并且推广性能差。为了解决推广性能差的潜在问题，我们有必要制定一个新的方法来评估和预测土壤压缩系数。

发明内容

针对当前软土地基处理过程中土壤压缩系数难以预测的现状，本发明提供了利用基于小波变换的多尺度二型模糊SVM学习范例来预测土壤压缩系数的方法。

为了实现本发明所述目的，发明人提供了以下技术方案。

预测土壤压缩系数的方法，具体操作步骤包括：

步骤一，现场取样：钻探取样孔，利用薄壁取土器采取土样，将土样密封，备用；采取土试样和进行原位测试的勘察点应结合地貌单元、地层结构和土的工程性质布置，其数量可依据《岩土工程勘察规范》GB50021-2001的相关要求，占勘探点总数的1/4～1/2；采取土试样的数量和孔内原位测试的竖向间距，应按地层特点和土的均匀程度确定，每层土均应采取试样或进行原位测试，其数量不宜少于6个；采取土样时土应充满薄壁取土器；

步骤二，室内土工试验：测定步骤一所取土样的界限含水率；

步骤三，预测土壤压缩系数：

①数据分解：根据室内土工试验结果，得到软土物理力学性质指标，获取最初的塑性指数系列，用天平被其分解成各种正交分量，所得到的不同组件即为二型SVM的输入，原始系列被分解成一个近似值和细节，并且可以被类似地进一步分解为近似值和细节，这种分解过程可以重复逐次逼近，也可被反过来分解，在此筛选过程结束，该系列可以表示为，其中，是细节的数量，是近似值，是彼此正交的细节，将数据序列分解成多个分层次的有组织的分解体；

②计算和：通过5倍交叉验证技术测定和；

③SVM训练：一旦输入模式和内核宽度确定，SVM训练可通过样本启动，在本研究中，SVM的输入端有4个部件，SVM网络训练过程由Matlab的软件包进行；

④土壤压缩系数预测：训练结束后，使用经训练的基于小波的多尺度二型SVM预测土壤压缩系数。