[发明专利]一种非贯通节理边坡稳定性的可靠度计算方法有效
申请号: | 202011126147.7 | 申请日: | 2020-10-20 |
公开(公告)号: | CN112199894B | 公开(公告)日: | 2022-09-20 |
发明(设计)人: | 姜谙男;郑帅;张广涛;姜相松;董庆波;罗国成;佟显涛;刘宏宇;焦明伟;段龙梅;吴顺 | 申请(专利权)人: | 大连海事大学 |
主分类号: | G06F30/27 | 分类号: | G06F30/27;G06F30/23;G06N3/00;G06N20/00;G06F119/02 |
代理公司: | 大连至诚专利代理事务所(特殊普通合伙) 21242 | 代理人: | 张海燕;杨威 |
地址: | 116000 辽宁省*** | 国省代码: | 辽宁;21 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 贯通 节理 稳定性 可靠 计算方法 | ||
1.一种非贯通节理边坡稳定性的可靠度计算方法,其特征在于,包括:
S1、根据工程取样统计构建正交设计表;通过所述正交设计表获取非贯通节理参数;
S2、通过有限元计算获得所述非贯通节理参数分别对应的边坡安全系数,并建立学习样本;
S3、根据所述学习样本,通过机器学习算法建立表示所述非贯通节理参数与所述边坡安全系数之间非线性映射关系的机器学习回归模型;
S4、通过仿生智能寻优策略对所述机器学习回归模型进行优化;
S5、测量待评价边坡区域的所述非贯通节理参数,并根据对所述非贯通节理参数取样统计建立分布特征模型;
S6、根据所述分布特征模型对所述非贯通节理参数随机抽样,通过所述机器学习回归模型计算所述随机抽样结果对应的实际边坡安全系数;
S7、重复执行S6,获得多个所述实际边坡安全系数;根据多个所述实际边坡安全系数获得边坡可靠度指标。
2.根据权利要求1所述的一种非贯通节理边坡稳定性的可靠度计算方法,其特征在于,S4所述通过仿生智能寻优策略对所述机器学习回归模型进行优化,包括:
S41、生成初始种群,设定寻优个体为机器学习参数γ、σ2,第n个所述寻优个体的二维向量表示为:
式中,γ为区间拟合程度的正则参数,σ2为平方带宽;
S42、将所述机器学习参数γ、σ2代入所述机器学习回归模型进行非线性预测训练,获取预测的所述边坡安全系数;
S43、评价当前种群适应值,计算表达式为:
式中,yt和y′t分别为预测的边坡安全系数与实际的边坡安全系数,S0为种群数量,Fve为种群适应度,其中,种群适应度Fve大于预期适应度Fvmin;
S44、以C(i)为单次步长对当前种群进行调整,重复执行Nc次,并选取适应值最小的位置值,对所述位置值的种群按寻优个体适应值排序,按照适应值从小到大的顺序,消亡占种群数量一半适应值小的寻优个体,并复制另一半适应值大的所述寻优个体,使得所述寻优个体数量达到种群数量,直至消亡次数达到Nre次;
S45、消亡全部当前种群,重复执行S41至S45;
S46、当S45执行Ned次,将计算得到的最优机器学习参数γ、σ2作为初始参数,建立优化后的机器学习回归模型。
3.根据权利要求2所述的一种非贯通节理边坡稳定性的可靠度计算方法,其特征在于,S3所述的通过机器学习算法获得表示所述非贯通节理参数与所述边坡安全系数之间非线性映射关系的机器学习回归模型,包括:
设定学习样本中包括N个训练样本{xi,yi}i=1...N,其中,xi∈R4为四维非贯通节理参数输入,yi∈R1为所述边坡安全系数输出,所述机器学习回归模型的表达式为:
式中,K(x,xk)为所述机器学习回归模型的核函数,R为常数空间,αk为拉格朗日算子,b为偏执量。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于大连海事大学,未经大连海事大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202011126147.7/1.html,转载请声明来源钻瓜专利网。
- 上一篇:一种市政工程环保排水系统及其排水装置
- 下一篇:一种内科治疗的检测装置