一种考虑滑床岩体结构特征的桩顶位移非线性预测方法

摘要

本发明公开了一种考虑滑床岩体结构特征的桩顶位移非线性预测方法，针对当前滑床岩体结构特征的研究较少且仅停留在基于连续介质的单因素敏感性分析层面，本发明将滑床岩体结构特征多因素考虑在内，采用粒子群优化算法和支持向量回归机方法，建立桩顶位移的最优化预测模型，当滑床为复合层状岩体结构时，有效的提高了抗滑桩位移预测的精度。

说明书

技术领域

本发明属于地质灾害防控技术领域，具体涉及一种考虑滑床岩体结构特征的桩顶位移非线性预测方法。

背景技术

目前多将滑床视为均质体进行计算，但当滑床为复合层状岩体时，滑床的岩体结构特征对抗滑桩的桩顶位移产生较大的影响；目前对滑床岩体结构特征对边坡稳定性的研究较少且仅停留在基于连续介质的单因素敏感性分析层面，不能反映各因素对桩顶位移的综合影响；各因素之间存在的相关性及随机联动性，与桩顶位移之间是高度非线性关系，很难利用传统数学方法建立用于桩顶位移预测的显式数学模型。而支持向量机机器学习算法对于小样本数据库的拟合及预测，均具有良好的性能。

发明内容

本发明要解决的技术问题在于，针对现有技术对滑床岩体结构特征对边坡稳定性的研究较少且仅停留在基于连续介质的单因素敏感性分析层面的缺陷，提供一种考虑滑床岩体结构特征的桩顶位移非线性预测方法。

本发明解决其技术问题所采用的技术方案是：构造一种考虑滑床岩体结构特征的桩顶位移非线性预测方法，具体包括以下步骤：

S1、对三峡库区所有采用抗滑桩支护的滑坡进行勘察统计，选择典型滑坡建立概化地质模型；利用三维离散元数值模拟软件-3DEC，建立所述概化地质模型的三维离散元数值模型；

S2、选取滑床岩体结构特征参数，包括有下述四个特征参数：岩层倾角α、岩层倾向与主滑方向夹角β、层厚比r、单组厚度d，其中r＝h_hard/h_soft，d＝h_hard+h_soft，h_hard为硬岩单层真厚度，h_soft为软岩单层真厚度；确定参数单桩荷载q；

将上述五个参数带入步骤S1建立的概化地质三维离散元数值模型中，并进一步开展数值仿真试验进行单因素敏感分析，确定参数α、β、γ、d和q，对抗滑桩稳定性的影响程度及影响范围；其中，在进行单因素敏感分析时，为保证对滑坡进行全方位的勘测，所述参数α、β、γ、d和q，选取为M个水平；所述参数具体为：α＝[α₁,α₂...,α_M]、β＝[β₁,β₂...,β_M]、γ＝[γ₁,γ₂...,γ_M]、d＝[d₁,d₂...,d_M]和q＝[q₁,q₂...,q_M]，M＞0；

S3、根据步骤S2中分析得到的单因素敏感分析结果，选取对抗滑桩影响最大的n个水平；所述特征参数具体为：α＝[α₁,α₂...,α_n]、β＝[β₁,β₂...,β_n]、γ＝[γ₁,γ₂...,γ_n]、d＝[d₁,d₂...,d_n]和q＝[q₁,q₂...,q_n]；其中，M＞n＞0；

S4、采用正交设计方法，设计参数α、β、γ、d和q在内的N组试验；

S5、利用3DEC软件对步骤S4设计的N组实验开展数值仿真试验，监测并记录每一组实验方案下抗滑桩桩顶节点的位移值y_i；经过N组实验后，建立含有五个自变量α＝[α₁,α₂...,α_N]、β＝[β₁,β₂...,β_N]、γ＝[γ₁,γ₂...,γ_N]、d＝[d₁,d₂...,d_N]、q＝[q₁,q₂...,q_N]和一个目标变量y＝[y₁,y₂...,y_N]的数据库；其中i＝1,2...,N；

S6、将所述数据库中的每一项数据进行归一化处理；

S7、采用支持向量机机器学习算法，将步骤S6归一化处理后的数据作为输入变量，带入到支持向量回归公式，建立支持向量回归机模型；

S8、采用粒子群优化算法，对步骤S7建立的支持向量回归机模型进行优化，建立最优化的桩顶位移预测模型；

S9、针对一具体滑坡案例，确定参数α、β、γ、d和q；对步骤S9确定的参数α、β、γ、d和q做归一化处理后，将其带入步骤S8中建立的桩顶位移预测模型，进一步得到桩顶位移归一化后的预测值，对所述桩顶位移归一化后的预测值做反归一化处理，得到的预测值即为实际的桩顶位移预测值。

进一步的，步骤S2在进行单因素敏感性分析时，岩层倾角选取10°、20°、30°、40°、50°、60°、70°、80°、90°共9个水平，岩层倾向与主滑方向夹角选取0°、10°、20°、30°、40°、50°、60°、70°、80°共9个水平，层厚比选取1:9、1:7、1:5、1:3、1:1、3:1、5:1、7:1、9:1共9个水平，单组厚度选取1m、2m、3m、4m、5m、6m、7m、8m、9m共9个水平。

进一步的，步骤S2中根据建立的概化地质模型的三维离散元数值模型，利用剩余推力法计算得到桩后推力F；其中，通过桩后推力F，求解得到抗滑桩后的单桩荷载其中，S为抗滑桩自由端纵切面面积；

进一步的，步骤S6中在进行归一化处理时采用以下公式：

x'＝(x-x_min)/(x_max-x_min)；

其中：x'为归一化后样本值，x为样本真实值，x_max为样本最大值，x_min为样本最小值；所述样本真实值包括从数据库中的带入数据。

步骤S9中在进行反归一化处理时采用以下公式：

x＝x'(x_max-x_min)+x_min。

进一步的，步骤S7中由支持向量机理论可知拟合函数为：

其中，l＝N，τ_i和为拉格朗日乘子，ζ_i＝[α_i、β_i、γ_i、d_i、q_i]为支持向量，为输入变量，b为常数，f(ζ)为归一化后的桩顶位移的预测值；

进一步的，步骤S7通过求解如下被约束的二次最优化问题分别得到待解参数τ_i、和b：

其中，约束条件为:

式中，p为不敏感损失参数，C为惩罚因子，K(ζ_i,ζ_j)为核函数；

进一步的，支持向量机核函数选择RBF核函数，其形式为g为核函数参数，j＝1,2,...,N。

其中所述参数p、C和g为待优化参数。

进一步的，步骤S8中利用粒子群优化算法求解待优化参数：不敏感损失参数p，惩罚因子C，RBF核函数参数g的最优组合，通过所述最优组合(p,C,g)，建立最优化的桩顶位移预测模型；具体包括以下步骤：

S81、初始化粒子、种群速度，设定最大迭代次数T_max＝500、粒子种群数量为20，将初始迭代次数设为x＝1，定义最小误差参数为MSE_min；

S82、根据粒子和种群速度，确定参数：交叉验证折数k_x、损失参数p_x、惩罚因子C_x和RBF核函数参数g_x；其中，k_x∈N；

S83、采用k折交叉验证方法，将参数p_x、C_x和g_x带入拟合函数：得到N组桩顶位移的预测值ω_x＝[ω_x1,ω_x2,...,ω_xN]；

S84、将步骤S83得到的N组桩顶位移的预测值ω_x，与步骤S5通过3DEC软件记录得到的N组桩顶位移的实际值y，构建适应度函数：

其中在第一次迭代过程中，令MSE_min＝MSE₁；

S85、更新粒子速度和粒子位置；令x＝x+1，返回至步骤S82-S84，进行下一次迭代，并记录迭代次数；

其中，一方面在进行第x+1次迭代时，若有MSE_x+1＜MSE_min，则更新MSE_min，令MSE_min＝MSE_x+1；另一方面，当次数达到最大迭代次数时x＝T_max，则执行步骤S86；

S86、结束迭代，输出MSE_min，其中对应的参数组合(p_x,C_x,g_x)即为当前适应于拟合函数f(ζ)的最优输出组合；

本发明所述的一种考虑滑床岩体结构特征的桩顶位移非线性预测方法中，通过正交试验设计考虑滑床岩体结构特征，建立模拟数据库，采用粒子群优化算法-支持向量机预测方法，建立了考虑滑床岩体结构特征的桩顶位移预测模型，有效研究了滑床岩层结构特征对桩顶位移的组合影响规律。

实施本发明的一种考虑滑床岩体结构特征的桩顶位移非线性预测方法，具有以下有益效果，具体考虑了滑床岩体结构特征对已支护边坡稳定性的影响，计算精度有所提高，预测结果更为可靠。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是桩顶位移非线性预测方法的流程图；

图2是粒子群算法对支持向量回归模型的优化流程图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

本发明针对当前滑床岩体结构特征的研究较少且仅停留在基于连续介质的单因素敏感性分析层面，提出了考虑滑床岩体结构特征多因素的桩顶位移非线性预测方法，采用粒子群优化算法-支持向量回归机方法建立桩顶位移最优化预测模型，可以提高滑床为复合层状岩体时抗滑桩位移预测的精度。

实施例1：

请参考图1，其为桩顶位移非线性预测方法的流程图，下面结合流程图对本发明提出的方法进行具体描述；在本发明的一种考虑滑床岩体结构特征的桩顶位移非线性预测方法，具体包括以下步骤：

L1、对三峡库区所有采用抗滑桩支护的滑坡进行勘察统计，选择典型滑坡建立概化地质模型；利用三维离散元数值模拟软件-3DEC，建立概化地质模型的三维离散元数值模型；

L2、对滑床岩体结构特征进行单因素敏感性分析，岩层倾角选取10°、20°、30°、40°、50°、60°、70°、80°、90°共9个水平，岩层倾向与主滑方向夹角选取0°、10°、20°、30°、40°、50°、60°、70°、80°共9个水平，层厚比选取1:9、1:7、1:5、1:3、1:1、3:1、5:1、7:1、9:1共9个水平，单组厚度选取1m、2m、3m、4m、5m、6m、7m、8m、9m共9个水平；

L3、根据单因素敏感性分析结果，进行正交试验设计，岩层倾角选取10°、20°、30°、40°、50°，岩层倾向与主滑方向夹角选取0°、10°、20°、30°、40°，层厚比选取1:1、3:1、5:1、7:1、9:1，单组厚度选取1m、2m、3m、4m、5m，水平荷载选取140kPa、200kPa、260kPa、320kPa、380kPa共五个水平；

L4、采用抓阄法，随机生成因素水平表(见表1)；由于有5个自变量且每个自变量含有五个水平，正交表采用L25(56)进行设计，设计参数α、β、γ、d和q在内的25组试验(见表2)；

表1因素水平表

表2正交试验设计方案

L5、利用3DEC软件对步骤S4设计的25组实验开展数值仿真试验，监测并记录每一组实验方案下抗滑桩桩顶节点的位移值y_i；经过25组实验后，建立含有五个自变量α＝[α₁,α₂...,α₂₅]、β＝[β₁,β₂...,β₂₅]、γ＝[γ₁,γ₂...,γ₂₅]、d＝[d₁,d₂...,d₂₅]、q＝[q₁,q₂...,q₂₅]和一个目标变量y＝[y₁,y₂...,y₂₅]的数据库(见表3)；其中i＝1,2...,25；

表3训练数据库

L6、将数据库数据带入归一化公式x'＝(x-x_min)/(x_max-x_min)，归一化后的数据结果见表4，其中层厚比按照分数形式计算，比如9:1就看做9来处理；

表4归一化处理后训练数据库

L7、采用支持向量机机器学习算法，将步骤L6归一化处理后的数据作为输入变量，带入到支持向量回归公式，建立支持向量回归机模型；所述向量回归公式为：

其中，l＝25，τ_i和为拉格朗日乘子，ζ_i＝[α_i、β_i、γ_i、d_i、q_i]为支持向量，为输入变量，b为常数，f(ζ)为归一化后的桩顶位移的预测值；

L8、采用粒子群优化算法，对步骤L7建立的支持向量回归机模型进行优化，建立最优化的桩顶位移预测模型；

SL9、针对一具体滑坡案例，确定参数α、β、γ、d和q；对上述参数做归一化处理后，将其带入步骤L8中建立的桩顶位移预测模型，进一步得到桩顶位移归一化后的预测值，对所述桩顶位移归一化后的预测值做反归一化处理，得到的预测值即为实际的桩顶位移预测值。

实施例2：

为了更好的说明本发明，下面以一具体滑坡为例进行详细说明。对该滑坡进行勘察分析，勘察结果为：滑床岩性为侏罗系上统遂宁组(J3s)，砂岩厚度约为1.05m，泥岩厚度约为0.15m，岩层倾向为270°，倾角为28°。滑坡主滑方向为290°。该滑坡设有试验桩，桩顶位移监测结果为0.15m。

根据勘察结果可知：岩层倾角为28°、岩层倾向与主滑方向夹角为20°、层厚比为7:1、单层厚度为1.2米；

采用滑坡剩余推力法计算抗滑桩桩后推力F，然后通过公式求得单桩荷载为266.583kPa；

将上述五个因素进行归一化处理得到：岩层倾角为0.45、岩层倾向与主滑方向夹角为0.5、层厚比为0.75、单层厚度为0.05、单桩荷载为0.527；

将归一化处理后的数据带入本发明提出的最优化桩顶位移模型中，求得桩顶位移的预测值为0.4020；

采用反归一化公式x＝x'(x_max-x_min)+x_min计算得到桩顶位移的预测值s为0.1413m；将所得的预测值与实际值比较，发现预测值比实际值小4.4％，这也充分说明了本发明设计的桩顶位移预测模型精度良好。

实施例3：

请参考图2，其为粒子群算法对支持向量回归模型的优化流程图，具体步骤为：

L81、初始化粒子、种群速度，设定最大迭代次数T_max＝500、粒子种群数量为20，将初始迭代次数设为x＝1，定义最小误差参数为MSE_min；

L82、根据粒子和种群速度，确定参数：交叉验证折数k_x、损失参数p_x、惩罚因子C_x和RBF核函数参数g_x；其中，k_x∈N；

L83、采用k折交叉验证方法，将参数p_x、C_x和g_x带入拟合函数：得到N组桩顶位移的预测值ω_x＝[ω_x1,ω_x2,...,ω_xN]；

L84、将步骤L83得到的N组桩顶位移的预测值ω_x，与步骤L5通过3DEC软件记录得到的N组桩顶位移的实际值y，构建适应度函数：

其中在第一次迭代过程中，令MSE_min＝MSE₁；

L85、更新粒子速度和粒子位置；令x＝x+1，返回至步骤L82-L84，进行下一次迭代，并记录迭代次数；

其中，一方面在进行第x+1次迭代时，若有MSE_x+1＜MSE_min，则更新MSE_min，令MSE_min＝MSE_x+1；另一方面，当次数达到最大迭代次数时x＝T_max，则执行步骤S86；

L86、结束迭代，输出MSE_min，其中对应的参数组合(p_x,C_x,g_x)即为当前适应于拟合函数f(ζ)的最优输出组合；

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。