[发明专利]基于支持向量机SVM的边坡系统失效概率计算方法

说明书

本申请提供了基于支持向量机SVM的边坡系统失效概率计算方法，提出强度折减法SRM对稳定性系数进行评估，并采用初始采样点策略和主动学习函数，构建了原始极限状态函数LSF的主动学习支持向量机ASVM代理模型，将蒙特卡罗模拟MCS和ASVM代理模型相结合来评估边坡系统的失效概率，可以量化随机变量及其相关参数对边坡稳定性的影响，大大减少了初始样本点数，有效提高了计算效率，可自动识别土质边坡中任意形状的滑动面，在对具有复杂几何形状的层状边坡进行可靠度分析时更为方便。

技术领域

本申请涉及土质边坡稳定性分析领域，特别是涉及基于支持向量机SVM的边坡系统失效概率计算方法。

背景技术

边坡稳定性评价是一个复杂的岩土工程问题，其输入参数具有不确定性。使用稳定性系数(FS)的传统确定性分析方法可能无法真实反映边坡的安全性。为了量化不确定性的影响，概率方法被广泛应用于边坡可靠性分析中。

一个边坡可能沿着不同的滑动面发生破坏，任何一个滑动面的破坏都会引起边坡的破坏，从而形成一系列的系统问题。对此类复杂问题进行准确有效的可靠性分析，是概率方法在岩土工程实践中应用所面临的主要难题。

直接模拟方法是概率方法的一种，如蒙特卡罗模拟(MCS)和重要性抽样(IS)可以对边坡系统的失效概率P_f,s进行无偏估计，但目前大多数学者采用极限平衡法(LEM)进行可靠度分析，该方法与MCS结合时，需要在每次模拟中搜索具有最小FS的临界滑动面，因此计算量很大。更关键的问题在于，LEM主要采用随机生成的滑动面，可能会错过临界滑动面，从而提供偏差较大的P_f,s估计值。

为了有效结合LEM与MCS，另一种常见方法是识别一些对P_f,s贡献最大的典型滑动面(RSSs)，然后，考虑不同RSSs之间的相关性，可以容易地计算P_f,s。已有技术中有通过随机产生大量潜在滑动面来识RSSs的。然而，这种基于RSSs的方法面临的一个挑战是如何选择RSSs之间相关系数的合理阈值，以达到计算效率和精度。

为了提高计算效率，代理模型与MCS一起被广泛应用。许多通用和先进的代理模型被用于边坡可靠性分析，如高斯过程回归法、群智能支持向量机法和多元自适应回归样条法。LEM常被选为确定性分析方法来评价边坡的FS，LEM的优点是它的简单性和低计算成本，但它的主要缺点是：当事先不知道临界滑动面时很难定位；此外，试验滑动面通常假定为圆形，这可能不适合复杂的边坡系统，特别是当边坡存在软弱夹层时。

因此，开发一种可靠、高效的失效概率计算方法，这对边坡系统的可靠性来说是十分急切的。

发明内容

本申请提供了基于支持向量机SVM的边坡系统失效概率计算方法，以克服上述技术问题。

为了解决上述技术问题，本申请公开了基于支持向量机SVM的边坡系统失效概率计算方法，包括：

步骤S1：在标准正态空间中，利用初始采样点策略生成所述边坡系统的训练样本集；

步骤S2：将所述训练样本集中未确定功能响应G(u)的样本点从所述标准正态空间转换至物理空间，并利用强度折减法计算转换至物理空间后的样本点对应的G(u)；

步骤S3：在所述标准正态空间中，利用所述训练样本集和G(u)，训练支持向量机SVM代理模型；

步骤S4：利用训练后的SVM代理模型预测蒙特卡罗模拟MCS池中所有样本点的功能响应，并根据预测的功能响应计算当前迭代的失效概率，将当前迭代的失效概率记录在预设矩阵中；

步骤S5：判断最后五次迭代计算的失效概率的变异系数是否小于预设的收敛阈值；