论文部分内容阅读
边坡稳定性分析是岩土工程界的传统课题之一。上世纪八十年代，该领域引进了机器学习理论，通过构建边坡稳定性与其影响因素间的映射关系简化了传统的分析过程。但是一直以来，相关方法在应用时误差较大。近年来，机器学习理论取得了突破性进展，在生物识别、文本处理等应用领域的准确度都大幅提升。而边坡稳定性分析的机器学习方法却没有跟进，研究相对滞后，特别是学习算法设计粗糙，需要进行完善。
本文追溯了机器学习应用于边坡稳定性研究的发展脉络，论述了机器学习的应用流程、重要概念和方法。通过文献收集边坡样本数据，建立了含72个边坡的以安全系数为标签的数据集和含148个边坡的以稳定状态为标签的数据集。根据相关理论设计了学习算法，特别是使用网格搜索和随机搜索方法对学习算法的要素进行选择和分析，分别建立了估计边坡安全系数和判别边坡稳定状态的前馈神经网络，使用不同的数据进行测试和对比。基于Python程序语言、Keras深度学习库和scikit-learn机器学习库编写程序。有以下结论：
（1）使用网格搜索对学习算法的要素进行选择后，前馈神经网络模型对安全系数估计的准确性、稳定性会大幅提升，具备实际应用价值。
（2）判别稳定状态的前馈神经网络使用原始数据训练，准确率高。模型能减少边坡稳定状态调查时的工作量，并保证判别为失稳结果的正确性。
（3）对于估计安全系数的前馈神经网络，学习算法总体上采用优化算法Adadelta时表现最优、Adam次之、Adagrad最差；偏置设为0.1相比0有一些优势；Lecun的初始化策略效果更好，初始参数是均匀还是正态分布没有影响。
对于判别稳定状态的前馈神经网络，激活函数tanh有着显著优势、relu次之、logistic最差。
（4）前馈神经网络方法相对支持向量机有优势，扩大数据集和学习算法要素的选择范围、科学合理地采集数据集会改善神经网络的表现。随机搜索相对网格搜索人工参与更少，超参数选择范围更广，更加高效。
本文追溯了机器学习应用于边坡稳定性研究的发展脉络，论述了机器学习的应用流程、重要概念和方法。通过文献收集边坡样本数据，建立了含72个边坡的以安全系数为标签的数据集和含148个边坡的以稳定状态为标签的数据集。根据相关理论设计了学习算法，特别是使用网格搜索和随机搜索方法对学习算法的要素进行选择和分析，分别建立了估计边坡安全系数和判别边坡稳定状态的前馈神经网络，使用不同的数据进行测试和对比。基于Python程序语言、Keras深度学习库和scikit-learn机器学习库编写程序。有以下结论：
（1）使用网格搜索对学习算法的要素进行选择后，前馈神经网络模型对安全系数估计的准确性、稳定性会大幅提升，具备实际应用价值。
（2）判别稳定状态的前馈神经网络使用原始数据训练，准确率高。模型能减少边坡稳定状态调查时的工作量，并保证判别为失稳结果的正确性。
（3）对于估计安全系数的前馈神经网络，学习算法总体上采用优化算法Adadelta时表现最优、Adam次之、Adagrad最差；偏置设为0.1相比0有一些优势；Lecun的初始化策略效果更好，初始参数是均匀还是正态分布没有影响。
对于判别稳定状态的前馈神经网络，激活函数tanh有着显著优势、relu次之、logistic最差。
（4）前馈神经网络方法相对支持向量机有优势，扩大数据集和学习算法要素的选择范围、科学合理地采集数据集会改善神经网络的表现。随机搜索相对网格搜索人工参与更少，超参数选择范围更广，更加高效。