基于粒子群算法的邊坡位移預(yù)測(cè)研究.pdf

1、邊坡作為公路及其它基礎(chǔ)設(shè)施建設(shè)過(guò)程中最多而且最復(fù)雜的結(jié)構(gòu)體，其穩(wěn)定性與項(xiàng)目建設(shè)和運(yùn)營(yíng)過(guò)程中的安全問(wèn)題息息相關(guān)。當(dāng)前，常用兩種方法對(duì)邊坡的穩(wěn)定性進(jìn)行判斷，其一是通過(guò)數(shù)值模擬對(duì)邊坡體在自身結(jié)構(gòu)和各種外界影響因素綜合作用下的穩(wěn)定性進(jìn)行判斷，另一種方法是通過(guò)對(duì)邊坡未來(lái)一定時(shí)期內(nèi)的位移預(yù)測(cè)來(lái)判斷其穩(wěn)定性。在第二種方法中，由于邊坡位移是受內(nèi)、外部因素耦合作用下的結(jié)果，通常表現(xiàn)出非線性和突變性的特點(diǎn)，所以無(wú)法直接通過(guò)線性回歸的方法對(duì)其進(jìn)行預(yù)測(cè)。鑒于邊

2、坡的位移特征，文中采用經(jīng)驗(yàn)?zāi)B(tài)分解方法對(duì)其突變性特征進(jìn)行提取，并利用粒子群差分算法尋優(yōu)所得支持向量機(jī)參數(shù)值進(jìn)行邊坡位移預(yù)測(cè)。為提高預(yù)測(cè)精度，文中就計(jì)算過(guò)程中的隨機(jī)項(xiàng)提取、核函數(shù)選擇和粒子群差分算法尋優(yōu)前參數(shù)取值范圍進(jìn)行了研究。
　　在對(duì)經(jīng)驗(yàn)?zāi)B(tài)分解提取隨機(jī)項(xiàng)過(guò)程所存在的問(wèn)題進(jìn)行研究之前，首先就此方法的理論基礎(chǔ)和計(jì)算過(guò)程進(jìn)行了分析。對(duì)于分解過(guò)程中所存在的端點(diǎn)極值延拓問(wèn)題，利用端點(diǎn)值判斷和鏡像延拓相結(jié)合的方法;對(duì)于總位移極值點(diǎn)較少或沒(méi)

3、有致使分解無(wú)法進(jìn)行的難題，提出對(duì)分期位移進(jìn)行分解的方法;采用工程實(shí)例對(duì)分解周期的合理取值進(jìn)行研究。對(duì)比分析邊坡自重作用下的位移規(guī)律和分解結(jié)果中的趨勢(shì)項(xiàng)，得出在分解周期取值為15、20時(shí)分解效果較好。
　　對(duì)于支持向量機(jī)的邊坡位移預(yù)測(cè)過(guò)程，首先對(duì)支持向量機(jī)的理論基礎(chǔ)和計(jì)算過(guò)程進(jìn)行了分析，然后在經(jīng)驗(yàn)?zāi)B(tài)分解結(jié)果、多項(xiàng)式核函數(shù)和高斯核函數(shù)特征分析的基礎(chǔ)上，對(duì)邊坡位移預(yù)測(cè)中核函數(shù)的選擇進(jìn)行了研究。提出對(duì)趨勢(shì)項(xiàng)、隨機(jī)項(xiàng)分別采用多項(xiàng)式核函數(shù)、

4、高斯核函數(shù)的方法。
　　針對(duì)支持向量機(jī)位移預(yù)測(cè)中各參數(shù)的取值問(wèn)題，應(yīng)用粒子群差分算法對(duì)其進(jìn)行尋優(yōu)。對(duì)于尋優(yōu)之前各參數(shù)的取值或取值范圍，提出采用平均絕對(duì)誤差作為判斷準(zhǔn)則進(jìn)行尋優(yōu)，尋優(yōu)結(jié)果如下:當(dāng)分解結(jié)果中有2個(gè)隨機(jī)項(xiàng)時(shí)，趨勢(shì)項(xiàng)、隨機(jī)項(xiàng)1、隨機(jī)項(xiàng)2的訓(xùn)練集周期為7、5、6，當(dāng)分解結(jié)果中有3個(gè)隨機(jī)項(xiàng)時(shí)，趨勢(shì)項(xiàng)和隨機(jī)項(xiàng)1、2、3的訓(xùn)練集周期為7、5、5、6;對(duì)于支持向量機(jī)的參數(shù)尋優(yōu)范圍，振蕩型邊坡位移見(jiàn)表4.2，增長(zhǎng)型邊坡位移見(jiàn)表4.3。