2025年5月14日 星期三
中国地质环境监测院主办
高级检索

因子分析-概率神经网络模型在边坡稳定性评价中的应用

,  ,  ,  , 

文章导航 > 水文地质工程地质 > 2018 > 45(2): 123-123

上一篇

下一篇

王佳信, 周宗红, 付斌, 李克钢, 王海泉. 因子分析-概率神经网络模型在边坡稳定性评价中的应用[J]. 水文地质工程地质, 2018, 45(2): 123-123. doi: 10.16030/j.cnki.issn.1000-3665.2018.02.19
引用本文: 王佳信, 周宗红, 付斌, 李克钢, 王海泉. 因子分析-概率神经网络模型在边坡稳定性评价中的应用[J]. 水文地质工程地质, 2018, 45(2): 123-123. doi: 10.16030/j.cnki.issn.1000-3665.2018.02.19
shu
WANGJiaxin, . Application of factor analysis and probabilistic neural network model on evaluation of the slope stability[J]. Hydrogeology & Engineering Geology, 2018, 45(2): 123-123. doi: 10.16030/j.cnki.issn.1000-3665.2018.02.19
Citation: WANGJiaxin, . Application of factor analysis and probabilistic neural network model on evaluation of the slope stability[J]. Hydrogeology & Engineering Geology, 2018, 45(2): 123-123. doi: 10.16030/j.cnki.issn.1000-3665.2018.02.19
shu

因子分析-概率神经网络模型在边坡稳定性评价中的应用

  • 基金项目:

    国家自然科学基金资助项目（51264018；51064012）；中南大学研究生自主探索创新基金资助项目（2017zzts185）

详细信息

Application of factor analysis and probabilistic neural network model on evaluation of the slope stability

More Information

摘要

    摘要
  • 边坡稳定性分析是一个复杂的系统工程问题，其评价直接影响边坡工程的安全性与经济性。为了实现对边坡稳定性的快速、高效和准确评价，需要考虑边坡稳定性多种评价指标，但指标间或多或少存在一定的相关性，从而导致参量信息重叠。文章提出一种因子分析方法对边坡稳定性相关指标数据进行降维处理，提取3个综合指标对边坡稳定性进行总体评价。因子分析后的指标彼此独立，能够满足概率神经网络（PNN）样本层中采用高斯函数作径向基函数的要求。在因子分析的基础上，建立边坡稳定性评价的PNN模型，将其应用于39个典型的边坡稳定性评价。预测结果表明：5种不同的训练和测试样本个数下PNN模型仍具有良好的预测效果，其正判率分别为100%、94.87%、94.87%、84.62%和84.62%，说明因子分析与PNN模型结合可为岩土工程中边坡稳定性评价提供了一种很好的思路。
    Slope stability analysis is a complex problem concerning system engineering, and slope stability evaluation directly affects the safety and economical efficiency of slope engineering. In order to realize rapid, efficient and accurate evaluation of slope stability, multiple evaluation indexes should be considered which exist more or less correlations which lead to the overlapping of parameter information. An improved factor analysis method is proposed to reduce the dimensionality of the slope stability index data. Three new indexes are extracted to conduct an overall evaluation of slope stability. The indexes undergoing factor analysis are independent of each other and can meet the requirement of adopting the Gaussian function as the radial basis function in the sample layer of PNN. On the basis of factor analysis, the PNN model for slope stability evaluation is established, which is applied to 39 typical slope stability evaluations. The predicting results show that the PNN model still presents a favorable predictive effect under 5 different training and test samples, and the correct judging ratio is 100%, 94.87%, 94.87%, 84.62% and 84.62%, respectively, which verify the evaluation results of factor analysis on slope stability and indicate that the combination of factor analysis and PNN model can provide a good thinking for slope stability evaluation in geotechnical engineering.
    • HTML全文
    • 相关文章
  • 施引文献

  • 期刊类型引用(19)

    1.  单强，汪洋，王颖，马丙太，王蒙. 预测泥石流易发性等级的多元统计Bayes判别. 甘肃科学学报. 2024(03): 122-129 . 百度学术
    2.  吴宝峰，张鹏远. 基于GA算法优化BP神经网络的边坡稳定性预测模型研究. 水利科学与寒区工程. 2024(12): 1-3 . 百度学术
    3.  曹浪，袁利伟，杨渊，龙皓楠，禹孙菊，王国龙. 一种边坡稳定性多参量辨识模型及应用. 有色金属工程. 2023(03): 110-120 . 百度学术
    4.  杨青松，罗先熔，岳大斌，刘攀峰，高文，文美兰，廖兴健，李杰伟，梁鸣，刘永胜. 基于概率神经网络的智能找矿方法——以四川雅江县木绒锂矿为例. 地质与勘探. 2023(05): 985-999 . 百度学术
    5.  李志强，徐斌，王升，文桃. 基于改进的AHP-SPA的边坡稳定性评价及工程应用. 公路交通科技. 2022(01): 56-64 . 百度学术
    6.  姚兆明，齐健. 基于SSA–BP方法土冻胀率影响因素敏感性分析. 力学与实践. 2022(02): 322-327 . 百度学术
    7.  马丹丹，秦湘阁. 碳族元素原子簇分子结构稳定性的仿真. 计算机仿真. 2022(04): 259-262+272 . 百度学术
    8.  冯小鹏，李勇，袁于思，黄定于，张磊. 基于AdaBoost卷积神经网络的矿山边坡稳定性预测. 有色金属(矿山部分). 2022(03): 65-70+77 . 百度学术
    9.  杨锐，于春勇，汪洋. 山西省榆社县地质灾害风险性评估及防治分析. 人民长江. 2022(S1): 25-29+43 . 百度学术
    10.  朱德明，李鹏岳，胡孝洪，吴新明. 金沙江白格滑坡残留体稳定性分析与防治对策. 现代地质. 2021(01): 56-63 . 百度学术
    11.  雷金兴，王瑞，赵坤. 基于Fuzzy-AHP的河岸边坡稳定性综合评判. 工程建设与设计. 2021(19): 75-78+81 . 百度学术
    12.  何昭宇，范世英，叶胜林，赵亮，张玉旗. 基于集对分析-可变模糊集耦合模型的软土基坑施工对周围环境影响分析. 科学技术与工程. 2021(29): 12655-12664 . 百度学术
    13.  唐竞，赵云刚，许德鲜，翁玉仁. 露天矿区基坑边坡支护结构变形量估计方法. 勘察科学技术. 2021(06): 6-10 . 百度学术
    14.  苏亚松，张长鲁，廖梦洁，贺一恒. 基于ANP和概率神经网络的县域采煤矿区安全风险评价. 煤矿安全. 2020(01): 251-256 . 百度学术
    15.  CAI Run，PENG Tao，WANG Qian，HE Fanmin，ZHAO Duoying. Simulation of Silty Clay Compressibility Parameters Based on Improved BP Neural Network Using Bayesian Regularization. Earthquake Research in China. 2020(03): 378-393 . 必应学术
    16.  彭立顺，蔡润，刘进波，郭安宁，郭志宇. 基于遗传优化神经网络的高速公路路基沉降量预测. 地震工程学报. 2019(01): 124-130+207 . 百度学术
    17.  邹祝春. 基于因子分析和灰色关联的边坡稳定性分析. 四川建材. 2019(12): 96-97+99 . 百度学术
    18.  张丹，曹红苹. 基于优化概率神经网络的制造业财务预警研究. 智能计算机与应用. 2019(06): 93-96+100 . 百度学术
    19.  王俊，赵建军，瞿生军，廖芸婧，汪果，樊奇. 卸荷条件下高边坡大规模开挖的“地质-力学”响应研究——以西藏如美水电站右坝肩为例. 水文地质工程地质. 2018(04): 37-44 . 本站查看

    其他类型引用(11)

    • 资源附件(0)
  • 加载中
    Created with Highcharts 5.0.7访问量Chart context menu近一年内文章摘要浏览量、PDF下载量统计信息摘要浏览量PDF下载量2024-062024-072024-082024-092024-102024-112024-122025-012025-022025-032025-042025-0500.250.50.7511.25Highcharts.com
    Created with Highcharts 5.0.7Chart context menu访问类别分布DOWNLOAD: 2.4 %DOWNLOAD: 2.4 %摘要: 97.6 %摘要: 97.6 %DOWNLOAD摘要Highcharts.com
    Created with Highcharts 5.0.7Chart context menu访问地区分布其他: 11.9 %其他: 11.9 %其他: 0.5 %其他: 0.5 %Aurora: 0.5 %Aurora: 0.5 %Ghaziabad: 0.3 %Ghaziabad: 0.3 %Haidian: 3.8 %Haidian: 3.8 %Hangzhou: 1.9 %Hangzhou: 1.9 %Mountain View: 2.4 %Mountain View: 2.4 %Phoenix: 0.5 %Phoenix: 0.5 %Quzhou: 0.3 %Quzhou: 0.3 %Seattle: 0.3 %Seattle: 0.3 %Taizhou: 1.1 %Taizhou: 1.1 %[]: 0.8 %[]: 0.8 %上海: 1.3 %上海: 1.3 %北京: 0.8 %北京: 0.8 %十堰: 0.8 %十堰: 0.8 %南京: 0.3 %南京: 0.3 %南宁: 0.5 %南宁: 0.5 %南通: 0.3 %南通: 0.3 %台州: 0.8 %台州: 0.8 %嘉兴: 0.3 %嘉兴: 0.3 %天津: 1.9 %天津: 1.9 %宜昌: 0.5 %宜昌: 0.5 %常州: 0.5 %常州: 0.5 %张家口: 0.8 %张家口: 0.8 %成都: 1.3 %成都: 1.3 %扬州: 1.3 %扬州: 1.3 %杭州: 0.8 %杭州: 0.8 %武汉: 0.5 %武汉: 0.5 %洛阳: 0.8 %洛阳: 0.8 %淮安: 0.5 %淮安: 0.5 %深圳: 0.3 %深圳: 0.3 %温州: 0.3 %温州: 0.3 %湖州: 0.3 %湖州: 0.3 %漯河: 4.0 %漯河: 4.0 %石家庄: 0.3 %石家庄: 0.3 %芒廷维尤: 38.3 %芒廷维尤: 38.3 %芝加哥: 0.5 %芝加哥: 0.5 %莫斯科: 2.7 %莫斯科: 2.7 %衢州: 0.3 %衢州: 0.3 %襄阳: 0.3 %襄阳: 0.3 %西宁: 6.5 %西宁: 6.5 %贵阳: 0.8 %贵阳: 0.8 %运城: 0.5 %运城: 0.5 %郑州: 1.3 %郑州: 1.3 %鄂州: 0.5 %鄂州: 0.5 %长沙: 4.3 %长沙: 4.3 %青岛: 0.3 %青岛: 0.3 %其他其他AuroraGhaziabadHaidianHangzhouMountain ViewPhoenixQuzhouSeattleTaizhou[]上海北京十堰南京南宁南通台州嘉兴天津宜昌常州张家口成都扬州杭州武汉洛阳淮安深圳温州湖州漯河石家庄芒廷维尤芝加哥莫斯科衢州襄阳西宁贵阳运城郑州鄂州长沙青岛Highcharts.com
计量
  • 文章访问数:  1624
  • PDF下载数:  23
  • 施引文献:  30
出版历程
收稿日期:  2017-05-02
修回日期:  2017-07-13
刊出日期:  2018-04-15

目录

摘要
HTML全文
    相关文章
    施引文献
    资源附件(0)
    版权所有：中国地质调查局发展研究中心 copyright @2020
    返回