![点击分享此内容可以赚币 分享](/master/images/share_but.png)
基于无监督方法确定岩土参数取值.pdf
《基于无监督方法确定岩土参数取值.pdf》由会员分享,可在线阅读,更多相关《基于无监督方法确定岩土参数取值.pdf(11页珍藏版)》请在咨信网上搜索。
1、DOI:10.16030/ki.issn.1000-3665.202207046阮永芬,李鹏辉,朱强,等.基于无监督方法确定岩土参数取值 J.水文地质工程地质,2023,50(4):149-159.RUAN Yongfen,LI Penghui,ZHU Qiang,et al.Determination of geotechnical parameters based on the unsupervised learning methodJ.Hydrogeology&Engineering Geology,2023,50(4):149-159.基于无监督方法确定岩土参数取值阮永芬1,李鹏辉1,
2、朱强2,王勇3,闫明4(1.昆明理工大学建筑工程学院,云南 昆明650500;2.中铁十六局集团有限公司北京交通轨道建设工程有限公司,北京101100;3.昆明军龙岩土工程有限公司,云南 昆明650214;4.中铁二十局集团第五工程有限公司,云南 昆明650000)摘要:随着城市工程建设的发展,建筑工程事故问题愈发突出,采用传统方法求取的岩土参数区间无法满足实际工程需要。基于无监督学习思想,选取工程性质较差的泥炭质土,结合工程经验选用 8 个物理指标作为输入集,利用主成分分析(priciple components analysis,PCA)算法实现多样本多参数去耦合的降维处理,得出各物理指标
3、相关性及敏感度,结合其相关性及敏感度赋予不同埋深泥炭质土物理指标的综合评价值。利用 k-means 聚类分析泥炭质土物理指标、综合评价值及工程特性之间的关系,为岩土参数选取提供理论基础。采用监督学习方法BP 神经网络算法分析无监督结果,验证(PCAk-means)算法模型的合理性。将通过聚类分析得到的正态样本利用多种截尾法优化,得到可靠取值区间,并将取值结果与实际工程取值比较,验证了该模型工程参数取值的合理性。该算法模型具有较好的工程应用价值,所得研究结果可为工程勘察、设计、施工参数取值提供参考,也能为岩土参数取值分析提供新的分析方法。关键词:主成分分析;k-means 聚类;BP 神经网络;
4、截尾法;岩土参数中图分类号:TU443 文献标志码:A 文章编号:1000-3665(2023)04-0149-11Determination of geotechnical parameters based on theunsupervised learning methodRUAN Yongfen1,LI Penghui1,ZHU Qiang2,WANG Yong3,YAN Ming4(1.Faculty of Civil Engineering and Mechanics,Kunming University of Science and Technology,Kunming,Yunna
5、n650500,China;2.China Railway 16 Bureau Group Metro Engineering Construction Co.Ltd.,Beijing101100,China;3.Kunming Junlong Geotechnical Engineering Co.Ltd.,Kunming,Yunnan650214,China;4.No.5 Engineering Corporation Limited of CR20G,Kunming,Yunnan650000,China)Abstract:With the development of urban eng
6、ineering construction,the issue of construction engineering accidentshas become more and more prominent.The geotechnical parameter interval obtained by using the traditionalmethods cannot meet the needs of actual engineering.Based on the idea of unsupervised learning,the peaty soilwith the worst eng
7、ineering properties is considered,and 8 physical indexes are selected as the input set.Theprincipal component analysis(PCA)algorithm is used to realize the dimensionality reduction of multi-sample andmulti-parameter decoupling,and the correlation and sensitivity of each physical index is obtained.Co
8、mbined with 收稿日期:2022-07-28;修订日期:2022-10-20投稿网址:基金项目:中铁二十局集团第五工程有限公司科研计划项目(CR2005-5-JS-2021-009)第一作者:阮永芬(1964-),女,博士,教授,主要从事岩土工程方面的研究。E-mail:通讯作者:李鹏辉(1999-),男,硕士研究生,主要从事岩土工程方面的研究。E-mail: 第 50 卷 第 4 期水文地质工程地质Vol.50 No.42023 年 7 月HYDROGEOLOGY&ENGINEERING GEOLOGYJul.,2023its correlation and sensitivity
9、,the comprehensive evaluation value of physical indexes of peat soil with differentburied depths is given.The k-means clustering is used to analyze the relationship among physical index,andcomprehensive evaluation value and engineering characteristics of peaty soil provide a theoretical basis for th
10、eselection of geotechnical parameters.The supervised learning method-BP neural network algorithm is used toanalyze the unsupervised results and verify the accuracy of the(PCAk-means)algorithm model.The normalsamples obtained by clustering analysis are optimized by a variety of truncation methods to
11、obtain a reliable valuerange,and the value results are compared with the actual engineering values to verify the rationality of the modelengineering parameters.The algorithm model is of good engineering application value.The research results canprovide references for engineering investigation,design
12、 and construction parameter values,and also provide a newanalysis method for geotechnical parameter value analyses.Keywords:principal component analysis;k-means clustering;BP neural networks;truncated method;geotechnical parameters 昆明滇池流域广泛分布由泥炭质土、粉土、黏土、粉砂互层组成的特殊湖相沉积软土,这类软土不仅土体类别离散,物理指标也非常离散,导致工程性质较
13、复杂,容易引发工程事故,同时为工程勘察、设计及施工时参数的选取带来很多困难。这类软土中,泥炭质土最为特殊,具有孔隙比大、含水率高、压缩性大等特点,工程性质极差1 4。实际工程中参数取值是否合理直接影响后续工程施工安全。因此,得到合理可靠的岩土参数值成为亟待解决的问题。为降低泥炭质土给工程带来的施工困难与安全隐患,目前很多学者致力于研究泥炭质土物理力学参数相关性。Kolay 等5对马来西亚 6 个不同地点的重塑泥炭质土进行试验研究,其试验结果与他人研究结果吻合较好,即随着有机质含量的增加,泥炭质土的液限、纤维含量、最优含水率均增加,比重、密度均减少。Price 等6研究了泥炭质土的物理性质,对密
14、度、分解度、持水能力、泥炭土纤维含量及种类与压缩性之间的关系进行分析。Santagata 等7对有机质含量达 40%60%的原状土、重塑泥炭质土及人造无机黏土进行恒载及增量加载一维固结试验,分析研究了压缩系数、渗透系数与孔隙比的变化规律以及土的结构性。裴利华等8研究了有机质含量对无定形泥炭质土物理力学性质的影响,为工程应用提供理论基础。随着岩土参数相关性研究内容的深入,越来越多的学者采用一元及多元线性方程对岩土参数进行拟合,为设计参数的合理取值提供参考9 11。归纳现有研究成果可知,通过线性拟合得到的岩土参数值考虑的影响因素较少,不能真实反映工程状况。机器学习算法可快速高效处理多参数耦合问题,
15、但是研究发现监督学习严重依赖外部因素,难以处理噪声样本,需排除噪音点后使用,导致工程适用性不强12 13。无监督学习作为解决分类及回归问题的常用方法之一,目前已被多次应用到岩土工程。例如,阮永芬等14采用无监督学习理论中的主成分分析(priciple compone-nts analysis,PCA)算法和模糊 C-均值聚类算法(fuzzyC-means algorithm,FCM),即 PCA-FCM 算法,对盾构施工地表沉降进行预估,很大程度上提高了预估正确率。宫凤强等15采用主成分分析与距离分析识别法识别矿山水源,极大提高了判别正确率。任玉晓16采用无监督学习理论对隧道地震波速进行反演,
16、为地震波速深度学习反演在实际数据中的应用提供了可行手段。但是,无监督学习理论在岩土参数方面应用较少且不系统,且计算时未能将多指标样本联系到一起,未考虑多参数指标对土的工程性质影响17 18。为解决以上问题,采用昆明会展中心场地地质勘测资料,将不同埋深下的泥炭质土 8 个物理指标 381组数据引入无监督学习理论中,利用 PCA 算法和 k-means 聚类分析将物理指标及工程特性联系起来,为工程参数取值提供参考。将无监督学习理论的输出结果与 BP 神经网络得到的结果进行分析,进一步验证建立模型的适用性;并对优化后样本指标采用多种截尾法确定其样本取值区间,与实际工程综合建议值比较分析,检验 PCA
17、k-means 模型的合理性。1 算法原理 1.1 主成分分析(PCA)PCA 算法的目标是通过某种线性投影,将高维的数据映射到低维的空间中,并期望在所投影的维度上数据的信息量最大,以便使用较少的数据维度,同时保留住较多的原数据点特性19。采用文献 14 中 150 水文地质工程地质第 4 期PCA-FCM 模型中的相关 PCA 算法实现数据降维,其基本步骤如下所述。为消除不同指标参数量纲的影响,首先对指标参数进行 Z-score 标准化处理,计算如下:xij=xijxjj,i=1,2,n,j=1,2,m(1)xij式中:第 i 个样本第 j 个指标的实测值;xj、j第 j 个指标的均值与标准
18、差;n样本个数;m指标空间维度。对样本指标标准化后,构建协方差矩阵 C 如下:C=Cov(x1,x1)Cov(x1,xm)Cov(x2,x1)Cov(x2,xm).Cov(xm,x1)Cov(xm,xm)(2)Cov(xj,xj)式中:第 j 个与第 j个指标间的协方差。协方差的计算公式见式(3)(4),其大小决定了不同指标间的关系:当其值0 时,两样本间为正相关;当其值85%时的前 k 项代表原表征指标样本。cj和ck计算公式如下:ck=kj=1cj,cj=jmj=1j100%(5)对样本指标降维后形成新的坐标空间,由选定的前 k 个指标 yk组成的矩阵 Y 可以表示为:Y=y1y2.yk=
19、PX=p11p12p1mp21p22p2m.pk1pk2pkmx1x2.xm(6)式中:P主成分得分系数矩阵;Xm 维列向量。1.2 k-means 聚类分析k-means 聚类主要用于解决未知量的分类问题,目前已被用于解决多个领域分类问题。其算法基本原理为随机确定 k 个初始点作为簇质心,然后计算数据样本中的每个点与每个簇质心间的距离,依据此距离对样本进行分配;之后将每簇的质心更改为该簇内所有点的平均值;经过多次迭代计算,簇质心最终趋于稳定20 21。k-means 聚类的优点为运算速度快,操作简单,容易理解。算法的基本步骤如下:x1,x2,x3,xni=1,2,k(1)从 n 个样本()中
20、随机选取 k 个初始聚类中心 Ci()。(2)采用欧式距离公式分别计算其余样本 xj与各个聚类中心 Ci的距离,将样本对象分配至聚类最近的簇中。欧式距离公式如下:d(xj,Ci)=mp=1(xjpCip)21/2(7)式中:xjp、Cipxj、Ci的第 p 个属性值。(3)所有样本分配完成后,观察是否会发生点重新分配的现象,若没有则样本分配稳定聚类结束,否则重新计算新的簇中心。(4)当聚类中心稳定不再变化时停止,并输出聚类结果。1.3 BP 神经网络BP 神经网络是一种多层的前馈神经网络,是监督学习的常用方法之一。其过程主要分为两个阶段,第一阶段是信号的前向传播,从输入层经过隐含层,最后到达输
21、出层;第二阶段是误差的反向传播,从输出到隐含层,最后到输入层,然后依次调节隐含层到输出层、输入层到隐含层的权重和偏置。结合文献 22 23中的 BP 神经网络算法,对数据进行预测分析。算法基本步骤如下:(1)网络初始化,选取合适的激活函数 f(x),常用的激活函数为双曲正切“S”型函数:f(x)=1ex1+ex(8)(2)对隐含层输出(Hj)进行计算:Hj=fni=1wijxi+aj,j=1,2,l(9)式中:wij输入层到隐含层的权重;aj输入层到隐含层的偏置。l隐含层的节点数。(3)对输出层输出(Ok)进行计算:Ok=mj=1wjkHj+bk,k=1,2,l1(10)2023 年阮永芬,等
22、:基于无监督方法确定岩土参数取值 151 式中:wjk隐含层的输出层的权重;bk隐含层到输出层的偏置;l1输出层的节点数。(4)计算其误差(E):E=12l1k=1(YkOk)2(11)式中:Yk期望输出,记 YkOk=ek,则E=12l1k=1e2k(12)(5)权值更新,计算如下:wij=wij+Hj(1Hj)xil1k=1wjkek(13)wjk=wjk+Hjek(14)(6)偏置更新隐含层到输出层的偏置更新:aj=aj+Hj(1Hj)xil1k=1wjkek(15)bk=bk+ek(16)输入层到隐含层的偏置更新:bk=bk+Hj(1Hj)l1k=1wjkek(17)计算结束后,判断算
23、法是否收敛。若结果收敛,则算法结束;否则重复上述计算操作,直到结果收敛。2 案例分析 2.1 参数指标确定对大量地勘报告进行整理和分析,选取地层分布具有代表性的昆明会展中心场地进行研究。此场地属于滇池盆地湖相沉积平原地貌,在勘测范围内,地层主要由表层填土、第四系冲洪积及湖相沉积层组成,共有 4 层泥炭质土。地层构造如图 1 所示。分别对各层不同深度泥炭质土取样,选取 381 个样本进行研究。选择密度()、比重(Gs)、含水率()、液限(L)、塑限(P)、孔隙比(e)、压缩系数(a1-2)、有机质含量(wu)等 8 个物理指标进行分析。每层泥炭质土的物理指标参数如表 1 所示。2.2 参数相关性
24、分析根据式(1)对泥炭质土样本指标进行标准化处理后进行 KMO 和巴利特球形检验,得到 KMO 取样适切性量数为 0.897(0.50),显著性概率为 0.000(3 时,曲线趋于平稳,且累计贡献率大于85%,故取前 3 个主成分为降维后的样本指标,代表原始 样 本 数 据 的 全 部 信 息 参 与 计 算。利 用 式(19)计算各指标的敏感度(rj),将 rj统计到表 3。由表 3 可知,按 rj由高到低排序,各物理指标依次为:e、L、P、wu、a1-2、Gs,当研究泥炭质土的物理指标变化规律时,可优先考虑分析 e、与 L的变化规律。rj=kc=1c?pjc?mj=1kc=1c?pjc?(
25、19)为得到不同埋深泥炭质土的综合评价值,可利用主成分得分系数矩阵 P 采用回归法分别计算 3 个主成分的因子得分函数 F1、F2、F3,计算公式如式(20)所示。将因子得分函数 F1、F2、F3代入式(21)计算不同埋深下的泥炭质土的综合评价值(Q)。将不同埋深泥炭质土的综合评价值由低到高进行排列表 4。由于样本数量较多,直接分析综合评价值与物理指标变化规律不方便;而物理指标之间存在某种线性关系,故将样本数量缩小,利于观察其变化趋势,因此令 10 个样本为 1 组,计算各组物理指标平均值。计算结果如表 4所示。0.91.01.11.21.31.41.51.61.70123456其他指标/(g
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 监督 方法 确定 岩土 参数
![提示](https://www.zixin.com.cn/images/bang_tan.gif)
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。