基于机器学习的深基坑人字形支护变形预测
- 岩土工程
- 2022-09-15
- 230热度
- 0评论
- 引言
- 陈从新型人字型支护结构
- 解决岩土非线性问题：数学计算机方法优势
- 机器学习变形预测方法建立
- 流程：
- 数据获取及分析
- 有限差分模型的建立
- 土层均匀
- 摩尔库伦准则建立弹塑性模型
- 杨氏模量
- 黏聚力
- 内摩擦角
- 泊松比
- 密度
- FLAC计算结果
- 输入输出的数据分析
- 典型相关分析CCA
- 相关系数矩阵
- 有限差分模型的建立
- 机器学习预测
- 神经网络
- 输入层：
- 体积模量、剪切模量、粘聚力、内摩擦角、密度、斜桩长度、斜桩与基坑侧壁夹角
- 隐含层：
- 比较R\MSR\节点数 确定为13节点
- 输出层：
- 桩顶水平位移、基坑边缘0.4m处的沉降
- 输入层：
- 支持向量机
- 线性核、多项式核、高斯径向基函数、双曲正切函数
- 粒子群优化算法
- 决策回归树
- 随机森林
- 神经网络
- 流程：
- 计算结果与分析
- 评价指标：
- 确定系数、均方误差、交叉验证确定系数
- 精度对比
- HRS-ANN最好，线性核支持向量机不适合于变形预测
- HRS-ANN最好，线性核支持向量机不适合于变形预测
- HBS-ANN
- 性能
- 步数为9时，MSE最优
训练集R=0.99990，验证集R=0.99596，全集R=0.99974
- 改变斜桩的长度、改变与侧壁间的夹角
- 步数为9时，MSE最优
- 性能
- 评价指标：
- 结论
- 影响因素由大到小排名为内摩擦角、土体密度、斜桩长度、黏聚力、剪切模量、体积模量和斜桩与基坑侧壁夹角
- 神经网络模型更可行、优越
- HRS-ANN预测水平位移更佳
