CN111914943B - 倾倒式岩溶危岩稳定综合判别的信息向量机方法及装置 - Google Patents
倾倒式岩溶危岩稳定综合判别的信息向量机方法及装置 Download PDFInfo
- Publication number
- CN111914943B CN111914943B CN202010820170.XA CN202010820170A CN111914943B CN 111914943 B CN111914943 B CN 111914943B CN 202010820170 A CN202010820170 A CN 202010820170A CN 111914943 B CN111914943 B CN 111914943B
- Authority
- CN
- China
- Prior art keywords
- karst
- stability
- dangerous rock
- ivm
- dangerous
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种倾倒式岩溶危岩稳定综合判别的信息向量机方法及装置,主要解决岩溶地区倾倒式失稳崩塌类型危岩稳定性合理判别问题。首先,根据倾倒式岩溶危岩稳定性多种影响因素选定特征指标;其次,利用工程实例样本集训练并建立具有优异小样本自动分类性能的信息向量机分类模型;然后,在实时监测装置提供主控结构面裂隙水压力动态信息的基础上,对信息向量机分类模型输入待判别新危岩体的影响因素特征向量,得到新危岩体的稳定性综合判别结果;最后,划分判别结果的不确定性等级,当不确定性较高或待判别危岩体所属工程级别较高时,可采用刚体极限平衡法对判别结果进行计算复核。本发明适用于岩溶地区倾倒式危岩稳定性快速判别。
Description
技术领域
本发明属于地质灾害防治工程技术领域,涉及岩溶山区倾倒式危岩稳定综合判别的信息向量机分类方法及装置。
背景技术
危岩是被多组结构面切割分离,稳定性差,可能以倾倒、坠落、滑移等形式发生崩塌的地质体。倾倒式危岩是陡峻斜坡上以陡倾结构面与稳定母岩分开的危岩体,在重力等因素作用下易产生向外倾覆失稳。
我国岩溶地区分布广泛,岩溶属于可溶岩,具有稳定性易受水体影响等特点,相较于非可溶性岩体,边坡上的岩溶岩体更易开裂从而形成危岩体,而危岩体崩塌已成为岩溶地区的主要地质灾害之一。近几十年来,国内外在倾倒式岩溶危岩稳定性判别方面做了大量的研究工作,人们从危岩体的强度、节理、荷载、自然因素以及人为因素等方面,对倾倒式岩溶危岩失稳崩塌现象进行了分析,提出了各种的判别理论和方法。然而,与滑移式、坠落式危岩相比,危岩体的稳定性不仅受到其重心与倾覆点的空间关系影响,还受到其他多种复杂因素影响,崩塌失稳发生机制更加复杂,倾倒式岩溶危岩稳定性影响因素与其稳定性之间呈现高度复杂非线性映射关系。在倾倒式岩溶危岩崩塌失稳机理不明朗的条件下,采用传统的力学计算、数值计算等方法判别倾倒式岩溶危岩稳定性时,判别误差往往较大且计算需投入的人力经济成本较高,尚不能完全满足大量危岩体稳定性评价时需要快速准确、低成本地获得判别结果的工程实践需求。
信息向量机(information vector machine,IVM)是一种新的机器学习方法,该方法基于贝叶斯统计学习理论及核方法,具有超参数自适应获取、高维度及复杂非线性问题适应性强、预测输出具备概率意义等诸多优点,同时采用基于信息熵理论的方法,从大量训练样本中优选出部分的最具信息性的样本(信息向量),通过对它们学习达到与原训练样本集相同或相近的效果,且结合稀疏化核矩阵表示,从而显著降低学习的时间及空间复杂度。另外,假设密度逼近(assumed density filtering,ADF),亦称矩匹配(moment matching)近似方法及KL散度(相对信息熵)的引入,使该方法具备了对非高斯分布噪声情况较强的近似处理能力。信息向量机能够较好地兼顾人工神经网络、支持向量机等当前主流机器学习方法的优点,同时有效规避其最优超参数难以确定的局限性,具有良好的推广应用前景与价值。本发明将其引入至倾倒式岩溶危岩稳定综合判别中,提出一种倾倒式岩溶危岩稳定综合判别的信息向量机分类方法及装置,以实现高效精准的判别倾倒式岩溶危岩稳定性,为倾倒式岩溶危岩的安全加固以及防治奠定基础。
发明内容
针对现有倾倒式岩溶危岩稳定综合判别方法效果和效率不佳的问题,本发明提出一种倾倒式岩溶危岩稳定综合判别的IVM分类方法及装置。通过广泛收集国内外具有代表性岩溶地区的危岩实例建立样本库,利用k倍交叉验证算法 (k-fold cross validation,K-CV)训练倾倒式岩溶危岩稳定综合判别的IVM分类模型,由此建立倾倒式岩溶危岩的多个主导影响因素与稳定性类别的非线性映射关系,并结合其实现方法,提出一种实现倾倒式岩溶危岩稳定综合判别的IVM 分类方法及装置。
技术方案如下:
一种倾倒式岩溶危岩稳定综合判别的信息向量机方法,包括以下步骤:
步骤S1:选定倾倒式岩溶危岩稳定性特征指标;
步骤S2:通过广泛收集国内外的倾倒式岩溶危岩体实例,并进行数据的预处理,提升实例样本的数据质量,建立样本库,对样本库数据进行标准化处理以有利于提升判别精度;
步骤S3:采用交叉验证策略,将样本库分为训练样本与测试样本,训练并测试倾倒式岩溶危岩稳定综合判别的IVM分类模型,依据训练及测试效果优化 IVM分类模型的超参数,得到训练后的倾倒式岩溶危岩稳定综合判别IVM分类模型;
步骤S4:应用训练后的倾倒式岩溶危岩稳定综合判别的IVM分类模型,输入待判别倾倒式岩溶危岩样本的特征向量,获得其稳定性的分类概率;
步骤S5:根据分类概率,划分判别结果的不确定性等级;
步骤S6:当判别结果的不确定性等级属于高等级时,采用刚体极限平衡法对判别结果的准确性进行复核。并且,对于所属工程级别较高的新危岩体样本,崩塌后可能造成严重人员与设备损失进而导致严重安全事故的,也需进行稳定性判别结果的复核。
示例性地,本发明中涉及预测及判别两个关键词,需要指明的是,本发明提及的预测是来自于IVM分类模型中的概念,且不是时间尺度上的预测;判别是指本发明应用IVM分类模型执行倾倒式岩溶危岩体失稳状态判别;本发明中所出现这两个词并不混淆冲突,可理解为预测为形式,而判别是目的。
各步骤的具体说明如下:
步骤S1具体说明:
选定显著影响倾倒式岩溶危岩稳定性的12种特征指标,具体包括:危岩体重心是否在倾覆点外侧、基座岩石坚硬度、岩溶发育度、风化程度共4种定性类特征指标,以及危岩体容重Wl、危岩体重心到倾覆点的水平距离a、区域地震动加速度反应谱特征周期T、区域地震动峰值加速度G、危岩体抗拉强度σt主控结构面倾角β、主控结构面贯通段长度l、主控结构面裂隙水压力Q共8种定量类特征指标;并根据各特征指标对倾倒式岩溶危岩之间的影响机制及重要程度大小,还制定了倾倒式岩溶危岩定性类特征指标评分规则,见表1。
步骤S2具体说明:
对于步骤S2,包括子步骤S2-1、S2-2,具体说明如下。
步骤S2-1:建立样本
通过资料收集、影响因素测量与测试,获得多个倾倒式岩溶危岩工程案例的 12个特征指标的实测数据以及其稳定类别。
建立样本集D={x,y},其中xi=[xi1,xi2,…,xi12]为输入特征向量,各元素依次为危岩体重心是否在倾覆点外侧、基座岩石坚硬度、岩溶发育度、风化程度共4种定性类特征指标对应的评分值,以及危岩体容重Wl、危岩体重心到倾覆点的水平距离a、区域地震动加速度反应谱特征周期T、区域地震动峰值加速度 G、危岩体抗拉强度σt主控结构面倾角β、主控结构面贯通段长度l、主控结构面裂隙水压力Q共8种定量类特征指标;y为输出目标值,对应失稳状态、稳定状态分别取-1、1。
表1岩溶危岩定性类特征指标的评分规则表
步骤S2-3:数据标准化
本发明应用各样本的输入特征向量减去所有样本在各维度上的均值,同时除以所有样本在各维度上的标准差的方法,对样本输入数据进行标准化处理,即 z-score标准化:
式中,xi,j及x'i,j分别表示为第i个样本的第j维输出特征的实际值及标准化后的值,μj及σj分别表示所有样本第j维特征的均值及标准差。经过标准化,所有样本的输入特征向量在各维度上均符合标准正态分布。
步骤S3具体说明:
步骤S3中,包括子步骤S3-1、S3-2及S3-3,具体说明如下
IVM二分类模型(失稳、稳定)基于贝叶斯统计学习理论及核方法,结合了假定密度逼近ADF和基于信息熵理论的样本选择方法,利用ADP递归近似每次增选一个信息向量样本之后的后验分布,并获取近似似然分布,确保算法的可跟踪性和易处理性,同时,在该递归近似过程中,利用基于信息熵理论的样本选择方法筛选最具信息性的样本,以求替代对原训练样本集的学习,并且采用递归更新记录中间变量的方法巧妙回避协方差矩阵K(核矩阵)的重复处理,实现显著降低算法时间及空间复杂度的目的。下面对IVM二分类模型学习及预测过程的部分关键步骤进行简要说明。
该部分各公式中出现的部分符号的含义为:p表示概率分布,q表示近似概率分布,N表示高斯分布,X及y分别表示训练样本的输入特征向量集(矩阵) 及输出目标向量,x*及y*分别表示待预测样本的输入特征向量及输出目标,μ*及σ*分表示预测均值及预测方差,f表示潜在变量集,m表示似然替代变量,B或β表示噪声分布方差,μ表示高斯分布均值,K或∑表示高斯分布协方差矩阵,θ表示协方差函数超参数向量,其它符号的解释可在本发明其它位置获得。
步骤S3-1:IVM二分类模型的学习
IVM二分类模型在学习过程中,维持了两个样本索引集I与J,其中I是有效集,J是待选集,初始时,J={1,2,...,n},且在任意时刻,I ∪J={1,2,...,N}(假定从N个训练样本中,筛选d个信息向量),信息向量以一种连续的、类似在线学习的方式获取:首先,应用ADF近似具有i个信息向量,即Ii时的后验及似然分布,对于高斯分布的情况,近似解与准确解一致。
之后,依照如下方法选择第i+1个信息向量
上式表示:选择当前待选集J中能够最大化减小后验分布信息熵的一个样本索引j,将j样本作为第i+1个信息向量。
通常,对于一种概率分布,信息熵H表征了其不确定性程度,而进行统计学习自然希望能够尽可能获得确定的(预测)后验分布。循环执行上述过程,直至完成d个信息向量的选择(I=Id)。此时,可得
在IVM二分类模型中,协方差函数超参数θ的最优解正是通过最大化边缘似然p(yIlXI,:,θ)而自适应获取的。具体的,通过取负对数-log(p(yI|XI,:,θ)),将最大化问题转化为最小化问题,进而利用共轭梯度下降法实现最优超参数的自适应获取。
步骤S3-2,IVM二分类模型的预测
上述学习过程实现了以有效集I指定的信息向量样本的学习替代对原始样本集的学习,之后的预测过程同贝叶斯回归中的做法一致,代入对应的变量,即得 IVM预测后验分布
对于本发明涉及到的二分类问题,在得到上述IVM预测后验分布后,仅需经下面的简单变换即可得到该未知样本所属类别的预测
式中,Φ(x)表示标准正态分布累计概率密度函数,当然也可用其它响应函数进行替代,如sigmoid逻辑函数。
另外,在IVM二分类模型中,协方差矩阵(covariance matrix)k,亦称核矩阵,其思想与核函数思想相同:如果使用基函数集φ(x)将原样本数据映射到高位特征空间时,则把原样本输入向量的点积通过核推广为基函数的点积,即
Ki,j≡k(xi,xj)=cov(f(xi),f(xj))=φ(xi)T∑φ (7)
上述映射关系是非线性的,且特征空间的维度可能是极高的甚至是无穷的,基函数中φ(x)可能有无穷多个,因而,协方差函数(核方法)的引入使IVM具备了强大非线性处理能力。
步骤S3-3,IVM分类模型可行性检验
为了确保最优倾倒式岩溶危岩稳定综合判别的IVM分类模型性能达到学习能力及泛化能力要求,对于最优IVM分类模型输出测试样本的结果进行可行性检验。具体地,检验指标为测试样本的预测准确率,即利用测试样本实际稳定性与预测稳定性进行校核,若预测准确率为100%,认为建立的最优IVM分类模型性能符合要求,对于岩溶危岩稳定性预测的具有可行性;否则,重新训练并建立模型。
步骤S3中,本发明采用典型的k倍(k=10)交叉验证(k-fold cross validation,K-CV)法,将训练样本库随机均分为10(k=10)份,依次选定其中9份作为训练样本,另外1份作为测试样本,设置倾倒式岩溶危岩稳定性分类的IVM模型的协方差函数类型、噪声分布、信息向量个数等初始参数,应用该IVM模型进行学***均的学习准确率及预测准确率评定模型的学习及泛化性能。
步骤S3中,本发明根据倾倒式岩溶危岩稳定综合判别的IVM分类模型的交叉验证结果做出调整。若经交叉验证IVM分类模型的性能不满足要求,则可通过两个方面进行调整:一方面,根据交叉验证学习及预测结果及各初始参数的作用效果,调整IVM分类模型的初始参数设置;另一方面,考虑到众多倾倒式岩溶危岩实例源于不同的工程,在倾倒式岩溶危岩稳定性特征指标的测定上可能存在一定差异,因而,需根据交叉验证学习及预测结果对训练样本进行必要的筛选,剔除与其它较多样本不相容的样本,这些样本在交叉验证循环中出现多次学习或预测错误。经过调整并重新进行交叉验证训练,重复执行上述过程最终获得具有较强学习及泛化性能的倾倒式岩溶危岩稳定综合判别的IVM分类模型。
步骤S4具体说明:
步骤S4中,对于新危岩体稳定性进行预测,需计算出倾倒式岩溶危岩稳定综合判别的IVM分类模型输入特征向量,即需要由干净、优化的倾倒式岩溶危岩稳定性特征指标组成的特征向量,其特征向量可以由步骤S2得到。
将新增危岩体样本列入模型预备样本集P,若预备样本集P数量增加至阈值,则进行建立预测外推模型,即将预备样本集P中样本输入至样本集D中,组成新的模型样本集D。
预备样本集P数量阈值设置为以模型样本集D数量为基准,将两者相对值作为一个评估指标,即预备样本集P数量m与模型样本集D数量n的更新比重ζ,若ζ>0.2,则认为加入新样本,模型预测性能具有较高的提升空间,重新建立倾倒式岩溶危岩稳定综合判别的IVM分类模型;否则,滞留预备样本集P 中新危岩体样本。
步骤S5具体说明:
步骤S5中,根据倾倒式岩溶危岩稳定综合判别的IVM分类模型输出的预测分类概率大小来定量化评价其判别结果的不确定性。
具体地,当判别结果为“稳定”时,根据其分类概率距离判别界限远近,将判别结果“稳定”的不确定性等级划分为低、中、高三个等级;同样的,当判别结果为“失稳”时,其划分依据类似,详见表2。
表2判别结果的不确定性等级划分标准
从表2可知,从IVM分类模型的各判别结果对应分类概率的取值范围可知判别结果的不确定性大小,并能根据其不确定性大小,判断此样本的判别结果y*准确性是否需要复核;当不确定性等级属于低或中级时,认为其判别结果不确定性程度较低,可不进行复核;当其不确定性等级属于高等级时,判断其判别结果不确定性程度较高,需对判别结果进行准确性复核。因此,不确定性等级为危岩体稳定性判别结果的可信度决策提供了可便捷获取的科学依据。
步骤S6具体说明:
步骤S6中,对步骤S5中新危岩体的模型判别结果的不确定性等级为高等级时,应采用刚体极限平衡法对判别结果准确性进行复核。若新危岩体所属工程等别较高时,其崩塌后可能会造成较为严重的人员与设备损失的安全事故,因此也需对其判别结果进行再复核。
本发明采用极限平衡力学分析法对倾倒式岩溶危岩进行复核,最不利荷载组合为:自重+裂隙水压力(暴雨工况)+地震力。
本发明应用的刚体极限平衡法求解倾倒式岩溶危岩稳定系数求解计算方法如下:
(1)当倾倒式危岩体重心在倾覆点内侧时,其稳定系数K计算方法:
(2)当倾倒危岩体重心在倾覆点外侧时,其稳定系数K计算方法:
式中,W为危岩体自重,P为水平地震力,Q为作用在岩溶危岩主控结构面上的裂隙水压力,flk为危岩体抗拉强度标准值,f0k为危岩体与基座之间的抗拉强度标准值,当基座为岩体时,f0k=f1k,当基座为软岩时,取实际抗拉强度标准值;β为主控结构面倾角,γw为裂隙水的重度,H为主控结构面高度,e为主控结构面贯通段的垂直高度,l为岩溶危岩体沿陡崖走向方向的长度,lb为危岩体底部主控结构面尖端至倾覆点的距离,a为危岩体重心至倾覆点的水平距离,K为计算出的倾倒式岩溶危岩的稳定系数值,参见图1。
本发明应用稳定系数K评估倾倒式岩溶危岩的稳定性。参考国内外文献及以往工程经验,当其K≤1时,认为倾倒式危岩处于失稳状态,当其1<K<1.35 时,认为倾倒式危岩处于低稳定状态,K≥1.35时,认为处于高稳定状态。
本发明提供了一种倾倒式岩溶危岩稳定综合判别的信息向量机装置,包括:
输入模块:用于接收收集的倾倒式岩溶危岩实例原始数据,获取模型初始原始样本集;
处理模块:用于将初始原始样本集进行分析、优化、提取并整合,以获取倾倒式岩溶危岩稳定综合判别的IVM分类模型样本集特征向量;
IVM分类模型训练模块:用于根据倾倒式岩溶危岩稳定性的特征向量,构建IVM分类模型的样本集并进行训练及测试,根据训练及测试的准确性,得到具有良好性能的倾倒式岩溶危岩稳定综合判别的IVM分类模型;
IVM分类模型预测模块:用于将待预测的新危岩体样本输入至倾倒式岩溶危岩稳定综合判别的IVM分类模型中,以判别出新危岩体稳定性类别;
复核模块:用于根据IVM分类模型输出的新危岩体稳定性判别结果的不确定性大小及新危岩体所属工程等级,对模型判别结果进行复核;
输出模块:用于将新危岩体的模型判别结果及复核结果输出,供用户查看。
示例性地,所述处理模块包括:
预处理单元,用于将原始数据集中存在缺失、无效及格式错误的数据进行剔除或完善,获取较为完整性、有效性以及合理性数据,提高原始数据质量。
提取单元,用于根据倾倒式岩溶危岩稳定性的特征指标,从所述处理后的数据集提取并建立各倾倒式岩溶危岩稳定性的特征向量样本;
标准化单元,用于避免不同特征参数数值相差过大或同一特征参数离散性过大对机器学习模型判别准确性造成的不利影响,将建立各样本的输入特征向量进行标准化处理。即z-score标准化:
式中,xi,j及x'i,j分别表示为第i个样本的第j维输出特征的实际值及标准化后的值,μj及σj分别表示所有样本第j维特征的均值及标准差。经过标准化,所有样本的输入特征向量在各维度上均符合标准正态分布。
示例性地,所述预处理单元包括:
有效性计算子单元,用于将收集原始倾倒式岩溶危岩数据进行有效性检索,以确定其范围、去除不需要的字段、填充缺失内容及重新取值操作清洗数据;
逻辑性计算子单元,用于将收集原始倾倒式岩溶危岩数据进行逻辑性检索,以去重、去除不合理值以及修正矛盾内容操作清洗数据;
必要性计算子单元,用于将收集原始倾倒式岩溶危岩数据进行必要性检索,以删除非必要的赘余数据操作清洗数据。
示例性地,所述提取单元包括:
相似度算子单元,用于将所述预处理后的样本集以及本发明选定的倾倒式岩溶危岩稳定性的特征指标进行对比计算,以获得所述数据集中不同样本所有数据信息与特征指标之间的相似度,并依据计算的数据相似度大小,将相似度低值的数据剔除,将相似度较高的样本建立第一特征向量数据集;
特征向量重编子单元,用于根据第一特征向量集中各个数据计算出的编码信息,与选定标定特征向量进行匹配,进行特征向量重排序,建立第二特征向量集,即为最终特征向量组。
示例性地,所述IVM分类模型训练模块包括:
模型训练及测试单元,用于将模型样本集进行训练及测试,建立最优的倾倒式岩溶危岩稳定综合判别的IVM分类模型;
模型检验单元,用于将所述的最优IVM分类模型进行可行性检验,模型性能是否符合要求,其检验指标主要为测试样本的预测准确性。
示例性地,所述模型训练及测试单元包括:
模型初训练子单元,用于将建立的训练样本输入至模型中,训练倾倒式岩溶危岩稳定综合判别的IVM分类模型;
模型训练调整子单元,用于根据交叉验证策略训练及预测的准确性,将模型的参数及样本库进行重调整,以获取最优的IVM分类模型的参数及样本库的训练集、测试集划分。
示例性地,所述IVM分类模型预测模块包括:
特征向量算子单元,用于将待预测样本的数据输入至处理模块,以获得倾倒式岩溶危岩稳定综合判别的IVM分类模型所需特征向量;
预测算子单元,用于将特征向量输入至倾倒式岩溶危岩稳定综合判别的IVM 分类模型中,得到新危岩体样本的分类概率;
不确定性评估算子单元,用于根据新样本判别结果的分类概率进行判别结果的不确定性等级划分,将不确定性属于高等级的新危岩体样本列入第一复检组;
外推模型评估算子单元,用于将所述新危岩体进行模型预测性能提升空间评估,依据新样本数量及IVM分类模型样本库数量之间的更新比重,判断现有预测模型样本库是否需更新。
示例性地,所述复核模块包括:
预测复检单元:用于根据输入新样本所属工程级别标签,以确定样本集中高工程级别的样本,并将其列入第二复检组;
合并处理单元,用于对第一、二复检组进行相似度计算,以排除重复样本,建立最终复检组;
最终复核单元,用于根据复检组数据以刚体极限平衡法计算出危岩体稳定系数实际值,并将其与IVM分类模型预测模块输出的判别结果进行对比。
与现有技术相比,本发明的有益效果是:
(1)本发明针对岩溶地区倾倒式岩溶危岩,完善了影响倾倒式岩溶危岩的特征指标,具体包括:危岩体重心是否在倾覆点外侧、基座岩石坚硬度、岩溶发育度、风化程度共4种定性类特征指标,以及危岩体容重Wl、危岩体重心到倾覆点的水平距离a、区域地震动加速度反应谱特征周期T、区域地震动峰值加速度G、危岩体抗拉强度σt主控结构面倾角β、主控结构面贯通段长度l、主控结构面裂隙水压力Q共8种定量类特征指标,建立了多指标的倾倒式岩溶危岩稳定综合判别方法,上述特征指标互为补充,克服了普通危岩指标不能很好的反应倾倒式岩溶危岩稳定性发生机理而导致判别结果准确性低的问题;
(2)本发明广泛收集了国内外大量倾倒式岩溶危岩实例,建立了丰富的岩溶危岩数据库,同时利用统计模式预测性能优越的IVM机器学习方法进行训练及预测,有效避免了岩溶危岩稳定性预测经验公式推导的复杂工作以及计算模型过于理想化,确保了本发明判别结果的可靠度;
(3)IVM基于贝叶斯统计学习理论及核方法,结合了假定密度逼近ADF 和基于信息熵理论的样本选择方法,具有理论完整、严格,超参数自适应获取,实现过程简单高效,复杂非线性问题适应性强,预测输出具有概率意义等诸多优点,相比于当前广泛应用的支持向量机、人工神经网络具有明显的优势;
(4)应用交叉验证策略训练及评价倾倒式岩溶危岩稳定综合判别的信息向量机分类模型,根据其训练的结果调整初始参数值,并划分样本库(训练样本及测试样本),调整两者处于最优状态,确保终于得到的IVM模型是最优的;并且,根据新增的岩溶危岩数量大小,选择性地进行外推构建新的IVM分类模型,进一步地提高倾倒式岩溶危岩稳定综合判别的准确率;
(5)本发明不仅提出了倾倒式岩溶危岩稳定综合判别的IVM分类模型,还在此基础之上提出了基于IVM分类模型判别结果分类概率定量化评估模型判别结果的不确定性程度,将不确定性较高等级样本和工程级别较高的样本进行复核,其复核方法采用刚体极限平衡法计算其复核样本的实际稳定状态,这不但在保持准确率的基础之上提高了判别倾倒式岩溶危岩稳定性的效率,并且还能够降低 IVM分类模型的出错率。
(6)本发明提供的一种倾倒式岩溶危岩稳定综合判别的IVM分类模型具有小样本学习能力强、预测模型的最优参数可自适应获取、预测模型具有较好的泛化能力等优点,克服了当前应用较为广泛地人工神经网络方法存在的最优网络拓扑结构与超参数不易确定,对岩溶危岩的特征指标与岩溶危岩稳定性之间非线性映射预测问题具有较强的适用性;
(7)应用本发明模型用于倾倒式岩溶危岩稳定综合判别,并不要求工程人员深入了解倾倒式岩溶危岩的崩塌失稳机理,对具备的专业知识水平及工程经验要求不高,不需要进行复杂耗时的力学计算或数值仿真分析,仅需将获得的待判别岩溶危岩样本对应的评价特征指标输入本发明所提供的倾倒式岩溶危岩稳定综合判别的IVM分类模型,即可获得危岩稳定状态,具有经济实用、简洁高效的优点。
附图说明
图1为发明内容提供的倾倒式危岩受力示意图;
图2为本发明实施例提供的一种倾倒式岩溶危岩稳定综合判别的IVM分类方法的流程图;
图3为本发明实施例提供的一种云服务器装置示意图;
图4为本发明实施例提供的一种倾倒式岩溶危岩稳定综合判别的IVM分类装置的结构示意图;
图5为本发明实施例提供的一种输入装置示意图;
图6为本发明实施例提供的一种处理装置示意图;
图7为本发明实施例提供的一种预处理子装置示意图;
图8为本发明实施例提供的一种提取子装置示意图;
图9为本发明实施例提供的一种IVM分类模型训练装置示意图;
图10为本发明实施例提供的一种模型训练及测试子装置示意图;
图11为本发明实施例提供的一种IVM分类模型预测装置示意图;
图12为本发明实施例提供的一种复核装置示意图。
具体实施方式
下面结合附图和实例对本发明的具体实施方式进一步进行说明阐述。需要指出的是,附图中仅示出了与本发明相关的部分,并非全部结果。并且具体实例仅为解释本发明,而非限制发明的范围。
实施例1
请参见图2,本发明实例所提供的一种倾倒式岩溶危岩稳定综合判别的IVM 分类方法。本实例可适用于岩溶地区倾倒式危岩稳定性综合判别,其方法具体包括如下:
步骤S1中,参考国内外文献及工程经验,选定危岩体重心是否在倾覆点外侧、基座岩石坚硬度、岩溶发育度、风化程度共4种定性类特征指标,以及危岩体容重Wl、危岩体重心到倾覆点的水平距离a、区域地震动加速度反应谱特征周期T、区域地震动峰值加速度G、危岩体抗拉强度σt主控结构面倾角β、主控结构面贯通段长度l、主控结构面裂隙水压力Q共8种定量类特征指标,并将定性类特征指标根据评分规则表1转化为评分等级。
步骤S2中,依据步骤S1选定倾倒式岩溶危岩特征指标,广泛地收集国内外具有代表性的倾倒式岩溶危岩实例共107个。
步骤S2-1中,本发明分别以倾倒式岩溶危岩稳定性的特征指标及稳定性作为样本的输入特征向量和输出目标,将广泛收集国内外具有代表性倾倒式岩溶危岩的实例,建立丰富的训练样本库。倾倒式岩溶危岩样本数据格式上为(xi,yi)。其中xi=[xi1,xi2,…,xi12]为输入特征向量,各元素依次为危岩体重心是否在倾覆点外侧、基座岩石坚硬度、岩溶发育度、风化程度共4种定性类特征指标对应的评分等级,以及危岩体容重Wl、危岩体重心到倾覆点的水平距离a、区域地震动加速度反应谱特征周期T、区域地震动峰值加速度G、危岩体抗拉强度σt主控结构面倾角β、主控结构面贯通段长度l、主控结构面裂隙水压力Q共8种定量类特征指标;y为输出目标值,对应失稳状态、稳定状态分别取-1、1。
步骤S2-3中,本发明应用各样本的输入特征向量减去所有样本在各维度上的均值,同时除以所有样本在各维度上的标准差的方法,对样本输入数据进行标准化处理,即z-score标准化:
式中,xi,j及x'i,j分别表示为第i个样本的第j维输出特征的实际值及标准化后的值,μj及σj分别表示所有样本第j维特征的均值及标准差。经过上述标准化,所有样本输入的特征向量在各维度上将符合标准正态分,即x′:,j~N(0,1),其模型样本集见表3。
步骤S3中,本发明实例采用交叉验证训练倾倒式岩溶危岩稳定综合判别的 IVM分类模型,具体地,采用典型的k(k取10)倍交叉验证(k-fold cross validation, K-CV)法,将样本库随机均分为10份,依次选定其中9份作为训练样本,另外1 份作为测试样本;参考IVM工具箱中有关分类问题的解释说明及已有的使用经验,初设倾倒式岩溶危岩稳定综合判别的IVM分类模型初始参数,包括采用‘probit’分布噪声,设置信息向量数d为60(依照10倍交叉验证策略,训练样本数N为所有样本数的9/10,即107×9/10,约96),选定径向基材方差函数'RBF'(Radial Basis Function)。
其超参数θ=[l,σf,σn]在学***均的学习准确率及测试准确率评定模型的学习及泛化性能。
经过反复调整并重新进行交叉验证训练,重复执行上述过程最终获得具有较强学习及泛化性能的倾倒式岩溶危岩稳定综合判别的IVM分类模型,最终的倾倒式岩溶危岩稳定综合判别的IVM分类模型初始参数设置为:噪声采用‘probit’分布,信息向量数d取60,协方差函数采用RBF协方差函数。
本发明实例为了确保最优倾倒式岩溶危岩稳定综合判别的IVM分类模型性能达到学习能力及泛化能力要求,对于最优IVM分类模型输出测试样本的结果进行可行性检验。利用测试样本实际稳定性与预测稳定性进行校核,见表4模型测试样本的预测结果表可知,IVM分类模型测试样本预测结果不存在预测错误情况,建立的最优IVM分类模型性能符合要求,对于倾倒式岩溶危岩稳定综合判别具有可行性。
表3倾倒式岩溶危岩稳定综合判别的IVM分类模型样本集
表4基于本发明的测试样本判别结果
编号 | 分类概率(%) | 实际状态 | 判别状态 |
2 | 0.89 | 1 | 1 |
12 | 0.21 | -1 | -1 |
15 | 0.37 | -1 | -1 |
31 | 0.87 | 1 | 1 |
38 | 0.91 | 1 | 1 |
47 | 0.16 | -1 | -1 |
61 | 0.39 | -1 | -1 |
74 | 0.94 | 1 | 1 |
85 | 0.85 | 1 | 1 |
92 | 0.39 | -1 | -1 |
106 | 0.95 | 1 | 1 |
步骤S4中,本发明实例收集了10个新倾倒式岩溶危岩样本实例,其来源于广西壮族自治区桂林市岩溶危岩防护工程,将其经过步骤S2处理后的得到倾倒式岩溶危岩的特征向量样本集D,将其输入至倾倒式岩溶危岩稳定综合判别的 IVM分类模型中,输出稳定概率及稳定性判别结果,即为实例中各样本分类概率及对应稳定性判别结果见表5。
步骤S5中,根据基于本发明IVM分类模型所得到的新危岩体判别结果及所对应的分类概率,定量化判断其判别结果的不确定性大小,详细见表5。
表5基于本发明的新危岩体判别结果及判别结果的不确定性等级
从表5中10个新危岩体样本判别结果不确定大小判别结果可看出,基于本发明IVM分类模型所得到实例样本中存在编号为3、4的样本判别结果的不确定性等级评估为高,其余样本判别结果的不确定性等级均较低。
步骤S6中,本发明实例将新危岩体样本判别结果的不确定性等级为高的3、 4编号的2个样本,以及所属工程级别较高8、10编号2个样本,进行判别结果的准确性复核。
依据自重+裂隙水压力(暴雨工况)+地震力荷载组合方式,通过刚体极限平衡法计算出这4个样本的实际稳定状态,复核IVM分类模型判别结果的准确性,其对比结果见表6。
表6基于本发明的新危岩体判别结果准确性复核结果
从表5、6可知,本发明实例建立的倾倒式岩溶危岩稳定综合判别的信息向量机分类模型具有较好的性能。具体表现在,复核样本集中的4个样本中,仅有 1个样本的实际稳定状态与IVM分类模型判别稳定状态不相符,且此样本的判别结果的不确定性等级为高。从上述结果可知,一种倾倒式岩溶危岩稳定综合判别的IVM分类模型预测确定性较高,能够满足工程上的应用上要求,并且还能通过模型输出判别结果对应分类概率定量化评估判别结果的不确定性大小,即分类概率越接近判别界限,判别结果的不确定程度越大。
实施例2
请参见图3,本发明提出一种云服务器装置100,其包括一个或多个处理器 100-1、一个或多个存储装置100-2、输入装置100-3和输出装置100-4,这些组件通过总线***100-5和/或其它形式的连接机构互连。应当注意,图3所示的云服务器装置100的组件和结构只是示例性的,而非限制性的,根据需要,所述云服务器装置也可以具有其他组件和结构。
处理器100-1可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元,并且可以控制所述云服务器装置100中的其它组件以执行期望的功能。
示例性地,处理器100-1可进行本发明方法中原始样本集的预处理、倾倒式岩溶危岩样本稳定性特征指标提取、IVM分类模型训练、新危岩体稳定性判别以及判别结果不确定性复核等步骤(S2-S6)。
存储装置100-2可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器100-1可以运行所述程序指令,以实现下文所述的本发明实施例中(由处理器实现)的计算机功能以及/或者其它期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据,例如所述应用程序使用和/或产生的各种数据等。
输入装置100-3可以是用来接收用户所输入的指令以及采集数据的装置,并且其输入方式采用无线及有线传输结合方式。
输出装置100-4可以向外部(例如用户)输出各种信息,如本文数据、图像或声音,并且可以包括显示器、扬声器等中的一个或多,本发明应用主要以文本数据输出为主。
图4为本发明实例提供的一种倾倒式岩溶危岩稳定综合判别的IVM装置200 示意图,用于岩溶地区危岩稳定性的判别情况,该装置用于执行本发明上述实例所提供的方法,IVM装置200包括:
输入模块200-1,用于接收收集的倾倒式岩溶危岩实例原始数据,获取模型初始原始样本集;处理模块200-2可以由图3所示的云服务器装置100中的处理器100-1运行储存装置100-2存储的程序指令来实现,并且可以执行本发明实施例提出的一种倾倒式岩溶危岩稳定综合判别的信息向量机分类方法步骤S2相应部分;
处理模块200-2,用于将初始原始样本集进行分析、优化、提取并整合,以获取倾倒式岩溶危岩稳定综合判别的IVM分类模型样本集特征向量。处理模块 200-2可以由图3所示的云服务器装置100中的处理器100-1运行储存装置100-2 存储的程序指令来实现,并且可以执行本发明实施例提出的一种倾倒式岩溶危岩稳定综合判别的信息向量机分类方法步骤S2相应部分;
IVM分类模型训练模块200-3,用于根据倾倒式岩溶危岩稳定性的特征向量,构建IVM分类模型的样本集并进行训练及测试,根据训练及预测的准确性,得到具有良好性能的倾倒式岩溶危岩稳定综合判别的IVM分类模型。IVM分类模型训练模块200-3可以由图3所示的云服务器装置100中的处理器100-1运行储存装置100-2存储的程序指令来实现,并且可以执行本发明实施例提出的一种倾倒式岩溶危岩稳定综合判别的信息向量机分类方法步骤S3;
IVM分类模型预测模块200-4,用于将待预测的新危岩体样本输入至倾倒式岩溶危岩稳定综合判别的IVM分类模型中,以预测出新危岩体稳定性的预测均值及预测方差。IVM分类模型预测模块200-4可以由图3所示的云服务器装置 100中的处理器100-1运行储存装置100-2存储的程序指令来实现,并且可以执行本发明实施例提出的一种倾倒式岩溶危岩稳定综合判别的信息向量机分类方法步骤S4、S5;
复核模块200-5,用于对IVM分类模型输出的新危岩体判别结果不确定程度较大或新危岩体所属工程等级较高的样本,对其判别结果进行再复核。复核模块 200-5可以由图3所示的云服务器装置100中的处理器100-1运行储存装置100-2 存储的程序指令来实现,并且可以执行本发明实施例提出的一种倾倒式岩溶危岩稳定综合判别的信息向量机分类方法步骤S6;
输出模块200-6:用于将新危岩体的模型判别结果及复核结果输出,供用户查看。
示例性地,见图5,所述输入模块200-1中包括:
输入接收单元200-1-1,用于接收收集的倾倒式岩溶危岩实例原始数据,数据包括危岩的岩溶特性、岩体力学参数、岩体岩性及水文条件等等;
裂隙水压力采集单元2-1-2,用于根据收集的实例样本,对其样本的主控结构面裂隙水压力进行动态采集,其原因为:裂隙水压力为一种动态参数,根据其在岩体中以非连续性和非均匀性分布、动态变化等特点,为了提高危岩稳定性判别的准确性,需对其进行实时采集。
示例性地,见图6,所述处理模块200-2包括:
预处理单元200-2-1,用于将原始数据集中存在缺失、无效及格式错误的数据进行剔除或完善,获取较为完整性、有效性以及合理性数据,提高原始数据质量;
提取单元200-2-2,用于根据溶倾倒式危岩稳定性的特征指标,从所述处理后的数据集提取并建立倾倒式岩溶危岩稳定性的特征向量样本;
标准化单元200-2-3,用于避免不同特征参数数值相差过大或同一特征参数离散性过大对机器学习模型判别准确性造成的不利影响,将建立各样本的输入特征向量进行标准化处理。即z-score标准化:
式中,xi,j及x'i,j分别表示为第i个样本的第j维输出特征的实际值及标准化后的值,μj及σj分别表示所有样本第j维特征的均值及标准差。经过标准化,所有样本的输入特征向量在各维度上均符合标准正态分布。
示例性地,见图7,所述预处理单元200-2-1-1包括:
有效性计算子单元200-2-1-1,用于将收集原始倾倒式岩溶危岩数据进行有效性检索,以确定其范围、去除不需要的字段、填充缺失内容及重新取值操作清洗数据;
逻辑性计算子单元200-2-1-2,用于将收集原始倾倒式岩溶危岩数据进行逻辑性检索,以去重、去除不合理值以及修正矛盾内容操作清洗数据;
必要性计算子单元200-2-1-3,用于将收集原始倾倒式岩溶危岩数据进行必要性检索,以删除非必要的赘余数据操作清洗数据。
示例性地,所述提取单元200-2-2,具体用于根据选定的岩溶危岩稳定性的特征指标,基于距离度量原理,即以特征变量为基准,将各个样本原始数据集与其对比,若相似度超过阈值时,则进行数据提取至特征变量,并将某个样本的特征变量组建立为一个特征向量。
示例性地,见图8,所述提取单元200-2-2包括:
相似度计算子单元200-2-2-1,用于根据标定的特征向量以及原始数据集,进行相似度计算,其相似度s若超过设定的阈值k,把其列为第一特征向量组,其余为残余数据组,采用皮尔逊误差算法:
特征向量重编子单元200-2-2-2,用于根据第一特征向量集中各个数据计算出的编码信息,与选定标定特征向量进行匹配,进行特征向量重排序,建立第二特征向量集,即为最终特征向量组。
示例性地,见图9,所述IVM分类模型训练模块200-3包括:
模型训练及测试单元200-3-1,用于利用模型样本集进行模型训练及测试,以建立出最优的倾倒式岩溶危岩稳定综合判别的IVM分类模型;
模型检验单元200-3-2,用于将所述的最优IVM分类模型进行可行性检验,模型性能的检验指标主要为预测准确性及泛化能力;
示例性地,见图10,所述模型训练及测试单元200-3-1包括:
模型初训练子单元200-3-1-1,用于将建立的训练样本输入至模型中,训练倾倒式岩溶危岩稳定综合判别的IVM分类模型;
模型训练调整子单元200-3-1-2,用于根据交叉验证策略训练及预测模型预测的准确性,将模型的参数及样本库进行重调整,以获取最优的IVM分类模型的参数及样本库的训练集、测试集划分。
示例性地,见图11,所述IVM分类模型预测模块200-4包括:
特征向量算子单元200-4-1,用于将待预测样本的数据输入至处理模块,以获得倾倒式岩溶危岩稳定综合判别的IVM分类模型所需特征向量;
预测算子单元200-4-2,用于将特征向量输入至倾倒式岩溶危岩稳定综合判别的IVM分类模型中,得到新危岩体样本的分类概率;
不确定性评估算子单元200-4-3:用于根据新样本判别结果的分类概率进行判别结果的不确定性等级划分,将不确定性属于高等级的新危岩体样本列入第一复检组;
外推模型评估算子单元200-4-4,用于将所述新危岩体进行模型预测性能提升空间评估,依据新样本数量及IVM分类模型样本库数量之间的更新比重,判断现有预测模型样本库是否需更新。
示例性地,见图12,所述复核模块200-5包括:
预测复检单元200-5-1,用于根据输入新样本所属工程级别标签,以确定样本集中高工程级别的样本,并将其列入第二复检组;
合并处理单元200-5-2,用于对第一、二复检组进行相似度计算,以排除重复样本,建立最终复检组;
最终复核单元200-5-3,用于根据复检组数据以刚体极限平衡法计算出危岩体稳定系数实际值以及稳定状态,并将其与IVM分类模型预测模块200-4输出的判别结果进行对比。
示例性地,本发明中所提及的装置均可依照图3中云服务器装置100中的处理器100-1运行储存装置100-2存储的程序指令来实现,没有描述的模块及单元,不代表没有涉及此装置处理。
示例性地,本发明所提及装置中,仅输入模块200-1、IVM分类模型预测模块200-4及复核模块200-5涉及图3中云服务器装置100中输入装置100-3及输出装置100-4,本发明提出的一种倾倒式岩溶危岩稳定综合判别的信息向量机分类装置中的其余装置输入、输出均在云服务器100装置内部进行,即仅输入、预测、复核模块进行了用户间的交互,此形式减少了频繁交互带给用户的不便问题,并且使此本发明提出的预测装置更接近智能化。
本申请实施例的倾倒式岩溶危岩稳定综合判别的IVM分类装置。首先,应用数据结构模块获取危岩原始数据,根据数据的完整性、有效性、一致性等将原始数据进行预处理清洗操作,将数据集与倾倒式岩溶危岩特征变量标签进行一一对应计算,根据计算相似度将原始样本数据来建立模型特征向量;然后,采用交叉验证算法训练及测试IVM分类模型,并检验其学***要求,并以结合传统高可信度的计算方法复核突出样本,再次验证倾倒式岩溶危岩稳定性,本发明提出的倾倒式岩溶危岩稳定综合判别的IVM分类模型,提高了倾倒式危岩稳定性判别的效率及准确性。
应当理解,本申请各部分可以用硬件、软件、固件或它们的组合来实现。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各个单元/子单元可以集成在一个模块中,也可以是各个子单元单独物理存在,也可以两个或两个以上单元/子单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
需要注意的是,公布上述实例的目的在于帮助进一步理解本发明,但是本领域的技术人员可以理解:若对本发明进行各种明显变化、重新调整和替代手段,并不会脱离本发明的保护范围。因此,本发明不局限与实例所公开的内容,本发明要求保护的范围以权利要求书界定的范围为准。
Claims (8)
1.倾倒式岩溶危岩稳定综合判别的信息向量机方法,其特征在于,包括以下步骤:
步骤S1:选定显著影响倾倒式岩溶危岩稳定性的特征指标,具体包括:危岩体重心是否在倾覆点外侧、基座岩石坚硬度、岩溶发育度、风化程度共4种定性类特征指标,以及危岩体容重Wl、危岩体重心到倾覆点的水平距离a、区域地震动加速度反应谱特征周期T、区域地震动峰值加速度G、危岩体抗拉强度σt、主控结构面倾角β、主控结构面贯通段长度l、主控结构面裂隙水压力Q共8种定量类特征指标;
步骤S2:收集多个倾倒式岩溶危岩体实例的上述12种特征指标与稳定类别,其中将定性类指标按照所制订的评分规则打分转化为定量指标,对多个倾倒式岩溶危岩体的实例数据进行预处理与标准化,建立机器学习样本集;
步骤S3:将样本集分为训练样本集与测试样本集,采用交叉验证策略,训练对具有最优参数自适应获取、处理小样本、高维度非线性分类问题适应力强的IVM分类方法,获得具有良好外推判别性能的倾倒式岩溶危岩稳定性综合判别的IVM分类模型,由此建立倾倒式岩溶危岩稳定性与其多种影响因素之间可靠的非线性映射关系;
步骤S4:对于待判别的新倾倒式岩溶危岩体,通过数据收集与工程测试获得12种特征指标,其中将定性类指标按照评分规则表打分转化为定量指标,由此构建12维的特征指标向量,将特征指标向量输入训练后的IVM分类模型,计算得到其稳定性的分类概率,分类概率大于50%的属稳定,分类概率低于50%的属失稳;
步骤S5:根据分类概率,定量化评价的新倾倒式岩溶危岩体判别结果的不确定性,并划分不确定性等级;
步骤S6:根据新倾倒式岩溶危岩体稳定性判别结果的不确定性等级与危岩体所属工程级别,对于不确定等级较高的危岩体,采用刚体极限平衡法力学计算稳定系数,对判别结果准确性进行复核。
2.根据权利要求1所述的倾倒式岩溶危岩稳定综合判别的信息向量机方法,其特征在于,所述步骤S5包括应用分类概率评价判别结果的不确定性,根据分类概率大小,将判别结果“稳定”以及“失稳”的不确定性等级各划分为低、中、高3个等级,不确定性等级为危岩体稳定性判别结果的可信度决策提供了可便捷获取的科学依据。
3.根据权利要求1所述的倾倒式岩溶危岩稳定综合判别的信息向量机方法,其特征在于,所述步骤S5的新危岩体判别结果不确定性为高等级或其所属工程级别较高时,采用刚体极限平衡法对新危岩体稳定性进行复核计算,根据倾倒式岩溶危岩受力机制以及演变过程,考虑最不利荷载组合:自重+裂隙水压力+地震力,计算其稳定系数,当稳定系数值大于1时判别为稳定,否则为失稳,由此作为IVM分类模型判别结果的复核参照;其中,所述裂隙水压力为暴雨工况下的裂隙水压力。
4.倾倒式岩溶危岩稳定综合判别的信息向量机装置,其特征在于,包括:
输入模块:用于接收收集的倾倒式岩溶危岩实例原始数据;
处理模块:用于将初始原始样本集进行分析、优化、提取并整合,以获取倾倒式岩溶危岩稳定综合判别的IVM分类模型样本集特征向量;
IVM分类模型训练模块:用于根据倾倒式岩溶危岩稳定性的特征向量,构建IVM分类模型的样本集并进行训练及测试,根据训练及测试的准确性,得到具有良好性能的倾倒式岩溶危岩稳定综合判别的IVM分类模型;
IVM分类模型预测模块:用于将待预测的新危岩体样本输入至倾倒式岩溶危岩稳定综合判别的IVM分类模型中,获得新危岩体的分类概率;
复核模块:用于根据IVM分类模型输出的新危岩体稳定性判别结果的不确定性大小及新危岩体所属工程等级,对模型判别结果进行复核;
输出模块:用于将新危岩体的模型判别结果及复核结果输出,供用户查看。
5.根据权利要求4所述的倾倒式岩溶危岩稳定综合判别的信息向量机装置,其特征在于,所述处理模块包括:
预处理单元,用于将原始数据集中存在缺失、无效及格式错误的数据进行剔除或完善,获取较为完整性、有效性以及合理性数据,提高原始数据质量;
提取单元,用于根据倾倒式岩溶危岩稳定性的特征指标,从所述处理后的数据集提取并建立各倾倒式岩溶危岩稳定性的特征向量样本;
标准化单元,用于避免不同特征参数数值相差过大或同一特征参数离散性过大对机器学习模型判别准确性造成的不利影响,将建立各样本的输入特征向量进行标准化处理。
6.根据权利要求4所述的倾倒式岩溶危岩稳定综合判别的信息向量机装置,其特征在于,所述IVM分类模型训练模块包括:
模型训练及测试单元,用于将模型样本集进行训练及测试,建立最优的倾倒式岩溶危岩稳定综合判别的IVM分类模型;
模型检验单元,用于将所述的最优IVM分类模型进行可行性检验,模型性能是否符合要求,其检验指标为测试样本的预测准确性。
7.根据权利要求4所述的倾倒式岩溶危岩稳定综合判别的信息向量机装置,其特征在于,所述IVM分类模型预测模块包括:
特征向量算子单元,用于将待判别样本的数据输入至处理模块,以获得倾倒式岩溶危岩稳定综合判别的IVM分类模型所需特征向量;
预测算子单元,用于将特征向量输入至倾倒式岩溶危岩稳定综合判别的IVM分类模型中,得到新危岩体样本的分类概率;
不确定性评估算子单元,用于根据新样本判别结果的分类概率进行判别结果的不确定性等级划分,将不确定性属于高等级的新危岩体样本列入第一复检组;
外推模型评估算子单元,用于将所述新危岩体进行模型预测性能提升空间评估,依据新样本数量及IVM分类模型样本库数量之间的更新比重,判断现有预测模型样本库是否需更新。
8.根据权利要求4所述的倾倒式岩溶危岩稳定综合判别的信息向量机装置,其特征在于,所述复核模块包括:
预测复检单元:用于根据输入新样本所属工程级别标签,以确定样本集中工程级别较高的样本,并将其列入第二复检组;
合并处理单元,用于对第一、二复检组进行相似度计算,以排除重复样本,建立最终复检组;
最终复核单元,用于根据复检组数据以刚体极限平衡法计算出危岩体稳定系数实际值,并将其与IVM分类模型预测模块输出的判别结果进行对比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010820170.XA CN111914943B (zh) | 2020-08-14 | 2020-08-14 | 倾倒式岩溶危岩稳定综合判别的信息向量机方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010820170.XA CN111914943B (zh) | 2020-08-14 | 2020-08-14 | 倾倒式岩溶危岩稳定综合判别的信息向量机方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111914943A CN111914943A (zh) | 2020-11-10 |
CN111914943B true CN111914943B (zh) | 2022-04-15 |
Family
ID=73283152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010820170.XA Active CN111914943B (zh) | 2020-08-14 | 2020-08-14 | 倾倒式岩溶危岩稳定综合判别的信息向量机方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111914943B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112486096A (zh) * | 2020-12-09 | 2021-03-12 | 中国兵器装备集团自动化研究所 | 一种机床运行状态的监控方法 |
CN115859508B (zh) * | 2022-11-23 | 2024-01-02 | 北京百度网讯科技有限公司 | 流场分析方法、元件模型生成方法、训练方法及装置 |
CN117589128B (zh) * | 2024-01-17 | 2024-04-12 | 山东交通学院 | 一种路锥姿态变化的识别方法、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006132975A1 (en) * | 2005-06-03 | 2006-12-14 | Siemens Medical Solutions Usa, Inc. | System and method for learning rankings via convex hull separation |
CN104680157A (zh) * | 2015-03-26 | 2015-06-03 | 天津工业大学 | 一种基于支持向量机的成捆棒材识别计数方法 |
CN104732070A (zh) * | 2015-02-27 | 2015-06-24 | 广西大学 | 一种基于信息向量机的岩爆等级预测方法 |
WO2018217488A1 (en) * | 2017-05-25 | 2018-11-29 | Schlumberger Technology Corporation | Method for characterizing the geometry of elliptical fractures from borehole images |
CN109472067A (zh) * | 2018-10-24 | 2019-03-15 | 交通运输部公路科学研究所 | 一种倾倒型崩塌的判定方法 |
CN110362948A (zh) * | 2019-07-23 | 2019-10-22 | 河北省交通规划设计院 | 一种基于云模型的岩溶地面塌陷的治理方法 |
US10679150B1 (en) * | 2018-12-13 | 2020-06-09 | Clinc, Inc. | Systems and methods for automatically configuring training data for training machine learning models of a machine learning-based dialogue system including seeding training samples or curating a corpus of training data based on instances of training data identified as anomalous |
CN111259718A (zh) * | 2019-10-24 | 2020-06-09 | 杭州安脉盛智能技术有限公司 | 一种基于高斯混合模型的扶梯滞留检测方法及*** |
-
2020
- 2020-08-14 CN CN202010820170.XA patent/CN111914943B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006132975A1 (en) * | 2005-06-03 | 2006-12-14 | Siemens Medical Solutions Usa, Inc. | System and method for learning rankings via convex hull separation |
CN104732070A (zh) * | 2015-02-27 | 2015-06-24 | 广西大学 | 一种基于信息向量机的岩爆等级预测方法 |
CN104680157A (zh) * | 2015-03-26 | 2015-06-03 | 天津工业大学 | 一种基于支持向量机的成捆棒材识别计数方法 |
WO2018217488A1 (en) * | 2017-05-25 | 2018-11-29 | Schlumberger Technology Corporation | Method for characterizing the geometry of elliptical fractures from borehole images |
CN109472067A (zh) * | 2018-10-24 | 2019-03-15 | 交通运输部公路科学研究所 | 一种倾倒型崩塌的判定方法 |
US10679150B1 (en) * | 2018-12-13 | 2020-06-09 | Clinc, Inc. | Systems and methods for automatically configuring training data for training machine learning models of a machine learning-based dialogue system including seeding training samples or curating a corpus of training data based on instances of training data identified as anomalous |
CN110362948A (zh) * | 2019-07-23 | 2019-10-22 | 河北省交通规划设计院 | 一种基于云模型的岩溶地面塌陷的治理方法 |
CN111259718A (zh) * | 2019-10-24 | 2020-06-09 | 杭州安脉盛智能技术有限公司 | 一种基于高斯混合模型的扶梯滞留检测方法及*** |
Non-Patent Citations (6)
Title |
---|
Coastline Identification from Remote-sensing Image Using Informative Vector Machine Learning;Guoshao Su等;《 International Symposium on Mechanical Engineering and Material Science》;20160131;第93卷;283-287 * |
Spatial cross-validation and bootstrap for the assessment of prediction rules in remote sensing: The R package sperrorest;Alexander Brenning;《2012 IEEE International Geoscience and Remote Sensing Symposium》;20121112;5372-5375 * |
信息向量机、相关向量机和支持向量机在机载LiDAR点云数据分类中的应用;刘志青等;《测绘与空间地理信息》;20171025;第40卷(第10期);5-8 * |
基于不确定性理论的隧道地质灾害评价方法;翟友成;《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》;20150915(第9期);C034-8 * |
水库岸危岩体稳定评价及其治理;刘刚等;《科技创新导报》;20071121(第33期);45-48 * |
高光谱影像土质要素和人工地物分类技术研究;魏祥坡;《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》;20160715(第7期);A008-56 * |
Also Published As
Publication number | Publication date |
---|---|
CN111914943A (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111914943B (zh) | 倾倒式岩溶危岩稳定综合判别的信息向量机方法及装置 | |
CN112819207B (zh) | 基于相似性度量的地质灾害空间预测方法、***及存储介质 | |
CN116108758B (zh) | 滑坡易发性评价方法 | |
CN111797364B (zh) | 一种基于复合云模型的滑坡多层次安全评价方法 | |
CN105069470A (zh) | 分类模型训练方法及装置 | |
CN104636449A (zh) | 基于lsa-gcc的分布式大数据***风险识别方法 | |
CN111915022B (zh) | 滑移式岩溶危岩稳定系数快速识别的高斯过程方法及装置 | |
CN110472363B (zh) | 适用于高速铁路隧道的围岩变形等级预测方法及*** | |
CN110909488A (zh) | 一种高效边坡可靠度分析方法 | |
Bashari et al. | Estimation of deformation modulus of rock masses by using fuzzy clustering-based modeling | |
CN112200358A (zh) | 一种滑坡等级预测方法、装置、设备和存储介质 | |
CN111797188B (zh) | 一种基于开源地理空间矢量数据的城市功能区定量识别方法 | |
CN116245406B (zh) | 基于运维质量管理数据库的软件运维质量评价方法及*** | |
CN116992522A (zh) | 深基坑围护结构变形预测方法、装置、设备及存储介质 | |
Fugate et al. | Unsupervised learning methods for vibration-based damage detection | |
CN117593653B (zh) | 基于遥感监测的地质灾害预警方法 | |
CN114818886A (zh) | 一种基于PCA和CatBoost回归融合预测土壤渗透率的方法 | |
CN109636194B (zh) | 一种输变电项目重大变动多源协同检测方法与*** | |
CN113295842A (zh) | 一种矿山边坡岩体工程稳定性精准评价*** | |
Liu et al. | A new method based on association rules mining and geo-filter for mining spatial association knowledge | |
CN112329255A (zh) | 基于倾向度和未确知测度的岩爆预测方法 | |
Moradi et al. | Sensitivity analysis of ordered weighted averaging operator in earthquake vulnerability assessment | |
CN111026790A (zh) | 一种基于数据挖掘的结构安全评估及预报方法 | |
CN114880954A (zh) | 一种基于机器学习的滑坡敏感性的评估方法 | |
CN113807587A (zh) | 一种基于多梯核深度神经网络模型积分预警方法以及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |