基于机器学习全流程的高速公路岩质边坡稳定性快速评价方法研究

发布时间：2020-04-16 13:25

【摘要】：近年来,我国不断加大对山区交通基础设施的投资,高速公路作为交通基础设施中的重要组成部分,得到大力发展。由于山区高速公路具有开挖边坡数量多、各开挖边坡点相关基础资料不足、开挖施工工期短等特点,这使得勘察设计人员很难在短期内较好的完成对高速公路全线开挖边坡的稳定性评价工作。因此,建立一套针对高速公路施工期的岩质边坡稳定性快速评价方法就显得非常紧迫和必要。本文以机器学习全流程理论为基础,开展岩质边坡数据集质量、稳定性建模和稳定性快速评价程序研究,以黄塔桃高速公路工程岩质边坡来对快速评价程序进行验证。取得如下进展:(1)给出较为完善的岩质边坡数据集质量提升方法。初步选出代表性强的坡宽、开挖高度、开挖级数、平均开挖坡度、距山顶高差、岩性特征、结构面特征、结构体特征、岩体结构类型、坡体结构为高速公路岩质边坡稳定性快速评价指标;基于前述指标从汤屯高速公路47个岩质边坡的勘察数据中提取出指标值,并由此来建立能反映汤屯高速公路的岩质边坡结构化数据集,对数据集开展数据探索(包括单变量分析、双变量分析),给出数据集质量提升方向和建模算法选择建议;基于数据探索结果,对数据集开展特征工程操作以提升其质量,具体操作有离群值处理、连续型变量Z-score标准化以及分类型变量自然数编码。(2)进一步完善高速公路岩质边坡稳定性机器学习建模方法。基于数据探索结果(数据集离群值较多),选择对离群值容忍性高的随机森林算法来作为建模算法,采用随机搜索方法来获得最优超参数、5折交叉验证来给出评估结果、F1值作为模型性能度量,建立的机器学习模型在测试集上F1=0.9;为突出随机森林算法对汤屯高速公路岩质边坡数据集的适用,文章对比了随机森林、支持向量机、人工神经网络、决策树这四种机器学习算法;为加快工作人员收集边坡评价指标数据,使用非常适合随机森林算法的基于树模型的特征选择法来开展特征选择,在保证模型性能不下降的情况下,得到降维后的特征有:坡宽、开挖高度、平均开挖坡度、岩性特征、结构面特征、结构体特征、岩体结构类型、坡体结构;将未开展/已开展的特征工程操作与未开展/已开展的降维操作相互组合,形成四种不同质量的数据集,基于这四种质量的数据集建模,深入研究不同数据集质量对模型最终性能的影响。(3)初步开发出高速公路岩质边坡稳定性快速评价程序。使用Python语言编写了具有图形用户界面的高速公路岩质边坡稳定性快速评价程序,实现了输入值判断、输入值预处理和机器学习模型计算功能。(4)以黄塔桃高速公路工程边坡为例对高速公路岩质边坡稳定性快速评价程序进行验证。基于降维后的快速评价指标从黄塔桃高速公路勘察数据中提取出28个待评测岩质边坡指标值,然后使用高速公路岩质边坡稳定性快速评价程序对待测边坡的稳定性进行预测,评测结果为:黄塔桃高速公路岩质边坡稳定性快速评级结果与专家评价结果基本一致,全部28个岩质边坡样本仅3个评价结果不一致,且不一致的评价结果相近。
【图文】：

交通运输,布局方案,高速公路,国家

第1章引言1.1 选题依据与研究意义近年来，随着国家对基础设施的不断投资，国内基础设施建设达到新的高度，而作为基础设施中重要组成的高速公路发展快速，截止 2017 年，全国高速公路里程位居世界第一。交通运输部在《国家公路网规划（2013 年-2030 年）》（交通运输部，2013）中提出，至 2030 年将建成国家高速公路 11.8 万千米，，远景计划将在西部地区新建国家高速公路 1.8 万千米，其布局方案图如图 1-1 所示。由此可见，未来国内高速公路建设重点将在中西部地区。

训练集,监督学习,机器学习,半监督学习

习理论及全流程研究现状习理论周志华，2016；张炜，2016）基本思想为：计算量数据中自主学习，以实现从数据中生成“模型”基于输入数据生成的，模型在有新输入时马上给法主要有监督学习、无监督学习算法（周志华，20二者之间的区别在于学习的输入特征有无对应的习、半监督学习算法等，目前有关二者的研究还思路不同，故本文不介绍强化学习、半监督学习
【学位授予单位】：成都理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：U416.14

【相似文献】