基于支持向量机的土石坝边坡稳定概率分析

为了合理考虑土石坝中不确定性因素的影响,本文基于支持向量机方法进行了土石坝边坡稳定概率分析,详细描述了整体计算流程,并通过一个土石坝边坡算例验证了该方法的有效性。结果表明：该方法可以结合参数归一化方法及“0”和“1”输出项来提升土石坝边坡分类精度,仅需进行30次土石坝边坡渗流稳定分析（耗时5min）,便可有效替代1万次MCS方法（耗时20h）进行土石坝边坡概率分析。该方法计算效率高、耗时少,可为解决考虑不确定性的土石坝边坡稳定概率分析问题提供一条有效的途径。     

超200m级高土石坝坝坡稳定安全系数研究

随着土石坝筑坝技术的不断发展,建造的土石坝越来越高,但超过200 m高土石坝设计一直沿用只适用于低于200 m土石坝的现行土石坝设计规范,相关设计规范亟需完善。基于相对安全率理论计算了不同坝高、不同坡比和不同地震烈度工况下土石坝坝坡稳定安全系数,明确超200 m高土石坝坝坡稳定安全系数变化规律。取超200 m高土石坝坝坡稳定允许可靠指标4.2为标准值,计算了传统方法的相对安全率和可靠度方法的相对安全率,并对两者进行线性回归。结果显示,对于超过200 m高的土石坝,其坝坡稳定安全系数正常工况取值1.6、地震工况取值1.3,与允许可靠指标达4.2处于同一风险控制水平。     

坝高超200m土石坝坝坡稳定风险控制标准

随着土石坝筑坝技术的不断发展,建造的土石坝越来越高,坝高超过200 m的土石坝设计时一直沿用只适用于修建坝高低于200 m土石坝的现行土石坝设计规范,高土石坝设计规范亟需完善。基于相对安全率理论计算不同坝高、不同坡比工况下土石坝坝坡稳定安全系数,分析超过200 m高土石坝坝坡稳定安全系数变化规律。取超过200 m高土石坝坝坡稳定允许可靠度指标4.2为设计标准,计算传统方法相对安全率和可靠度方法相对安全率,并对二者进行线性回归,结果显示超过200 m高土石坝坝坡稳定安全系数正常工况取1.6与允许可靠指标为4.2处于同一风险控制水平,并通过工程实例验证了该坝坡抗滑稳定安全系数取值的合理性。     

基于支持向量机的土石坝安全监测预报模型研究

简要介绍了支持向量机的基本原理,在对建模因子进行分析的基础上,提出了基于支持向量回归（SVR）算法的土石坝安全监测预报模型。实例分析表明,该模型与传统的多元线性回归模型和逐步回归模型相比,具有预测精度高、泛化能力强等优点,对土石坝安全监控具有实用价值。     

特高坝及其梯级水库群设计安全标准研究Ⅱ:高土石坝坝坡稳定安全系数标准

我国现行土石坝规范规定1级土石坝坝坡抗滑稳定安全系数为1.5,相应的目标可靠指标为4.2,但同时明确这一标准仅适用于低于200 m的土石坝。本文提出"相对安全率"的概念,把可靠指标和安全系数置于同一平台进行安全水平的关联比较。通过对已建和规划建设高度大于200 m的实际工程进行分析论证,结果表明,对于正常工况,本系列论文第Ⅰ部分建议的200~250 m高土石坝坝坡目标可靠指标取4.45,250 m以上的高土石坝取4.7,可以和坝坡抗滑稳定最小安全系数为1.6和1.7处于同一风险控制标准。这一研究成果可作为规范修订的参考和依据。     

土石坝渗流安全监测的遗传支持向量机方法

为了有效地根据土石坝地原型观测资料来分析坝体和坝基中存在的渗流问题,本文在对建模因子进行分析的基础上,充分利用支持向量机的结构风险最小化原则和遗传算法快速全局优化的特点,通过支持向量机模型对非线性监测数据进行拟合,并利用遗传算法优化支持向量机的模型参数,建立了基于GA-SVM的土石坝渗流监测模型。实例分析表明,该模型与传统的多元线性回归模型和神经网络模型相比,具有预测精度高、泛化能力强等优点,对土石坝安全监控具有实用价值。     

高堆石坝非线性强度指标坝坡稳定可靠度研究

基于现有的堆石坝坝坡稳定性可靠度分析方法,研究了堆石坝非线性强度坝坡稳定可靠度分析的有关方法,将简化毕肖普法和验算点法结合,并编制了相应的计算程序.对某高堆石坝坝坡进行了非线性强度指标可靠度分析,结果表明,高堆石坝按可靠度理论进行非线性强度指标坝坡稳定性分析是合理可行的,是对传统安全系数法的有益补充.     

相关抽样技术在坝坡稳定可靠度分析中的应用

高堆石坝坝坡可靠度分析需要考虑堆石料非线性强度指标互相关性的影响。与Rosenblueth法和FOSM相比,Monte Carlo法具有计算精度高、鲁棒性强的优点,但传统的Monte Carlo法不能直接对相关随机变量进行抽样模拟。提出了一种简便的相关抽样技术(CST),通过一系列独立的标准正态样本的线性组合生成相关随机变量的样本。将CST应用于Monte Carlo法,分析了某高堆石坝在地震荷载作用下的坝坡可靠度,结果表明:坝坡可靠度对堆石料非线性强度指标的互相关性较敏感,考虑互相关性后,坝坡可靠指标增大,失效概率减小。     

小浪底土石坝坝坡稳定性的概率分析

大坝设计的主要工作之一是对其在多种运行和环境情况下的稳定性进行分析。这种分析传统上常用确定性方法。但是,有些变量如土料的强度参数、孔隙压力及其它一些有关参数的取值包含着不确定性,而这种不确定性在传统的确定性方法中不能得到处理。因此,迫切希望能利用基于解析/数值方法的概率方法来进行大坝稳定分析,以考虑这些不确定性。利用Rosenblueth法对小浪底土石坝坝坡的可靠度指标进行了分析评估。为判断小浪底土石坝的主滑面,采用了2种不同的准则(即最小安全系数指标和最小可靠度指标)。文中也指出最小安全系数滑面不一定就是主滑面,但最小安全系数滑面可以作为最小可靠度指标主滑面搜索的近似初始滑面。     

基于GIS和支持向量机的土石坝溃决损失评估模型

针对土石坝溃决损失评估涉及众多地理空间对象且影响因素多而复杂的特点,基于GIS空间信息格网模型与支持向量机建立了土石坝溃决损失评估模型.利用GIS空间信息格网模型组织和管理大量空间信息数据,应用支持向量机评估溃坝生命损失率.以评估模型为基础,构建了土石坝溃决损失评估系统.实例应用研究表明,利用该系统可实现土石坝溃决损失快速评估,精度较高,效果较好.可为土石坝风险管理以及防灾减灾、救援决策提供参考.     

高堆石坝坝坡稳定可靠度分析

简述了可靠度分析的"改进一次二阶矩"法,介绍了一种典型的土坡稳定分析模型的极限状态方程,并采用传统的概率方法计算其材料参数,采用K-S检验其假定分布类型,最后用STAB程序对冶勒水电站大坝坝坡稳定可靠度进行了计算,结合算例,对该法应用中的一些问题进行了讨论。     

冶勒高沥青混凝土心墙堆石坝坝坡稳定可靠度分析

采用Monte–Carlo法和简化毕肖普法,对冶勒高沥青混凝土心墙堆石坝坝坡稳定可靠度和安全系数进行了分析研究,结果表明:获得的最小可靠度指标和最危险安全系数均远大于规范要求,说明冶勒高沥青混凝土心墙堆石坝的坝坡是安全的,并具有一定的安全储备。     

基于最小二乘支持向量机的土石坝渗透系数反演

针对土石坝渗透参数和测压管水位间复杂的非线性关系,应用最小二乘支持向量机于土石坝渗透系数的反演。首先利用有限元模型得到最小二乘支持向量机的训练样本,建立坝体水压分量相对值和渗透系数间复杂的非线性关系,并将其输入到训练好的最小二乘支持向量机模型,即可得到大坝渗透系数的反演值。以某土石坝为例经对比分析,该方法是可行的。     

基于GeoStudio的某土石坝整治前后渗流及坝坡稳定分析

针对由于下游排水棱体失效而导致某土石坝坝体浸润线比较高、坝坡安全系数不能满足规范要求的情况,通过削坡和重建排水棱体对其进行整治,再利用GeoStudio2007软件对该土石坝的稳定渗流期进行有限元分析,对比分析整治前后的渗流场和坝坡抗滑稳定性,验证了整治措施对坝体渗流和稳定性的改善作用。     

地震-渗流耦合作用下土石坝稳定性分析

为研究地震-渗流作用下土石坝的稳定性,以某一土石坝为研究对象,通过岩土软件Geo-slope中的Seep/w、Slope/w以及Quake/w模块,分析该土石坝在地震-渗流作用下可液化土层的发展规律、超孔隙水压力的变化规律、坝体典型节点加速度和位移变化规律。计算研究表明：在地震-渗流耦合作用下,可液化土层的中下部液化发展水平较高,中下部土体的超孔隙水压力增量也比较大,上层土体发生液化的概率最小。坝体典型节点的加速度发生放大效应,节点高程越高,加速度放大效应越明显。坝体底部位移最小,中上部位移比较大,下游上部土体的竖向位移向上,此处土体发生隆起现象。     

基于强度折减法的拦渣坝坝坡稳定性分析研究

 以石窑店煤矿拦渣坝为例,应用有限元强度折减法原理,结合数值仿真分析方法,从拦渣坝力学稳定和受力破环的角度,按坝体仅受自重和坝体受设计堆渣量压力作用下两种工况,应用有限元软件对石窑店煤矿拦渣坝坝体的应力场和位移场进行了稳定性仿真分析,得出拦渣坝相应的安全系数分别为2.24和1.39;给出了坝体受设计堆渣量压力作用下,强度参数折减1.39,坝坡濒临破坏时的最大应力和位移分布区域。研究结果能为拦渣坝的安全稳定设计提供参考依据。     

大坝监控小波去噪变权支撑向量回归机模型

为有效利用监控模型和指标判别大坝安全性态,实现大坝安全预警。首先利用小波分析对实测数据进行去噪处理,在此基础上利用支撑向量机小样本建模和高泛化能力,考虑不同幅度测值对大坝预警所起的作用不同,从而建立大坝监控变权支撑向量回归机模型。工程实例和理论分析表明,模型具有一定的理论和实用价值。     

高边坡时序位移滚动预测的SVM-Elman模型

基于支持向量机(SVM)和Elman神经网络,提出一种新的高边坡位移时序预测模型——SVM-Elman神经网络预测模型。在对实测数据学习的过程中,寻找最佳学习样本数和最佳测试样本数,利用经粒子群算法优化的SVM模型对边坡位移时间序列进行实时滚动预测;并运用Elman神经网络改进SVM的预测结果,得到SVM-Elman模型预测值,通过比较不同隐含层数的Elman神经网络对预测结果的影响,选择最佳隐含层数的SVM-Elman模型,实现对预测结果的改进。将SVM-Elman模型应用于某混凝土面板堆石坝左岸强卸荷岩体高边坡位移预测分析中,并与传统的SVM预测结果进行比较分析。结果表明,SVM-Elman模型在预测精度上有明显提高,预测结果科学可靠,在岩体高边坡时序位移预测中具有一定的工程应用价值。     

基于蚁群算法优化支持向量机的边坡位移预测

由于复杂工程地质条件和环境因素的综合影响,边坡变形呈现复杂非线性演变特征。借助支持向量机(SVM)可有效解决小样本、高维数、非线性等问题的优点,对边坡实测位移进行数据挖掘,预测边坡变形趋势。为了避免人为选择支持向量机模型参数的盲目性,提高模型预测精度和泛化能力,引入改进的蚁群算法(ACO)对模型参数进行寻优,结合位移时序滚动预测方法,建立了适合边坡变形预测的ACO-SVM模型。将该模型应用于2个边坡的位移预测,研究结果表明,ACO-SVM预测精度高,模型建立正确。与遗传算法、粒子群算法优化SVM的预测结果相比,ACO-SVM模型预测精度更高,具有更强的泛化能力,预测结果更加合理,在边坡变形预测中具有一定的工程应用价值。     

基于D-S证据理论的边坡稳定可靠度分析

证据理论可以对随机、模糊等不确定信息进行有效处理,提出了基于D-S证据理论的边坡可靠性分析方法。该方法可提高可靠性分析的效率,具有较强的处理不确定性因素的能力,在精度上也能满足要求;同时,由于计算基本可信度分配时没有限定随机变量的分布,因此该方法可以不用对任意分布的随机变量进行正态化处理,克服了传统方法的一些缺点。结合实例计算了边坡失效概率和可靠性指标,结果表明:基于证据理论的边坡可靠性分析结果与采用蒙特卡罗法的计算结果基本一致。