基于支持向量机的单桩竖向极限承载力预测.pdfVIP

基于支持向量机的单桩竖向极限承载力预测 龚艳冰 陈森发 (东南大学 系统工程研究所 南京 210018) 摘 要：提出了一种基于支持向量机理论的单桩 向极限承载力预测方法 ，该方法以统计学理论为基础， 避免了神经网络结构设计的盲 目性和局部最优等非线性优化问题。仿真试验表明，它比基于混沌优化一神经 网络的收敛速度快，预测精度高。 关键词：单桩 竖向极限承载力 支持向量机 支持向量回归机 STUDY oN PREDICTIoN M[ETHoD oF VERTICALULTIMATEBEARING CAPACITY oF SINGLE PILE BASED 0N SUPPoRT VECToR MACHINE GongYanbing ChertSenfa (InstituteofSystemsEngineering，SoutheastUniversity Nanjing 210o18) Abstract：Anewmethodbasedonsupportvectormachineofrveaiealuhimatebearingcapacityofsinglepileispresented． SVMalgorithm isbased onstatisticaltheoryandavoidsthe blindnessofframework designsforneuralnetworkamtthe problem ofnonlinearoptimizations，such as localoptimization，Analysisofthe experimentalresuhs showsthatthe convergencespeed ofsupportvectormachine isfasterand itsprediction resultis m0re accuratethan thatofchaos optimization—neuralnetwork． Keywords ：singlepile verticalultimatebeat。ingcapacity suppo~vectormachine support vectorregressionmachine 桩基础是建筑物 向地基传递上部荷载的 l卜部结 9O年代 中期提出的一种机器学习算法 ，其理论基础 构。桩基础的设计，既要保证建筑物的安全稳定 ，又 是 Vapnik等提 出的统计学理论 。而统计学理论 应充分发挥桩基的技术经济效益。因此 ，科学合理 采用结构风险最小化准则，在最小化样本点误差的 地确定单桩的承载力是桩基设计中的 ·个关键技术 同时 ，缩小模 型泛化误差的上界 ，从而提高了模型的 问题 。单桩的竖向极限承载力受众多因素的影响， 泛化能力 ，这一优点在小样本学习中更为突出。与 各影响因素与单桩承载力之间存在着高度的复杂性 传统的学习方法 (BP神经网络)相 比，支持向量机不 和非线性 。。因此 ，探索一种简便 、准确预测单桩承 存在局部极小问题 ，隐层节点数的选择等问题 ，该方 载力的方法，具有极为重要 的理论研究价值和现实 法不依赖于系统 的数学模型，同时具有 自学习 自调 意义。神经网络技术被认为是一种较好的处理非线 整模型的特点，能对各种混沌系统产生较好的预测 性模型的方法，得到广泛 的应用。文献 [1]采用 BP 效果。支持 向量机的解除具有稳健性外，还具有全 神经 网络进行单桩承载力预测 ，文献[2]提 了基于 局唯一性及稀疏性，这避免了神经网络 中可能有多 遗传 一BP神经网络的预测方法，文献 [3]提出了基 个局部优化解的问题。 于混沌优化 一神经网络 的身法，后两种算法较经典 的BP神经 网络算法在收敛速度 、预测精度 以及全 1