本發(fā)明涉及數(shù)據(jù)處理領(lǐng)域，具體而言，涉及一種基于模糊分類技術(shù)的邊坡可靠性參數(shù)獲取方法及裝置。

背景技術(shù)：

邊坡的穩(wěn)定性問(wèn)題是工農(nóng)業(yè)生產(chǎn)和地質(zhì)災(zāi)害研究中常見(jiàn)的問(wèn)題。邊坡穩(wěn)定性的研究經(jīng)歷了兩次飛躍，即從定性判斷到定量分析的飛躍，從確定性理論到不確定性理論的飛躍。

數(shù)學(xué)上，對(duì)不確定性問(wèn)題最終都是轉(zhuǎn)換為若干確定性問(wèn)題進(jìn)行處理，總的解決模式是：以確定性分析方法為內(nèi)核，外部嵌套可靠性分析方法。目前邊坡可靠性研究中，所采用的確定性分析方法內(nèi)核以傳統(tǒng)的極限平衡法占據(jù)主導(dǎo)地位，近年來(lái)數(shù)值方法有上升的勢(shì)頭。前者以bishop法、morgenstern-price法、spencer法等為代表，后者以有限元法為代表。但無(wú)論以哪一種方法為內(nèi)核，無(wú)法回避的一個(gè)重要的環(huán)節(jié)，就是要對(duì)“邊坡失穩(wěn)”(或稱之為“邊坡破壞”)這一狀態(tài)進(jìn)行判別，并且這一狀態(tài)判別會(huì)透過(guò)外部嵌套的可靠性分析方法，顯著影響最終的邊坡可靠性評(píng)價(jià)結(jié)果。

當(dāng)前，巖土工程界對(duì)于“邊坡失穩(wěn)”(或稱之為“邊坡破壞”)這一狀態(tài)的界定，是根據(jù)常規(guī)的巖土工程認(rèn)識(shí)，即由穩(wěn)定系數(shù)的值來(lái)判斷邊坡是否失穩(wěn)：當(dāng)穩(wěn)定系數(shù)>1，邊坡處于穩(wěn)定狀態(tài)；當(dāng)穩(wěn)定系數(shù)＝1，邊坡處于極限平衡狀態(tài)；穩(wěn)定系數(shù)<1，邊坡失穩(wěn)。但上述判別方法也存在明顯的弊端，當(dāng)穩(wěn)定系數(shù)在1附近上下徘徊時(shí)，邊坡的穩(wěn)定程度并無(wú)本質(zhì)不同，但狀態(tài)劃分結(jié)果會(huì)完全相反。這種簡(jiǎn)單、粗暴的“一刀切”方式顯然不夠合理，并且已經(jīng)影響到邊坡可靠性評(píng)價(jià)結(jié)果的準(zhǔn)確度。

技術(shù)實(shí)現(xiàn)要素：

有鑒于此，本發(fā)明實(shí)施例的目的在于提供一種基于模糊分類技術(shù)的邊坡可靠性參數(shù)獲取方法及裝置，以解決上述問(wèn)題。

為了實(shí)現(xiàn)上述目的，本發(fā)明實(shí)施例采用的技術(shù)方案如下：

第一方面，本發(fā)明實(shí)施例提供了一種基于模糊分類技術(shù)的邊坡可靠性參數(shù)獲取方法，所述方法包括：根據(jù)m個(gè)不確定性參數(shù)各自對(duì)應(yīng)的均值與標(biāo)準(zhǔn)差，通過(guò)正交設(shè)計(jì)法，生成k個(gè)訓(xùn)練樣本向量，每個(gè)所述訓(xùn)練樣本向量由所述m個(gè)不確定性參數(shù)各自對(duì)應(yīng)的試驗(yàn)數(shù)據(jù)構(gòu)成，其中，m與k為非零自然數(shù)，k的最大取值與m呈指數(shù)關(guān)系；根據(jù)所述k個(gè)訓(xùn)練樣本向量及一個(gè)或多個(gè)確定性參數(shù)，通過(guò)邊坡穩(wěn)定性分析方法，獲取所述k個(gè)訓(xùn)練樣本向量各自對(duì)應(yīng)的邊坡穩(wěn)定系數(shù)；以所述k個(gè)訓(xùn)練樣本向量為自變量，以其各自對(duì)應(yīng)的邊坡穩(wěn)定系數(shù)為因變量，構(gòu)成映射關(guān)系，通過(guò)支持向量機(jī)算法，獲取所述映射關(guān)系表達(dá)式；根據(jù)隨機(jī)生成的n個(gè)服從于聯(lián)合概率分布的待測(cè)樣本向量、所述映射關(guān)系表達(dá)式以及預(yù)設(shè)的失穩(wěn)狀態(tài)模糊判別函數(shù)，獲取邊坡可靠性參數(shù)，所述邊坡可靠性參數(shù)包括n個(gè)待測(cè)樣本向量各自對(duì)應(yīng)的邊坡穩(wěn)定系數(shù)的均值和標(biāo)準(zhǔn)差、邊坡失效概率以及可靠度指標(biāo)，其中，每個(gè)所述待測(cè)樣本向量由所述m個(gè)不確定性參數(shù)各自對(duì)應(yīng)的隨機(jī)數(shù)據(jù)構(gòu)成。

第二方面，本發(fā)明實(shí)施例提供了一種基于模糊分類技術(shù)的邊坡可靠性參數(shù)獲取裝置，所述裝置包括：訓(xùn)練樣本生成模塊，用于根據(jù)m個(gè)不確定性參數(shù)各自對(duì)應(yīng)的均值與標(biāo)準(zhǔn)差，通過(guò)正交設(shè)計(jì)法，生成k個(gè)訓(xùn)練樣本向量，每個(gè)所述訓(xùn)練樣本向量由所述m個(gè)不確定性參數(shù)各自對(duì)應(yīng)的試驗(yàn)數(shù)據(jù)構(gòu)成，其中m與k為非零自然數(shù)，k的最大取值與m呈指數(shù)關(guān)系；穩(wěn)定系數(shù)獲取模塊，用于根據(jù)所述k個(gè)訓(xùn)練樣本向量及一個(gè)或多個(gè)確定性參數(shù)，通過(guò)邊坡穩(wěn)定性分析方法，獲取所述k個(gè)訓(xùn)練樣本向量各自對(duì)應(yīng)的邊坡穩(wěn)定系數(shù)；表達(dá)式獲取模塊，用于以所述k個(gè)訓(xùn)練樣本向量為自變量，以其各自對(duì)應(yīng)的邊坡穩(wěn)定系數(shù)為因變量，構(gòu)成映射關(guān)系，通過(guò)支持向量機(jī)算法，獲取所述映射關(guān)系表達(dá)式；可靠性參數(shù)獲取模塊，用于根據(jù)隨機(jī)生成的n個(gè)服從于聯(lián)合概率分布的待測(cè)樣本向量、所述映射關(guān)系表達(dá)式以及預(yù)設(shè)的失穩(wěn)狀態(tài)模糊判別函數(shù)，獲取邊坡可靠性參數(shù)，所述邊坡可靠性參數(shù)包括n個(gè)待測(cè)樣本向量各自對(duì)應(yīng)的邊坡穩(wěn)定系數(shù)的均值和標(biāo)準(zhǔn)差、邊坡失效概率以及可靠度指標(biāo)，其中，每個(gè)所述待測(cè)樣本向量由所述m個(gè)不確定性參數(shù)各自對(duì)應(yīng)的隨機(jī)數(shù)據(jù)構(gòu)成。

與現(xiàn)有技術(shù)相比，本發(fā)明實(shí)施例提供的一種基于模糊分類技術(shù)的邊坡可靠性參數(shù)獲取方法及裝置，根據(jù)m個(gè)不確定性參數(shù)各自對(duì)應(yīng)的均值與標(biāo)準(zhǔn)差，通過(guò)正交技術(shù)獲取少量訓(xùn)練樣本向量，再根據(jù)這些訓(xùn)練樣本向量及一個(gè)或多個(gè)確定性參數(shù)的值，通過(guò)相關(guān)邊坡穩(wěn)定性分析方法獲取對(duì)應(yīng)的邊坡穩(wěn)定系數(shù)，然后根據(jù)隨機(jī)生成的n個(gè)服從于聯(lián)合概率分布的待測(cè)樣本向量、所述映射關(guān)系表達(dá)式以及預(yù)設(shè)的失穩(wěn)狀態(tài)模糊判別函數(shù)，獲取邊坡可靠性參數(shù)。所述方法通過(guò)失穩(wěn)狀態(tài)模糊判別函數(shù)對(duì)邊坡的穩(wěn)定性進(jìn)行模糊量化，進(jìn)而提高了邊坡可靠性參數(shù)的準(zhǔn)確度。

本發(fā)明的其他特征和優(yōu)點(diǎn)將在隨后的說(shuō)明書闡述，并且，部分地從說(shuō)明書中變得顯而易見(jiàn)，或者通過(guò)實(shí)施本發(fā)明實(shí)施例了解。本發(fā)明的目的和其他優(yōu)點(diǎn)可通過(guò)在所寫的說(shuō)明書、權(quán)利要求書、以及附圖中所特別指出的結(jié)構(gòu)來(lái)實(shí)現(xiàn)和獲得。

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明實(shí)施例的技術(shù)方案，下面將對(duì)實(shí)施例中所需要使用的附圖作簡(jiǎn)單地介紹，應(yīng)當(dāng)理解，以下附圖僅示出了本發(fā)明的某些實(shí)施例，因此不應(yīng)被看作是對(duì)范圍的限定，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他相關(guān)的附圖。

圖1是本發(fā)明實(shí)施例提供的服務(wù)器的結(jié)構(gòu)示意圖。

圖2是本發(fā)明第一實(shí)施例提供的一種基于模糊分類技術(shù)的邊坡可靠性參數(shù)獲取方法的流程圖。

圖3是本發(fā)明第一實(shí)施例提供的一種基于模糊分類技術(shù)的邊坡可靠性參數(shù)獲取方法中步驟s310的一種詳細(xì)流程圖。

圖4是本發(fā)明第一實(shí)施例提供的一種基于模糊分類技術(shù)的邊坡可靠性參數(shù)獲取方法中步驟s330的一種詳細(xì)流程圖。

圖5是本發(fā)明第一實(shí)施例提供的一種基于模糊分類技術(shù)的邊坡可靠性參數(shù)獲取方法中步驟s340的一種詳細(xì)流程圖。

圖6是本發(fā)明第一實(shí)施例提供的一種基于模糊分類技術(shù)的失穩(wěn)狀態(tài)模糊判別函數(shù)的示意圖。

圖7是本發(fā)明第一實(shí)施例提供的一種基于模糊分類技術(shù)的邊坡可靠性參數(shù)獲取方法中某尾礦壩壩坡的概化剖面圖。

圖8(a)是本發(fā)明第一實(shí)施例提供的一種基于模糊分類技術(shù)的邊坡可靠性參數(shù)獲取方法中在不同蒙特卡洛模擬次數(shù)下的某尾礦壩壩坡失效概率的效果示意圖。

圖8(b)是本發(fā)明第一實(shí)施例提供的一種基于模糊分類技術(shù)的邊坡可靠性參數(shù)獲取方法中在不同蒙特卡洛模擬次數(shù)下的某尾礦壩壩坡可靠度指標(biāo)的效果示意圖。

圖9是本發(fā)明第二實(shí)施例提供的一種基于模糊分類技術(shù)的邊坡可靠性參數(shù)獲取裝置的結(jié)構(gòu)框圖。

圖10是本發(fā)明第二實(shí)施例提供的一種基于模糊分類技術(shù)的邊坡可靠性參數(shù)獲取裝置中訓(xùn)練樣本生成模塊410的一種詳細(xì)結(jié)構(gòu)框圖。

圖11是本發(fā)明第二實(shí)施例提供的一種基于模糊分類技術(shù)的邊坡可靠性參數(shù)獲取裝置中表達(dá)式獲取模塊430的一種詳細(xì)結(jié)構(gòu)框圖。

圖12是本發(fā)明第二實(shí)施例提供的一種基于模糊分類技術(shù)的邊坡可靠性參數(shù)獲取裝置中可靠性參數(shù)獲取模塊440的一種詳細(xì)結(jié)構(gòu)框圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。通常在此處附圖中描述和出示的本發(fā)明實(shí)施例的組件可以以各種不同的配置來(lái)布置和設(shè)計(jì)。因此，以下對(duì)在附圖中提供的本發(fā)明的實(shí)施例的詳細(xì)描述并非旨在限制要求保護(hù)的本發(fā)明的范圍，而是僅僅表示本發(fā)明的選定實(shí)施例?；诒景l(fā)明的實(shí)施例，本領(lǐng)域技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)的前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

應(yīng)注意到：相似的標(biāo)號(hào)和字母在下面的附圖中表示類似項(xiàng)，因此，一旦某一項(xiàng)在一個(gè)附圖中被定義，則在隨后的附圖中不需要對(duì)其進(jìn)行進(jìn)一步定義和解釋。同時(shí)，在本發(fā)明的描述中，術(shù)語(yǔ)“第一”、“第二”等僅用于區(qū)分描述，而不能理解為指示或暗示相對(duì)重要性。

本發(fā)明實(shí)施例提供的基于支持模糊分類技術(shù)的邊坡可靠性參數(shù)獲取方法可以應(yīng)用于服務(wù)器中。圖1示出了服務(wù)器100的結(jié)構(gòu)示意圖，請(qǐng)參閱圖1，所述服務(wù)器100包括存儲(chǔ)器110、處理器120以及網(wǎng)絡(luò)模塊130。

存儲(chǔ)器110可用于存儲(chǔ)軟件程序以及模塊，如本發(fā)明實(shí)施例中的基于支持向量機(jī)的邊坡可靠性參數(shù)獲取方法及裝置對(duì)應(yīng)的程序指令/模塊，處理器120通過(guò)運(yùn)行存儲(chǔ)在存儲(chǔ)器110內(nèi)的軟件程序以及模塊，從而執(zhí)行各種功能應(yīng)用以及數(shù)據(jù)處理，即實(shí)現(xiàn)本發(fā)明實(shí)施例中的基于支持向量機(jī)的邊坡可靠性參數(shù)獲取方法。存儲(chǔ)器110可包括高速隨機(jī)存儲(chǔ)器，還可包括非易失性存儲(chǔ)器，如一個(gè)或者多個(gè)磁性存儲(chǔ)裝置、閃存、或者其他非易失性固態(tài)存儲(chǔ)器。進(jìn)一步地，上述存儲(chǔ)器110內(nèi)的軟件程序以及模塊還可包括：操作系統(tǒng)111以及服務(wù)模塊112。其中操作系統(tǒng)111，例如可為linux、unix、windows，其可包括各種用于管理系統(tǒng)任務(wù)(例如內(nèi)存管理、存儲(chǔ)設(shè)備控制、電源管理等)的軟件組件和/或驅(qū)動(dòng)，并可與各種硬件或軟件組件相互通訊，從而提供其他軟件組件的運(yùn)行環(huán)境。服務(wù)模塊112運(yùn)行在操作系統(tǒng)111的基礎(chǔ)上，并通過(guò)操作系統(tǒng)111的網(wǎng)絡(luò)服務(wù)監(jiān)聽(tīng)來(lái)自網(wǎng)絡(luò)的請(qǐng)求，根據(jù)請(qǐng)求完成相應(yīng)的數(shù)據(jù)處理，并返回處理結(jié)果給客戶端。也就是說(shuō)，服務(wù)模塊112用于向客戶端提供網(wǎng)絡(luò)服務(wù)。網(wǎng)絡(luò)模塊130用于接收以及發(fā)送網(wǎng)絡(luò)信號(hào)。上述網(wǎng)絡(luò)信號(hào)可包括無(wú)線信號(hào)或者有線信號(hào)。

可以理解，圖1所示的結(jié)構(gòu)僅為示意，服務(wù)器100還可包括比圖1中所示更多或者更少的組件，或者具有與圖1所示不同的配置。圖1中所示的各組件可以采用硬件、軟件或其組合實(shí)現(xiàn)。另外，本發(fā)明實(shí)施例中的服務(wù)器還可以包括多個(gè)具體不同功能的服務(wù)器。

圖2示出了本發(fā)明第一實(shí)施例提供的一種基于模糊分類技術(shù)的邊坡可靠性參數(shù)獲取方法的流程圖，請(qǐng)參閱圖2，所述方法包括：

步驟s310，根據(jù)m個(gè)不確定性參數(shù)各自對(duì)應(yīng)的均值與標(biāo)準(zhǔn)差，通過(guò)正交設(shè)計(jì)法，生成k個(gè)訓(xùn)練樣本向量，每個(gè)所述訓(xùn)練樣本向量由所述m個(gè)不確定性參數(shù)各自對(duì)應(yīng)的試驗(yàn)數(shù)據(jù)構(gòu)成，其中，m與k為非零自然數(shù)，k的最大取值與m呈指數(shù)關(guān)系。

m與k為非零自然數(shù)，即m,k∈n+。其中，不確定性參數(shù)可以為巖土體的粘聚力、內(nèi)摩擦角、容重等邊坡巖土體物理力學(xué)參數(shù)，可以理解的是，所述不確定性參數(shù)也可以是獲取邊坡可靠性參數(shù)時(shí)所需的其他參數(shù)，需根據(jù)具體的應(yīng)用場(chǎng)景的不同進(jìn)行相應(yīng)的設(shè)置。

作為一種具體的實(shí)施方式，請(qǐng)參閱圖3，所述步驟s310可以包括：

步驟s311：根據(jù)m個(gè)不確定性參數(shù)的均值和標(biāo)準(zhǔn)差，通過(guò)正交設(shè)計(jì)法，至少生成一組第一訓(xùn)練樣本向量，每個(gè)所述不確定性參數(shù)對(duì)應(yīng)的均值為μi，標(biāo)準(zhǔn)差為σi，每個(gè)所述第一訓(xùn)練樣本向量中的每個(gè)所述不確定性參數(shù)對(duì)應(yīng)的試驗(yàn)數(shù)據(jù)為μi-2σi、μi、μi+2σi，或者為μi-3σi、μi、μi+3σi，其中i＝1,2,…,m，每一組所述第一訓(xùn)練樣本向量的數(shù)量為nj，nj≤3^m，j為組編號(hào)，j∈n+。

每個(gè)所述不確定性參數(shù)相當(dāng)于一個(gè)隨機(jī)變量，其對(duì)應(yīng)的均值與標(biāo)準(zhǔn)差是已知的，將所述不確定性參數(shù)對(duì)應(yīng)的均值表示為μi，標(biāo)準(zhǔn)差表示為σi，其中i＝1,2,…,m。

每個(gè)所述不確定性參數(shù)可以圍繞其對(duì)應(yīng)的均值設(shè)置試驗(yàn)數(shù)據(jù)的范圍，設(shè)每個(gè)所述不確定性參數(shù)對(duì)應(yīng)的試驗(yàn)數(shù)據(jù)的范圍包括μi-2σi、μi、μi+2σi，這種情況下，由于每個(gè)所述第一訓(xùn)練樣本向量由所述m個(gè)不確定性參數(shù)各自對(duì)應(yīng)的試驗(yàn)數(shù)據(jù)構(gòu)成，而每個(gè)所述不確定性參數(shù)對(duì)應(yīng)的試驗(yàn)數(shù)據(jù)可以是μi-2σi、μi、μi+2σi中的任意一種，因此總共可以生成3^m個(gè)不同的第一訓(xùn)練樣本向量。

類似的，還可以設(shè)每個(gè)所述不確定性參數(shù)對(duì)應(yīng)的試驗(yàn)數(shù)據(jù)的范圍包括μi-3σi、μi及μi+3σi。這種情況下，由于每個(gè)所述第一訓(xùn)練樣本向量由所述m個(gè)不確定性參數(shù)各自對(duì)應(yīng)的試驗(yàn)數(shù)據(jù)構(gòu)成，而每個(gè)所述不確定性參數(shù)對(duì)應(yīng)的試驗(yàn)數(shù)據(jù)可以是μi-3σi、μi及μi+3σi中的任意一種，因此總共可以生成3^m個(gè)不同的第一訓(xùn)練樣本向量。

正交設(shè)計(jì)法實(shí)際上就是從所述3^m個(gè)不同的第一訓(xùn)練樣本向量中選擇nj個(gè)具有代表性的第一訓(xùn)練樣本向量用于后續(xù)獲取映射關(guān)系表達(dá)式，因此nj≤3^m。所述正交設(shè)計(jì)法可以通過(guò)spss等現(xiàn)有成熟商業(yè)軟件、excel電子表格功能函數(shù)或自行編程實(shí)現(xiàn)，此處不再贅述。

生成的第一訓(xùn)練樣本向量至少為一組，如j＝1，可以為上述兩種情況的任意一種。如當(dāng)j＝2，可以將μi-2σi、μi、μi+2σi作為每個(gè)所述不確定性參數(shù)對(duì)應(yīng)的試驗(yàn)數(shù)據(jù)，生成一組第一訓(xùn)練樣本向量，同時(shí)將μi-3σi、μi及μi+3σi作為每個(gè)所述不確定性參數(shù)對(duì)應(yīng)的試驗(yàn)數(shù)據(jù)，再生成一組第一訓(xùn)練樣本向量。其中，后期生成的樣本組中如果含有與先期生成樣本組相重復(fù)的元素(即樣本向量)，需刪除。

此外，可以理解的是，每個(gè)所述不確定性參數(shù)對(duì)應(yīng)的試驗(yàn)數(shù)據(jù)的范圍可以根據(jù)具體需求具體設(shè)置，其設(shè)置方式并不構(gòu)成對(duì)本發(fā)明具體實(shí)施方式的限制。

步驟s312：合并所述第一訓(xùn)練樣本向量為訓(xùn)練樣本向量，所述訓(xùn)練樣本向量的樣本數(shù)為k，或其中，t為所述第一訓(xùn)練樣本向量的組數(shù)。

合并至少一組所述第一訓(xùn)練樣本向量為訓(xùn)練樣本向量。例如將步驟s312中當(dāng)i＝2時(shí)生成的兩組樣本合并，構(gòu)造出k＝n1+n2個(gè)樣本，為訓(xùn)練樣本向量。由于正交設(shè)計(jì)表的非唯一性，在大多數(shù)情況下是生成的k＝n1+n2個(gè)樣本，但并不一定包含m個(gè)因素全部取均值條件這一特殊樣本。由于均值樣本在統(tǒng)計(jì)學(xué)中的特殊意義，應(yīng)予以特別關(guān)注。鑒于此，如若不含，應(yīng)特別增補(bǔ)該樣本進(jìn)入正交設(shè)計(jì)表。因此樣本數(shù)k滿足k＝n1+n2+1或k＝n1+n2。

進(jìn)一步地，考慮到復(fù)雜邊坡問(wèn)題的規(guī)模，以及后續(xù)映射關(guān)系表達(dá)式的回歸效果檢測(cè)不滿足精度要求的問(wèn)題，需要生成更多的訓(xùn)練樣本。當(dāng)精度不滿足要求時(shí)，可以μi-2σi、μi、μi+2σi作為每個(gè)所述不確定性參數(shù)對(duì)應(yīng)的試驗(yàn)數(shù)據(jù)，添加一組第一訓(xùn)練樣本向量，按后續(xù)步驟構(gòu)成映射關(guān)系表達(dá)式，檢測(cè)回歸效果是否達(dá)標(biāo)；若仍不達(dá)標(biāo)，則再以μi-3σi、μi及μi+3σi作為每個(gè)所述不確定性參數(shù)對(duì)應(yīng)的試驗(yàn)數(shù)據(jù)，添加一組訓(xùn)練樣本向量，按后續(xù)步驟再次構(gòu)成映射關(guān)系表達(dá)式，再次檢測(cè)回歸效果是否達(dá)標(biāo)。以此類推，直到滿足要求。因此，應(yīng)根據(jù)實(shí)際需求，獲取一定組數(shù)的第一訓(xùn)練樣本向量。其中，總樣本數(shù)k滿足或其中t為第一訓(xùn)練樣本向量的組數(shù)。

步驟s320，根據(jù)所述k個(gè)訓(xùn)練樣本向量及一個(gè)或多個(gè)確定性參數(shù)的值，通過(guò)邊坡穩(wěn)定性分析方法，獲取所述k個(gè)訓(xùn)練樣本向量各自對(duì)應(yīng)的邊坡穩(wěn)定系數(shù)。

其中，確定性參數(shù)可以為巖土體的粘聚力、內(nèi)摩擦角、容重等邊坡巖土體物理力學(xué)參數(shù)，可以為邊坡的長(zhǎng)度、寬度等幾何參數(shù)，可以理解的是，所述確定性參數(shù)也可以是獲取邊坡可靠性參數(shù)時(shí)所需的其他參數(shù)，需根據(jù)具體的應(yīng)用場(chǎng)景的不同進(jìn)行相應(yīng)的設(shè)置。

所述邊坡穩(wěn)定性分析方法可以為極限平衡法、有限元法或有限差分法等。其中，極限平衡法可以包括瑞典條分(swedenslice)法、斯賓塞(spencer)法、畢肖普(bishop)法、摩根斯坦-普萊斯(morgenstern-price)法等。所述邊坡穩(wěn)定性分析方法可以通過(guò)各種邊坡穩(wěn)定性分析的商業(yè)軟件實(shí)現(xiàn)，如geostudio(包含極限平衡法和有限元法兩類方法可供選擇)、ansys(有限元法)、abaqus(有限元法)、adina(有限元法)、flac/flac3d(有限差分法)等。通過(guò)上述任意一種方法都可以得到相應(yīng)的邊坡穩(wěn)定系數(shù)，但是由于各種方法的理論構(gòu)架不同，因此根據(jù)不同的方法獲取的邊坡穩(wěn)定系數(shù)在數(shù)值存在一定的差異，針對(duì)不同的應(yīng)用場(chǎng)景可以根據(jù)需求采用更恰當(dāng)?shù)姆椒ā?/p>

步驟s330，以所述k個(gè)訓(xùn)練樣本向量為自變量，以其各自對(duì)應(yīng)的邊坡穩(wěn)定系數(shù)為因變量，構(gòu)成映射關(guān)系，通過(guò)支持向量機(jī)算法，獲取所述映射關(guān)系表達(dá)式。

作為一種具體的實(shí)施方式，請(qǐng)參閱圖4，所述步驟s330可以包括：

步驟s331，根據(jù)所述k個(gè)訓(xùn)練樣本向量及其各自對(duì)應(yīng)的邊坡穩(wěn)定系數(shù)，以及預(yù)設(shè)規(guī)則，獲取最優(yōu)偏移量以及所述k個(gè)訓(xùn)練樣本向量各自對(duì)應(yīng)的最優(yōu)拉格朗日對(duì)偶。

優(yōu)選的，在所述步驟s331之前，所述方法還可以包括：

對(duì)所述k個(gè)訓(xùn)練樣本向量中的試驗(yàn)數(shù)據(jù)進(jìn)行歸一化處理。

由于如巖土體的粘聚力、內(nèi)摩擦角、容重等各個(gè)不確定性參數(shù)的量綱不同、絕對(duì)值大小差異顯著，因此對(duì)所述k個(gè)訓(xùn)練樣本向量中的試驗(yàn)數(shù)據(jù)進(jìn)行歸一化處理后再執(zhí)行后續(xù)步驟，可以有效地提高后續(xù)獲取的各邊坡穩(wěn)定系數(shù)的精度，其中，所述k個(gè)訓(xùn)練樣本向量中的試驗(yàn)數(shù)據(jù)經(jīng)歸一化處理后可以位于[-1,1]區(qū)間。

步驟s332，根據(jù)所述最優(yōu)偏移量、所述k個(gè)訓(xùn)練樣本向量及其各自對(duì)應(yīng)的最優(yōu)拉格朗日對(duì)偶，獲取映射關(guān)系表達(dá)式。

下面對(duì)步驟s331及步驟s332進(jìn)行詳細(xì)說(shuō)明。

根據(jù)向量機(jī)算法，設(shè)有k組試驗(yàn)數(shù)據(jù)，且每組有m個(gè)變量，構(gòu)成數(shù)據(jù)對(duì)，即[(xi,yi)|i＝i＝1,2,…,k]，其映射關(guān)系記為：

xi→yixi＝[xi1,xi2,…xim]^ti＝1,2,…,k

xi∈r^myi∈r(1)

式中：向量xi代表第i組試驗(yàn)的數(shù)據(jù)(一般為經(jīng)過(guò)歸一化作預(yù)處理后的試驗(yàn)數(shù)據(jù))，由m個(gè)變量組成，分別代表影響邊坡穩(wěn)定性的m個(gè)隨機(jī)因素(例如巖土體的粘聚力、內(nèi)摩擦角、容重等)。yi表示第i組試驗(yàn)數(shù)據(jù)對(duì)應(yīng)的邊坡穩(wěn)定系數(shù)，也就是向量機(jī)的輸出。數(shù)學(xué)符號(hào)r表示實(shí)數(shù)空間，r^m表示m維實(shí)數(shù)空間。

引入一個(gè)預(yù)測(cè)函數(shù)f(x)，用以逼近所述訓(xùn)練樣本向量與其各自對(duì)應(yīng)的邊坡穩(wěn)定系數(shù)之間的映射關(guān)系，該預(yù)測(cè)函數(shù)f(x)可以表示為：

式中，為非線性映射方程，w和b為待定參數(shù)，其中w是一個(gè)m維向量，b為偏移量。

w可通過(guò)在滿足式(4)的條件下使得式(3)最小的最優(yōu)化問(wèn)題來(lái)確定，其中式(3)與式(4)分別為：

式中，r(w,ξ,ξ*)為風(fēng)險(xiǎn)控制函數(shù)，ξ＝[ξ1,ξ2,…,ξm]^t和為兩個(gè)松弛向量，ε為誤差，常數(shù)c為懲罰因子，用于控制對(duì)超出誤差的樣本的懲罰程度。

進(jìn)一步的，式(3)及式(4)所示的最優(yōu)化問(wèn)題可以通過(guò)引入拉格朗日乘子來(lái)轉(zhuǎn)化為求取在滿足式(6)的條件下使得式(5)最大的最優(yōu)化問(wèn)題，其中式(5)及式(6)分別為：

式中，αi和為拉格朗日乘子，k為核函數(shù)，且有通常所述核函數(shù)為徑向基函數(shù)，即：

k(x,y)＝exp(-δ²||x-y||²)(7)

式中，δ為核函數(shù)參數(shù)。

將所述k個(gè)訓(xùn)練樣本向量xi及其各自對(duì)應(yīng)的邊坡穩(wěn)定系數(shù)yi代入式(5)后，可以通過(guò)優(yōu)化算法，如貫序最小二乘法，求解式(5)及式(6)構(gòu)成的最優(yōu)化問(wèn)題，以獲取所述k個(gè)訓(xùn)練樣本向量各自對(duì)應(yīng)的最優(yōu)拉格朗日對(duì)偶(特別地，若訓(xùn)練樣本向量對(duì)應(yīng)的最優(yōu)拉格朗日對(duì)偶不為零，則將該訓(xùn)練樣本向量稱為“支持向量”)，繼而所述w可由下式得到：

式中，其中i＝1,2,…,k。

將式(7)及式(8)代入式(2)后，式(2)可以表示為：

然后，構(gòu)造一個(gè)函數(shù)η(b)，用以表示所述k個(gè)訓(xùn)練樣本向量各自對(duì)應(yīng)的預(yù)測(cè)邊坡穩(wěn)定系數(shù)與實(shí)際邊坡穩(wěn)定系數(shù)誤差的平方和，所述函數(shù)η(b)可以表示為：

將所述k個(gè)訓(xùn)練樣本向量xi及其各自對(duì)應(yīng)的邊坡穩(wěn)定系數(shù)yi代入式(10)后，可以通過(guò)優(yōu)化算法，如最小二乘法，獲取使得式(10)的值最小的偏移量b，即為最優(yōu)偏移量。

最后，將所述最優(yōu)偏移量b、所述k個(gè)訓(xùn)練樣本向量及其各自對(duì)應(yīng)的最優(yōu)拉格朗日對(duì)偶代入式(9)中即可獲取映射關(guān)系表達(dá)式，所述映射關(guān)系表達(dá)式用于表示樣本向量與其對(duì)應(yīng)的邊坡穩(wěn)定系數(shù)之間的映射關(guān)系。

以上是步驟s330的理論依據(jù)，在具體實(shí)踐中，為了達(dá)到更好的向量機(jī)回歸效果，還需要進(jìn)行一些輔助操作。在此列出步驟s330的詳細(xì)分項(xiàng)步驟如下：

子步驟1，進(jìn)行訓(xùn)練樣本自變量的歸一化處理?？紤]到巖土體的粘聚力、內(nèi)摩擦角、容重等隨機(jī)變量的量綱不同、而且絕對(duì)值大小差異顯著，為提升向量機(jī)回歸效果，建議對(duì)步驟s310中的正交試驗(yàn)數(shù)據(jù)，也就是訓(xùn)練樣本自變量進(jìn)行歸一化處理得到xi＝[xi1,xi2,…xim]^t，再用于構(gòu)建向量機(jī)。這里采用線性歸一化處理方法，將k組正交試驗(yàn)參數(shù)的m個(gè)分量，歸一化處理到[-1,1]區(qū)間，具體算法如下：

式中μj和σj分別為第j個(gè)分量的均值和標(biāo)準(zhǔn)差。

子步驟2，求解拉格朗日對(duì)偶和偏移量。按照(1)式映射關(guān)系，構(gòu)造向量機(jī)的輸入和輸出，然后進(jìn)行向量機(jī)訓(xùn)練。即按照貫序最小二乘法求解(5)～(6)式所示的最優(yōu)化問(wèn)題，得到拉格朗日對(duì)偶按最小二乘法求解(10)式所示的最優(yōu)化問(wèn)題，得到偏移量b，繼而將向量機(jī)的回歸方程(2)式的待定參數(shù)確定下來(lái)。

子步驟3，獲取映射關(guān)系表達(dá)式。將(2)式函數(shù)關(guān)系式作為邊坡穩(wěn)定系數(shù)(或稱安全系數(shù))fos(factorofsafety)求解的表達(dá)式如(12)式所示，也就是作為邊坡可靠性求解過(guò)程中的響應(yīng)面函數(shù)，從而實(shí)現(xiàn)以簡(jiǎn)潔的公式替代復(fù)雜的隱式過(guò)程，這是本實(shí)施例中關(guān)鍵的一步。

子步驟4，向量機(jī)回歸性能檢驗(yàn)。采用三個(gè)指標(biāo):平均相對(duì)誤差(meanrelativeerror)、相關(guān)系數(shù)(correlationcoefficient)，樣本數(shù)量冗余度來(lái)考核向量機(jī)對(duì)訓(xùn)練樣本的回歸程度，以及訓(xùn)練樣本數(shù)量是否充足。設(shè)k個(gè)樣本中，yj為穩(wěn)定系數(shù)值實(shí)際值(通過(guò)步驟s320得到的邊坡穩(wěn)定系數(shù)實(shí)際值)fosj為通過(guò)(12)式得到的向量機(jī)預(yù)測(cè)值。按下式定義平均相對(duì)誤差mre、相關(guān)系數(shù)r，樣本數(shù)量冗余度p。

(14)式中nv為支持向量的數(shù)量。平均相對(duì)誤差mre越小越好；相關(guān)系數(shù)r越大越好，其值介于–1與+1之間，即–1≤r≤+1。當(dāng)r>0時(shí)，表示兩變量正相關(guān)，r<0時(shí)，兩變量為負(fù)相關(guān)。當(dāng)|r|＝1時(shí)，表示兩變量為完全線性相關(guān)，即為線性函數(shù)關(guān)系。當(dāng)r＝0時(shí)，表示兩變量間無(wú)線性相關(guān)關(guān)系。對(duì)于本實(shí)施例描述的問(wèn)題，建議按三級(jí)考核：0<r<0.4為低度線性正相關(guān)；0.4≤r<0.7為顯著性正相關(guān)；0.7≤r≤1為高度線性正相關(guān)。r越逼近+1表示向量機(jī)回歸效果越好。樣本數(shù)量冗余度p反映了訓(xùn)練樣本數(shù)量是否足夠多。當(dāng)樣本冗余度高，傾向于認(rèn)為樣本覆蓋是全面的；相反，當(dāng)冗余度較低時(shí)，意味著較大比例的樣本入選為支持向量，傾向于認(rèn)為樣本覆蓋面不夠，需要增補(bǔ)訓(xùn)練樣本。

對(duì)本實(shí)施例描述的方法而言，建議平均相對(duì)誤差絕對(duì)值不超過(guò)10％，相關(guān)系數(shù)r不低于0.7，樣本數(shù)量冗余度p不低于50％。上述三項(xiàng)指標(biāo)限值可根據(jù)實(shí)際情況決定。

子步驟5，樣本調(diào)整。當(dāng)向量機(jī)的輸出,即(12)式，無(wú)法同時(shí)滿足上述要求時(shí)，應(yīng)返回到步驟s310，重新生成新的訓(xùn)練樣本，并繼續(xù)后續(xù)流程，直到向量機(jī)回歸性能檢測(cè)合格為止。具體可從如下兩種方式中選取其一：第一種方法，丟棄上述初始樣本，按步驟1重新生成一組新的正交樣本替代。第二種方法，保留上述初始樣本，按步驟1再增補(bǔ)一組正交樣本。

當(dāng)滿足向量機(jī)回歸性能檢驗(yàn)時(shí)，即(12)式完全確定，進(jìn)入步驟s340。

步驟s340，根據(jù)隨機(jī)生成的n個(gè)服從于聯(lián)合概率分布的待測(cè)樣本向量及所述映射關(guān)系表達(dá)式，獲取邊坡可靠性參數(shù)，所述邊坡可靠性參數(shù)包括n個(gè)待測(cè)樣本向量各自對(duì)應(yīng)的邊坡穩(wěn)定系數(shù)的均值和標(biāo)準(zhǔn)差、邊坡失效概率以及可靠度指標(biāo)，其中，每個(gè)所述待測(cè)樣本向量由所述m個(gè)不確定性參數(shù)各自對(duì)應(yīng)的隨機(jī)數(shù)據(jù)構(gòu)成。

作為一種具體的實(shí)施方式，請(qǐng)參閱圖5，所述步驟s340可以包括：

步驟s341，根據(jù)隨機(jī)生成的n個(gè)服從于聯(lián)合概率分布的待測(cè)樣本向量、所述映射關(guān)系表達(dá)式以及預(yù)設(shè)的失穩(wěn)狀態(tài)模糊判別函數(shù)，獲取n個(gè)待測(cè)樣本向量各自對(duì)應(yīng)的邊坡穩(wěn)定系數(shù)，計(jì)算所述n個(gè)待測(cè)樣本向量各自對(duì)應(yīng)的邊坡穩(wěn)定系數(shù)的均值和標(biāo)準(zhǔn)差，其中，每個(gè)所述待測(cè)樣本向量由所述m個(gè)不確定性參數(shù)各自對(duì)應(yīng)的隨機(jī)數(shù)據(jù)構(gòu)成。

其中，所述聯(lián)合概率分布為與所述m個(gè)不確定性參數(shù)的概率分布對(duì)應(yīng)的已知的分布。將隨機(jī)生成的n個(gè)服從于聯(lián)合概率分布的待測(cè)樣本向量分別代入所述映射關(guān)系表達(dá)式中，即可獲取n個(gè)待測(cè)樣本向量各自對(duì)應(yīng)的邊坡穩(wěn)定系數(shù)f(x)。

進(jìn)一步的，若在所述步驟s331之前，對(duì)所述k個(gè)訓(xùn)練樣本向量中的試驗(yàn)數(shù)據(jù)進(jìn)行了歸一化處理，則在所述步驟s341之前，需對(duì)所述隨機(jī)生成的n個(gè)服從于聯(lián)合概率分布的待測(cè)樣本向量進(jìn)行相應(yīng)的歸一化處理。

步驟s342，根據(jù)所述n個(gè)待測(cè)樣本向量各自對(duì)應(yīng)的邊坡穩(wěn)定系數(shù)以及預(yù)設(shè)的失穩(wěn)狀態(tài)模糊判別函數(shù)，分別計(jì)算所述n個(gè)待測(cè)樣本向量各自對(duì)應(yīng)的模糊隸屬度值。

其中，所述預(yù)設(shè)的失穩(wěn)狀態(tài)模糊判別函數(shù)的表達(dá)式為：

其中，lowb<1.0<highb。

根據(jù)(16)式可知，預(yù)設(shè)的失穩(wěn)狀態(tài)模糊判別函數(shù)為線性隸屬度函數(shù)。fos(x)為邊坡穩(wěn)定系數(shù)，g(fos)為模糊隸屬度值。將所述n個(gè)待測(cè)樣本向量各自對(duì)應(yīng)的邊坡穩(wěn)定系數(shù)帶入所述預(yù)設(shè)的失穩(wěn)狀態(tài)模糊判別函數(shù)即公式(16)中，即可以計(jì)算出所述n個(gè)待測(cè)樣本向量各自對(duì)應(yīng)的模糊隸屬度值。

(16)式中，lowb和highb分別是在1.0附近函數(shù)的上下邊界，當(dāng)lowb和highb分別取0.9和1.1時(shí)對(duì)應(yīng)的函數(shù)示意圖如圖6所示，當(dāng)邊坡穩(wěn)定系數(shù)fos(x)小于或等于下邊界時(shí)，g(fos)取1值，表示邊坡失穩(wěn)；當(dāng)fos(x)大于上邊界時(shí)，g(fos)輸出值為0，表示邊坡穩(wěn)定；fos(x)處于上下邊界之間時(shí)，g(fos)輸出在0～1之間。并且，越接近于1，表示越傾向于判別為失穩(wěn)。特別地，當(dāng)fos(x)邊坡穩(wěn)定系數(shù)等于1時(shí)的臨界狀態(tài)，g(fos)輸出值為0.5，表示判別邊坡失效還是穩(wěn)定的幾率各占一半，這與通常的認(rèn)識(shí)是相符的?？梢?jiàn)，上述模糊評(píng)價(jià)機(jī)制，很好地解決了傳統(tǒng)的邊坡失穩(wěn)與否狀態(tài)判別方法“一刀切”的弊端。特別的，考慮一種極端情況，當(dāng)lowb與highb趨近于1時(shí)(即limlowb＝limhighb＝1)，式(16)退化為不考慮模糊分類的情況，實(shí)現(xiàn)了與常規(guī)“一刀切”方式相兼容。

在本實(shí)施例中，摒棄改變傳統(tǒng)的“按邊坡穩(wěn)定系數(shù)是否大于1來(lái)評(píng)價(jià)穩(wěn)定性”，這樣簡(jiǎn)單粗暴的“一刀切”方式，而采用模糊評(píng)判的方法。引入表征失穩(wěn)狀態(tài)的線性隸屬度函數(shù)對(duì)邊坡的穩(wěn)定性進(jìn)行模糊量化。依據(jù)線性隸屬度函數(shù)，將斜坡的狀態(tài)劃分為兩類：即不穩(wěn)定狀態(tài)和穩(wěn)定狀態(tài)(或稱為失穩(wěn)區(qū)和穩(wěn)定區(qū))，即“不穩(wěn)定、穩(wěn)定”兩類，這兩類之間不是非此即彼的關(guān)系，而是漸變關(guān)系。如此，所得到的數(shù)學(xué)模型更接近于對(duì)客觀實(shí)際的判斷，提高獲取可靠性參數(shù)的準(zhǔn)確度。具體到本實(shí)施例算法流程而言，只需要給出如式(16)所示的“失穩(wěn)狀態(tài)模糊判別函數(shù)”，而與之對(duì)應(yīng)的“穩(wěn)定狀態(tài)模糊判別函數(shù)”由于不參與后續(xù)運(yùn)算流程，則無(wú)需給出。

步驟s343，計(jì)算所述n個(gè)待測(cè)樣本向量各自對(duì)應(yīng)的模糊隸屬度值的累加和與n的比值，并將所述比值作為所述邊坡失效概率，即：

(17)式中pf為所述邊坡失效概率，nf為統(tǒng)計(jì)邊坡失效的次數(shù)，nf即為所述n個(gè)待測(cè)樣本向量各自對(duì)應(yīng)的模糊隸屬度值的累加和。nf在大多數(shù)情況下并不是一個(gè)整數(shù)，這恰恰反映了模糊狀態(tài)劃分的成果，只有在lowb與highb趨近于1時(shí)(limlowb＝limhighb＝1)，才恒為整數(shù)，此時(shí)退化為不考慮模糊分類的情況，實(shí)現(xiàn)了與常規(guī)“一刀切”方式相兼容。

步驟s344，根據(jù)所述邊坡失效概率和預(yù)設(shè)規(guī)則，計(jì)算所述可靠度指標(biāo)。

具體地，基于s344，可以通過(guò)如下方法計(jì)算獲得所述可靠度指標(biāo)。

由于一般認(rèn)為邊坡失效概率pf與可靠度指標(biāo)β滿足如下(18)式關(guān)系，所以在已知邊坡失效概率pf的條件下，可采用(19)式計(jì)算可靠度指標(biāo)β。公式(19)為所述預(yù)設(shè)規(guī)則。

β＝-φ^-1(pf)(19)

(18)～(19)式中φ和φ^-1分別為標(biāo)準(zhǔn)正態(tài)概率密度函數(shù)及其反函數(shù)。

其中，獲取的所述n個(gè)待測(cè)樣本向量各自對(duì)應(yīng)的邊坡穩(wěn)定系數(shù)的均值和標(biāo)準(zhǔn)差、邊坡失效概率以及可靠度指標(biāo)是邊坡可靠性評(píng)估中廣為接受的、核心的量化評(píng)估指標(biāo)，可用于對(duì)邊坡的可靠性進(jìn)行精確評(píng)估。

進(jìn)一步的，為了說(shuō)明本發(fā)明實(shí)施例的有益效果，將本發(fā)明實(shí)施例提供的基于支持向量機(jī)的邊坡可靠性參數(shù)獲取方法應(yīng)用于某尾礦壩的邊坡可靠性分析中。

所述某尾礦壩壩坡的概化剖面圖如圖7所示，其巖土體的物理力學(xué)性質(zhì)指標(biāo)如表1所示，其17個(gè)不確定性參數(shù)如表2所示，各自服從獨(dú)立正態(tài)分布。利用正交設(shè)計(jì)法生成的163個(gè)正交訓(xùn)練樣本向量編碼表如表3所示，求解得到的映射關(guān)系表達(dá)式參數(shù)如表4所示，拉格朗日對(duì)偶非零時(shí)的取值及編號(hào)(共計(jì)66組)如表5所示，映射關(guān)系表達(dá)式回歸效果檢驗(yàn)如表6所示。

表1某尾礦壩壩坡巖土體的物理力學(xué)性質(zhì)指標(biāo)

表217個(gè)不確定性參數(shù)

注：17個(gè)不確定性參數(shù)分別編號(hào)為var1-var17

表3163個(gè)正交訓(xùn)練樣本的向量編碼表

注：1)編碼表中“0”、“1”、“2”、“3”、“4”分別代表“均值-3×標(biāo)準(zhǔn)差”、“均值-2×標(biāo)準(zhǔn)差”、“均值”、“均值+2×標(biāo)準(zhǔn)差”和“均值+3×標(biāo)準(zhǔn)差”

2)“sv”代表支持向量，即supportvector，“non-sv”代表非支持向量，即nonsupportvector

表4求解得到的映射關(guān)系表達(dá)式參數(shù)

注：每個(gè)輸入向量x包含如表所示的17個(gè)變量，分別編號(hào)為var1～var17

表5拉格朗日對(duì)偶非零時(shí)的取值及編號(hào)(共計(jì)66組)

注:表中列出66組非零拉格朗日對(duì)偶取值及其對(duì)應(yīng)的i序號(hào)，其余取零的未列出。

i＝1,2,…163(共計(jì)163組訓(xùn)練樣本)

表6映射關(guān)系表達(dá)式回歸效果檢驗(yàn)

注：建議評(píng)價(jià)標(biāo)準(zhǔn)為：平均相對(duì)誤差絕對(duì)值|mre|≤10％，相關(guān)系數(shù)r≥0.7，樣本數(shù)量冗余度p≥50％。

由于所述某尾礦壩壩坡的巖土體由多層結(jié)構(gòu)復(fù)雜的土體組成，使得最危險(xiǎn)滑動(dòng)面的位置難于確定，而以有限元法和有限差分法為基礎(chǔ)的強(qiáng)度折減法在用于邊坡穩(wěn)定性分析時(shí)，能夠自動(dòng)定位最危險(xiǎn)滑動(dòng)面，因此，利用fla3d配合強(qiáng)度折減法，獲取上述163個(gè)訓(xùn)練樣本向量各自對(duì)應(yīng)的邊坡穩(wěn)定系數(shù)，然后根據(jù)這163個(gè)訓(xùn)練樣本向量及其各自對(duì)應(yīng)的邊坡穩(wěn)定系數(shù)，通過(guò)支持向量機(jī)算法，獲取映射關(guān)系表達(dá)式，其參數(shù)如表4和表5所示；而后根據(jù)(11)式建立回歸方程；根據(jù)表6，支持向量機(jī)回歸效果檢驗(yàn)達(dá)標(biāo)，說(shuō)明回歸方程滿足精度要求，能夠進(jìn)入下一個(gè)環(huán)節(jié)；最后，將回歸方程作為可靠性分析中的響應(yīng)面，即映射關(guān)系表達(dá)式，采用蒙特卡洛法求解邊坡的失效概率、可靠性指標(biāo)、穩(wěn)定系數(shù)均值等，結(jié)果見(jiàn)表7～8。

表7某尾礦壩壩坡在1百萬(wàn)次蒙特卡洛模擬下的可靠性分析結(jié)果(不考慮模糊分類)

表8某尾礦壩壩坡在1百萬(wàn)次蒙特卡洛模擬下的可靠性分析結(jié)果(考慮模糊分類)

圖8(a)示出了在不同蒙特卡洛模擬次數(shù)下的壩坡失效概率，圖中橫坐標(biāo)為蒙特卡洛模擬次數(shù)，縱坐標(biāo)為邊坡失效概率，對(duì)比了考慮模糊分類和不考慮模糊分類兩種情況；圖8(b)示出了在不同蒙特卡洛模擬次數(shù)下的邊坡可靠度指標(biāo)，圖中橫坐標(biāo)為蒙特卡洛模擬次數(shù)，縱坐標(biāo)為邊坡可靠度指標(biāo)，對(duì)比了考慮模糊分類和不考慮模糊分類兩種情況；表7示出了某尾礦壩在一百萬(wàn)次蒙特卡洛模擬下的壩坡可靠性參數(shù)(不考慮模糊分類)；表8示出了某尾礦壩在一百萬(wàn)次蒙特卡洛模擬下的邊坡可靠性參數(shù)(考慮模糊分類)。

對(duì)比表7和表8可以發(fā)現(xiàn)：表8在考慮失穩(wěn)狀態(tài)的模糊分類條件下，失效概率更高，相應(yīng)地可靠度指標(biāo)更小。與不考慮模糊分類相比，評(píng)價(jià)結(jié)果趨于危險(xiǎn)。在本實(shí)施例中，依據(jù)(16)式，分別設(shè)置了兩種范圍的模糊區(qū)間，當(dāng)模糊區(qū)間為[0.9,1.1]時(shí)，對(duì)應(yīng)的可靠度指標(biāo)和失效概率分別為1.671與0.0474，當(dāng)模糊區(qū)為[0.8,1.2]時(shí)，對(duì)應(yīng)的可靠度指標(biāo)和失效概率分別為1.479與0.0695?？梢?jiàn)，隨著模糊區(qū)間涵蓋范圍更加寬泛，失效概率進(jìn)一步增大，可靠度指標(biāo)進(jìn)一步減小。

一般在工程上認(rèn)為，邊坡的穩(wěn)定系數(shù)若不能達(dá)到1.2，則安全儲(chǔ)備顯得不足。因此穩(wěn)定系數(shù)即便落在1.0-1.2區(qū)間內(nèi)，仍然不能使人放心。本發(fā)明實(shí)施例提供的基于模糊分類技術(shù)的邊坡可靠性參數(shù)獲取方法正是反映了上述考慮。對(duì)表7和表8的解讀，可以分兩個(gè)層次。第一個(gè)層次：常規(guī)穩(wěn)定系數(shù)評(píng)價(jià)方法和基于概率論的可靠性評(píng)價(jià)方法的差別。以常規(guī)評(píng)價(jià)方法來(lái)看，永平尾礦壩穩(wěn)定系數(shù)達(dá)到了1.32，這個(gè)數(shù)值遠(yuǎn)大于1.2，說(shuō)明穩(wěn)定性較好。但在基于概率論的評(píng)價(jià)體系下，失效概率4％左右(見(jiàn)表7中pf＝0.0396)，并不容樂(lè)觀。該結(jié)果使得對(duì)其穩(wěn)定性的認(rèn)識(shí)更深入了一步。第二個(gè)層次：同為可靠性評(píng)價(jià)方法，是否考慮失效狀態(tài)模糊性的差別。在考慮模糊性的條件下，失效概率從4％降低到5％甚至7％，(見(jiàn)表8中pf＝0.0474、pf＝0.0695)。這說(shuō)明，如果工程上不考慮模糊分類，則將會(huì)使平均結(jié)果盲目樂(lè)觀。相比之下，采用模糊技術(shù)，則是更接近了實(shí)際。

本發(fā)明實(shí)施例提供的一種基于模糊分類技術(shù)的邊坡可靠性參數(shù)獲取方法，根據(jù)m個(gè)不確定性參數(shù)各自對(duì)應(yīng)的均值與標(biāo)準(zhǔn)差，通過(guò)正交技術(shù)獲取少量訓(xùn)練樣本向量，再根據(jù)這些訓(xùn)練樣本向量及一個(gè)或多個(gè)確定性參數(shù)的值，通過(guò)相關(guān)邊坡穩(wěn)定性分析方法獲取對(duì)應(yīng)的邊坡穩(wěn)定系數(shù)，然后根據(jù)隨機(jī)生成的n個(gè)服從于聯(lián)合概率分布的待測(cè)樣本向量、所述映射關(guān)系表達(dá)式以及預(yù)設(shè)的失穩(wěn)狀態(tài)模糊判別函數(shù)，獲取邊坡可靠性參數(shù)。通過(guò)失穩(wěn)狀態(tài)模糊判別函數(shù)對(duì)邊坡的穩(wěn)定性進(jìn)行模糊量化，進(jìn)而提高邊坡可靠性參數(shù)的準(zhǔn)確度。

圖9是本發(fā)明第二實(shí)施例提供的一種基于模糊分類技術(shù)的邊坡可靠性參數(shù)獲取裝置400的結(jié)構(gòu)框圖，請(qǐng)參閱圖9，所述基于支持向量機(jī)的邊坡可靠性參數(shù)獲取裝置400包括訓(xùn)練樣本生成模塊410、穩(wěn)定系數(shù)獲取模塊420、表達(dá)式獲取模塊430以及可靠性參數(shù)獲取模塊440。

所述訓(xùn)練樣本生成模塊410，用于根據(jù)m個(gè)不確定性參數(shù)各自對(duì)應(yīng)的均值與標(biāo)準(zhǔn)差，通過(guò)正交設(shè)計(jì)法，生成k個(gè)訓(xùn)練樣本向量，每個(gè)所述訓(xùn)練樣本向量由所述m個(gè)不確定性參數(shù)各自對(duì)應(yīng)的試驗(yàn)數(shù)據(jù)構(gòu)成，其中m與k為非零自然數(shù)，k的最大取值與m呈指數(shù)關(guān)系。

作為一種具體的實(shí)施方式，請(qǐng)參閱圖10，所述訓(xùn)練樣本生成模塊410包括第一訓(xùn)練樣本生成模塊411和第二訓(xùn)練樣本生成模塊412。

所述第一訓(xùn)練樣本生成模塊411，用于根據(jù)m個(gè)不確定性參數(shù)的均值和標(biāo)準(zhǔn)差，通過(guò)正交設(shè)計(jì)法，至少生成一組第一訓(xùn)練樣本向量，每個(gè)所述不確定性參數(shù)對(duì)應(yīng)的均值為μi，標(biāo)準(zhǔn)差為σi，每個(gè)所述第一訓(xùn)練樣本向量中的每個(gè)所述不確定性參數(shù)對(duì)應(yīng)的試驗(yàn)數(shù)據(jù)為μi-2σi、μi、μi+2σi，或者為μi-3σi、μi、μi+3σi，其中i＝1,2,…,m，所述第一訓(xùn)練樣本向量的數(shù)量為nj，nj≤3^m，j∈n+。

所述第二訓(xùn)練樣本生成模塊412，用于合并至少一組所述第一訓(xùn)練樣本向量為訓(xùn)練樣本向量，所述訓(xùn)練樣本向量的樣本數(shù)為k，或其中，t為所述第一訓(xùn)練樣本向量的組數(shù)。

所述穩(wěn)定系數(shù)獲取模塊420，用于根據(jù)所述k個(gè)訓(xùn)練樣本向量及一個(gè)或多個(gè)確定性參數(shù)的值，通過(guò)邊坡穩(wěn)定性分析方法，獲取所述k個(gè)訓(xùn)練樣本向量各自對(duì)應(yīng)的邊坡穩(wěn)定系數(shù)。

所述表達(dá)式獲取模塊430，用于以所述k個(gè)訓(xùn)練樣本向量為自變量，以其各自對(duì)應(yīng)的邊坡穩(wěn)定系數(shù)為因變量，構(gòu)成映射關(guān)系，通過(guò)支持向量機(jī)算法，獲取所述映射關(guān)系表達(dá)式。

作為一種具體的實(shí)施方式，請(qǐng)參閱圖11，所述表達(dá)式獲取模塊430可以包括第一獲取模塊431以及第二獲取模塊432。

所述第一獲取模塊431，用于根據(jù)所述k個(gè)訓(xùn)練樣本向量及其各自對(duì)應(yīng)的邊坡穩(wěn)定系數(shù)，以及預(yù)設(shè)規(guī)則，獲取最優(yōu)偏移量以及所述k個(gè)訓(xùn)練樣本向量各自對(duì)應(yīng)的最優(yōu)拉格朗日對(duì)偶。

優(yōu)選的，所述第一獲取模塊431還包括第一處理模塊431a，所述第一處理模塊431a，用于在根據(jù)所述k個(gè)訓(xùn)練樣本向量及其各自對(duì)應(yīng)的邊坡穩(wěn)定系數(shù)，以及預(yù)設(shè)規(guī)則，獲取最優(yōu)偏移量以及所述k個(gè)訓(xùn)練樣本向量各自對(duì)應(yīng)的最優(yōu)拉格朗日對(duì)偶之前，對(duì)所述k個(gè)訓(xùn)練樣本向量中的試驗(yàn)數(shù)據(jù)進(jìn)行歸一化處理。

所述第二獲取模塊432，用于根據(jù)所述最優(yōu)偏移量、所述k個(gè)訓(xùn)練樣本向量及其各自對(duì)應(yīng)的最優(yōu)拉格朗日對(duì)偶，獲取映射關(guān)系表達(dá)式。

所述可靠性參數(shù)獲取模塊440，用于根據(jù)隨機(jī)生成的n個(gè)服從于聯(lián)合概率分布的待測(cè)樣本向量、所述映射關(guān)系表達(dá)式以及預(yù)設(shè)的失穩(wěn)狀態(tài)模糊判別函數(shù)，獲取邊坡可靠性參數(shù)，所述邊坡可靠性參數(shù)包括n個(gè)待測(cè)樣本向量各自對(duì)應(yīng)的邊坡穩(wěn)定系數(shù)的均值和標(biāo)準(zhǔn)差、邊坡失效概率以及可靠度指標(biāo)，其中，每個(gè)所述待測(cè)樣本向量由所述m個(gè)不確定性參數(shù)各自對(duì)應(yīng)的隨機(jī)數(shù)據(jù)構(gòu)成。

作為一種具體的實(shí)施方式，請(qǐng)參閱圖12，所述可靠性參數(shù)獲取模塊440可以包括第一計(jì)算模塊441、第二計(jì)算模塊442、第三計(jì)算模塊443及第四計(jì)算模塊444。

所述第一計(jì)算模塊441，用于根據(jù)隨機(jī)生成的n個(gè)服從于聯(lián)合概率分布的待測(cè)樣本向量及所述映射關(guān)系表達(dá)式，獲取n個(gè)待測(cè)樣本向量各自對(duì)應(yīng)的邊坡穩(wěn)定系數(shù)，計(jì)算所述n個(gè)待測(cè)樣本向量各自對(duì)應(yīng)的邊坡穩(wěn)定系數(shù)的均值和標(biāo)準(zhǔn)差，其中，每個(gè)所述待測(cè)樣本向量由所述m個(gè)不確定性參數(shù)各自對(duì)應(yīng)的隨機(jī)數(shù)據(jù)構(gòu)成。

進(jìn)一步的，若所述第一獲取模塊431包括第一處理模塊431a，則所述第一計(jì)算模塊441還包括第二處理模塊441a，所述第二處理模塊441a，用于在所述根據(jù)隨機(jī)生成的n個(gè)服從于聯(lián)合概率分布的待測(cè)樣本向量及所述映射關(guān)系表達(dá)式，獲取n個(gè)待測(cè)樣本向量各自對(duì)應(yīng)的邊坡穩(wěn)定系數(shù)之前，對(duì)所述隨機(jī)生成的n個(gè)服從于聯(lián)合概率分布的待測(cè)樣本向量進(jìn)行歸一化處理。

所述第二計(jì)算模塊442，用于根據(jù)所述n個(gè)待測(cè)樣本向量各自對(duì)應(yīng)的邊坡穩(wěn)定系數(shù)以及所述預(yù)設(shè)的失穩(wěn)狀態(tài)模糊判別函數(shù)，分別計(jì)算所述n個(gè)待測(cè)樣本向量各自對(duì)應(yīng)的模糊隸屬度值。

所述第三計(jì)算模塊443，用于計(jì)算所述n個(gè)待測(cè)樣本向量各自對(duì)應(yīng)的模糊隸屬度值的累加和與n的比值，并將所述比值作為所述邊坡失效概率。

所述第四計(jì)算模塊444，據(jù)所述邊坡失效概率和預(yù)設(shè)規(guī)則，計(jì)算所述可靠度指標(biāo)。

其中，獲取的所述n個(gè)待測(cè)樣本向量各自對(duì)應(yīng)的邊坡穩(wěn)定系數(shù)的均值和標(biāo)準(zhǔn)差、邊坡失效概率以及可靠度指標(biāo)是邊坡可靠性評(píng)估中廣為接受的、核心的量化評(píng)估指標(biāo)，可用于對(duì)邊坡的可靠性進(jìn)行精確評(píng)估。

以上各模塊可以是由軟件代碼實(shí)現(xiàn)，此時(shí)，上述的各模塊可存儲(chǔ)于服務(wù)器100的存儲(chǔ)器110內(nèi)。以上各模塊同樣可以由硬件例如集成電路芯片實(shí)現(xiàn)。

本發(fā)明實(shí)施例所提供的基于模糊分類技術(shù)的邊坡可靠性參數(shù)獲取裝置400，其實(shí)現(xiàn)原理及產(chǎn)生的技術(shù)效果和前述方法實(shí)施例相同，為簡(jiǎn)要描述，裝置實(shí)施例部分未提及之處，可參考前述方法實(shí)施例中相應(yīng)內(nèi)容。

在本申請(qǐng)所提供的幾個(gè)實(shí)施例中，應(yīng)該理解到，所揭露的裝置和方法，也可以通過(guò)其它的方式實(shí)現(xiàn)。以上所描述的裝置實(shí)施例僅僅是示意性的，例如，附圖中的流程圖和框圖顯示了根據(jù)本發(fā)明的多個(gè)實(shí)施例的裝置、方法和計(jì)算機(jī)程序產(chǎn)品的可能實(shí)現(xiàn)的體系架構(gòu)、功能和操作。在這點(diǎn)上，流程圖或框圖中的每個(gè)方框可以代表一個(gè)模塊、程序段或代碼的一部分，所述模塊、程序段或代碼的一部分包含一個(gè)或多個(gè)用于實(shí)現(xiàn)規(guī)定的邏輯功能的可執(zhí)行指令。也應(yīng)當(dāng)注意，在有些作為替換的實(shí)現(xiàn)方式中，方框中所標(biāo)注的功能也可以以不同于附圖中所標(biāo)注的順序發(fā)生。例如，兩個(gè)連續(xù)的方框?qū)嶋H上可以基本并行地執(zhí)行，它們有時(shí)也可以按相反的順序執(zhí)行，這依所涉及的功能而定。也要注意的是，框圖和/或流程圖中的每個(gè)方框、以及框圖和/或流程圖中的方框的組合，可以用執(zhí)行規(guī)定的功能或動(dòng)作的專用的基于硬件的系統(tǒng)來(lái)實(shí)現(xiàn)，或者可以用專用硬件與計(jì)算機(jī)指令的組合來(lái)實(shí)現(xiàn)。

另外，在本發(fā)明各個(gè)實(shí)施例中的各功能模塊可以集成在一起形成一個(gè)獨(dú)立的部分，也可以是各個(gè)模塊單獨(dú)存在，也可以兩個(gè)或兩個(gè)以上模塊集成形成一個(gè)獨(dú)立的部分。

所述功能如果以軟件功能模塊的形式實(shí)現(xiàn)并作為獨(dú)立的產(chǎn)品銷售或使用時(shí)，可以存儲(chǔ)在一個(gè)計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說(shuō)對(duì)現(xiàn)有技術(shù)做出貢獻(xiàn)的部分或者該技術(shù)方案的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來(lái)，該計(jì)算機(jī)軟件產(chǎn)品存儲(chǔ)在一個(gè)存儲(chǔ)介質(zhì)中，包括若干指令用以使得一臺(tái)計(jì)算機(jī)設(shè)備(可以是個(gè)人計(jì)算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個(gè)實(shí)施例所述方法的全部或部分步驟。而前述的存儲(chǔ)介質(zhì)包括：u盤、移動(dòng)硬盤、只讀存儲(chǔ)器(rom，read-onlymemory)、隨機(jī)存取存儲(chǔ)器(ram，randomaccessmemory)、磁碟或者光盤等各種可以存儲(chǔ)程序代碼的介質(zhì)。需要說(shuō)明的是，在本文中，諸如第一和第二等之類的關(guān)系術(shù)語(yǔ)僅僅用來(lái)將一個(gè)實(shí)體或者操作與另一個(gè)實(shí)體或操作區(qū)分開(kāi)來(lái)，而不一定要求或者暗示這些實(shí)體或操作之間存在任何這種實(shí)際的關(guān)系或者順序。而且，術(shù)語(yǔ)“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過(guò)程、方法、物品或者設(shè)備不僅包括那些要素，而且還包括沒(méi)有明確列出的其他要素，或者是還包括為這種過(guò)程、方法、物品或者設(shè)備所固有的要素。在沒(méi)有更多限制的情況下，由語(yǔ)句“包括一個(gè)……”限定的要素，并不排除在包括所述要素的過(guò)程、方法、物品或者設(shè)備中還存在另外的相同要素。

以上所述僅為本發(fā)明的優(yōu)選實(shí)施例而已，并不用于限制本發(fā)明，對(duì)于本領(lǐng)域的技術(shù)人員來(lái)說(shuō)，本發(fā)明可以有各種更改和變化。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)所述以權(quán)利要求的保護(hù)范圍為準(zhǔn)。應(yīng)注意到：相似的標(biāo)號(hào)和字母在下面的附圖中表示類似項(xiàng)，因此，一旦某一項(xiàng)在一個(gè)附圖中被定義，則在隨后的附圖中不需要對(duì)其進(jìn)行進(jìn)一步定義和解釋。