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PSO-SVM桥梁基础群桩轴力预测

由于大型深水群桩基础受到复杂的环境影响,其基桩轴力的变化与环境因素之间呈现复杂非线性关系。本文利用支持向量机模型,对苏通大桥群桩基础轴力实测数据进行分析,为了避免人为选择支持向量机模型参数的盲目性,采用了粒子群算法(PSO)寻找最优参数,由此建立了PSO-SVM模型。为了方便对比,建立了传统SVM与RBF神经网络预测模型,利用PSO-SVM、SVM、RBF三种模型对受力情况不同的四根监测桩进行轴力预测,分别对比了三种模型在不同桩的预测结果。研究表明,与传统SVM、RBF的预测结果相比,PSO-SVM模型预测精度更高,在轴力变化不同的四根桩上预测都很稳健,具有更强的泛化能力,在大型深水群桩基础轴力预测中具有一定的工程应用价值。

边坡安全系数的RBF神经网络预测

RBF神经网络方法以其训练速率快,避免局部极小,拟合精确度好,预测准确度较高等优点,在边坡稳定性预测中得到了广泛应用。根据RBF神经网络的基本结构与理论,引入高斯函数作为隐含层的核函数,将114组低维的边坡实例数据归一化,并转换到高维空间,应用最近邻聚类法逐个添加神经元以达到允许误差精度,最终用训练过的RBF神经网络预测另外8个边坡实例的安全系数,均得到了较为满意的结果,体现出了RBF神经网络在边坡安全系数预测中的应用价值。

工程地质调绘在公路工程线路比选中的应用

受工期、勘察精度等客观因素的影响,许多滑坡往往是在施工、运营期间因开挖扰动或受工程荷载影响后,破坏了其天然极限平衡状态而发生,因其所产生的补充勘察设计及后期治理、监测费用一般较大。众多的公路工程勘察设计实例证明了系统性的工程地质调绘可以在勘察设计早期阶段发现不良地质现象并结合其他勘察手段有针对性地排查可能存在不良地质现象的路段,及时为线路比选优化提供切实依据,从而有效避免在勘察设计工作的中后期阶段发生较大的线位调整或是在施工、运营期间暴露问题。

沉积岩风化层边坡稳定性分析方法

沉积岩的岩质普遍较软,其中如泥岩、页岩或胶结程度低的砂岩等还常具有泡水软化速度快、开挖暴露一段时间后质量显著下降等不利于工程建设的特性。对于沉积岩边坡开挖,应尤其注意顺层层理及其因导水等所形成的软弱结构面对边坡稳定性的影响。因此,在进行沉积岩地区边坡稳定性计算分析前,应尤其重视实地工程地质调绘并详细分析勘察报告内容,合理建立计算模型,选择恰当的计算参数及方法,以准确地计算出边坡稳定安全系数,并提出具有针对性的治理方案。

贵州省风光资源分布及出力特性分析

为推动贵州省清洁能源和水风光基地高质量发展,全面了解省内风、光资源分布及出力特性,依托NASA和Solar GIS数据结合已建成风光厂址测风、测光数据,对省内风、光资源分布及出力特性进行分析。结果表明,贵州省风能资源丰富,总体西部和中部较好;太阳能辐射空间差异较大,年平均总辐射在3400 MJ/m^(2)以上,自东北向西南逐渐增加;贵州一般在3月~4月、10月~12月风速较大,其发电量约占全年发电量的70%,5月~9月风速较小,其发电量约占全年发电量的30%;光伏电站出力年内出力变化呈春季大、秋冬季小的特点,具有一定的互补性。