一種基于遺傳算法的邊坡滑動位移序列預測方法
【技術領域】
[0001]本發明涉及一種基于遺傳算法的邊坡滑動位移序列預測方法。
【背景技術】
[0002]邊坡變形受降水、地下水位、內部應力變化等多種因素影響，導致不同邊坡的變形機理不盡相同，其變形過程具有復雜性、隨機性和不確定性，邊坡的變形預測仍然是一項困難的課題。
[0003]目前普遍應用的預測模型多為統計模型，統計模型對于影響因素單一，變形規律呈現單一函數特征的變形體，通常能夠較好的擬合并外推出變形的趨勢，從而作出較準確的變形預測，但對于影響因素較多，變形規律呈現非線性特征的邊坡變形體，精度普遍較差。
[0004]非線性預測模型中應用較多的是BP神經網絡模型，并加入了具有針對性的改進算法，取得了較好的效果。可以用于邊坡滑動預測這一復雜的算法。
【發明內容】
[0005]本發明針對以上問題的提出，而研制的一種基于遺傳算法的邊坡滑動位移序列預測方法，具有如下步驟:
[0006]一對邊坡進行有限元分析，得到邊坡的有限元模型；使用計算機為所述的有限元模型施加多種外界條件，得到模擬結果；
[0007]—重復上述步驟，建立邊坡模擬數據庫；
[0008]一對待檢測的邊坡進行有限元分析，根據有限元的數量，建立當前邊坡的滑動位移序列的預測函數；
[0009]一調用數據庫中的模擬數據庫中相關的數據，訓練所述的預測函數，得到成熟的目標函數；
[0010]一將所述待檢測的邊坡的有限元的參數帶入所述成熟的目標函數，得到當前滑動位移序列的預測結果。
[0011]對于當前滑動位移序列的預測結果，采用質心算法進行結果修正。
[0012]所述的數據庫中邊坡數據至少包含:邊坡種類、邊坡尺寸和邊坡結構。
[0013]對于待測的邊坡的有限元特征點，使用插值的方法，近似到數據庫中有限元。
[0014]根據分析得出待檢測邊坡的有限元，在數據庫中調取與之類似的邊坡數據，形成相似數據集，使用相似數據集對所述的目標函數進行訓練。
[0015]由于采用了上述技術方案，本發明提供的一種基于遺傳算法的邊坡滑動位移序列預測方法，通過對現有邊坡進行大量的分析測試，形成數據庫，對待檢測的邊坡進行有限元分析，形成目標分析函數，對函數使用人工神經網絡進行訓練。相較于傳統的分析方法，具有更高的分析精度。
【附圖說明】
[0016]為了更清楚的說明本發明的實施例或現有技術的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖做一簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。
[0017]圖1為本發明的流程圖
【具體實施方式】
[0018]為使本發明的實施例的目的、技術方案和優點更加清楚，下面結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚完整的描述:
[0019]如圖1所示:一種基于遺傳算法的邊坡滑動位移序列預測方法，主要包括如下步驟:
[0020]首先對邊坡進行有限元分析，得到邊坡的有限元模型；使用計算機為所述的有限元模型施加多種外界條件，得到模擬結果；
[0021]然后，針對現有的邊坡進行大量的分析實驗，重復上述步驟，建立邊坡模擬數據庫，不斷的豐富樣本。
[0022]獲得足夠的樣本后，即可對待檢測的邊坡進行預測分析，首先對待檢測的邊坡進行有限元分析，得到當前邊坡的有限元數據，根據有限元的數量，建立當前邊坡的滑動位移序列的預測函數。
[0023]調用數據庫中的模擬數據庫中相關的數據，使用人工神經網絡算法，訓練所述的預測函數，得到成熟的目標函數；
[0024]將所述待檢測的邊坡的有限元的參數帶入所述成熟的目標函數，得到當前滑動位移序列的預測結果。
[0025]為了增加結果的精度，作為一個較佳的實施方式，對于當前滑動位移序列的預測結果，采用質心算法進行結果修正。
[0026]相應的，所述的數據庫中邊坡數據至少包含:邊坡種類、邊坡尺寸和邊坡結構。
[0027]考慮到，待測的邊坡中的有限元特征點與數據庫中的有限元特征點位置基本不可對應。故作為一個較佳的實施方式，對于待測的邊坡的有限元特征點，使用插值的方法，近似到數據庫中有限元。
[0028]為了增加對目標函數的訓練的準確度，作為一個較佳的實施方式，根據分析得出待檢測邊坡的有限元，在數據庫中調取與之類似的邊坡數據，形成相似數據集，使用相似數據集對所述的目標函數進行訓練。
[0029]以上所述，僅為本發明較佳的【具體實施方式】，但本發明的保護范圍并不局限于此，任何熟悉本技術領域的技術人員在本發明揭露的技術范圍內，根據本發明的技術方案及其發明構思加以等同替換或改變，都應涵蓋在本發明的保護范圍之內。
【主權項】
1.一種基于遺傳算法的邊坡滑動位移序列預測方法，具有如下步驟: 一對邊坡進行有限元分析，得到邊坡的有限元模型；使用計算機為所述的有限元模型施加多種外界條件，得到模擬結果； 一重復上述步驟，建立邊坡模擬數據庫； 一對待檢測的邊坡進行有限元分析，根據有限元的數量，建立當前邊坡的滑動位移序列的預測函數； 一調用數據庫中的模擬數據庫中相關的數據，使用人工神經網絡訓練所述的預測函數，得到成熟的目標函數； 一將所述待檢測的邊坡的有限元的參數帶入所述成熟的目標函數，得到當前滑動位移序列的預測結果。
2.根據權利要求1所述的一種基于遺傳算法的邊坡滑動位移序列預測方法，其特征還在于:對于當前滑動位移序列的預測結果，采用質心算法進行結果修正。
3.根據權利要求1所述的一種基于遺傳算法的邊坡滑動位移序列預測方法，其特征還在于:所述的數據庫中邊坡數據至少包含:邊坡種類、邊坡尺寸和邊坡結構。
4.根據權利要求1所述的一種基于遺傳算法的邊坡滑動位移序列預測方法，其特征還在于:對于待測的邊坡的有限元特征點，使用插值的方法，近似到數據庫中有限元。
5.根據權利要求3所述的一種基于遺傳算法的邊坡滑動位移序列預測方法，其特征還在于:根據分析得出待檢測邊坡的有限元，在數據庫中調取與之類似的邊坡數據，形成相似數據集，使用相似數據集對所述的目標函數進行訓練。
【專利摘要】本發明公開了一種基于遺傳算法的邊坡滑動位移序列預測方法，具有如下步驟：對邊坡進行有限元分析，得到邊坡的有限元模型；使用計算機為所述的有限元模型施加多種外界條件，得到模擬結果；重復上述步驟，建立邊坡模擬數據庫；對待檢測的邊坡進行有限元分析，根據有限元的數量，建立當前邊坡的滑動位移序列的預測函數；調用數據庫中的模擬數據庫中相關的數據，訓練所述的預測函數，得到成熟的目標函數；將所述待檢測的邊坡的有限元的參數帶入所述成熟的目標函數，得到當前滑動位移序列的預測結果。相較于傳統的分析方法，具有更高的分析精度。
【IPC分類】G06F17-50
【公開號】CN104636515
【申請號】CN201310555182
【發明人】陳 峰, 邵軍
【申請人】大連市勘察測繪研究院有限公司
【公開日】2015年5月20日
【申請日】2013年11月7日