基于改进极限学习机模型的岩质边坡稳定性评价与参数反演

摘要

岩质边坡的稳定性评价与参数确定是岩土工程领域的经典难题.基于大数据智能计算的优点,提出了一种结合变量遗忘因子的正则化在线序列极限学习机模型(FOS-ELM)的岩质边坡稳定性评价和参数确定方法.根据收集的1 235例岩质边坡的几何力学与Hoek-Brown模型参数,应用贝叶斯信息准则(BIC)优选基于岩体强度指标(GSI)、扰动因子(D)、岩石材料常数(mi)、单轴抗压强度(σci)、岩体重度(γ)、坡高(H)、坡角(β)的最优输入组合预测边坡稳定安全系数(F),并建立7个模型对最优输入组合进行评价,论证模型的预测精度,结果表明全参数输入组合精度最高,但输入参数并不是越多越好.同经典的极限学习机模型(ELM)相比,该模型具有预测精度高、预测速度快、后期增加边坡数据无须重新训练等优点.并采用不同赋值的全参数输入模型(FOS-ELM-M7)建立边坡参数反演模型,结果表明该模型对边坡单参数和双参数的反演计算速度快、精度高,为获取岩体边坡参数提供了一种快捷的新方法.