[發明專利]基于支持向量機SVM的邊坡系統失效概率計算方法

有效

• 申請號: 202010214048.8
• 申請日: 2020-03-24
• 公開（公告）號: CN111428363B
• 公開（公告）日: 2022-07-01
• 發明（設計）人: 曾鵬;張天龍;李天斌;孫小平;王宇豪
• 申請（專利權）人: 成都理工大學
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06N7/00
• 代理公司: 北京潤澤恒知識產權代理有限公司 11319
• 代理人: 莎日娜

1.基于支持向量機SVM的邊坡系統失效概率計算方法，其特征在于，包括：

步驟S1：在標準正態空間中，利用初始采樣點策略生成所述邊坡系統的訓練樣本集；

步驟S2：將所述訓練樣本集中未確定功能響應G(u)的樣本點從所述標準正態空間轉換至物理空間，并利用強度折減法計算轉換至物理空間后的樣本點對應的G(u)；

步驟S3：在所述標準正態空間中，利用所述訓練樣本集和G(u)，訓練支持向量機SVM代理模型；

步驟S4：利用訓練后的SVM代理模型預測蒙特卡羅模擬MCS池中所有樣本點的功能響應，并根據預測的功能響應計算當前迭代的失效概率，將當前迭代的失效概率記錄在預設矩陣中；

步驟S5：判斷最后五次迭代計算的失效概率的變異系數是否小于預設的收斂閾值；

步驟S6：當最后五次迭代計算的失效概率的變異系數不小于預設的收斂閾值時，利用主動學習函數結合訓練后的SVM代理模型，從所述MCS池中選出位于標準正態空間內的最優樣本點，并將所述最優樣本點加入所述訓練樣本集，重復步驟S2～步驟S6；

步驟S7：當最后五次迭代計算的失效概率的變異系數小于預設的收斂閾值時，將所述預設矩陣中最后一次迭代計算的失效概率作為所述邊坡系統可靠度分析的結果；

在步驟S1中，在標準正態空間中，利用初始采樣點策略生成所述邊坡系統的訓練樣本集的步驟包括：

在標準正態空間中，使用3-σ規則構建所述邊坡系統的初始訓練樣本集；所述初始訓練樣本集包括多個樣本點u，其中u表示所述標準正態空間中隨機變量u的向量；

針對所述初始訓練樣本集中每個u，判斷所述u是否滿足以下任一條件：

所述u有n-1個u等于-3，另一個u等于0或者3，所述n表示u中的u的個數；或所述u的n個元素全相同，均等于-3,0或者3；

若所述u滿足，則將所述u保留在所述初始訓練樣本集中；

若所述u不滿足，則將所述u從所述初始訓練樣本集中移除；

當所述初始訓練樣本集判斷完，獲得所述訓練樣本集S。

2.根據權利要求1所述的方法，其特征在于，在步驟S2中，將所述訓練樣本集中未確定功能響應G(u)的樣本點從所述標準正態空間轉換至物理空間，并利用強度折減法計算轉換至物理空間后的樣本點對應的G(u)的步驟包括：

令標準正態空間為U，物理空間為X；

將所述S中未確定G(u)的樣本點從所述U轉換至X后，所述樣本點由u轉換為x；

利用給定的線性函數g(x)，計算所述x的功能響應：

g(x)＝FS(x)-1 (1)；

其中，FS是使用FLAC^3D中嵌入的強度折減法計算的穩定性系數；

通過(1)式可得到對應的G(u)，滿足：

g(x)＝G(u) (2)。

3.根據權利要求2所述的方法，其特征在于，在步驟S3中，在所述標準正態空間中，利用所述訓練樣本集和G(u)，訓練支持向量機SVM代理模型的步驟包括：

在所述標準正態空間中，利用所述訓練樣本集訓練所述SVM代理模型；其中，當前S中第i次模擬的一個樣本點滿足的樣本點的向量位于一側，滿足的樣本點位于另一側；

針對當前S，利用所述SVM代理模型搜索最優分類超平面H(u)：

上式中，w和e表示未知參數，w^T表示w矩陣的轉置，y_i是的分類符號，表示正或負；

計算當前S中所有樣本點到所述H(u)的距離向量V(u)：

(5)式中，為支持向量，表示當前S中距離H(u)最小的樣本點；N_SV為的數目；ω_i通過公式(4)優化求解獲得，表示第i個樣本點的權重系數；表示矩陣的轉置；

根據V(u)的分類符號的正或負，確定當前S中各樣本點的分類情況。