数据挖掘技术在土的工程分类和黄土力学性质研究中的应用

摘要

在中国经济快速发展的背景下,大量岩土工程的建设产生了大量的数据,往往这些数据为工程单位单个项目分析所用或者作为档案资料存储起来。这些海量的数据中往往隐藏着许多未被认知到的信息,要想挖掘这些数据中隐藏的信息,就要对这些数据进行分析。运用常规数学手段对这些数据进行处理,结果往往不尽人意。数据挖掘就是从大量数据中提取隐含的、先前未知的并有潜在价值的信息和知识的过程。数据挖掘技术在岩土工程中的应用就在这种背景下应运而生。
　　文中收集的数据来源于机械工业勘察设计研究院和煤炭研究院提供的386项实际工程数据,共10262组。选取Microsoft SQL Server2008作为数据挖掘的工具,对土的工程分类、黄土的湿陷性和压缩性进行数据挖掘分析,以降低试验工作者的劳动强度,提高工作效率。本文所做的工作和所得的结论主要有以下三点:
　　(1)采用决策树技术对土进行工程分类。数据挖掘结果表明:与粘性土工程分类有关的输入变量与其关联程度从强到弱依次为:塑性指数、比重;与砂土工程分类有关的输入变量与其依赖关系从强到弱依次为:粒径220mm d mm<<、0.0750.25mm d mm<<、0.52mm　　(2)用主成分分析法对黄土湿陷性数据库中数据进行预处理,对数据降维以消除数据之间的相关性,提高挖掘模型的准确率和运算速度。黄土湿陷性大小分类采用决策树算法,分析结果表明:与黄土湿陷性大小分类有关的指标与其关联程度从强到弱依次为:密度、取样深度、塑限、比重、液隙比、含水比。采用神经网络算法对主成分分析法处理和未经主成分分析法处理的湿陷系数进行预测。通过预测误差方差分析可知:经主成分分析预处理后神经网络算法对黄土湿陷系数的预测较未经主成分分析预处理准确。
　　(3)运用决策树算法和神经网络算法对黄土压缩性大小进行分类,挖掘结果表明:与黄土压缩性大小分类有关的指标与其关联程度从强到弱依次为密度、取样深度、孔隙比、液限、含水率、比重。两种方法预测结果表明,决策树对黄土压缩性大小分类较神经网络算法准确。黄土压缩系数的预测采用神经网络算法和多元回归算法,对两种方法预测的黄土压缩系数误差进行方差分析表明:神经网络算法对黄土压缩系数的预测较多元回归算法准确。

目录

封面

声明

中文摘要

英文摘要

目录

1绪论

1.1引言

1.2黄土物理力学性质研究现状

1.3数据挖掘技术在岩土工程中的应用现状

1.4选题意义

1.5本文研究的内容及技术路线

2数据挖掘技术简介

2.1数据挖掘的定义

2.2数据挖掘技术分析方法

2.3数据挖掘技术流程

2.4 MicrosoftSQLServer2008简介

2.5小结

3数据挖掘技术在土的工程分类中的应用

3.1概述

3.2建立土的工程分类数据库

3.3粘性土工程分类数据挖掘

3.4砂土工程分类数据挖掘

3.5本章小结

4数据挖掘技术在黄土湿陷性中的应用

4.1引言

4.2黄土湿陷性数据库数据预处理方法

4.3黄土湿陷性大小及湿陷系数数据挖掘结果

4.4本章小结

5数据挖掘技术在黄土压缩性中的应用

5.1引言

5.2黄土压缩性指标

5.3黄土压缩性程度数据挖掘结果

5.4黄土压缩系数数据挖掘结果

5.5 本章小结

6结论与展望

6.1结论

6.2展望

致谢

参考文献

附录