基于LSSVM和GWOPSO算法的桥岸边坡位移反演方法研究.pdf
《基于LSSVM和GWOPSO算法的桥岸边坡位移反演方法研究.pdf》由会员分享,可在线阅读,更多相关《基于LSSVM和GWOPSO算法的桥岸边坡位移反演方法研究.pdf(12页珍藏版)》请在咨信网上搜索。
1、第 20 卷 第 11 期2023 年 11 月铁道科学与工程学报Journal of Railway Science and EngineeringVolume 20 Number 11November 2023基于LSSVM和GWOPSO算法的桥岸边坡位移反演方法研究毛伟琦1,2,3,李小珍1,2,王翔2,3,赵萌2,3(1.西南交通大学 土木工程学院,四川 成都 610031;2.桥梁智能与绿色建造全国重点实验室,湖北 武汉 430034;3.中铁大桥局集团有限公司,湖北 武汉 430050)摘要:为解决桥岸边坡位移反演中采用传统粒子群算法收敛速度过慢、容易陷入局部最优解的问题,通过引入
2、最差粒子改进策略和最优粒子扰动策略,提出结合灰狼算法改进优化目标方程特性的粒子群优化算法(GWOPSO)。使用最小二乘支持向量机(LSSVM)建立岩土体参数与监测点位移之间的映射关系,根据Flac3D数值模型计算得到训练与检验样本,设置参数初值与粒子个体极值并代入LSSVM进行训练,应用改进的GWOPSO算法搜索LSSVM最优向量机核函数,提高LSSVM的预测精度和适用性。然后,将反分析的目标函数值作为各个粒子的适应度值,利用改进的GWOPSO算法搜索岩土体力学参数的最优组合,进而提出LSSVM和GWOPSO相结合的边坡位移反演方法(LSSVM-GWOPSO算法),并讨论其可行性。研究结果表明
3、:在标定函数测试下,改进的粒子群优化算法较传统的粒子群优化算法在收敛速度与精度上有大幅度提高,在处理对于单模态和实时性要求较高的多模态优化问题的大型工程项目中能迅速进入局部搜索,并跳出得到全局最优解。与传统的SOPSO算法和SAPPSO算法相比,LSSVM-GWOPSO算法反演精度和反演速度均有较大幅度提高。将研究结果与算法应用到某艰险山区特大桥梁桥岸边坡岩土体参数反演分析,并对边坡后续的位移以及破坏模式进行预测分析,取得较好效果。关键词:桥岸边坡;改进PSO算法;LSSVM;反演分析;岩土体参数中图分类号:TU47 文献标志码:A 文章编号:1672-7029(2023)11-4299-12
4、Inversion method of bridge abutment slope displacement based on LSSVM and GWOPSO algorithmMAO Weiqi1,2,3,LI Xiaozhen1,2,WANG Xiang2,3,ZHAO Meng2,3(1.School of Civil Engineering,Southwest Jiaotong University,Chengdu 610031,China;2.National Key Laboratory of Bridge Intelligent and Green Construction,W
5、uhan 430034,China;3.China Railway Major Bridge Engineering Group Co.,Ltd.,Wuhan 430050,China)Abstract:This study aimed to address the issues of slow convergence and susceptibility to local optima in the displacement inversion of bridge abutment slopes using traditional Particle Swarm Optimization(PS
6、O)收稿日期:2023-06-27基金项目:国家自然科学基金资助项目(52278463,52208505)通信作者:王翔(1986),男,湖南岳阳人,正高级工程师,从事桥梁工程研究;Email:DOI:10.19713/ki.43-1423/u.T20231026铁 道 科 学 与 工 程 学 报2023 年 11月algorithms.By incorporating the strategies of the worst particle improvement and the optimal particle perturbation,a Particle Swarm Optimizat
7、ion algorithm(GWOPSO)was proposed,which improved the characteristics of the objective function through the integration of the Grey Wolf Optimization algorithm.Subsequently,the Least Squares Support Vector Machine(LSSVM)was employed to establish the mapping relationship between geotechnical parameter
8、s and monitoring point displacements.Training and testing samples were obtained by calculating the numerical model using Flac3D.Initial parameter values and individual particle extrema were set and used for training LSSVM.The improved GWOPSO algorithm was then applied to search for the optimal suppo
9、rt vector machine kernel function,thereby enhancing the prediction accuracy and applicability of LSSVM.Subsequently,the objective function value of the inverse analysis was regarded as the fitness value of each particle.The improved GWOPSO algorithm is utilized to search for the optimal combination
10、of geotechnical parameters,leading to the proposed slope displacement inversion method combining LSSVM and GWOPSO(LSSVM-GWOPSO algorithm),and its feasibility is discussed.The research results indicate that,under the calibration function test,the improved Particle Swarm Optimization algorithm demonst
11、rates significantly enhanced convergence speed and accuracy compared to the traditional PSO algorithm.It rapidly enters the local search and escapes to obtain the global optimum,particularly for large-scale engineering projects that require high real-time performance and deal with multi-modal optimi
12、zation problems.In comparison with the traditional SOPSO algorithm and SAPPSO algorithm,the LSSVM-GWOPSO algorithm exhibits substantial improvements in inversion accuracy and speed.The research findings and algorithms are applied to the inversion analysis of geotechnical parameters for abutment slop
13、es of a major bridge in a challenging mountainous area.The subsequent displacement and failure mode predictions of the slopes yield favorable results.Key words:bridge bank slope;improved PSO algorithm;LSSVM;inversion analysis;geotechnical parameters 大型复杂边坡的变形破坏机理研究是进行边坡稳定性分析和防治的基础。目前常用的定量研究方法主要有瑞典条分
14、法、毕肖普法、简布法为代表的极限平衡法,有限单元法、有限差分法、离散单元法为代表的数值分析法等14。各种方法计算结果的合理性和准确性均受所选岩土体力学参数的影响。力学参数通常通过室内外试验确定,但由于取样、试验方法和条件的复杂性等影响,试验结果往往难以准确反映实际状态。因此,研究人员常采用现场监测数据和反演分析相结合的方法来确定岩土力学参数56。对于边坡问题主要采用位移反演方法,通过比较现场观测到的信息数据与理论模型得到的模型数据的差异而得到的。并通过定义目标函数,将参数识别反问题转化为优化问题处理。反演计算方法已从基于刚体极限平衡理论的各种方法发展到数值模拟方法,并引入了遗传算法、差分进化和
15、人工蚁群算法等各种优化方法以提高反分析效率710。进而根据反演确定的岩土力学参数进行边坡变形破坏机制和稳定性分析。支持向量机(SVM)是在统计学习理论基础上由VAPNIK11提出的一种设计最佳准则的线性分类器。相比传统解决非线性分类问题的方法,SVM通过非线性映射使原本在低维空间无法线性处理的样本可以通过高维空间中的线性超平面进行处理,并利用核函数技术解决高维计算复杂性的问题12。粒子群优化算法(PSO)是近年来受到广泛关注的群体智能优化算法之一,具有简单易实现、计算效率高以及参数调整少等特点,适用于连续函数的优化,在工程设计、机器学习、图像处理优化问题中得到广泛应用13。然而,PSO算法在解
16、决复杂函数优化问题时存在收敛速度较慢、不适用于多变量优化和非线性问题。本研究根据自然界中优胜劣汰的生存法则提出了改进的粒子群优化算法(GWOPSO),该算法首先进化种群中的4300第 11 期毛伟琦,等:基于LSSVM和GWOPSO算法的桥岸边坡位移反演方法研究最差粒子,然后由于最优粒子在粒子群中具有强引导能力,对其进行扰动以增加全局最优的搜索可能性。最后,结合灰狼优化算法,引导粒子群进行包围式搜索,增强全局搜索能力。本文在介绍 LSSVM 和 GWOPSO 的基本原理的基础上,讨论了其结合反演分析的方法和步骤,将算法应用于一个工程实例并与现场实测数据进行对比,验证了可行性。1 算法基本原理1
17、.1位移反演法位移反演法是通过利用实际边坡体的位移观测值,结合数值计算软件,建立边坡计算模型,并设定满足计算精度要求的目标函数。通过不断迭代优化,寻找全局最小值,最终得到符合目标函数的岩土力学参数,即“等效力学参数”1416。反演方法不仅为数值计算提供实用参数,还为动态施工技术提供了理论基础。在施工过程中,通过实时监测和采集相应信息数据,对施工过程进行跟踪监测。然后通过反演推导出较符合实际情况的土体参数,从而修正设计中不符合实际的部分。这样的修正改进设计可以优化施工,并利用新的参数预测下一施工阶段结构和土体的反应。随后,进行下一步施工,并再次采集施工现场的相关信息。通过不断循环这个过程,持续采
18、集信息、优化设计并指导施工,将设计融入动态施工过程中,对于降低成本、提高效率和保证工程安全具有重要作用。1.2LSSVM算法原理支持向量机(SVM)作为具有出色泛化能力和准确预测性能的回归方法,在处理小型训练集时不易过拟合,相较于很多人工神经网络表现更为优越。然而,当面对大型数据集时,SVM的训练时间 相 对 较 长。为 了 提 高 SVM 的 训 练 效 率,SUYKENS 等17提出了最小二乘支持向量机(LSSVM),用于解决模式分类和函数估计问题。LSSVM继承了SVM的泛化能力和鲁棒性,但在计算效率上优于原始的SVM。给定训练集合(xiti)Ni=1,其中xiRm表示m个影响边坡位移的
19、因素,tiR表示边坡位移实际测量值,LSSVM用于回归分析的等式可以表示为一个约束优化问题,其方程式为:minwbJ(w)=12wTw+12i=1Ni s.t.ti=wT()xi+b+ii=12N(1)式(1)中:为正则化参数;i代表随机误差;wT为权重向量;b是阈值。求解结果可写成如下形式:t(x)=sign(i=1NiK(xixk)+b)(2)式中:i为拉格朗日乘数,K(xi,xk)为核函数矩阵。在本文中,径向基函数被选为LSSVM的核函数,因为其需要调试的参数少,并且具有出色的非线性映射能力。径向基函数表达式如下:K(xixk)=exp(-xi-xk222)(3)1.3改进GWOPSO算
20、法粒子群算法(PSO)1821是从生物种群行为特征中汲取灵感,并应用于求解优化问题,有效地弥补了传统方法的不足之处,在速度和效果方面取得了显著的提升,在反演分析领域,尤其在复杂的大型工程中展现出了新方法的优势。在PSO中,每个优化问题的潜在解都被视为d维搜索空间中的一个粒子,粒子具有由目标函数确定的适应度值。此外,每个粒子还具有速度,它决定了粒子在搜索空间中飞行的方向和距离。粒子们通过追随当前最优粒子,利用自身记忆和群体交流,在解空间中进行搜索。PSO算法本质上是粒子在空间中进行有方向的变速运动,通过个体记忆和群体协作来寻找最优解。其速度与位置关系如下:vm+1i=wmivmi+c1r1(pb
21、estmi-xmi)+c2r2(gbestm-xmi)xm+1i=xmi+vmi(4)式中:v表示粒子的速度,x表示粒子的位置,p表示粒子的个体最优位置,g表示粒子群体的全局最优位置,c1和 c2分别表示学习因子,r1和 r2为随机数。粒子群优化算法中,每个粒子个体都朝向最优个体的方向移动,因此具有较快的收敛速度。在解决非线性、多峰值的高度复杂函数优化问题时,粒子群优化算法相比遗传算法取得了更好的优化结果。然而,该算法在全局搜索能力方面仍有一定的不足。为了解决在高维复杂函数求解中4301铁 道 科 学 与 工 程 学 报2023 年 11月难以找到全局最优解的问题,本文对粒子群优化算法进行了改
22、进,提出了改进粒子群优化(GWOPSO)算法。通过引入了最差改进策略和最优粒子扰动策略22,并结合灰狼算法对迭代更新公式进行改进23,以克服其存在的缺点,更好地应对高维复杂函数求解的挑战,提高全局搜索能力,并取得更优的优化结果。最差粒子改进策略即在每次迭代过程中对适应度最差的粒子进行进化。其主要目的是为了增加粒子群的多样性增强算法的搜索能力。对于适应度最差的粒子,首先计算该粒子的新位置。根据当前位置、速度,利用适当的更新公式计算新位置。接下来,计算新位置对应的适应度值。将新位置代入优化目标函数中,计算得到新的适应度值。最差粒子改进策略的引入有助于增加粒子群的多样性,从而提高算法的全局搜索能力和
23、优化效果。对最差适应度的粒子进化策略具体如下:x_worst(t)=argmax(fit()x1(t)fit()x2(t)fit)()xN(t)(5)Eworst(t)=xi(t)+rand(xj(t)+xk(t)(ijk1N)(6)x_worst(t)=Eworst(t)if(fit(Eworst)fit(x_worst)x_worst(t)otherwise(7)式(5)中:x_worst(t)表示第t次迭代时,N个粒子中最差适应度的粒子,其中N表示粒子群的数量。式(6)中 Eworst(t)表示进化后的粒子的位置,其中 i,j,k为在粒子种群中随机选择的3个互不相同的粒子。式(7)为判断
24、新的适应度值与原适应度值的大小关系。若新适应度值优于原适应度值,则将进化后的粒子替换掉未进化的粒子。若进化后的粒子的适应度比未进化时的适应度差,则保留未进化时的粒子。在PSO迭代后期,粒子群往往会出现聚集现象,导致其搜索能力下降,容易陷入局部最优解。粒子群算法中的全局最优位置gbest(t)在整个优化过程中对粒子群具有强烈的引导作用,使得所有粒子朝全局最优位置的方向进行搜索。因此针对粒子群的聚集程度,对全局最优位置进行扰动,以增强全局搜索能力:avg_x(j)=i=1Nx ijN(8)ri=|xi-avg_x|(9)avg_ r=i=1NriN(10)为评估粒子群的聚集程度,引入平均粒子位置与
25、粒子群中心位置之间的距离avg_r。式(8)中,avg_x(j)表示粒子群中所有粒子在第j维上的均值,i表示第i个粒子。当avg_r较大时,意味着粒子群较为分散,具有较强的多样性。此时只需对全局最优位置进行较小扰动,以增强粒子群局部搜索能力。而当avg_r较小时,说明粒子群较为密集,多样性下降甚至可能陷入局部最优。这时,需要对全局最优位置进行较大扰动,使其引导粒子群跳出局部最优解,以增强粒子群全局搜索能力。为实现该扰动,使用策略如下列公式:Nbest(t)=sign(rand-0.5)exp(-avg_r)gbest(t)+gbest(t)(11)Gbest(t)=Nbest(t)if()fi
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 LSSVM GWOPSO 算法 岸边 位移 反演 方法 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。