基于Python的ABAQUS有限元强度折减法程序在边坡稳定性分析中的应用

强度折减法是边坡稳定性分析的主要方法之一.以ABAQUS为平台,基于ABAQUS中自带的方法(method),应用脚本语言Python编写了基于场变量的有限元强度折减法程序.通过Python语言中的文件处理方式,利用字符串索引修改关键字,完成了对模型输入文件的修改,从而可以控制场变量的变化范围,实现自动提交分析.通过工程实例讨论了二次开发中对象模型的调用流程,以及数据读取、结果输出等技术,验证了该Python脚本程序的可行性.本研究为后续Python的岩土工程仿真二次开发应用提供了借鉴.

基于灰色关联度重庆万州区边坡稳定影响因素分析

强度折减法是边坡稳定性分析的主要方法之一。利用ABAQUS软件对万州区边坡稳定性进行分析,利用Python编制灰色关联度程序分析边坡安全系数和影响因子之间的变化规律。结果表明:万州区边坡土体黏聚力是最重要的影响因素,土体容重次之,边坡几何参数影响大于泊松比的影响。本结果为本地区边坡治理设计提供了依据。

TensorFlow多元线性回归在边坡稳定性分析中的应用

利用深度学习中TensorFlow框架下多元线性回归方法对边坡稳定性影响因素进行分析,通过对160个样本边坡数据的统计分析,在考虑高度、黏聚力、内摩擦角、坡角、泊松比、容重6个影响因素下,训练模型损失值最小时得到稳定性系数计算模型。同时,由于数据的训练结果和数据的顺序有密切关系,为了避免数据在被人为排序时产生对训练结果的“思维惯性”而得到假性学习结果,因此在机器学习训练过程中经过一个迭代轮次后打乱数据顺序重新训练,以得到更为精确的模型。训练结果表明,该模型预测准确度较好,具有较强的鲁棒性。

CNN-LSTM模型在边坡可靠度分析中的应用

为了准确高效地对边坡可靠度进行分析,在对420个边坡数据进行整理分析的基础上,建立了基于卷积神经网络(Convolutional Neural Network,CNN)与长短时记忆网络(Long Short-Term Memory,LSTM)的混合可靠度分析模型。首先,通过CNN模块提取数据特征;其次,构建LSTM模块并对边坡失效概率进行预测;然后,通过5因素4水平正交表L_(16)对模型超参数进行优化;最后,通过2个算例进行对比验证。结果表明:(1)相比传统的蒙特卡洛法(MCS),CNN-LSTM模型预测失效概率相对误差仅为4.35%,而一次二阶矩法和响应面法相对误差为169.6%;在计算耗时方面,CNN-LSTM模型耗时45 s,MCS耗时119 s,CNN-LSTM模型效率比MCS提高了近2倍。(2)对比分析CNN、LSTM模型和多元线性回归模型(Multiple Linear Regression,MLR)等多种机器学习方法用于可靠度分析方面的计算性能,得出CNN-LSTM模型边坡失效概率预测相对误差远远小于CNN(104%)、LSTM(91.3%)和MLR(34.78%)的相对误差,且计算耗时最少;(3)算例验证了CNN-LSTM模型在边坡可靠度分析方面具有可行性和优越性。

升麻人工栽培技术研究

升麻特别是大三叶升麻为东北地区地道药材之一,俗称关升麻。近年来由于私挖滥采日益严重,野生资源日益减少,人工种植被提上日程。但大三叶升麻人工种植技术尚不成熟,本文作者对大三叶升麻人工种植技术通过实践后,对三种不同播种方式的出苗率进行了统计和分析,对在全光环境下及林内栽植的情况进行了归纳和总结,最终寻找到一套比较好的林内仿生栽植大三叶升麻的关键技术,为大规模人工种植大三叶升麻提供了技术方面的参考。