基于超越概率和rbf神经网络的边坡稳定性评价模型分析-analysis of slope stability evaluation model based on transcendental probability and rbf neural network.docxVIP

桂林理工大学硕士学位论文摘要本文在综述边坡稳定性评价方法的基础之上，以超越概率和人工神经网络理论为基础，评估了不同神经网络的优缺点和适用范围，选取RBF神经网络作为分析方法。将水文、地质、地形、地震作为边坡稳定性影响的主要因子，经过正交化和归一化后作为RBF神经网络的计算因子进行分析，选取35个样本进行训练和检验，建立了基于超越概率和RBF神经网络边坡稳定性影响因子评价的数字化模型。研究表明，超越概率能够有效的表征降雨对滑坡的影响，结合地震超越概率作为边坡稳定性评价的影响因子，能够保证数据的同步性和通用性。采用RBF神经网络用于边坡影响因子的评价，其分析介于定性化决策和定量化计算之间，泛化能力强，在拥有足够的训练样本的情况下是一个能够广泛适用和推广的分析方法。该方法有着收敛快、结果科学可靠等优点；采用正交表法处理后的参数采用归一化处理，能够高效率的将不同维数不同量纲参数进行组合评估；对于因子的影响力分析表明岩土类别、生态系统和地形在所建立的模型中起到了较大的影响，其因子影响重要性排序为：地形地质生态环境水文地震。以样本8 为例进行了因子影响度分析，通过对影响因子进行不同的加权后取得的安全系数的对比研究，认为该神经网络的学习过程是成功的，该网络能够有效对不同输入参数作出正确的响应。本文最后还讨论了RBF神经网络在边坡工程的适用性和存在一些不足，如其隐藏单元数目的选择严重影响着试验结果、参数评估为多元拟合而与实际情况弱相关、神经网络模型中将其边坡中各个相互影响的因子划分为独立的研究因子的准确性等。所有这些问题仍需进一步研究以解决。本文在边坡稳定性影响因子的评价中将超越概率与RBF神经网络技术相结合，建立了基于超越概率和RBF神经网络的边坡稳定性评价模型，并用实例验证了该评价模型的适用性和准确性，为边坡稳定性影响因子的评价提供了一种有效的方法。关键词：边坡稳定性，RBF神经网络，影响因子，超越概率AbstractWithaSummaryofevaluationmethodinslopestability,exceedprobabilityandartificial neuralnetworktheory,thispaperassesstheadvantagesofsomedifferentneuralnetworkand theirscopeofapplication,andthenselectRBFneuralnetworkasananalyticalmethod. Choosinghydrology,geology,ecology,topographyandseismicasthefactoroftheimpactin slopestabilityandusingRBFneuralnetworktoanalysisthefactorthathasbeenorthogonal andnormalized.Selected35samplesfortrainingandtesting,establishdigitizedmodelwith aninfluencingfactorsevaluationofslopestabilitybasedonexceedprobabilityandRBF neural networks.Research haveshown that the exceed probabilityof hydrologycancharacterizethe impact of rainfall on landslide effectively, combined with exceed probabilityofseismic as the impact factor of slopestability, to ensurethesynchronization and versatilityofthe date. Evaluation method of analysis slope stabilitybyusingRBFneural networkanalysis between qualitativedecision-makingand quantitative calculation.This method has ageneralization ability, should bewidelyapplicable and promotion in the caseof havingenough training samples.Itconvergencequicklyand the results are regardedas scientificand reliable; using the normaliz