基于蚁群优化最小二乘支持向量机模型的边坡稳定性分析

Jou rnal of Engineering Geology 工程地质学报 1004-9665/2009/17(2)20253205　

基于蚁群优化最小二乘支持向量机模型的边坡稳定性分析3

徐　飞①②　徐卫亚①②　王　珂③

(①河海大学岩土力学与堤坝工程教育部重点实验室　南京　210098)

(②河海大学岩土工程研究所　南京　210098)

(③南京大学环境学院　南京　210093)

摘　要　边坡稳定性与其影响因素之间存在着复杂的非线性关系。通过分析影响边坡稳定性的主要因素,采用支持向量机建立边坡稳定性和影响因素之间的非线性关系;同时,考虑到支持向量机参数对预测效果的影响,采用连续蚁群算法对其进行优化选择,从而提出边坡稳定性预测的蚁群优化支持向量机模型。锦屏一级右岸拱肩槽部位谷坡为顺向坡,绝大部分基岩裸露,自然边坡为大理岩边坡,现状稳定。结合锦屏一级右岸拱肩槽边坡,采用蚁群优化支持向量机模型对其稳定性进行预测分析,预测结果与实际情况吻合较好,说明蚁群优化支持向量机模型在边坡稳定性分析中具有良好的实际应用价值。

关键词　边坡　稳定性　蚁群算法　支持向量机　锦屏

中图分类号:T D824.7 文献标识码:A

S LO PE STAB I L I TY ANALY S I S US I NG L EAST SQUARE SUPPO RT VEC2 TO R M ACH INE O PT I M I ZED W I TH ANT COLO NY AL GO R I TH M

XU Fei①②　XU W eiya①②　WANG Ke③

(①Key L aboratory of M inistry of Education for Geo m echanics and Em bankm ent Engineering,Hohai U niversity,N anjing　210098) (②Research Institute of Geotechnical Engineering,Hohai U niversity,N anjing　210098)

(③School of The Environm ent,N anjing U niversity,N anjing　210093)

Abstract　The relati onshi p bet w een sl ope stability and influencing fact ors is comp lex and nonlinear.Support vect or machine(S VM)is used t o build the nonlinear relati onshi p.The para meters of S VM are op ti m ized with a continu2 ous ant col ony alg orithm(CACA).Thus the ACAC-S VM is p r oposed for f orecasting sl ope stability.Sl ope of right -bank s pandrel gr oove at J inp ing is f or ward sl ope.A maj ority of the sl ope surface is bare and comp rised of bed2 r ock.the natural sl ope is comp rised of marbleand stability now.The CACA-S VM is used t o analysis the stability of the sl ope of right-bank s pandrel gr oove at J inp ing.The results are in good agree ment with the actual data, which indicates that the CACA-S VM can be well app lied t o the analysis of sl ope stability.

Key words　Sl ope,Stability,Ant col ony algorithm,Support vect or machine,J inp ing

3收稿日期:2008-01-02;收到修改稿日期:2008-05-07.

基金项目:国家自然科学基金资助项目50539110,国家重点基础研究发展规划(973)项目2002CB412707.

第一作者简介:徐飞,主要从事岩土工程监控方面的研究工作.Email:xfa wy@https://www.wendangku.net/doc/8c11314268.html,

1引　言

边坡工程可以看成为不断变化着的、开放的复杂巨系统[1],影响其稳定性的因素主要有岩土的物理力学性质、边坡的结构特性和破坏模式等。这些因素大部分是不确定和随机的,边坡的稳定性与这些因素之间有着非常复杂的非线性关系。用于边坡稳定性分析的定量分析方法,如极限平衡法、有限元法,由于其在建模、参数选取时都要人为的简化,使得计算结果难以满足工程对精度的要求。鉴于此,人工智能、神经网络等方法被应用到了岩土工程边坡稳定性分析中,并取得了一定的成果[2]。但是这些方法本身存在着难以克服的缺陷,如神经网络法,在学习样本有限时,精度难以保证,学习样本过多时,又陷入维数灾难,泛化性能不高[3]。近年来发展起来的支持向量机很好的弥补了神经网络的不足,为边坡稳定性的智能研究提供了一条新的途径。本文针对常规支持向量机方法的不足,提出了用连续蚁群算法优化最小二乘支持向量机(CACA-S VM)来对边坡的稳定性进行预测。

2蚁群算法及最小二乘支持向量机

2.1蚁群优化算法

蚁群优化算法[4～5](ACA)是由意大利学者Dorigo等提出的一种新型的集体智能优化算法。研究发现,蚂蚁个体之间通过一种称之为外激素的物质进行信息传递,从而能相互协作,完成复杂的任务。蚂蚁在运动过程中,能够在它所经过的路径上留下该种物质,并通过感知这种物质的存在及其强度来指导自己的运动方向。蚂蚁倾向于朝向该物质强度高的方向移动。因此,由大量蚂蚁组成的蚁群的集体行为便表现出一种信息正反馈现象:某一路径上走过的蚂蚁越多,则蚂蚁选择该路径的概率就越大,蚂蚁个体之间就是通过这种信息的交流来达到搜索食物的目的。蚁群算法就是基于上述原理发展起来的一种仿生算法,可以很好的解决TSP、Job -Shop、网络路由等离散优化问题。

类似于通过模拟蚁群中个体间的信息交换求解优化组合问题,很多学者从不同侧面提出了求解连续函数优化问题的连续蚁群算法模型[6～7]。本文抽取了一个简单、方便且典型的连续优化蚁群算法,具体做法如下:设n维待优化变量X={x

1

,x2,…, x n},x i∈[xL i,xU i](i=1,2,…n),其中xL i为分量i取值的下界,xU i为分量i取值的上界。将各分量等

分成N个点,把m只蚂蚁随机地放到x

1

的N个等分点上,并将每个等分点看作一个C ity。搜索开始后,

蚂蚁按照转移概率从x

i

的一个C ity移动到x

i+1

的一

个C ity上。x

i

中的N个C ity组成一个层L

i

,共有n层。

每只蚂蚁从L

1

开始,层层转移,到达L

n

结束,走过的路径对应的C ity组成一个解X3,计算出相应的目标函数值F3,所有蚂蚁得出解后,更新C ity(i,j)与C ity(i+1,k)(1≤i≤n;1≤j,k≤N)之间路径上

的信息素,其中C ity(i,,j)表示L

i

层上的第j个C ity。由信息素更新方程式(1)、式(2)可知,若第k 只蚂蚁所得出的解X k所对应的目标函数值F k越小,那么蚂蚁k在该路径上留下的信息素就越大,这样就对搜索起了指导作用。m只蚂蚁经过nc次循环,其中nc为人为设定的循环次数。搜索之后得出当时最优解X(1),然后缩小X(1)的各分量的取值范围重新建立搜索空间,即将X(1)中分量i(i=1,2,…n)

的取值范围缩小为以所对应的C ity为中心δ

i

长度为

半径的区间,δ

i

一般取2Δ

i

,其中Δi为分量i中两C ity

之间的长度,如果C ity恰为取值上(下)界,则以本

边界点为区间端点,向下(上)取2Δ

i

的范围构成区间。重复以上过程,依次得到X(1),X(2),X(3),…当满

足停机条件m ax(Δ

i

)<ε时得到最优解X(3),其中ε为设定的精度。

信息素更新方程为

τ(i+1,k)

(i,,j)

(t+1)=ρτ(i+1,k)

(i,,j)

(t)+Vτ(i+1,k)

(i,,j)

(1)

Vτ(i+1,k)

(i,,j)

=Q/∑

m

i=1

(F i+R)(2)

其中,τ(i+1,k)

(i,,j)

(t+1)表示在(t+1)次循环时从

C ity(i,,j)到C ity(i+1,k)的信息素,t(1ΦtΦnc)

为循环次数;ρ为持久性系数;Vτ(i+1,k)

(i,,j)

表示m只蚂蚁从C ity(i,j)到C ity(i+1,k)的信息素增量;Q>0为一常数;R为一足够大的正数。

转移概率方程为

P(i+1,k)

(i,,j)

=τ(i+1,k)

(i,,j)

/∑

N

l=1

τ(i+1,k)

(i,,j)

(3)

P(i+1,k)

(i,j)

表示蚂蚁从C ity(i,j)选择到C ity(i+1,k)的概率。

2.2　标准支持向量机和最小二乘支持向量机

Vapnik等人根据统计学习理论最早提出了支持向量机(S VM)学习方法[8～9]。S VM的基本思想

452Journal of Engineering Geology　工程地质学报　2009

是通过一个非线性映射,把输入空间的数据映射到一个高维特征空间中去,在此高维空间构造最优线性回归函数。

假定训练样本集为(x i ,y i )l i =1∈R n

×R,x i 为输入变量,y i 为输出变量,l 为样本个数。支持向量机采用线性回归函数拟合样本集

y (x )=w ?<(x )+b

(4)

式中,w 为权向量,b 为偏置,<(x )为输出空间的非

线性映射。

标准支持向量机和最小二乘支持向量机(LSS 2VM )在利用结构风险原则时,在优化目标中选择了不同的损失函数,它们分别为松弛因子ζi 及其二范数。

对于标准支持向量机,优化问题为

m in w,ζ,b 12ww T

+c ∑l

i =1

ζi

(5)

常数c >1为惩罚因子,它控制着对超出误差ε的样本的惩罚程度。约束条件为

y i -w <(x i )-b Φε+ζi

<(x i )w +b -y i Φε+ζ3

i ,i =1,…,l (6)

对于LSS VM ,优化问题变为

m in w,ζ,b 12ww T +c ∑l

i =1

ζ2

i

(7)约束条件变为等式约束

y i =<(x i )w T

+b +ζi ,i =1,…,l

(8)引入拉格朗日函数求解式(7)

L =12w T w +C ∑l

i =1ζ2

i -∑

l

i =1

αi (w T <(x i )+b +ζi -y i )

(

9)

式中,αi 为拉格朗日乘子。根据优化条件,对w,b,ζ,α求偏导数,并令其为0,得

w =

∑

l

i =1

αi

<(x i

),∑l

i =1

αi

=0,αi =C ζi

w T

<(x i )+b +ζi -y i =0,i =1,…,l

(10)

消去ζi ,w ,可得矩阵

I

T

I Ω+

I

C

b

α

=

Y

(11)

式中,Y ={y 1,y 2,…,y l };I ={1,1,…,1};b =

{b};Ωij =

(x i )<(x j )=K (x i ,x j ),i,j =1,2,…,l ;α={α1,α2,…,αl }。

K (x i x j )为满足Mercer 条件的核函数。

最后得非线性模型为

f (x )=

∑

l

i =1

αi

K (x,x i

)+b (12)

αi ,b 可通过求解式(11)得到。常见的内积核

函数主要有3类:多项式核函数、径向基核函数、多层感知器核函数。本文采用径向基核函数

K (x,y )=exp (-‖x -y ‖2

2

σ2

)(13)来进行支持向量机建模。2.3　模型参数的选取

在采用最小二乘支持向量机进行建模时,有两

类参数即惩罚因子C 和核函数参数(本文为σ2

)选取的好坏对算法的效率和推广预测能力影响很大。

寻求最佳的(C,σ2

)组合是一个典型的最佳模型选择问题。本文采用寻优效果优越的连续蚁群算法对

(C,σ2

)进行寻优,找出最优的参数组合以达到最好的预测结果。

本文的优化函数取为

f (C,σ2

)=m in (m ax (

|x i -x ′

i |

x ′

i

,i =1,…,N ))

(14)

式中,x i 为第i 个测试样本的安全系数预测值;x ′

i 为

第i 个测试样本的安全系数实测值;i =1,2,…,N ,N 为样本总数。

3

基于CACA -S VM 的边坡稳定性分析

3.1

CACA -S VM 的可靠性测试

根据工程经验,影响边坡稳定性的因素主要有岩石容重、岩石的粘聚力、内摩擦角、边坡角、边坡高度、空隙压力比、岩体结构类型、节理,节理面与边坡角的关系、地下水等;影响边坡稳定性的指标有安全系数和稳定性状态。本文从文献[1]和[10]中选取了60个边坡的实例作为学习样本,其余10个样本(表1)用于测试模型的可靠性。从样本中,提取粘

聚力c (kPa ),内摩擦角<(°

),容重γ(kN ?m -3),边坡角θ(°

),边坡高度H (m ),孔隙压力比r u (无单位)等6参数为本文所考虑的影响因素,安全系数作为模型的输出。经初步试算后取C 的范围为0

～100,σ2

范围为0～10,在此范围内搜索最优的(C,σ2)组合,用搜索出的参数建模对测试样本进行预测(表1,图1)。

5

5217(2)　徐飞等:基于蚁群优化最小二乘支持向量机模型的边坡稳定性分析

表1　测试样本和预测结果

Table 1　Test samp les and p redicting result

序号

γ

c <

H

θ

r u

计算安全系数

实际状态C

σ2

预测安全系数

相对误差/(%)

预测状态119.0611.712821350.11 1.09不稳定49.054 1.717 1.20-8.8不稳定222.4103510450.40.9不稳定49.868 2.1860.87 3.0不稳定331.36837200.5490.32 1.2不稳定49.851 2.290 1.20-0.2不稳定420203650450.320.96不稳定49.845 2.374 1.05-8.5不稳定5274035292470.32 1.15不稳定49.983 2.220 1.19-3.1不稳定631.36837366460.32 1.55稳定49.959 2.454 1.62-4.2稳定7

25463629944.50.32 1.2不稳定49.585 1.800 1.25-4.4不稳定831.368.637305470.32 1.2不稳定49.718 2.445 1.31-8.2不稳定922203650450.27 1.02不稳定49.930 1.7170.98 4.2不稳定10

22

36

50

45

0.27

0.89

不稳定

49.994

1.633

0.98

-8.6

不稳定

图1　测试样本的预测结果

Fig .1　Predicted result of test sa mp le

由表1和图1可知,CACA -S VM 模型应用在边

坡稳定性预测中是可靠的,其最大误差小于9%,对边坡稳定状态的判别完全正确。基于此,笔者将该模型应用到锦屏一级水电站右岸拱肩槽上游坡EL1870～1825m 段稳定性分析中,以期对该边坡进行正确的稳定性判断。3.2

CACA -S VM 的工程应用

锦屏一级水电站是雅砻江水能资源最富集的中下游河段,五级水电开发的第一级,坝址位于普斯罗沟与手爬沟之间长1.5km 的河段上。电站双曲拱坝坝址区位于高山峡谷地带,两岸拱肩槽边坡普遍较高,坝址区两岸岸坡岩体受岩性、构造以及浅表生改造的影响,导致左、右岸岩体结构差异明显,其变形迹象和变形破坏模式也因此不同。右岸拱肩槽边坡拱肩槽部位谷坡高陡,绝大部分基岩裸露,坡面较完整,

自然边坡全为大理岩边坡,在1810m 以上坡度40°～50°,局部覆盖有厚1～5m 不等的残坡积堆积层。右岸虽为顺向坡,但层面嵌合一般尚紧密,自然

边坡现状稳定(图2,图3)。笔者从锦屏一级水电站

工程区右岸边坡施工期动态稳定及监测反馈分析报告中提取了(c,<,γ,θ,H,r u )分别为(70,22.8,27,45,60,0.32)。将其作为模型的参数输入,搜索到的

最优(C,σ2

)组合为(49.69095,1.920785),预测的安全系数为1.271123,边坡状态为稳定。

图2　右岸拱肩槽上游坡段外貌图

Fig .2　Appearance of up strea m sl ope of right -bank

s pandrel gr oove

该段边坡在自重情况下的有限元计算安全系数

为1.304,状态为稳定[11]

。由模型的预测结果和有限元计算结果对比可知,基于蚁群算法优化最小二乘支持向量机模型进行边坡的稳定性预测是完全可行的。蚁群算法的全局寻优能力确保了最小二乘支

652Journal of Engineering Geology 工程地质学报　2009

图3　右岸拱肩槽上游坡段地质剖面图

Fig.3　Geol ogical p r ofile of up stream sl ope

of right-bank s pandrel gr oove

持向量机搜索到最优的参数组合,从而也确保了模型的预测精度。同时,每给出一组参数组合就能利用本模型方便的预测出安全系数和稳定状态,从而也可以为边坡的动态设计提供较高的参考价值。

4结论

边坡安全系数和影响边坡各因素之间是一种非常复杂的非线性关系,已有的工程实例对在建和以后的工程都有非常重要的指导作用。充分利用已建工程作为学习样本,寻找边坡稳定性和各因素之间的关系是非常重要的。本文对蚁群算法进行了改进,使其能更快更稳定的收敛到最优值,并将蚁群算法引入支持向量机进行参数寻优,提出了蚁群优化最小二乘支持向量机模型(CACA-S VM)。用测试样本对该模型进行了可靠性验证,结果表明,该模型预测精度高,稳定状态预测完全正确,是边坡的稳定性分析的一种新的途径。最后将该模型应用到锦屏一级水电站右岸拱肩槽边坡稳定性分析中,其结果和实际相符合,具有广泛的应用前景和工程价值。

参考文献

[1]　冯夏庭,王泳嘉,卢世宗.边坡稳定性的神经网络估计[J].工

程地质学报,1995,3(4):54～61.

Feng Xiating,W ang Yongjia,Lu Shiz ong.Neural net w ork esti m a2 ti on of sl ope stability.Journal of Engineering Geol ogy,1995,3(4):

54～61.

[2]　冯夏庭.智能岩石力学导论[M].北京:科学出版社,2000.

Feng Xiating.I ntr oducti on t o I ntelligent r ock mechanics.Beijing:

Science Press of China,2000.

[3]　张治强,冯夏庭,杨成祥,等.非线性位移时间序列进化神经网

络建模的适应性研究[J].岩土力学,1999,20(4):20～24.

Zhang Zhiqiang,Feng Xiating,Yang Chengxiang,et al..Study on app licability of genetic-neural net w ork modeling of nonlinear dis2 p lace ment ti m e series.Rock and Soil Mechanics,1999,20(4):20～24.

[4]　COLORN I A,DOR I G O M,MAN I EZZ O V.D istributed op ti m iza2

ti on by ant col onies[A].Pr oc.The1st Eur opean Conference on

A rtificial L ife[C].Paris,France:Elsevier Publishing,1991.

[5]　DOR I G O M,MAN I EZZ O V,COLORN I A.The ant syste m:op ti2

m izati on by ant col ony of cooperating agents[J].I EEE Trans.

Syst.Man.Cybern-Part B,1996,26(1):29～41.

[6]　汪镭,吴启迪.蚁群算法在连续空间寻优问题求解中的应用

[J].控制与决策,2003,18(1):45～48.

W ang Lei,W u Q idi.Ant syste m algorithm in continuous s pace op2 ti m izati on.Contr ol and Decisi on,2003,18(1):45～48.

[7]　高尚,钟娟,莫述军.连续优化问题的蚁群算法研究[J].微机发

展,2003,13(1):21～25.

Gao Shang,Zhong Juan,Mo Shujun.Research on ant col ony algo2 rithm for continuous op ti m izati on p r oblem s.M icr ocomputer Devel2 opment,2003,13(1):21～25.

[8]　V ladi m ir N Vapnik.The Nature of Statistical Learning Theory

[M].NY:Sp ringer-Verlag,1995.

[9]　Nell o Cristianini,John Sha we-tayl or.An I ntr oducti on t o Support

Vect orMachines and other Kernel-based Learning Methods[M].

London:Ca mbridge University Press,2000.

[10]　赵洪波,冯夏庭.支持向量机函数拟合在边坡稳定性估计中的

应用[J].岩石力学与工程学报,2003,22(2):241～245.

Zhao Hongbo,Feng Xiating.App licati on of support vect or ma2

chines functi on fitting in sl ope stability evaluati on.Chinese Jour2

nal of Rock Mechanics and Engineering,2003,22(2):241～245.

[11]　西南交通大学.锦屏一级水电站工程区右岸边坡施工期动态

稳定及监测反馈分析报告[R],2008.

Southwest J iaot ong University.Report of dyna m ic stability and mo2

nit oring feedback analysis of right bank sl ope of jinp ing first stage

hydr oelectric power stati on,2008.

752

17(2)　徐飞等:基于蚁群优化最小二乘支持向量机模型的边坡稳定性分析

边坡稳定分析与计算例题

边坡工程计算例题1. Consider the infinite slope shown in figure. (1) Determine the factor of safety against sliding along the soil-rock interface given H = 2.4m. H, will give a factor of safety, F, of 2 against sliding along (2) What height, s the soil-rock interface?． ??25?1k k1H Soil Rock Solution ⑴Equation is ?naCt?F?, s2???natna?r?H?cost?? Given ,,,r,HC We have 24?F1.s(2) Equation is C, ?H?nat2??n??cotsa?r?(F) s?nta??,,F,C,r Given s We have m11?1.H32??. 2. A cut is to be made in a soil that has,, and mkN/16.5?m?29kN/c?15?The side of the cut slope will make an angle of 45°with the horizontal. What FS, of 3?depth of the cut slope will have a factor of safety,S2?.If, and then Solution We are given 3FS?mkN/c?29??15C FSFS andshould both be equal to 3. We have?C c?FS c c d Or cc292mkN/??c??9.67d FSFS3SC Similarly, ?tan?FS??tan d??tan15tantan???tan?d3FSFS?s Or tan15???1?tan5.1?????d3?? ?into equation givesand Substituting the preceding values of c dd??????cos4csin45cos5.19.67sin?4dd m?H?7.1????? ???????5.1??1cos1?16.5cos45?????d 某滑坡的滑面为折线，其断面和力学参数如图和表所示，拟设计抗滑结构物，3.。，

【精品】第9章边坡稳定性分析

第9章边坡稳定性分析 学习指导：本章介绍了边坡的破坏类型,即:岩崩和岩滑;着重介绍了边坡稳定性分析与评价基本方法,包括圆弧法岩坡稳定分析、平面滑动法岩坡稳定分析、双平面滑动岩坡稳定分析、力多边形法岩坡稳定分析及近代理论计算法；介绍了岩坡处理的措施。 重点：1边坡的变形与破坏类型； 2影响边坡稳定性的因素； 3边坡稳定性分析与评价. 9。1边坡的变形与破坏类型 9。1.1概述

随着社会进步及经济发展，越来越多地在工程活动中涉及边坡工程问题，通过长期的工程实践，工程地质工作者已对边坡工程形成了比较完善的理论体系,并通过理论对人类工程活动，进行有效地指导。近年来，随着环境保护意识的增加及国际减轻自然灾害十年来的开展，人类已认识到：边坡诞生不仅仅是其本身的历史发展，而是与人类活动密切相关；人类在进行生产建设的同时，必须顾及到边坡的环境效应，并且把人类的发展置于环境之中,因而相继开展了工程活动与地质环境相互作用研究领域，在这些领域中，边坡作为地质工程的分支之一，一直是人们研究的重点课题之一。 在水电、交通、采矿等诸多的领域，边坡工程都是整体工程不可分割的部分，为保证工程运行安全及节约经费，广大学者对边坡的演化规律、边坡稳定性及滑坡预测预报等进行了广泛研究。然而，随着人类工程活动的规模扩大及经济建设的急剧发展,边坡工程中普遍出现了高陡边坡稳定性及大型灾害性滑坡预测问题。在我国，目前的露天采矿的人工边

坡已高达300—500m，而水电工程中遇到的天然边坡高度已达500—1000米，其中涉及的工程地质问题极为复杂，特别是在西南山区，边坡的变形、破坏极为普遍,滑坡灾害已成为一种常见的危害人民生命财产安全及工程正常运营的地质灾害。

2021年边坡稳定性分析开题报告

边坡稳定性分析开题报告 关于边坡稳定性分析开题报告范文 边坡稳定性的一般理解是边坡中的滑动体沿滑面破坏，即抗滑力与滑动力之比。当比值等于1,为极限平衡状态；大于1,为稳定状态；小于1,为不稳定状态。这是一种岩体破坏的稳定性概念。以下是边坡稳定性分析范文，供大家参考。 山西某黄土边坡的稳定性分析 1.1.1 选题背景 近年来，在黄土地区特别是在山西，随着建筑物的大量兴建和人们对空间的不断开发、利用，边坡工程越来越多，边坡支护的形式也多种多样。由于人们对建筑边坡工程复杂性认识不够、工程经验不足，加上黄土本身土质的特殊性，因此在工程施工中，支护结构选择不当或支护强度设计不够，以及不加强雨水及生产、生活用水管理，使边坡浸水。所有这些造成许多边坡工程事故，给国家经济及人民生命财产造成巨大损失。例如xx年4月27日，青海省银鹰金融保安护卫有限公司基地发生一起边坡支护工程坍塌事故，造成数人死伤，经济损失达数十万元。事故调查结果显示，施工单位在没有进行任何地质灾害危险性评估的情况下，擅自施工，且边坡支

护设计方案未按照规范设计，以及施工过程中也没有根据现场的实际情况采取有效的防护措施，违反了建筑边坡工程技术规范施工工艺流程，从而导致了事故的发生。像这样的例子还有许多。 岩土工程界普遍认为引起边坡工程失稳事故的主要原因是工程地质勘察存在问题、边坡支护设计存在问题、边坡工程施工存在的问题以及边坡工程在使用中存在不当等问题。而边坡工程的设计又是最为重要的一方面，所以对于边坡工程事故应当着重于这一方面的研究。 1.1.2 选题意义 边坡工程的设计及其稳定性问题是结构力学、土力学、水文地质学等诸多工程领域学科的交汇，是一项涉及范围较广、难度较大的系统工程。同时，这是一项具有较强综合性的课题，勘察、设计、施工等各个环节对于边坡支护的稳定都有巨大的影响，任何失误都可能产生严重的后果。 我国现在正大力发展中西部地区，而大部分黄土都分布在中西部地区，那么关于黄土边坡稳定性问题是在发展国家中西部的过程中所不能回避的问题。如在边坡支护过程中由于勘察、设计、施工等不当导致黄土滑坡对人民生命、财产安全构成威胁问题等等。想要

用理正岩土计算边坡稳定性

运用《理正岩土边坡稳定性分析》 作定量计算 （整理人：朱冬林，2012-2-21） 1、我目前手上理正岩土的版本为5.11版，有新版本的请踊跃报名，大家共同进步！ 2、为什么要用理正岩土边坡稳定性分析？ 现在山区公路项目地形条件越来越复杂，对于一些斜坡（指一般自然坡）或边坡（指开挖后的坡体）的稳定性评价是不可避免，比如桥位区沿斜坡布线，桥轴线与坡向大角度相交，自然坡度20～40°，覆盖层比较厚，到底是稳定还是不稳定？会不会有隐患和危险？必将困扰每个勘察技术人员，说它稳定吧，又怕将来出问题，说不稳定，目前又没有出现开裂变形滑动迹象，那在报告中如何评价桥址的安全性？再比如，路线从大型堆积体上经过，究竟稳定性如何评价？仅靠钻探或地质调查无法对其稳定性进行合理评价。这时候，就要辅以定量分析计算来提供证据了。 还有，我们在报告中提路堑边坡的岩土经验参数，常常遭设计诟病，按报告

中提的参数，自然坡都垮得一塌糊涂了，更不要说开挖了。我们在正式报告中提出“问题参数”会大大降低了勘察在设计心目中的光辉（灰）形象。如果我们事先对自然斜坡的横断面进行过初步计算，提出的参数就不会太离谱，必将给设计留下“很专业”的印象。 3、是否好用？ 很好用。在保宜项目我一天计算几十个断面，既有效又快。 4、断面图能不能直接从CAD图读入？ 可以。只需事先转化为dxf即可（用dxfout命令保存）。对图形的条件是所有的线段都是直线段组成（对于多段线需要炸开，对于样条曲线可以用多段线描一下再炸开即可），另外图形边界要封闭（事先可以用填充命令试一下，看各个区域是否封闭）。注意，图中只能有直线段，不能有其它图元（记得按上面操作完后，全选（Ctrl+A）,看“属性”（Ctrl+1），全部为直线，则OK）。 5、下面结合实例讲解计算过程，保证学一遍就上手。 以土质边坡计算为例（最常用） 进入土质边坡稳定性分析程序

边坡稳定性分析方法

边坡稳定性分析方法 1.1 概述 边坡稳定性分析是边坡工程研究的核心问题，一直是岩土工程研究的的一个热点问题。边坡稳定性分析方法经过近百年的发展，其原有的研究不断完善，同时新的理论和方法不断引入，特别是近代计算机技术和数值分析方法的飞速发展给其带来了质的提高。边坡稳定性研究进入了前所未有的阶段。 任何一个研究体系都是由简单到复杂，由宏观到微观，由整体到局部。对于边坡稳定性研究，在其基础理论的前提下，边坡稳定分析方法从二维扩展到三维，更符合工程的实际情况；由于一些新理论和新方法的出现，如可靠度理论和对边坡工程中不确定性的认识，边坡稳定分析方法由确定性分析向不确定性分析发展。同时，由于边坡工程的复杂性，边坡稳定评价不能依赖于单一方法，边坡的稳定性评价也由单一方法向综合评价分析发展。 1.2 边坡稳定性分析方法 边坡稳定性分析方法很多，归结起来可分为两类：即确定性方法和不确定性方法, 确定性方法是边坡稳定性研究的基本方法,它包括极限平衡分析法、极限分析法、数值分析法。不确定性方法主要有随机概率分析法等。 1.2.1 极限平衡分析法 极限平衡法是边坡稳定分析的传统方法，通过安全系数定量评价边坡的稳定性，由于安全系数的直观性，被工程界广泛应用。该法基于刚塑性理论，只注重土体破坏瞬间的变形机制，而不关心土体变形过程，只要求满足力和力矩的平衡、Mohr-Coulomb准则。其分析问题的基本思路：先根据经验和理论预设一个可能形状的滑动面，通过分析在临近破坏情况下，土体外力与内部强度所提供抗力之间的平衡，计算土体在自身荷载作用下的边坡稳定性过程。极限平衡法没有考虑土体本身的应力—应变关系，不能反映边坡变形破坏的过程，但由于其概念简单明了，且在计算方法上形成了大量的计算经验和计算模型，计算结果也已经达到了很高的精度。因此，该法目前仍为边坡稳定性分析最主要的分析方法。在工程实践中，可根据边坡破坏滑动面的形态来选择相应的极限平衡法。目前常用的极限平衡法有瑞典条分法、Bishop法、Janbu法、Spencer法、Sarma法Morgenstern-Price 法和不平衡推力法等。

边坡稳定性分析方法及其适用条件资料

边坡稳定性分析方法及其适用条件 摘要：边坡是一种自然地质体，在外力的作用下，边坡将沿其裂隙等一些不稳定结构面产生滑移，当土体内部某一面上的滑动力超过土体抗滑动的能力，将导致边坡的失稳。边坡稳定性分析是岩土工程的一个重要研究内容，并已经形成一个应用研究课题，本文对目前边坡稳定性分析中所采用的各种方法进行了归纳，并阐述了其适用条件。 关键词：边坡稳定性分析方法适用条件 正文： 一、工程地质类比法 工程地质类比法，又称工程地质比拟法，属于定性分析，其内容有历史分析法、因素类比法、类型比较法和边坡评比法等。该方法主要通过工程地质勘察，首先对工程地质条件进行分析，如对有关地层岩性、地质构造、地形地貌等因素进行综合调查和分类，对已有的边坡破坏现象进行广泛的调查研究，了解其成因、影响因素和发展规律等；并分析研究工程地质因素的相似性和差异性；然后结合所要研究的边坡进行对比，得出稳定性分析和评价。其优点是综合考虑各种影响边坡稳定的因素，迅速地对边坡稳定性及其发展趋势作出估计和预测；缺点是类比条件因地而异，经验性强，没有数量界限。 适用条件：在地质条件复杂地区，勘测工作初期缺乏资料时，都常使用工程地质类比法，对边坡稳定性进行分区并作出相应的定性评价，因此，需要有丰富实践经验的地质工作者，才能掌握好这种方法。

二、极限分析法 应用理想塑性体或刚塑性体处于极限状态的极小值原理和极大 值原理来求解理想塑性体的极限荷载的一种分析方法。它在土坡稳定分析时，假定土体为刚塑性体，且不必了解变形的全过程，当土体应力小于屈服应力时，它不产生变形，但达到屈服应力，即使应力不变，土体将产生无限制的变形，造成土坡失稳而发生破坏。其最大优点是考虑了材料应力—应变关系，以极限状态时自重和外荷载所做的功等于滑裂面上阻力所消耗的功为条件，结合塑性极限分析的上、下限定理求得边坡极限荷载与安全系数。 三、极限平衡法 该法将滑体作为刚体分析其沿滑动面的平衡状态,计算简单。但由于边坡体的复杂性,计算时模型的建立与参数的选取不可避免地使计算结果与实际结果不吻合。常用的方法有如下几种。 1瑞典条分法。基本假定:A边坡稳定为平面应变问题;B滑动面为圆弧;C计算圆弧面安全系数时,将条块重量向滑面法向分解来求法向力。该方法不考虑条间力的作用,仅能满足滑动体的力矩平衡条件,产生的误差使安全系数偏低。 优缺点：在不能给出应力作用下的结构图像的情况下，仍能对结构的稳定性给出较精确的结论，分析失稳边坡反算的强度参数与室内试验吻合度较好，使分析程序更加可信;但需要先知道滑动面的大致位置和形状，对于均质土坡可以通过搜索迭代确定其危险滑动面，但是对于岩质边坡，由于其结构和构造比较复杂，难以准确确定其滑动

基于支持向量机的模式识别

基于支持向量机的模式识别 摘要 随着人工智能和机器学习学科的不断发展，传统的机器学习方法已经不能适应学科的快速发展。而支持向量机（Support Vector Machine，SVM）则是根据统计学习理论提出的一种新型且有效的机器学习方法，它以结构风险最小化和VC 维理论为基础，适当的选择函数子集和决策函数，使学习机器的实际风险最小化，通过对有限的训练样本进行最小误差分类。支持向量机能够较好的解决小样本、非线性、过学习和局部最小等实际问题，同时具有较强的推广能力。支持向量机的样本训练问题实质是求解一个大的凸二次规划问题，从而所得到的解也是全局最优的，通常也是唯一的解。 本文以支持向量机理论为基础，对其在模式识别领域的应用进行系统的研究。首先运用传统的增式支持向量机对历史数据分类，该分类结果表明对于较复杂的数据辨识时效果不佳。然后运用改进后的增式支持向量机对历史数据进行分类，再利用支持向量机具有的分类优势对数据进行模式识别。 本文对传统增式支持向量机算法和改进增式支持向量机算法进行了仿真对比，仿真结果体现了改进增式支持向量机算法的优越性，改进增式支持向量机算法减少了训练样本集的样本数量，优化了时间复杂度和空间复杂度，提高了分类效率。该方法应用于模式识别领域中能明显提高系统的准确率。 关键词：支持向量机；模式识别；多类分类；增式算法

Pattern Recognition Based on Support Vector Machine Abstract With the discipline of artificial intelligence and machine learning continues to evolve, traditional machine learning methods can not adapt to the rapid development of disciplines. The support vector machine (Support Vector Machine, SVM) is based on statistical learning theory a new and effective machine learning method, which to base on the structural risk minimization and the VC dimension theory, a function subset of appropriate choice and decision-making function of appropriate choice, the learning machine to minimize the actual risk, through the limited training samples for minimum error classification. SVM can solve the small sample, nonlinear, over learning and local minimum practical issues, but also it has a strong outreach capacity. Sample training problems of Support Vector Machines to solve really a large convex quadratic programming problems, and to the global optimal solution is also obtained, usually the only solution. This paper based on support vector machine theory, its application in the field of pattern recognition system. First, by using the traditional incremental support vector machine classification of historical data, the classification results show that the data for the identification of more complex when the results are poor. And then improved by the use of incremental Support Vector Machines to classify the historical data, and then use the classification of Support Vector Machine has advantages for data pattern recognition. This type of traditional incremental Support Vector Machine and improved incremental Support Vector Machine algorithm was simulated comparison, simulation results demonstrate the improved incremental Support Vector Machine algorithm by superiority, improved incremental Support Vector Machine algorithm reduces the set of training samples number of samples，and to optimize the time complexity and space complexity, improving the classification efficiency. The method is applied to pattern recognition can significantly improve the accuracy of the system. Key words: Support Vector Machine; Pattern Recognition; Multi-class Classification; Incremental Algorithm

边坡稳定性分析方法

边坡稳定性分析方法 边坡稳定性问题涉及矿山工程、道桥工程、水利工程、建筑工程等诸多工程领域。岩土边坡是一种自然地质体，一般被多组断层、节理、裂隙、软弱带切割，使边坡存在削弱面，在边坡角变化、地下水、地震力、水库蓄水等外因作用下，使边坡沿削弱面产生相对滑移而产生失稳。 边坡稳定性分析过程一般步骤为：实际边坡→力学模型→数学模型→计算方法→结论[4]。其核心内容是力学模型、数学模型、计算方法的研究，即边坡稳定性分析方法的研究。边坡稳定分析方法研究一直是边坡稳定性问题的重要研究内容，也是边坡稳定研究的基础。 1 边坡稳定性研究发展状况 边坡稳定性的分析研究始于本世纪二十年代，最早是对土质边坡的稳定性进行分析和计算，直到60年代初，岩体边坡的稳定性分析研究才开始进行。早期对边坡稳定性的研究主要从两方面进行的：一是借用刚体极限平衡理论，根据三个静力平衡条件计算边坡极限平衡状态下的总稳定性。二是从边坡所处的地质条件及滑坡现象上对滑坡发生的环境及机制进行分析，但基本上都是单因素的。 50年代，我国许多工程地质工作者，在研究中采用前苏联的“地质历史分析”法，也是偏重于描述和定性分析。60年代初的意大利瓦依昂水库滑坡及我国一些水电工程及露天矿山遇到的大型滑坡和岩体失稳事件，使工程地质学家们认识到边坡是一个时效变形体，边坡的演变是一个时效过程或累进性破坏过程，每一类边坡都有其特定的时效变形形式或时效变形过程，这些过程所包含的力学机制只有用近代岩石力学理论才能解释，从而使边坡稳定性研究进入了模式机制研究或内部作用过程研究的新阶段。 进入80年代以来，边坡稳定研究进入了蓬勃发展的新时期。一方面随着计算理论和计算机科学的迅猛发展，数值模拟技术已广泛应用于边坡稳定性研究。边坡稳定性分析的研究也开始采用数值模拟手段定量或半定量地再现边坡变形破坏过程和内部机制作用过程，从岩石力学和数学计算的角度认识边坡变形破坏机制，认识边坡稳定性的发展变化。另一方面，现代科学理论方法，如系统方法、模糊数学、灰色理论、数量化理论及现代概率统计等新兴学科都被广泛的引入边坡稳定性的科学研究中，从而大大扩充了边坡工程的理论和研究方法，提高

支持向量机参数优化的一种新方法

小型微型计算机系统ＪｏｕｒｎａｌｏｆＣｈｉｎｅｓｅＣｏｍｐｕｔｅｒＳｙｓｔｅｍｓ２００８年１月第１期Ｖ０１．２９Ｎｏ．１２００８ 支持向量机参数优化的一种新方法 肇莹，刘红星，高敦堂 （南京大学电子科学与工程系。江苏南京２１００９３） Ｅ－ｍａｉｌ：ｘｗｈｚｙ＠ｓｏｈｕ．ｃｏｍ 摘要：支持向量机（ＳＶＭ）的性能与ＳＶＭ参数的选择有关．ＳＶＭ参数的优化需要一个准则，本文提出了一种以原空间中样本到分类面的最短代数距离最大为准则的ＳＶＭ参数优化方法．该方法旨在使ＳＶＭ分类面在原空间中使样本“平分秋色”，更能体现ＳＶＭ分类器的结构风险最一１、化的原则．算法简单、几何直观性好、易于实现．通过在双螺旋线样本和Ｉｒｉｓ样本集上所作测试证明了该方法的有效性． 关键词：支持向量机；参数优化 中图分类号：ＴＰｌ８文献标识码：Ａ文章编号：１０００—１２２０（２００８）０１—０１０２—０４ ＡＮｅｗＭｅｔｈｏｄｆｏｒＳＶＭＨｙｐｅｒ—ｐａｒａｍｅｔｅｒｓＯｐｔｉｍｉｚａｔｉｏｎ ＺＨＡＯＹｉｎｇ，ＬＩＵＨｏｎｇ－ｘｉｎｇ，ＧＡＯＤｕｎ—ｔａｎｇ （ＥｌｅｃｔｒｏｎｉｃＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇＤｅｐａｒｔｍｅｎｔ，ＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ２１００９３，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：ＴｈｅｐｅｒｆｏｒｍａｎｃｅｏｆＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ（ＳＶＭ）ｉｓｄｅｔｅｒｍｉｎｅｄｂｙｉｔｓｈｙｐｅｒ—ｐａｒａｍｅｔｅｒｓ．Ｏｐｔｉｍｉｚｉｎｇｔｈｅｈｙｐｅｒ—ｐａｒａｍｅｔｅｒｓｎｅｅｄｓａｃｒｉｔｅｒｉｏｎ．ＴｈｉｓｐａｐｅｒｐｒｅｓｅｎｔｓａｎｅｗＳＶＭｈｙｐｅｒ—ｐａｒａｍｅｔｅｒｓｏｐｔｉｍｉｚａｔｉｏｎｍｅｔｈｏｄ，ｉｎｗｈｉｃｈｍａｘｉｍｉｚｉｎｇｔｈｅｍｉｎｉｍｕｍａｌｇｅｂｒａｉｃｄｉｓｔａｎｃｅｆｒｏｍｓａｍｐｌｅｓｔｏｔｈｅｃＩａｓｓ—ｓｅｐａｒａｔｉｎｇｈｙｐｅｒ—ｓｕｒｆａｃｅｉｎｉｎｐｕｔ ｓｐａｃｅｉｓｔａｋｅｎａｓｔｈｅｃｒｉｔｅｒｉｏｎ．Ｔｈｅ ｍａｉｎ ｐｕｒｐｏｓｅｏｆｔｈｉｓｍｅｔｈｏｄｉｓｔｏ’ｌｅｇａｎｄ ｌｅｇ’ｔｈｅｗｈｏｌｅｏｒｉｇｉｎａｌｉｎｐｕｔｓｐａｃｅｆｏｒａｌｌｔｈｅｓａｍｐｌｅｓ，ａｎｄｉｔｓｕｓｔａｉｎｓｔｈｅｓｔｒｕｃｔｕｒａｌ ｒｉｓｋｍｉｎｉｍｉｚａｔｉｏｎｐｒｉｎｃｉｐｌｅｂｅｔｔｅｒ．Ｔｈｅｍｅｔｈｏｄｉｓｓｉｍｐｌｅ，ｇｅｏｍｅｔｒｉｃｉｎｔｕｉｔｉｖｅａｎｄｃａｎｂｅｉｍｐｌｅｍｅｎｔｅｄ ｅａｓｉｌｙ．Ｔｈｅｆｅａｓｉｂｉｌｉｔｙｏｆｔｈｅｍｅｔｈｏｄｉｓｄｉｓｐｌａｙｅｄｔｈｒｏｕｇｈｅｘｐｅｒｉｍｅｎｔｓｏｎｔｗｏｃｌａｓｓｉｃａｌｂｅｎｃｈｍａｒｋｃｌａｓｓｉｆｉｃａｔｉｏｎｐｒｏｂｌｅｍｓ－－ＴｗｏＳｐｉｒａｌｓＰｒｏｂｌｅｍ（ＴＳＰ）ａｎｄＩｒｉｓｓａｍｐｌｅｓ． Ｋｅｙｗｏｒｄｓ：ＳＶＭ；ｈｙｐｅｒ－ｐａｒａｍｅｔｅｒｏｐｔｉｍｉｚａｔｉｏｎ １引言 支持向量机（ＳＶＭ）的泛化性能不仅与核函数形式有关，而且与核函数的参数有关．图１是核函数选定为ＲＢＦ形式、即Ｋ。，ｚ，）一ｅｘｐ（一ｊＬ掣），而其核函数参数ｙ分别取不同值时，双螺线问题（ＴＳＰ）的ＳＶＭ分类结果．图（ａ）中，ｙ取值过大，使得样本在变换域空间中线性不可分；图（ｂ）中，ｙ （ａ）ｙ一２０时的ＳＶＭ分类情况（ｂ）ｙ＝０．０１时的ＳＶＭ分类情况 图１对ＴＳＰ问题，选用ＲＢＦ核函数 Ｆｉｇ．１ＦｏｒＴＳＰｗｉｔｈＲＢＦｋｅｒｎｅｌｆｕｎｃｔｉｏｎｓｅｌｅｃｔｅｄ 收稿日期：２００６—０９?２０收修改稿日期：２００６—１２—２７基金项目；国家自然科学基金项目（６０２７５０４１）资助．作者简介：肇莹，女，１９７３年生，博士研究生，讲师，研究方向为模式识别与人工智能｝刘红星，男，１９６８年生，博士，教授，研究方向为模式识别与人工智能；高敦堂，男，１９４１ 年生，教授，研究方向为人工智能． 　万方数据

基于支持向量机的故障诊断

基于支持向量机的故障诊断 摘要 在化工生产过程中，为了准确检测故障，减少机械的损失和人员的伤亡，提出了支持向量机算法。支持向量机是基于统计学理论的方法，具有较强的逼近能力和泛化能力。但是在最近几年中，一种基于主元分析的过程监控方法已在工业过程中得到应用，主元分析方法通过正常工况下的历史数据建立的统计模型能很好地检测过程的异常变化和故障的发生。本文主要就这两种方法展开运用。在实际生产过程中，一方面，主元分析方法故障诊断能力有限；另一方面，存在着大量的历史数据，既有正常工况下的数据，又有故障数据，如何充分利用各种类别数据，提高故障诊断能力，具有十分重要的意义。 本文首先运用传统支持向量机算法对历史数据进行分类，分类结果表明该方法对于简单的数据比较容易区分，但是在数据复杂，可辨性较低的情况下，效果不明显。然后运用改进了的传统支持向量机算法对历史数据进行分类，即运用主元分析方法提取各数据的主要特征，再利用支持向量机具有的分类优势对过程数据进行在线诊断，从而提高故障诊断能力。 本文对传统支持向量机算法和改进支持向量机算法进行了仿真比较，仿真结果体现了改进支持向量机算法的优越性；改进支持向量机算法提高了传统支持向量机算法分类的正确率。该种方法在实际工程中能够提高系统的诊断性能，减少不必要的损失。 关键词：支持向量机；故障诊断；主元分析方法；田纳西-伊斯曼过程；

Fault Diagnosis Based on Support Vector Machine Abstract In order to detect faults accurately, reduce mechanical lossesand casualties in the chemical production process, the algorithm of support vector machines was proposed. Based on the statistics theories, support vector machine is a method of approximation ability and generalization ability. Recently, a new method of process monitoring based on principal component analysis is applied in industrial production process. The statistical model built by principal component analysis method using historic data could detect unusual changes and faults happening in the process accurately. This research is on the application of these two methods. In the actual production process, principal component analysis has certain limitations in diagnosing fault. Besides, the vast volume of historical data was collected in both normal and unusual conditions. It is of great importance to make full use of the data to improve the capacity of fault diagnosis. Firstly, this paper classified the historical data by applying the traditional support vector machine algorithm. The results showed that traditionalmethod works well on simple data sets. However, it showed insignificant effects under a complex and low-differentiability condition. In succession, an advanced approach was used to improve the traditional method, which was approached to enhance the ability of fault diagnosis by using principal component analysis to extract the main features of the data, then with the use of support vector machine which has the advantages of online diagnostic on process data to classify. In this paper, the traditional support vector machine algorithm and advanced support vector machine algorithm were compared in simulation process, the results indicates the superiority of the advanced method which improved the correctness of the traditional one on classification. It could also improve the diagnostic performance in the actual process and reduce unnecessary losses consequently. Key words: Support Vector Machine; Fault Diagnosis; Principal Component Analysis; Tennessee Eastman Process

《土力学》第十章习题集及详细解答讲课稿

《土力学》第十章习题集及详细解答 第10章土坡和地基的稳定性 1.填空题 1.黏性土坡稳定安全系数的表达式为。 2.无黏性土坡在自然稳定状态下的极限坡角，称为。 3.瑞典条分法稳定安全系数是指 和之比。 4.黏性土坡的稳定性与土体的、、 、 和等5个参数有密切关系。 5.简化毕肖普公式只考虑了土条间的作用力而忽略了作用力。 2.选择题 1.无粘性土坡的稳定性，（ B ）。 A.与坡高无关，与坡脚无关 B.与坡高无关，与坡脚有关 C.与坡高有关，与坡脚有关 D.与坡高有关，与坡脚无关 2.无黏性土坡的稳定性（ B ）。 A.与密实度无关 B.与坡高无关 C.与土的内摩擦角无关 D.与坡角无关 3.某无黏性土坡坡角β=24°，内摩擦角φ=36°，则稳定安全系数为( C ) A.K=1.46 B. K=1.50 C.K=1.63 D. K=1.70 4. 在地基稳定性分析中，如果采用分析法，这时土的抗剪强度指标应该采用下列哪 种方法测定？（ C ） A.三轴固结不排水试验 B.直剪试验慢剪 C.现场十字板试验 D.标准贯入试验 5. 瑞典条分法在分析时忽略了（ A ）。 A.土条间的作用力 B.土条间的法向作用力 C.土条间的切向作用力 6.简化毕肖普公式忽略了（ C ）。 A.土条间的作用力 B.土条间的法向作用力 C.土条间的切向作用力 3判断改错题

1. ，只有黏性土坡的稳定性才与坡高无关。 2. ，只有最小安全系数所对应的滑动面才是最危险的滑动面。 3. ，只适用于均质土坡。 4. √ 5. ，毕肖普条分法也适用于总应力法 1.黏性土坡的稳定性与坡高无关。 2.用条分法分析黏性土的稳定性时，需假定几个可能的滑动面，这些滑动面均是最危险的滑动面。 3.稳定数法适用于非均质土坡。 4.毕肖普条分法的计算精度高于瑞典条分法。 5.毕肖普条分法只适用于有效应力法。 4.简答题 1.土坡稳定有何实际意义？影响土坡稳定的因素有哪些? 2.何为无黏性土坡的自然休止角？无黏性土坡的稳定性与哪些因素有关？ 3.简述毕肖普条分法确定安全系数的试算过程？ 4.试比较土坡稳定分析瑞典条分法、规范圆弧条分法、毕肖普条分法及杨布条分法的异同？ 5.分析土坡稳定性时应如何根据工程情况选取土体抗剪强度指标和稳定安全系数？ 6.地基的稳定性包括哪些内容？地基的整体滑动有哪些情况？应如何考虑？ 7.土坡稳定分析的条分法原理是什么？如何确定最危险的圆弧滑动面？ 8.简述杨布(Janbu)条分法确定安全系数的步骤。 5.计算题 1.一简单土坡，。(1)如坡角，安全系数K= 1.5，试用稳定数法确定最大稳定坡高；(2)如坡高，安全系数仍为1.5，试确定最大稳定坡角；(3)如坡高，坡角，试确定稳定安全系数K。 2. 某砂土场地经试验测得砂土的自然休止角，若取稳定安全系数K=1.2，问开挖基坑时土坡坡角应为多少？若取，则K又为多少？ 3. 某地基土的天然重度，内摩擦角，黏聚力，当采取坡度1∶1开挖坑基时，其最大开挖深度可为多少？ 4. 已知某挖方土坡，土的物理力学指标为=18.9，若取安全系数,试问： (1)将坡角做成时边坡的最大高度； (2)若挖方的开挖高度为6m ，坡角最大能做成多大？

实验2分类预测模型-支持向量机

实验2分类预测模型——支持向量机SVM 一、 实验目的 1. 了解和掌握支持向量机的基本原理。 2. 熟悉一些基本的建模仿真软件（比如SPSS 、Matlab 等）的操作和使用。 3. 通过仿真实验，进一步理解和掌握支持向量机的运行机制，以及其运用的场景，特别是在分类和预测中的应用。 二、 实验环境 PC 机一台，SPSS 、Matlab 等软件平台。 三、 理论分析 1. SVM 的基本思想 支持向量机（Support Vector Machine, SVM ），是Vapnik 等人根据统计学习理论中结构风险最小化原则提出的。SVM 能够尽量提高学习机的推广能力，即使由有限数据集得到的判别函数，其对独立的测试集仍能够得到较小的误差。此外，支持向量机是一个凸二次优化问题，能够保证找到的极值解就是全局最优解。这希尔特点使支持向量机成为一种优秀的基于机器学习的算法。 SVM 是从线性可分情况下的最优分类面发展而来的，其基本思想可用图1所示的二维情况说明。 图1最优分类面示意图 图1中，空心点和实心点代表两类数据样本，H 为分类线，H1、H2分别为过各类中离分类线最近的数据样本且平行于分类线的直线，他们之间的距离叫做分类间隔（margin ）。所谓最优分类线，就是要求分类线不但能将两类正确分开，使训练错误率为0，而且还要使分类间隔最大。前者保证分类风险最小；后者（即：分类间隔最大）使推广性的界中的置信范围最小，从而时真实风险最小。推广到高维空间，最优分类线就成为了最优分类面。 2. 核函数 ω

支持向量机的成功源于两项关键技术：利用SVM 原则设计具有最大间隔的最优分类面；在高维特征空间中设计前述的最有分类面，利用核函数的技巧得到输入空间中的非线性学习算法。其中，第二项技术就是核函数方法，就是当前一个非常活跃的研究领域。核函数方法就是用非线性变换 Φ 将n 维矢量空间中的随机矢量x 映射到高维特征空间，在高维特征空间中设计线性学习算法，若其中各坐标分量间相互作用仅限于内积，则不需要非线性变换 Φ 的具体形式，只要用满足Mercer 条件的核函数替换线性算法中的内积，就能得到原输入空间中对应的非线性算法。 常用的满足Mercer 条件的核函数有多项式函数、径向基函数和Sigmoid 函数等，选用不同的核函数可构造不同的支持向量机。在实践中，核的选择并未导致结果准确率的很大差别。 3. SVM 的两个重要应用：分类与回归 分类和回归是实际应用中比较重要的两类方法。SVM 分类的思想来源于统计学习理论，其基本思想是构造一个超平面作为分类判别平面，使两类数据样本之间的间隔最大。SVM 分类问题可细分为线性可分、近似线性可分及非线性可分三种情况。SVM 训练和分类过程如图2所示。 图2 SVM 训练和分类过程 SVM 回归问题与分类问题有些相似，给定的数据样本集合为 x i ,y i ,…, x n ,y n 。其中，x i x i ∈R,i =1,2,3…n 。与分类问题不同，这里的 y i 可取任意实数。回归问题就是给定一个新的输入样本x ，根据给定的数据样本推断他所对应的输出y 是多少。如图3-1所示，“×”表示给定数据集中的样本点，回归所要寻找的函数 f x 所对应的曲线。同分类器算法的思路一样，回归算法需要定义一个损失函数，该函数可以忽略真实值某个上下范围内的误差，这种类型的函数也就是 ε 不敏感损失函数。变量ξ度量了训练点上误差的代价，在 ε 不敏感区内误差为0。损失函数的解以函数最小化为特征，使用 ε 不敏感损失函数就有这个优势，以确保全局最小解的存在和可靠泛化界的优化。图3-2显示了具有ε 不敏感带的回归函数。 o x y 图3-1 回归问题几何示意图 o x y 图3-2 回归函数的不敏感地

基于支持向量机的分类方法

基于支持向量机的分类方法 摘要：本文首先概述了支持向量机的相关理论，引出了支持向量机的基本模型。当训练集的两类样本点集重合区域很大时，线性支持向量分类机就不适用了，由此介绍了核函数相关概念。然后进行了核函数的实验仿真，并将支持向量机应用于实例肿瘤诊断，建立了相应的支持向量机模型，从而对测试集进行分类。最后提出了一种支持向量机的改进算法，即根据类向心度对复杂的训练样本进行预删减。 1、支持向量机 给定训练样本集1122{[,],[,], ,[,]}()l l l T a y a y a y Y =∈Ω?L ，其中n i a R ∈Ω=，Ω是输入空间，每一个点i a 由n 个属性特征组成，{1,1},1,,i y Y i l ∈=-=L 。分类 就是在基于训练集在样本空间中找到一个划分超平面，将不同的类别分开，划分超平面可通过线性方程来描述： 0T a b ω+= 其中12(;;;)d ωωωω=K 是法向量，决定了超平面的方向，b 是位移项，决定 了超平面与原点之间的距离。样本空间中任意点到超平面的距离为|| |||| T a b r ωω+=。 支持向量、间隔： 假设超平面能将训练样本正确分类，即对于[,]i i a y T ∈，若1i y =+，则有 0T i a b ω+>，若1i y =-，则有0T i a b ω+<。则有距离超平面最近的几个训练样本点使得 11 11 T i i T i i a b y a b y ωω?+≥+=+?+≤-=-? 中的等号成立，这几个训练样本点被称为支持向量；两个异类支持向量到超平面 的距离之和2 |||| r ω=被称为间隔。 支持向量机基本模型： 找到具有最大间隔的划分超平面，即 ,2max ||||..()1,1,2,...,b T i i s t y a b i m ωωω+≥= 这等价于 2 ,||||min 2..()1,1,2,...,b T i i s t y a b i m ωωω+≥= 这就是支持向量机（SVM ）的基本模型。 支持向量机问题的特点是目标函数2 ||||2 ω是ω的凸函数，并且约束条件都是 线性的。

路基路面工程04章路基边坡稳定性习题参考答案

第四章路基边坡稳定性分析 一、名词解释 1.工程地质法：经过长期的生产实践和大量的资料调查，拟定不同土的类别及其所处状态下的边坡稳定值参考数据；在实际工程边坡设计时，将影响边坡稳定的因素作比拟，采用类似条件下的稳定边坡值作为设计值的边坡稳定分析方法。 2.圆弧法：假定滑动面为一圆弧，将圆弧滑动面上的土体划分为若干竖向土条，依次计算每一土条沿滑动面的下滑力和抗滑力，然后叠加计算出整个滑动土体的稳定性性系数的边坡稳定分析方法。 3.力学法（数解）：假定几个不同的滑动面，按力学平衡原理对每个滑动面进行边坡稳定性分析，从中找出极限滑动面，按此极限滑动面的稳定程度来判断边坡稳定性的边坡稳定分析方法。 4.力学法（表解）：在计算机和图解分析的基础上，制定成待查的参考数据表格，用查找参考数据表的方法进行边坡稳定性分析的边坡稳定分析方法。 5.圆心辅助线：为了较快地找到极限滑动面，减少试算工作量，根据经验而确定的极限滑动圆心位置搜索直线。 二、简答题 1.简述边坡稳定分析的基本步骤。 答：（1）边坡破裂面力学分析，包括滑动力（或滑动力矩）和抗滑力（或抗滑力矩）；（2）通过公式推导给出滑动力和抗滑力的具体表达式； （3）分别给出滑动力和抗滑力代数和表达式，按照定义给出边坡稳定系数表达式； （4）通过破裂面试算法或极小值求解法获得最小稳定系数及其对应最危险破裂面； （5）依据最小稳定系数及其容许值，判定边坡稳定性。 2.简述圆弧法分析边坡稳定性的原理。 答：基本原理为静力矩平衡。 （1）假设条件：土质均匀，不计滑动面以外土体位移所产生作用力； （2）条分方法：计算考虑单位长度，滑动体划分为若干土条，分别计算各个土条对于滑动圆心的滑动力矩和抗滑力矩； （3）稳定系数：抗滑力矩与滑动力矩比值。 （4）判定方法：依据最小稳定系数判定边坡稳定性。 3.简述直线滑动面法和圆弧滑动面法各自适用条件？ 答：直线滑动面法适用于砂类土。砂类土边坡渗水性强，粘性差，边坡稳定主要靠内摩擦力支承，失稳土体滑动面近似直线形态。