原文传递
基于机器学习的公路岩质边坡安全性评价方法研究
| 论文题名： | 基于机器学习的公路岩质边坡安全性评价方法研究 |
| 关键词： | 公路养护;岩质边坡;安全性评价;机器学习 |
| 摘要： | 随着我国公路养护里程的不断增加，大量公路边坡进入养护阶段，尤其是我国西南地区高陡岩质边坡众多，在时间和环境条件作用下极易发生失稳变形，对公路运营安全造成极大的威胁。因此，研究具有科学性和实用性的公路岩质边坡安全性评价方法，为西南等地区的公路岩质边坡建设和运营安全提供安全保证是十分必要的。本文对传统边坡安全性评价方法归纳分析，在边坡不确定性分析方法基础上，提出将因子分析方法与机器学习算法相结合的公路岩质边坡安全性评价模型。主要研究内容与结论如下： （1）对影响公路岩质边坡安全性的坡体几何特征、地质条件、气象水文条件等6大因素进行分析，根据指标选取的针对性、主导性等原则选取边坡高度、岩石强度、结构面结合状态等14个评价指标，建立公路岩质边坡安全性评价指标体系。 （2）分别用遗传算法（GA）和粒子群算法（PSO）优化BP神经网络算法和支持向量机算法（SVM），测试发现，优化后的BP神经网络和支持向量机算法预测精度明显上升。遗传算法（GA）和粒子群算法（PSO）可以分别作为BP神经网络算法和支持向量机算法（SVM）的优化算法，且效果良好。 （3）运用因子分析方法（FA）将原评价指标综合为6个独立不相关的公因子，将其作为综合指标参与模型训练，测试发现FA-GA-BP和FA-PSO-SVM模型预测准确性分别高于GA-BP和PSO-SVM模型，因子分析方法可提升BP和SVM算法精度。 （4）以本文边坡数据为基础建立的评价模型中，通过实测样本发现，精度最高的模型分别为：FA-GA-BP、FA-PSO-SVM、GA-BP、PSO-SVM，FA-GA-BP模型效果更符合实际情况。 （5）将FA-GA-BP评价模型应用于实际边坡检测中，具有较好的实用性，其预测结果与监测图像结果基本一致，验证了该模型的合理性与准确性。 （6）机器学习算法在解决边坡问题的模糊性和不确定性方面具有明显优势，GA算法和PSO可分别作为BP算法和SVM算法的优化算法，因子分析法可提升BP算法和SVM算法预测精度，建立的FA-GA-BP评价模型具有较高的预测精度，可满足实际评定需求。 |
| 作者： | 白云鹏 |
| 专业： | 工程;交通运输工程 |
| 导师： | 刘涌江 |
| 授予学位： | 硕士 |
| 授予学位单位： | 重庆交通大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
