边坡系统可靠度分析智能响应面法框架

多失效模式情况下,边坡体系可靠性分析较为复杂.提出了基于计算机试验结合机器学习理论建立边坡系统(体系)可靠度分析智能响应面法的一般框架.边坡体系可靠性分析智能响应面法步骤包括:样本生成、模型参数优化、智能响应面建立、蒙特卡罗模拟计算失效概率.对支持向量机、高斯过程等多种智能机器学习理论用于建立智能响应面的性能进行了对比分析.通过典型边坡的体系可靠度分析,验证了小样本情况下智能响应面法在边坡体系可靠性分析中的可行性和优越性.     

基于SVM-GEP岩质边坡可靠性分析

由于岩质边坡通常存在节理、裂隙等不连续面,边坡滑动模式的稳定性系数是一个隐函数,导致了在其相应的可靠度研究中建立显式的极限状态方程是不可能的.为了解决这一问题,本文提出了基于SVM-GEP岩质边坡的可靠性分析方法.该方法中,以节理面性质参数及几何参数为随机变量,采用离限元结合强度折减法计算岩质边坡的稳定性系数,通过SVM对已有数据进行训练,然后对检测数据预测,采用最小二乘法对这些数据进行拟合,得到显示的极限状态函数,并应用GEP方法计算可靠度及相应的验算点,以消除经典方法在可靠度指标求解过程中方程线性化带来的误差.研究表明:应用SVM-GEP方法分析岩质边坡的可靠性是可行的.     

基于人工蜂群算法的边坡地震可靠度分析

通过输入埃而森特罗波(EL Centro)地震波对边坡进行有限元瞬态分析,得到边坡在各个时刻的应力值.然后利用Mohr-Coulomb破坏准则,得到对应某一起始点的滑动面.并用瑞典条分法计算边坡安全系数的公式,使其作为目标函数,经过人工蜂群算法进行优化得到起始点,从而确定了滑动面并计算出边坡安全系数.最后,对各个时刻的边坡安全系数进行统计分析,得到边坡失效概率.     

基于BCABC-SVM的边坡稳定性预测

为了准确地对边坡稳定性进行预测,采用支持向量机(SVM)建立边坡稳定性和影响因素之间的非线性关系.针对支持向量机参数对预测效果的影响,采用基于细菌趋化的蜂群算法(BCABC)对其进行优化选择,提出了边坡稳定性预测的细菌趋化的蜂群优化支持向量机模型.运用该方法对边坡实例进行预测,预测结果与边坡稳定性实际状态相吻合,结果表明,基于细菌趋化的蜂群优化支持向量机模型在边坡稳定性评价中具有一定的可靠性和有效性.     

基于WA-ABC-WLSSVR的南美白对虾工厂化育苗溶解氧预测模型

为解决传统方法水质预测精度低、鲁棒性差等问题,提出了基于小波分析(WA)、人工蜂群(ABC)优化加权最小二乘支持向量回归机(WLSSVR)的工厂化育苗溶解氧组合预测模型(WA-ABC-WLSSVR模型).该模型采用小波分析对原始非平稳溶解氧时间序列数据进行多尺度特征提取,通过加权最小二乘支持向量回归机对不同尺度下的溶解氧数据子序列分别建模,利用改进人工蜂群优化算法(ABC)对各分量序列WLSSVR模型参数进行组合优化,最后叠加各尺度下的预测结果.运用该模型对工厂化育苗溶解氧进行预测,并与BPNN、标准LSSVR、WAACO-LSSVR、WA-PSO-LSSVR等模型对比分析,结果表明,该溶解氧预测模型具有较高的预测精度和泛化能力.     

边坡的有限元与可靠性分析

将有限元与可靠性分析结合起来,提出了具体的计算方法和步骤,同时编制了相应的计算程序,并应用该程序对霍各气铜矿边坡稳定性进行了分析计算,计算结果与其它分析方法所得结果相一致。     

基于Monte-Carlo法的边坡可靠性分析

为了研究土性参数中粘聚力系数c和内摩擦角φ对边坡可靠度指标β的影响,在传统的极限平衡原理Bishop法的基础上,结合可靠度分析方法中的MonteCarlo法,通过MATLAB来实现以上的分析过程。结果表明：粘聚力系数c的变异系数δc以及内摩擦角φ的变异系数δφ与可靠度指标β呈负相关。     

基于多种神经网络的水沙预测模型研究

为解决水沙变化机理中水库泥沙难以预测的问题,采用支持向量回归（support vector regression, SVR)、遗传算法-支持向量回归（genetic algorithm-support vector regression, GA-SVR）、粒子群优化-支持向量回归（particle swarmoptimization-supportvectorregression,PSO-SVR）、最小二乘支持向量回归（leastsquaressupportvector regression, LSSVR)等模型进行研究,并将模型应用于黑孜水库水文站的年径流量及年输沙量序列的预测分析。数据资料序列划分为85%的训练数据和15%的测试数据,使用均方根误差、相关系数、平均绝对百分比误差、纳什系数这4项指标来评价模型的精度,得到的结果可以为水库的短期调度和长期管理提供帮助。结果表明：LSSVR算法是4种模型中最优的,其误差最小,精度最高;构建的模型可为其他地区的水沙预测提供参考。     

基于无味变换的边坡可靠性分析

岩土工程不确定性问题是近年研究的热点之一,以边坡可靠性分析为出发点,通过介绍无味变换原理,给出基于无味变换的边坡可靠性分析方法及实施步骤,借助已有研究中的均质边坡和分层边坡算例,探讨了基于无味变换的边坡可靠性分析方法的合理性和适用性,结果表明：基于无味变换原理开展边坡可靠性分析可不依赖于变量的分布类型,应用方便且计算效率高;在分析可靠性较高的边坡时,由于失效概率量值较小,引起的相对误差较大,应谨慎选择,但对于工程上更为关注的可靠性较低（较高失效概率,P_f>7%）的边坡,与蒙特卡洛方法相比,基于无味变换方法的计算结果相对误差约在5%以内,且变量相关系数的变化引起的误差波动较小,适用性较好。     

基于改进LSSVM和模糊综合评判法的设备可靠性状态评价

发电设备的可靠性状态对电厂机组稳定运行和安全生产有着深远的影响,选用模糊综合评判法对设备可靠性状态进行评价,搭建了模糊综合评判方法的数学模型.针对不同权重系数确定方法计算综合评判矩阵导致评语集区间划分困难问题,对每个数据点定义惩罚因子,采用可变惩罚因子最小二乘支持向量机(variable penalty factor ...     

基于Bootstrap-SVR-SOC的小子样结构机构可靠性分析方法

针对实际工程中小子样结构机构可靠性分析的问题,提出了Bootstrap-支持向量回归（SVR）-二阶累计量（SOC）方法框架和多阶矩虚拟样本容量扩充方法,增强了扩充后样本的客观性;将Bootstrap与SVR方法结合,构建出结构机构可靠性极限状态函数,并利用SOC方法计算可靠度指标.最后,应用摆动导杆机构的仿真算例验证了新方法的有效性.     

矿山边坡可靠性概率分析的研究

阐述了在边坡稳定性概率分析中,把岩体强度参数视为随机变量,考虑到边坡工程的风险,用工程类比法确定出整体边坡允许破坏概率和目标可靠性指标,从而选择最佳边坡设计方案。认为破坏概率与安全系数是不同范畴的概念。可靠性概率分析法充分考虑到了影响边坡稳定性的各种因素,其结果更为可靠,并具有更强的适用性     

基于PSO-SVM的离心式压缩机转速模型的研究

针对宁夏某石化公司离心式CO2压缩机透平转速预测难以实现问题,引入PSO-SVM回归模型对离心式压缩机透平转速进行预测.分析选取离心式压缩机透平转速作为模型因变量,通过相关分析从采集量中选取高相关度预测因子,运用粒子群算法选择模型最优参数,利用支持向量机的方法建立模型进行预测,与传统的SVM模型进行对比,该模型得到了良好效果,能够有效预测压缩机透平转速.     

基于改进人工蜂群算法的负载均衡感知研究

云计算的并行计算能力是实现大数据高效处理的基础,多任务部署策略对云计算下高效并行计算有重要影响.提出一种新的任务部署方案LB-BC,将聚类分析与贝叶斯定理相结合,实现了长时间的负载均衡.为了提高节能优化的强度,接着提出了一种具有节能感知功能的启发式虚拟机动态迁移位置选取方案,以人工蜂群算法为基础与动态虚拟机迁移资源的调...     

基于支持向量机的边坡垂直位移方向率预测及边坡稳定性研究

针对传统边坡位移量预测参数的局限和不足,以及在小样本下的预测参数估计区间较宽会导致工程设计偏于保守的问题,以垂直位移方向率作为边坡稳定性演化分析与评价的一个有效位移动力参数,提出支持向量机模型理论对其在相应周期内的发展趋势进行滚动预测估计,得到周期内垂直位移方向率的预测结果,通过与异常判据值对比得出边坡的稳定程度,并且...     

基于半监督学习时间序列回归算法的窃电量估算方法

窃电用户窃电量的精确估算对挽回电力企业的经济损失和依法处置窃电用户具有重要的实际意义。为实现用户窃电量精确估算,通过对时间序列回归算法进行优化改进,提出了一种新的窃电量估算方法。该方法以用户当前用电量时间序列样本和历史同期时间序列样本为基础,通过引入最大均值差异（maximum mean difference,MMD）得到基于最大均值差异-最小二乘支持向量回归(MMD-least square support vector regression,MMD-LSSVR)的半监督学习回归算法,以提高回归的准确度和数据的利用度、降低时间复杂度;同时,通过引入交叉变异人工蜂群算法(artificial bee colony based on crossover mutation,CMABC)对算法关键参数进行最佳适应度约束,以提高估算结果精度和收敛速度。在此基础上,提出了基于MMD-CMABC-LSSVR的窃电量估算方法。算法验证结果表明,采用所提方法,其估算电量与实际用电量的相对误差仅为2%,精度远优于传统方法;实际应用案例表明,所提方法可有效恢复窃电时间区段内窃电用户负荷和计量曲线,并精确估...     

支持向量机改进序列最小优化学习算法

为提高支持向量机序列最小优化学习算法的学习性能,提出了一种支持向量机改进序列最小优化学习算法,对传统SMO学习方法进行了多方面改进,从优化变量的选择和2个变量的优化方法分别提出具体可行的改进方法．改进后的SMO学习算法提高了学习速度,加快了网络收敛速度．基于改进SMO算法的仿真结果验证了改进SMO算法的有效性和优越性,并通过仿真,与原始算法进行了比较,显示了改进SMO算法的快速性．     

可靠性分析在边坡稳定性计算中的应用

详尽地介绍了边坡可靠性分析“ＪＣ”法的求解过程．结合工程实例进行分析计算．结果与实际较吻合．并针对该法推广应用中的几个问题进行了讨论．