[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN111400785A - 一种边坡稳定和安全级别的综合评判方法 - Google Patents

一种边坡稳定和安全级别的综合评判方法 Download PDF

Info

Publication number
CN111400785A
CN111400785A CN202010050627.3A CN202010050627A CN111400785A CN 111400785 A CN111400785 A CN 111400785A CN 202010050627 A CN202010050627 A CN 202010050627A CN 111400785 A CN111400785 A CN 111400785A
Authority
CN
China
Prior art keywords
slope
projection
slope stability
value
index
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010050627.3A
Other languages
English (en)
Inventor
梁桂兰
张国伟
陈高
徐卫亚
王震
吴玲莉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
Original Assignee
Hohai University HHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hohai University HHU filed Critical Hohai University HHU
Priority to CN202010050627.3A priority Critical patent/CN111400785A/zh
Publication of CN111400785A publication Critical patent/CN111400785A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种边坡稳定和安全级别的综合评判方法，包括如下步骤：(1)搜集影响边坡稳定的样本指标；(2)搜集的样本指标归一化处理；(3)确定边坡安全等级划分及指标等级标准；(4)稳定评价PP模型的建立，(5)边坡稳定等级的确定。将混沌优化和粒子群优化结合，优化寻找评价指标的最佳投影方向，在寻优中借助混沌变量的特性，通过对停止进化的粒子产生混沌扰动，使解跳出局部极值区，同时利用自适应调整的惯性权，提高搜索精度和算法效率。利用求得的最佳投影方向和各等级对应的指标规格化后的区间上下限值，求得边坡各等级对应的投影值区间范围，通过对比查找待评价边坡投影值所在区间对应的边坡等级，对待评边坡进行稳定级别的判定。

Description

一种边坡稳定和安全级别的综合评判方法
技术领域
本发明涉及边坡稳定评价，尤其涉及一种边坡稳定和安全级别的综合评判方法
背景技术
边坡的稳定性受地质、施工、降雨以及周围环境等众多因素影响，具有模糊性、随机性、未确知性、可变性等特点。因此，边坡稳定性问题是一个典型的非线性问题，与其影响因素之间存在着高度非线性和复杂性，很难用简单的力学、数学模型描述，给边坡稳定状况评估带来很大困难，一直是工程界的一大难题。
发明内容
发明目的：针对现有评价方法的缺陷，寻找评价指标的最佳投影方向，将混沌优化和粒子群优化两者结合，借助混沌变量的特性，在寻优过程中通过对停止进化的粒子产生混沌扰动,使解跳出局部极值区。利用求得的最佳投影方向和各等级对应的指标规格化后的区间上下限值，求得边坡各等级对应的投影值区间范围，通过对比查找待评价边坡投影值所在区间对应的边坡等级，对待评边坡进行稳定级别的判定
技术方案：本发明提出一种边坡稳定和安全级别的综合评判方法，具体包括以下步骤：：
(1)搜集影响边坡稳定的样本指标，将影响边坡稳定状态的控制变量分两大类，岩土体物理力学性质指标、边坡几何形状指标；
(2)对搜集的样本指标归一化处理；
(3)确定边坡安全等级划分及指标等级标准；
(4)边坡稳定评价PP模型的建立；
(5)边坡稳定等级的确定。
进一步地，步骤(2)还包括：
(2.1)选定影响边坡稳定的样本指标x'ij：
(2.2)对选定的影响边坡稳定的样本指标x'ij进行归一化；
设边坡的样本集x'ij(i＝1,2…m；j＝1,2…p)，其中x'ij为边坡稳定第i个样本的第j个评价指标，m，p分别为边坡稳定的评价样本总数和评价指标数，对样本集进行如下归一化处理；
正向指标的极值归一化处理:
Figure RE-GDA0002481529780000021
逆向指标的极值归一化处理:
Figure RE-GDA0002481529780000022
x'ij是第i个样本的第j个评价指标归一化前的值，xij是第i个样本的第j 个评价指标归一化后的值，x'minj是评价指标j归一化前的最小值，x'maxj是评价指标j归一化前的最大值。
进一步地，步骤(3)还包括：
根据边坡工程规范及边坡安全等级的划分和相关文献,将边坡安全评价等级划分为5级,：I极不稳定、II不稳定、III基本稳定、IV较稳定、V稳定。
进一步地，步骤(4)还包括：
(4.1)构造综合投影特征值函数z(i)
Figure RE-GDA0002481529780000023
xij是样本i的第j个指标归一化后的值；aj是投影方向矢量a的第j个分量，即第j个指标的投影方向。
(4.2)构造投影指标函数Q(a)，
Q(a)＝SzDz。 (4)
PP方法就是把p维数据x'ij(j＝1,2…p)综合成以单位向量a＝{a1,a2…ap}为投影方向的综合投影特征值函数z(i),Sz为投影值z(i)的标准差，表示投影数据总体的离散度；
Dz为投影数据z(i)的局部密度
Figure RE-GDA0002481529780000024
Figure RE-GDA0002481529780000025
式中,E(z)为序列z(i),(i＝1,2,…,m)的平均值；rij是样本 z(i),(i＝1,2,…,m)之间的距离，rij＝|z(i)-z(j)|；R为局部密度的窗口半径,R的取值范围为rmax+p/2≤R≤2p，rmax是rij的最大值，一般为了简单处理,取R＝p；u(R-rij)是单位阶跃函数，
Figure RE-GDA0002481529780000031
(4.3)优化投影指标函数；
确定影响边坡稳定的样本和评价指标，投影指标函数Q(a)随着投影方向a 的变化而变化，通过求投影指标函数最大化问题估计最佳投影方向；
最大化目标函数:max Q(a)＝SzDz (7)
以aj为优化变量的复杂非线性优化问题,用方法ACPSO来求解Q(a)目标函数，目标函数达到极值问题即求得最佳投影方向a*，用最佳投影方向中各分量的大小来反映各评价指标对边坡稳定的影响程度。
进一步地，步骤(4.3)中的ACPSO进一步包括：
(4.3.1)初始化粒子群，按下式随机初始化种群中每个粒子的位置和速度；
vk+1＝wvk+c1r1(pbest,k-xk)+c2r2(gbest,k-xk) (8)
xk+1＝xk+vk+1 (9)
式中:xk为当前粒子的位置，vk为粒子的速度，pbest,k为粒子本身在第K步迭代中找到的最优解位置即投影指标函数的最佳投影方向，gbest,k为整个种群在第K步迭代中找到的最优解的位置，r1,r2为[0,1]上的伪随机数，c1,c2为加速度常数,取c1＝c2＝2，w为惯性权重，为克服标准粒子群算法惯性权重取固定值的缺陷，采用改进的自适应调整惯性权重法，惯性权系数w能够随适应值自动改变，惯性权系数w的改进表达式如下式：
Figure RE-GDA0002481529780000032
wmax，wmin是惯性权的最大值和最小值；f是微粒的适配值；favg是每代微粒的平均适配值；fmax是粒子群中最大的适配值；
(4.3.2)评价每个微粒的适应度，保存全局最优位置gbest,k和个体最优位置pbest,k；
(4.3.3)用式(8)和式(9)更新每个微粒的速度和位置，由式(10)更新惯性权重；
(4.3.4)计算每个微粒的目标函数值，并保留群体中性能最好的部分微粒；
(4.3.5)对群体中的最佳微粒按下式执行混沌局部搜索，并更新pbest,k及 gbest,k；
Logistic映射混沌系统：
zj,k+1＝μzj,k(1-zj,k),k＝0,1,2… 0≤zj,0≤1 (11)
其中zk是混沌变量，μ是控制参数，当μ＝[3.57,4.00]，Logistic映射完全处于混沌状态，一般取μ＝4；
然后由下式对目前粒子群最优位置pbest,k进行混沌优化；
Figure RE-GDA0002481529780000041
其中:
Figure RE-GDA0002481529780000042
是当前最优解，zj,k为处于[-1,1]区间的混沌变量，ηj为调节系数，kmax为算法设置的最大迭代次数，k为当前的迭代步数；
根据pbest,k评价新解，若新解优于初始解或达到混沌搜索最大步数，则将新解作为混沌优化的搜索结果，否则令k＝k+1，返回步骤(4.3.5)；
(4.3.5)更新pbest,k及gbest,k，若满足预设的运算精度或迭代次数，则搜索停止，输出结果，否则转至步骤(4.3.2)。
进一步地，步骤(5)进一步包括：
通过步骤(4)和步骤(5)求得最佳投影方向a*，求得边坡稳定评价标准表中各等级的投影值z*(i)，根据z*(i)及其对应的经验等级建立边坡稳定PP评价模型，然后通过求解待评价样本的投影值与z*(i)的比较，判断待评价边坡稳定级别。
有益效果：与现有技术相比，本发明具有如下优点：(1)利用自适应混沌粒子群算法优化寻找边坡评价指标的最佳投影方向，将混沌优化和粒子群优化两者结合，借助混沌变量的特性，在寻优过程中通过对停止进化的粒子产生混沌扰动, 使解跳出局部极值区；(2)引入自适应调整的惯性权重法，提高搜索精度和算法效率；(3)利用求得的最佳投影方向和各等级对应的指标规格化后的区间上下限值，求得边坡各等级对应的投影值区间范围，通过对比查找待评价边坡投影值所在区间对应的边坡等级，对待评边坡进行稳定级别的判定，多项工程实例表明，该模型具有工程实际应用价值，具有很强的可操作性。
附图说明
图1本发明的组合型边坡稳定评价方法的流程图。
具体实施方式：
下面结合附图和具体实施例，进一步阐明本发明。
现以某实际高边坡作为工程实例，应用本发明提出的一种边坡稳定和安全级别的综合评判方法来评价该边坡稳定级别，期间用到的指标数据等统一用表格表示，结合图1，其具体步骤包括如下：
S1：评价指标的选择，并进行指标归一化处理
影响边坡稳定状态的控制变量主要分两大类，岩土体物理力学性质指标、边坡几何形状。物理力学性质指标包括：岩体变形模量、岩石质量指标、粘聚力、内摩擦角和岩石完整性系数；控制边坡几何参数的指标包括：坡角φ、坡高H。根据实际需要指标可以增减。
S2:边坡安全等级划分及指标等级标准
将边坡安全评价等级划分为5级,：I极不稳定、II不稳定、III基本稳定、 IV较稳定、V稳定，各等级的指标范围如表1，表2为指标规格化后的结果。
表1各评价指标的等级范围
Figure RE-GDA0002481529780000051
表2各评价指标规格化后等级范围
Figure RE-GDA0002481529780000052
S3：投影寻踪模型的建立
为了得到高边坡投影寻踪评价模型的最佳投影方向,需要一定数量的可靠样本,利用表二规格化后的指标值,随机产生8个样本,5个等级共40个样本作为样本集。用这40个样本作为样本集进行高边坡稳定评价模型的建立。首先通过这 40个样本建立PP模型,然后调用方法ACPSO来优化最大投影指标函数maxQ(a), 相对应的投影方向便为最佳投影方向a*,选取粒子个数40个，粒子维数为7， c1＝c2＝2,惯性权随适应值按式(10)自动改进，混沌系统采用Logistic映射。 r1,r2取[0,1]上的随机数，通过混沌优化迭代，求得最佳投影方向为 a*＝(0.118,0.109,0.598,0.574,0.391,-0.264,-0.255)，边坡稳定级别从一级到五级由不稳定到稳定划分，最佳投影方向a*中的值代表各个指标对边坡稳定的影响程度，从各指标的最佳投影方向可以看出各指标与边坡稳定性的关联程度，其中岩体变形模量、RQD、粘聚力、内摩擦角和完整性系数与边坡稳定性成正关联，也就是这些指标数值越大，边坡越稳定；而坡角和坡高与边坡稳定性成负关联，随着坡角和坡高增大，边坡稳定性变低，绝对值大小代表关联性大小，因此这七个指标关联性排序如下:是粘聚力、内摩擦角、完整性系数、坡高、坡角、岩体变形模量和RQD。
把最佳投影方向a*和各等级对应的指标规格化后的区间上下限值代入式
Figure RE-GDA0002481529780000061
就得边坡各等级对应的投影值z(i)的区间范围，从而建立了z(i)与边坡等级之间的对应关系，通过计算分析可得边坡等级I极不稳定、II不稳定、III基本稳定、IV较稳定、V稳定对应的投影值Z(i)区间范围如表3。
表3边坡各等级对应的投影值
Figure RE-GDA0002481529780000062
S4：工程案例分析结果
通过深入研究该边坡地质力学性质、边坡几何形状，结合力学试验成果，得到待评价边坡典型的评价指标包括岩体变形模量，岩石质量指标，粘聚力，内摩擦角，完整性系数，坡高，坡度，并对这些取值进行归一化处理，处理结果见表 4：
表4评价指标归一化后的值
Figure RE-GDA0002481529780000071
将该指标值与最佳投影方向a*带入式
Figure RE-GDA0002481529780000072
得 z＝0.6520，根据表3可以推断该边坡稳定等级为IV级较稳定，所以配合监测和加固措施，边坡处于基本安全状态。

Claims (6)

1.一种边坡稳定和安全级别的综合评判方法，具体包括以下步骤：
(1)搜集影响边坡稳定的样本指标，将影响边坡稳定状态的控制变量分两大类，岩土体物理力学性质指标、边坡几何形状指标；
(2)对搜集的样本指标归一化处理；
(3)确定边坡安全等级划分及指标等级标准；
(4)边坡稳定评价PP模型的建立；
(5)边坡稳定等级的确定。
2.根据权利要求1所述的一种边坡稳定和安全级别的综合评判方法，其特征在于，步骤(2)还包括：
(2.1)选定影响边坡稳定的样本指标x'ij：
(2.2)对选定的影响边坡稳定的样本指标x'ij进行归一化；
设边坡的样本集x'ij(i＝1,2…m；j＝1,2…p)，其中x'ij为边坡稳定第i个样本的第j个评价指标，m，p分别为边坡稳定的评价样本总数和评价指标数，对样本集进行如下归一化处理；
正向指标的极值归一化处理:
Figure RE-RE-FDA0002481529770000011
逆向指标的极值归一化处理:
Figure RE-RE-FDA0002481529770000012
x'ij是第i个样本的第j个评价指标归一化前的值，xij是第i个样本的第j个评价指标归一化后的值，x'minj是评价指标j归一化前的最小值，x'maxj是评价指标j归一化前的最大值。
3.根据权利要求1所述的一种边坡稳定和安全级别的综合评判方法，其特征在于，步骤(3)还包括：
根据边坡工程规范及边坡安全等级的划分和相关文献,将边坡安全评价等级划分为5级,：I极不稳定、II不稳定、III基本稳定、IV较稳定、V稳定。
4.根据权利要求1所述的一种边坡稳定和安全级别的综合评判方法，其特征在于，步骤(4)还包括：
(4.1)构造综合投影特征值函数z(i)
Figure RE-RE-FDA0002481529770000013
xij是样本i的第j个指标归一化后的值；aj是投影方向矢量a的第j个分量，即第j个指标的投影方向。
(4.2)构造投影指标函数Q(a)，
Q(a)＝SzDz。 (4)
PP方法就是把p维数据x'ij(j＝1,2…p)综合成以单位向量a＝{a1,a2…ap}为投影方向的综合投影特征值函数z(i),Sz为投影值z(i)的标准差，表示投影数据总体的离散度；
Dz为投影数据z(i)的局部密度
Figure RE-RE-FDA0002481529770000021
Figure RE-RE-FDA0002481529770000022
式中,E(z)为序列z(i),(i＝1,2,…,m)的平均值；rij是样本z(i),(i＝1,2,…,m)之间的距离，rij＝|z(i)-z(j)|；R为局部密度的窗口半径,R的取值范围为rmax+p/2≤R≤2p，rmax是rij的最大值，一般为了简单处理,取R＝p；u(R-rij)是单位阶跃函数，
Figure RE-RE-FDA0002481529770000023
(4.3)优化投影指标函数；
确定影响边坡稳定的样本和评价指标，投影指标函数Q(a)随着投影方向a的变化而变化，通过求投影指标函数最大化问题估计最佳投影方向；
最大化目标函数:max Q(a)＝SzDz (7)
以aj为优化变量的复杂非线性优化问题,用方法ACPSO来求解Q(a)目标函数，目标函数达到极值问题即求得最佳投影方向a*，用最佳投影方向中各分量的大小来反映各评价指标对边坡稳定的影响程度。
5.根据权利要求1所述的一种边坡稳定和安全级别的综合评判方法，其特征在于，所述步骤(4.3)中提到的ACPSO进一步包括：
(4.3.1)初始化粒子群，按下式随机初始化种群中每个粒子的位置和速度；
vk+1＝wvk+c1r1(pbest,k-xk)+c2r2(gbest,k-xk) (8)
xk+1＝xk+vk+1 (9)
式中:xk为当前粒子的位置，vk为粒子的速度，pbest,k为粒子本身在第K步迭代中找到的最优解位置即投影指标函数的最佳投影方向，gbest,k为整个种群在第K步迭代中找到的最优解的位置，r1,r2为[0,1]上的伪随机数，c1,c2为加速度常数,取c1＝c2＝2，w为惯性权重，采用改进的自适应调整惯性权重法，惯性权系数w能够随适应值自动改变，惯性权系数w的改进表达式如下式：
Figure RE-RE-FDA0002481529770000031
wmax，wmin是惯性权的最大值和最小值；f是微粒的适配值；favg是每代微粒的平均适配值；fmax是粒子群中最大的适配值；
(4.3.2)评价每个微粒的适应度，保存全局最优位置gbest,k和个体最优位置pbest,k；
(4.3.3)用式(8)和式(9)更新每个微粒的速度和位置，由式(10)更新惯性权重；
(4.3.4)计算每个微粒的目标函数值，并保留群体中性能最好的部分微粒；
(4.3.5)对群体中的最佳微粒按下式执行混沌局部搜索，并更新pbest,k及gbest,k；
Logistic映射混沌系统：
zj,k+1＝μzj,k(1-zj,k),k＝0,1,2…0≤zj,0≤1 (11)
其中zk是混沌变量，μ是控制参数，当μ＝[3.57,4.00]，Logistic映射完全处于混沌状态，一般取μ＝4；
然后由下式对目前粒子群最优位置pbest,k进行混沌优化；
Figure RE-RE-FDA0002481529770000032
其中:
Figure RE-RE-FDA0002481529770000033
是当前最优解，zj,k为处于[-1,1]区间的混沌变量，ηj为调节系数，kmax为算法设置的最大迭代次数，k为当前的迭代步数；
根据pbest,k评价新解，若新解优于初始解或达到混沌搜索最大步数，则将新解作为混沌优化的搜索结果，否则令k＝k+1，返回步骤(4.3.5)；
(4.3.5)更新pbest,k及gbest,k，若满足预设的运算精度或迭代次数，则搜索停止，输出结果，否则转至步骤(4.3.2)。
6.根据权利要求1所述的一种边坡稳定和安全级别的综合评判方法，其特征在于，所述步骤(5)进一步包括：
通过步骤(4)和步骤(5)求得最佳投影方向a*，求得边坡稳定评价标准表中各等级的投影值z*(i)，根据z*(i)及其对应的经验等级建立边坡稳定PP评价模型，然后通过求解待评价样本的投影值与z*(i)的比较，判断待评价边坡稳定级别。
CN202010050627.3A 2020-01-17 2020-01-17 一种边坡稳定和安全级别的综合评判方法 Pending CN111400785A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010050627.3A CN111400785A (zh) 2020-01-17 2020-01-17 一种边坡稳定和安全级别的综合评判方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010050627.3A CN111400785A (zh) 2020-01-17 2020-01-17 一种边坡稳定和安全级别的综合评判方法

Publications (1)

Publication Number Publication Date
CN111400785A true CN111400785A (zh) 2020-07-10

Family

ID=71430293

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010050627.3A Pending CN111400785A (zh) 2020-01-17 2020-01-17 一种边坡稳定和安全级别的综合评判方法

Country Status (1)

Country Link
CN (1) CN111400785A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112733221A (zh) * 2020-12-25 2021-04-30 中国科学院地质与地球物理研究所 一种抗滑桩加固边坡的优化设计方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103972908A (zh) * 2014-05-23 2014-08-06 国家电网公司 一种基于自适应混沌粒子群算法的多目标无功优化方法
CN108133258A (zh) * 2016-12-01 2018-06-08 南京理工大学 一种混合全局优化方法
CN108493951A (zh) * 2018-03-21 2018-09-04 中南大学 一种基于混沌粒子群算法的多目标无功优化方法
CN109697299A (zh) * 2017-10-24 2019-04-30 天津科技大学 一种自适应惯性权重混沌粒子群算法
CN110569477A (zh) * 2019-09-06 2019-12-13 河海大学 一种基于粒子群优化算法的滑坡区间稳定性分析方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103972908A (zh) * 2014-05-23 2014-08-06 国家电网公司 一种基于自适应混沌粒子群算法的多目标无功优化方法
CN108133258A (zh) * 2016-12-01 2018-06-08 南京理工大学 一种混合全局优化方法
CN109697299A (zh) * 2017-10-24 2019-04-30 天津科技大学 一种自适应惯性权重混沌粒子群算法
CN108493951A (zh) * 2018-03-21 2018-09-04 中南大学 一种基于混沌粒子群算法的多目标无功优化方法
CN110569477A (zh) * 2019-09-06 2019-12-13 河海大学 一种基于粒子群优化算法的滑坡区间稳定性分析方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LIANG GUILAN等: "Stability Assessment Model of High Rock Slope Based on ACPSO-PP", 《DISASTER ADVANCES》 *
司俊燕等: "PSO-PP模型在岩石高边坡稳定性评价中的应用", 《水电能源科学》 *
徐飞等: "基于PSO-PP的边坡稳定性评价", 《岩土工程学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112733221A (zh) * 2020-12-25 2021-04-30 中国科学院地质与地球物理研究所 一种抗滑桩加固边坡的优化设计方法及系统
CN112733221B (zh) * 2020-12-25 2021-08-31 中国科学院地质与地球物理研究所 一种抗滑桩加固边坡的优化设计方法及系统
US20220207196A1 (en) * 2020-12-25 2022-06-30 Institute Of Geology And Geophysics, Chinese Academy Of Sciences Optimal design method and system for slope reinforcement with anti-slide piles
US11459722B2 (en) * 2020-12-25 2022-10-04 Institute Of Geology And Geophysics, Chinese Academy Of Sciences Optimal design method and system for slope reinforcement with anti-slide piles

Similar Documents

Publication Publication Date Title
WO2020125668A1 (zh) 一种应用随钻参数来自动识别围岩级别的方法和系统
CN111079342A (zh) 一种基于在线岩体等级分类的tbm掘进性能预测方法
CN108764517A (zh) 一种高炉铁水硅含量变化趋势预测方法、设备和存储介质
CN107122860B (zh) 基于网格搜索和极限学习机的冲击地压危险等级预测方法
CN112364560B (zh) 矿山凿岩装备作业工时智能预测方法
CN114357852A (zh) 一种基于长短期记忆神经网络和粒子群优化算法的分层注水优化方法
CN103226728B (zh) 高密度聚乙烯串级聚合反应过程智能检测与收率优化方法
CN112066355A (zh) 基于数据驱动的余热锅炉阀门自适应调节方法
CN111144001A (zh) 一种基于bp神经网络的矿山井筒工程tbm控制方法
CN115618987A (zh) 生产井生产数据预测方法、装置、设备和存储介质
CN113128124B (zh) 基于改进神经网络的多牌号C-Mn钢力学性能预测方法
CN117420803A (zh) 基于改进粒子群优化算法的多工序流程工艺参数融合优化方法
CN114548482A (zh) 一种基于蠕变型滑坡动能变化率临滑预警方法
CN102129242A (zh) 基于两层混合智能优化的批处理生产过程产品质量控制方法
CN111400785A (zh) 一种边坡稳定和安全级别的综合评判方法
CN110472321B (zh) 基于pso-gpr的全金属半硬壳的固体火箭舱段加工能耗预测方法
CN114722731B (zh) 一种拖体粘滞拖曳阻力预测方法及系统
CN107273971B (zh) 基于神经元显著性的前馈神经网络结构自组织方法
CN114357878A (zh) 一种水陆两栖飞机典型截面的着水面载荷预测方法
CN116822971B (zh) 一种井壁风险等级预测方法
CN115422830A (zh) 基于改进克里金插值的含煤地层煤层厚度预测方法及装置
CN113673166B (zh) 面向加工质量预测的数字孪生模型工况自适应方法及系统
CN113377075B (zh) 一种稀土萃取过程实时优化的方法、装置及计算机可读存储介质
CN116741315A (zh) 一种针对地聚物混凝土强度进行预测方法
CN115907236A (zh) 基于改进决策树的井下复杂情况预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200710