方 法 学 和 应 用 应用多种混合智能系统进行评估和预测静态和动态条件下的边坡稳定性外文翻译资料

 2022-08-10 17:08:52

英语原文共 17 页，剩余内容已隐藏，支付完成后下载完整资料

软计算 (2019) 23:5913–5929 https://doi.org/10.1007/s00500-018-3253-3

方 法 学 和 应 用

应用多种混合智能系统进行评估和预测静态和动态条件下的边坡稳定性

Mohammadreza Koopialipoor1 · Danial Jahed Armaghani2,3 · Ahmadreza Hedayat4 · Aminaton Marto3 ·

Behrouz Gordan5

网上发布:2018.5.28

copy; Springer-Verlag GmbH Germany, part of Springer Nature 2018

摘要

边坡安全系数（SF）的评估和精确预测，对这些重要结构的设计和分析具有重要意义。在本研究中，通过应用各种混合智能系 统，即独立成分分析（ ICA）-人工神经网络（ ANN）、遗传算法（ GA）-ANN、粒子群优化（ PS O）-ANN和人工蜂群（ ABC）-ANN对静态和动态条件下许多均匀斜率的SF进行了评价/预测。实际上， ICA、PSO、GA和ABC被用来调整神经网络模型的权重和偏差。为了达到本研究的目的，建立了一个由699个数据集组成的数据库，包括坡度、坡高、土壤摩擦角、土壤粘聚力和峰值地面加速度5个模型输入和1个输出（SF）。为了确定GA、ICA、ABC和PSO算法的最有效因素，进行了若干参数研究。. 在考虑均方根误差和确定系数（R2）两个性能指标的情况下，对混合模型的结果进行了检验。为了评估所有混合模型的能力，开发了一种新的排序系统，即颜色强度评级。结果表明，虽然所有的预测模型都能逼近斜率SF值，但PSO-ANN预测模型的性能优于其他预测模型。 在R2的基础上，分别得到了ICA-ANN、ABC-ANN、PSO-ANN和GA-ANN预测模型的（0.969、0.957、0.980和0.920）检验值，表明PSO-ANN模型预测斜率SF值的效率较高。

关键词 斜率稳定性·混合模型·遗传算法·粒子群算法·帝国竞争算法·人工蜂群

V.Loia传达.

B Mohammadreza Koopialipoor

Mr.koopialipoor@aut.ac.ir

Danial Jahed Armaghani danialarmaghani@aut.ac.ir

Ahmadreza Hedayat hedayat@mines.edu

Aminaton Marto aminaton@utm.my

Behrouz Gordan bh.gordan@yahoo.com

  1. Faculty of Mining and Metallurgy, Amirkabir University of Technology, Tehran 15914, Iran
  2. Faculty of Civil and Environmental Engineering, Amirkabir University of Technology, Tehran 15914, Iran

1 导言

在采矿和土木工程中，与边坡稳定性相关的工程应在运行和执行期间进行，且不应局限于项目实施前的可行性研究（Gordan等，2016年a；Mahdiyar等，2017年）。边坡设计的主要目的是尽量减少其破坏的可能性。

  1. Environmental Engineering and Green Technology Department, Malaysia-Japan International Institute of Technology, Universiti Teknologi Malaysia, Kuala Lumpur, Malaysia
  2. Faculty of Civil and Environmental Engineering, Colorado School of Mines, Golden, CO 80401, USA
  3. Department of Geotechnics and Transportation, Faculty of Civil Engineering, Universiti Teknologi Malaysia (UTM), 81310 Skudai, Johor, Malaysia

123

5914 M. Koopialipoor等.

根据以前的研究，在前人研究的基础上，评价边坡的安全系数（SF）是边坡稳定设计的重要因素之一（周等，2009年）。一般来说，当SFgt;1和SFlt;1时，边坡被分别视为稳定和不稳定（Rukhaiyar等，2017年）。材料的抗剪强度、边坡的几何形状、地下水水平和地面加速度等不同参数影响边坡的稳定性（ Sarma1973年， 1979年； Baker， 2006年）。这些参数可以根据材料特性、粘聚力和摩擦角、斜坡高度和角度以及孔隙压力进行识别（上官等，2009年）。这些参数具有不同的不确定性，使得边坡稳定性分析成为一个非线性问题。因此，近几十年来，人们提出了多种边坡稳定性分析方法（如Tan 2006年、Erzin和Cetin 2013年）。

在此之前，已经开发了几种计算安全系数的技术。两种常用的SF分析方法包括数值法（NM）和极限平衡法（LEM）（Duncan 1996年）。然而，上述技术是复杂的，需要重复操作（梁和张2010）。此外，它们有时需要许多参数作为输入来解决问题（Sarma 1979；Shangguan等，2009年；Mahdiyar等，2017年）。 似乎有必要为SF仿真分析提供一种更简单的替代性方法。

根据现有的替代方法，人工神经网络（ANN）、支持向量机（SVM）和模糊神经网络（neuro fuzzy）等人工智能方法在土木工程和矿山工程中得到了广泛的应用（Singh等，2004年；Khandelwal和Singh 2009年；Bejarbaneh等，2016年；Ghoraba等人，2016年；Saghatforoush等，2016年；Jahed Armaghani等人，2017年）。 Sakellariou和Ferentinou（2005）将两种类型的神经网络应用于计算边坡的SF。以容重、内摩擦角、坡高、粘聚力、坡度和孔隙压力为模型输入，利用Das等方法对SF进行预测。（2011年）。Samui和Kothari（2011）通过对SF的46个数据分析，建立了SF估计的最小二乘支持向量机（LSSVM）模型。在他们的研究中，还构建了一个神经网络模型进行比较，发现LSSVM模型的结果比ANN模型的结果更接近实际结果。在另一项研究中，Erzin和Cetin（2013）将五个因素（即内摩擦角、单位重量、坡度角、粘聚力和高度）作为预测SF的模型输入。

在工程科学中，ANNs（作为人工智能的一个分支）的使用是一个重要的活跃的研究应用（Tonnizam Mohamad等。2012年；Hasanipanah等，2016年b）。这是预测问题的好工具；然而，它们有一些局限性，例如学习速度低和陷入局部极小值（Lee等，1991年；Hajihassani等，2014年a；Jahed Armaghani等，2015年）。

如文献所述（Saemi等，2007年；Monjezi等，2012年；Marto等，2014年；Hasanipanah等。2016a；Mohamad等，2016a），使用高效优化算法（OAs），可以克服这些限制。粒子群优化（PSO）、独立成分分析（ICA）、遗传算法（GA）和人工蜂群（ABC）等多种OAs算法都可以用于求解连续和不连续问题。基于这些OAs强大的全局搜索能力，可以确定神经网络的权值和偏差，以提高其性能预测。为了解决非线性复杂工程问题，上述混合模型得到了广泛的应用。

在本研究中，应用并发展了四种混合智能技术，即ICA-ANN、GA-ANN、PSO-ANN和ABC-ANN来预测边坡的稳定系数。这些模型是基于影响SF的最重要参数而提出的。ABC-ANN模型在工程应用中的应用较少，在SF预测中尚未得到发展。该方法可以看作是本研究所讨论的具有特定特征的最新混合模型。接下来在介绍了本研究中的应用模型后，对所建立的数据库进行了一些说明。然后介绍应用技术的建模过程，最后选择最佳的预测模型对SF进行预测。

智能技术

    1. 人工神经网络

由于人脑的结构，可以创建和开发人工神经网络（ANN）（McCulloch和Pitts 1943）来处理信息。神经网络结构由输入层、隐藏层和输出层三个主要部分组成。在每个网络层中，绑定元素即神经元从一层传输到下一层。因为此传输的强弱受重量所控制。为了计算每一层神经元的输出，应该使用线性或乙状结肠的激活函数。每层中使用的神经元数量由输入的总数指定。通常，neu-rons的数目可以通过复杂的方法或试错程序获得。在现有的网络训练算法中，反向传播（BP）训练算法在工程科学中更为常见（Yılmaz and Yuksek 2008；Mohamad 等，2014年；Momeni等人。2014年）。简而言之，神经网络建模的两个主要部分是网络结构的建立和相关权值的确定。在误差最小化的基础上，采用BP训练算法调整网络权值。将在每个阶段获得的值与期望的输出值进行比较。

123

应用各种混合智能系统对边坡稳定性进行评价和预测hellip;

5915

图1 GA 算法

如果误差不理想，则应继续该过程以获得期望值并减少系统误差（Ahmadi等，2013年；Hasanipanah等，2016年c；Rukhaiyar等，2017年）。.

遗传算法

遗传算法（GA）是Hol land（1992）首次提出的一种成熟的优化方法。这是受自然选择理论的启发。Goldberg（1989）扩展了这种方法。遗传算法被广泛应用于工程和科学中的各种优化问题。该算法的主要优点之一是能够解决复杂且高度非线性的诺林耳问题。对于线性或非线性、静态或动态（随时间变化）、连续或不连续或包含随机干扰的优化问题，可以使用遗传算法进行求解。此外，由于遗传算法在确定算法的各种参数（种群规模和遗传算子率）和建立适当的函数等方面的局限性，它被认为是一种有问题的算法。为了确定这些值，设计者应该非常小心，因为它们会影响算法的收敛性及其结果（Momeni等，2014年；Khandelwal和Armaghani 2016年；Koopialipor等，2017年）。在遗传算法中，染色体的长度是固定的，它将问题编码为介于0和1之间的线性二进制字符串。这些染色体引起了后代的产生。如图1所示，选择染色体作为随机特征，并基于这些特征，对染色体进行评估。

然后，他们选择剩余染色体的遗传算子并开始产生新的世代。双亲和突变之间的交叉选择在0-1范围内有效。一直重复这一过程，直到创造出表现最佳的一代（Beiki等，2013年；Mohamad等，2017年）。

粒子群算法

本研究中使用的另一个OA是由Kennedy和Eberhart（1995）开发的粒子群优化算法（PSO）。粒子群优化算法受粒子累积行为的启发。与遗传算法相比，粒子群算法具有学习速度快、占用内存少等优点。在粒子群优化算法中，为了找到最佳位置，一组粒子搜索最佳个人（pbest）和最佳全局（gbest）位置（Jahed Armaghani等，2017年）。另一方面，在每一个系统中，粒子都朝着寻找最佳位置（pbest和gbest）的方向移动。粒子的速度和位置如下所示：

Vnew = w lowast; V C1.r1 ( pbest minus; X ) C2.r2 (gbest minus; X )

(1)

X new = X Vnew

(2)

123

<!--

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[238110]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章