选岩土工程中数据挖掘技术研究进展.docVIP

选岩土工程中数据挖掘技术研究进展 　　摘要：随着计算机技术的不断推广和扩展，岩土工程领域也广泛的用到了计算机相关技术，其中数据挖掘在选岩土工程中的应用就较为广泛。目前数据挖掘作为一门比较新兴的学科技术领域，其强大的功能为岩土工程提供了强大的技术支撑。本文通过介绍数据挖掘相关知识，岩土工程相关知识，数据挖掘在岩土工程中的应用现状作出简单评价。希望能为以后的相关研究提供一个可借鉴思路。 　　关键词：选岩土工程；数据挖掘；算法 　　 　　岩土工程本身就是一个复杂的信息载体，岩土也因其固有的特点造成选岩土工程中出现了大量的信息数据。显然，在这些大量的冗余繁杂信息数据的背后，隐含着大量的不为人知的有用信息。如何从这些繁杂信息数据中提取利用价值较高的数据成为一个让人比较关注的话题。近些年来，计算机技术在选岩土工程中不断得到应用，数据挖掘技术的不断发展，正在慢慢的有效的解决这一问题，通过数据挖掘技术，可以探知选岩石工程中数据下面深层次的数据关系，数据规则和基本联系。本文试着从数据挖掘技术，选岩石工程以及数据挖掘在选岩石工程中的应用现状几方面来阐述数据挖掘在岩石工程中的应用。 　　一、数据挖掘技术 　　1 数据挖掘基本概念。 　　数据挖掘（Data Mining）就是从大量的、有噪声的、不完全的、随机的、模糊的现实数据中，寻找或提取、隐匿在数据之中的，人们在事前无法确切得知、但是该信息又十分有用的一个过程。数据挖掘是一科涉及面十分广泛的交叉科学，它包括机器的学习、神经网络、数理统计、数据库处理、程式识别、模糊数学、粗糙集合等相关科学技术领域。数据挖掘的基本思路实际上就是从大量繁杂冗余的数据中，提炼出对项目有利用价值的基本信息，进而为项目提供有利的数据信息支撑。 　　2 数据挖掘的方法、分类。在实际生产和科研应用中，按照不同角度，可以将数据挖掘分为以下几类： 　　（1）从数据挖掘的任务出发来说，可以分为，分类预测型数据挖掘，数据汇总，对数据进行聚类分析，数据的关联性规则挖掘，数据序列基本模式的模仿，数据间相互依赖关???的明确，数据走势或数据趋势的发现，异常情况的发现等等。 　　（2）从数据挖掘的数据源头对象来说，可以分为，文本文档数据库，关系型数据库，时态承接数据库，面向对象开发数据库，多媒体类型数据库，空间关系数据库，不同质量数据库，以及网上数据源。 　　（3）从数据挖掘的方法来说，可以分为，统计学基本方法，模拟神经网络的学习方法，机器自我学习方法，繁杂数据库学习方法等几类方法。 　　在上述数据挖掘方法中，其中统计学基本方法中又可以细分为因素回归分析，多元统计回归，向量自回归，因素判别分析，费歇尔判别分析，贝叶斯判别分析，非参数判别分析，静态聚类分析和动态聚类分析，主成分分析，因素相关性分析，和由模糊集，支持向量集，粗糙集衍生而来的基本数据挖掘方法。 　　模拟神经网络的学习方法又可以分为前向后向学习神经网络，自我组织的神经网络学习等基本的网络神经数据挖掘方法。机器自我学习方法又可以分为，归纳学习方法，蒙特卡洛模拟，决策树算法方法，遗传算法，贝叶斯判别信念网络等。 　　繁杂数据库学习方法又可以分为多维度数据分析和OLA算法，向量分割归属方法等基本的数据挖掘算法。 　　二、岩土工程 　　岩土工程是西方国家在上世纪60年代发展起来的一门新的技术手段，其来源是在土木工程中的实际施工实践。该技术主要是以解算岩石与土体工程中出现的实际问题，包含基础地基，地下工程施工，边坡技术处理等实际出现的工程问题，将这些实际问题作为岩土工程的的研究对象并加以处理的技术。 　　由上所述，岩土工程学的基本研究对象是岩石和土体。由于岩石和土体的复杂性，其经历千百万年的复杂的历史和地理变化，因而岩石和土体有着极其复杂的基本机构和应力环境。即使同是岩石工程，其也因为不同地域，时间，地理环境等微妙因素而造成岩石处理工程技术手段大相径庭。有的岩石直接裸露地面之上会自然而然的经过地面风化，水的侵蚀，搬运等自然力作用，不同地区不同的岩石情况，因为造成岩石工程处理千差万别，土体工程亦是如此。因为岩土工程的复杂性也就因此而生。而且岩石和土体是一个极为不稳定系统,岩石和土体在其本省构成上就存在着极大的不稳定，容易改变其原有面貌。这种不确定性或者说不稳定性涉及到岩土的随机性和处理手段和机制的不确定性。 　　正是由于岩土工程的上述自然特性，造成了岩土试验的实验室完成与自然实际情况有差异存在，实验室环境模拟再好也会更试验造成一些误差，以至于在后期施工过程中出现一些问题。因此，实地原始试验就显得尤为重要，经过实际观测的数据也显得尤为可靠。该实验数据的获取的特殊性也就决定了岩土工程的特殊性，其已经演变为一门重要的应用科学。 　　三、数据挖掘在岩土工程中的研究进