基于RF-SSA-SVM的砂土地震液化判别.pdf

基于 的砂土地震液化判别杨 琛(江西理工大学 土木与测绘工程学院江西 赣州)收稿日期:作者简介:杨琛()男江西赣州人硕士主要研究方向:岩土动力学基金项目:江西省教育厅科学技术研究项目:尾矿坝地震液化流滑评价方法研究()摘 要:为提升支持向量机()机器学习方法在砂土地震液化判别模型的适用性和准确性选取了 个包括土性参数和地震参数在内的 组数据使用引入佳点集法的樽海鞘算法()对 的惩罚参数 和核参数 进行优化优化过程中为了提升模型的鲁棒性使用 折交叉验证由此构建了基于 的砂土液化判别模型随后又运用随机森林()的因素重要性评分选取了重要性排名前 的指标继续对 模型进行训练和优化建立起 的液化判别模型 将两种预测模型的结果与“简化法”结果进行对比验证了本文所提出的液化判别模型精度较高、泛化能力较强为实际应用提供了新的思路关键词:砂土液化预测模型支持向量机樽海鞘算法佳点集法中图分类号:文献标志码:文章编号:():/引 言生命和财产损失仍然是大地震不可避免的后果液化所引起的侧向位移便是地震灾害中最普遍和最具破坏力的一种 地震灾害的发生是不可避免的因此对场地进行地震液化的可能性评估是极其必要的而砂土液化的研究方法仍是工程抗震的重要研究课题由于地震发生的不确定性致使液化诱因和液化势之间展现出复杂的非线性关系因而传统的经验判别方法难以将所有类别的因素考虑全面 近年来所兴起的机器学习方法则很好地克服了这个难点它可以有效地描述液化势与液化影响因素之间的映射关系 蔡煜东等运用 神经网络建立了砂土液化的预测模型为岩土工程界开辟了一条崭新的机器学习道路 刘红军等选取烈度、震中距、平均粒径等 个实测指标建立了基于 神经网络的砂土液化判别模型并与规范法和 简化法的预测结果进行比较验证了该模型的适用性和准确性 刘章军等运用模糊概率理论选取标准贯入击数、平均粒径、上覆有效应力和地震烈度 个影响因素建立了砂土液化判别模型且为了使结果更加细化将液化程度分为 个等级通过算例验证了该方法的可靠性 支持向量机()源于统计学习理论作为一种二分类模型它具有非常强大的学习能力能够胜任各类线性和非线性分类任务因而被广泛运用于诸如手写识别以及人脸识别等实际生活应用当中与其他机器学习法相比支持向量机在系统中加入了正则化项用于优化结果风险并运用核方法处理非线性问题因而使得其在处理分类问题中脱颖而出本文介绍了所用的 砂土液化数据的特征及其统计参数并介绍了 简化法的砂土液化判别方法及公式并将该公式运用于砂土液化判别而后选用樽海鞘算法()对 的正则项系数 和核函数参数 进行优化训练 进行砂土液化判别为了提升判别精度最后先用随机森林方法求解 个特征的重要性程度筛选重要性程度高的特征作为影响因素再使用 进行砂土液化判别 最后对比了 简化法、法的精度 理论基础 基于 的液化判别法 和 判别法、法实际上是 简化判别法的发展和深化其判别的依据都是比较循环应力比 和循环阻力比 来判别土体液化情况 若 值大于 则判定为液化反之则为不液化 安全系数 小于 即可判定为液化 其判定公式为:()循环应力比 和循环阻力比 的计算公式分别为:.()()()()()式中:为竖向总上覆土压力/为竖向有效上覆土压力/()为修正的标贯击数为应力折减系数可通过查阅得出 樽海鞘算法 等提出了樽海鞘算法()相比于传统优化算法 的收敛性更好稳定性更强且算法原理简单、调节参数少、更容易实现樽海鞘群体被分为领导者与追随者两者各占总群体的领导者在 维空间中主动搜索并向食物源(最优解)逐步靠近其在第 维的空间位置更新方式如下:()().()().()式中:为第 维空间中领导者的位置为食物源在第 维空间中的位置第 维空间的上界和下界用 和 来表示和 是均匀分布在 内的随机生成数系数 是 算法用于平衡局部搜索和全局搜索的参数其公式如下:()()式中:为当前迭代次数 为最大迭代次数追随者的位置更新可表示为:()()支持向量机支持向量机建立在统计学习理论的基础上并结合结构风险最小化理论来构造最优超平面以达到优化结构风险的目标探索出模型学习能力和复杂程度之间的最佳平衡从而使得优化模型获得最好的泛化能力 处理复杂问题时需要在特征向量中找出非线性的超平面超平面方程()如下:()()()式中:为可调的权重函数 为函数的偏置值()为非线性映射函数并且与 均为 维向量采用估计函数求解非线性的回归问题在求解过程中进行线性问题转换时 这一训练集是被默认已有的为了找到 和 松弛因子 和 被引入:().()()()式中:是描述函数 是惩罚因子 为标签值运用拉格朗日乘数法并结合 条件和对偶条件原问题被优化成对偶问题()的表达式如下:()()()()式中:和 是拉格朗日因子()为径向基函数本文选用 核函数作为 模型的核函数:()()()式中:是核函数参数 算法核心在于找到合适的惩罚因子 和核参数(后文用 来代替)液化判别模型的建立与分析 数据选取本文利用文献提供的 历史液化资料一共获取了 个样本数据其中有 个液化样本 个非液化样本 样本数据包含了 种影响因素这些参数描述了土质类型、地震特征、载荷大小和性质以及原位测试技术的现场条件 个参数分别为土层深度()、修正的标准贯入击数()、小于 的细粒含量百分比()、地下水位深度()、总覆盖层应力()、有效覆盖层应力()、阈值加速度()、循环应力比(/)、剪切波速()、土壤内摩擦角()、地震震级()和地表最大水平加速度()运用 简化法的判别结果运用 软件对 简化法进行程序编写并用此程序对上述 个样本数据进行计算得到了该方法的预测结果计算结果如图 所示综合正确率为 错误率为 从结果可以看出对于实际液化的情形 简化法预测精度高达 而对于实际非液化的情形 简化法预测结果偏于保守导致最终的判别准确率只有 图 简化法计算结果的混淆矩阵图 基于佳点集法改进的 算法 算法的种群初始化为随机初始化初始化的种群比较随机可能不均匀导致种群不能达到全局寻优 本文在 算法中引入了佳点集法利用佳点集理论所生成的初始种群在空间中的分布与之前相比更加均匀更易寻找到全局最优解 算法流程图如图 所示图 引入佳点集法的 算法流程图 液化判别模型的建立研究表明正则化因子 和核函数参数 对 模型性能影响较大一般需要优化这两个参数来使模型达到最优的预测效果 本文采用引入佳点集法的樽海鞘群算法来优化 和 引入佳点集法的樽海鞘群算法稳定性和收敛性好优化 参数时能达到较好的效果本文所建立的砂土液化模型共有 个影响因素 个样本为了提升模型的鲁棒性及训练精度本文按照 的比例将样本随机分成训练集和测试集即训练集个数为 个测试集个数为 个 训练集和测试集中液化和不液化的数据个数如表 所示表 训练集和测试集中液化和不液化的数据统计数据类别训练集测试集 类(液化)类(不液化)总计 以训练集样本去训练 模型用 算法去寻找最优参数惩罚因子 和核参数 获得训练数据之后使用 核函数对 拟合功能函数进行训练为了提升 模型的鲁棒性 模型使用 折交叉验证训练 运用樽海鞘算法对 的惩罚因子 和核参数 优化进化代数设为 樽海鞘种群数量为 惩罚因子 和核参数 的取值范围均为 优化过程如图 所示图 迭代收敛图由训练结果知算法在第 代收敛适应度值收敛于 优化出的 模型最佳惩罚因子 核参数 由计算结果可知训练样本精度为 非液化样本判别为液化占比 液化样本判别为非液化样本占比 测试集精度 非液化样本判别为液化占比 液化样本判别为非液化样本占比 基于 的液化判别方法(随机森林算法)可以对变量进行重要性度量()用以权衡不同指标对预测结果的影响程度 使用 计算的影响因素的重要性指标如图 所示图 影响因素重要性指标直方图由结果可知砂土液化对小于 的细粒含量百分比和修正的标贯击数敏感性较高对剪切波速等指标敏感性较低 分析结果与相关内容的参考文献结果较为一致本文选取重要性指标排名前 的特征组成样本数据训练集和测试集的统计特征同表 同样设置樽海鞘算法的进化代数为 樽海鞘种群数量为 惩罚因子 和核参数 的取值范围均为 优化过程如图 所示图 迭代收敛图由训练结果知算法在第 代收敛适应度值收敛于 优化出的 模型最佳惩罚因子 核参数 由计算结果可知训练样本精度为 非液化样本判别为液化占比 液化样本判别为非液化样本占比 测试集精度 非液化样本判别为液化占比 液化样本判别为非液化样本占比 法、法与 法的结果对比 法、法与 法的结果对比如表 所示表 多种方法结果对比方法简化法 训练集测试集训练集测试集精度 由结果可知 法判别砂土液化精度为 精度较低但由 节知其偏保守 测试集的精度 精度较为理想 测试集的精度为 精度比 高说明 具有较高的精度应用于砂土液化判别可以得到较为精确的结果 结 论本文收集了 个 砂土液化样本分别使用工程经验法和机器学习法对其进行液化判别得出以下结论)本文的预测模型并不是遵循单一测试标准并结合有限种类数量的土壤和地震参数所建立而是将多种独立的土壤和地震参数考虑进来该做法被证明具有可靠性同时也能凸显机器学习预测的便捷性高、适应性能力强的特点)把 个样本按照 的比例划分成训练集和测试集使用引入佳点集法的 算法对 的惩罚参数 和核参数 进行优化优化过程中为了提升模型的鲁棒性使(下转第 页)后期出现不均匀沉降)设计阶段关键参数取值注意:面积置换率 需区分是大面积布桩还是独立基础下布桩不同的基础形式背景下桩体对原地基土的置换面积是不同的进而得到不同的置换率单桩承载力发挥系数 与桩间天然地基土承载力折减系数 是一对此弱彼强的参数关键在于厚径比(褥垫层厚度与桩径之比)的大小需辨别桩土复合地基处理方案中桩、土两者间的承载力贡献强弱进行选参对非挤土成桩工艺可取天然地基承载力特征值对挤土成桩工艺一般黏性土可取天然地基承载力特征值松散砂土、粉土可取天然地基承载力特征值的 倍原土强度低的取大值经修正后 桩复合地基承载力特征值 ()其中 基础埋深 对应土层的 需考虑地下水位埋深对地下水位以下土层选用浮重度进行层厚加权平均计算本案例中实际只考虑了 偏保守处理(深度修正作为安全储备)条件明确情况下建议进行深度修正计算复合地基变形计算设计涉及复合地基压缩模量计算及分层总和法计算原状土地基变形量而变形量的控制值需结合建筑地基基础设计规范()建筑物的地基变形允许值进行相应计算)施工过程中严格根据地勘报告确保桩端置于稍密卵石层上且必须严格控制桩端进入稍密卵石层的深度场地的地下水位较高时在 桩施工前应做好降排水措施以保证成孔的质量当成孔过程中有缩颈现象时宜采用长螺旋钻机施工以保证成孔的质量成孔工艺建议采用长螺旋成孔输送泵向钻杆内填入填料至满料斗拔管速度按匀速控制拔管速度应控制在 /左右建议 桩施工需采取“跳打”施工措施以保证其成桩质量)理论计算与设计基于项目岩土工程勘察成果资料勘探钻孔之间土层难免有出入施工过程中发现实际地质与选用钻孔数据不符或基础埋深及尺寸发生变化等情况时应立即停止施工并及时上报业主设计文件更加要强调动态设计与施工的重要性与此同时设计资料中须强调工程项目的过程控制及验收标准层层把关将工程风险控制在最低限度尤其要注意按照规范建筑地基基础工程施工质量验收标准()中的主控项目指标进行质量管控:参 考 文 献:王东辉倪化勇李鹏岳等.城市地下空间资源综合利用实践.中国地质():荣棉水王世元李小军等.成都盆地不同工程地质分区内场地地震动参数的计算分析.地震学报():闫明礼张东刚.桩复合地基技术与工程实践.北京:中国水利水电出版社 闫明礼曲秀莉.复合地基的复合模量分析.建筑科学():中华人民共和国住房和城乡建设部.建筑地基处理技术规范:.北京:中国建筑工业出版社 腾延京.建筑地基处理技术规范理解与应用.北京:中国建筑工业出版社 闫明礼初蕾.刚性桩复合地基应用的几个误区.岩土工程界():闫明礼罗鹏飞.复合地基面积置换率.工程勘察():(上接第 页)用 折交叉验证 最后得出训练集预测准确率为 测试集预测正确率为 筛选出最重要性指标较高的 个特征组成新的样本数据并再次使用 算法对 的惩罚参数 和核参数 进行优化 最后得出训练集预测正确率为 测试集预测正确率为 )对比分析三种液化判别方法的结果无论是对于实际液化的情形或是实际非液化的情形 都具有较高的预测精度该方法为之后的研究提供了新的思路:参 考 文 献:.():蔡煜东宫家文姚林声.砂土液化预测的人工神经网络模型.岩土工程学报():刘红军薛新华.砂土地震液化预测的人工神经网络模型.岩土力学():刘章军叶燎原彭刚.砂土地震液化的模糊概率评判方法.岩土力学():.:.:.():王元.数论方法在近似分析中的应用.数学的实践与认识():.:/:.