混凝土重力坝抗震可靠度的SVM预测模型

资料大小：220KB
资料类型：.PDF
资料等级：
发布时间：2021-09-25

资料介绍

混凝土重力坝抗震可靠度的 SVM 预测模型
杨上清。蒋t)lI，魏明东
(四川大学建筑与环境学院，四川成都 610207)
摘要：研究混凝土大坝抗震可靠性意义重大。混凝土大坝可靠性分析中，大多数功能函数不一定能显式给出，目前一般使用几何法求
解，由于存在各种假定和近似，几何法不是一种完备的求解方法，对非线性问题求解繁琐甚至困难。由于支持向量机 (svM)的非线性映射
能力及对残缺不全或模糊随机的不确定信息较强的容错能力，提出采用优化的 SVM 模型来预测大坝的抗震可靠度。并应用于采集到的
22个混凝土重力坝断面数据分析中，研究结果表明：该模型是合理可靠的，用 SVM 测大坝抗震可靠度是可行的。
关键词：抗震可靠度；混凝土重力坝；SVM
中图分类号： TU528．01 文献标志码： A 文章编号： 1002—3550(2012)07—0016—03
Support vector m achine m odel for predict ion of seism ic reliability of large concrete dam s
YANG Shang-qing，JLANG Yu—chuan，WEIM ing-dong
(SichuanUniversity SchoolofArchitecture andtheBuiltEnvironment，Chengdu610207，China)
Abstract： Because it is impossible to get analytical expression of performan ce function in the seismic reliability analysis of large concrete
dam s，geometric method is used．But there are hypothesis and approxim ate in geom etric meth od，SO it isn’t a maturity method． The SVM model is
proposed to predict the seismic reliability oflarge concrete dams．Based on collected data from 22 concrete gravity dams，practical effectiveness of
SVM model to predict the seismic reliability of large concrete dam iS discussed．Results show that the predicted and measur ed results arc consis—
tent，showingthatthemodel canprovide abasisforpredictionof seismic reliability oflarge concretedams．
Keywords： seismic reliability；concretegravity dam；SVM
0 引言
20世纪以来全球发生的 7级以上强震中，中国占 35％，有
3次震级为 8．5级以上的巨大地震发生在中国。中国位于世界两
大地震活动带之间，是一个多地震国家。根据历史记载，几乎中
国的各省都曾发生过破坏性地震。所以，中国是世界上地震灾害
最为严重的国家。中国水力资源丰富，全国水力资源的蕴藏量有
70％都集中在西南和西北地区，而这些地区也正是高烈度地震频
发地区。据截止 1985年的统计资料，中国已建各类水坝总数达
83 000个，其中水库库容超过 1亿 m 的有 400多座，多数水坝
都位于地震区【1]。大坝特别是高坝的安全关系到下游广大地区人
民生命的安全，大坝抗震安全f生评价因此具有重要的意义。我国
大坝安全评价过去一直采用安全系数，随着新的《水利水电工程
结构可靠度设计统一标准》、《水工建筑物抗震设计规范》的颁布，
要求从单一的安全系数法转移到基于概率的可靠度理论上来 1。
支持向量机 (Support vector machine，SVM )是基于统计学
习理论建立的，它以结构风险最小化原则取代传统机器学习方
法中的经验风险最小化原则，具有很好的泛化能力，在解决小
样本和非线性等复杂问题上表现出其特有的性能，已被广泛应
用于非线性时间序列预测。但是在实际应用中支持向量机的
泛化性能对于模型参数的选择比较敏感，目前对其关键参数的
选择仍是经验性或试验性的，在理论上尚无直接选择法。粒子群
算法(Particle swarm optimization，PSO)是一种基于群体智能的
收稿日期：2012--01—10
· 16 ·
全局寻优方法，它通过个体间的协作与竞争来实现复杂解空间
中最优解的搜索，具有强劲的全局寻优能力，适合用于参数的
选择和优化。同时，如果将所有影响因子直接作为支持向量机模
型的特征值，因其变量之间往往呈现较强的耦合性、信息冗余
及非线性，不但使支持向量机模型过于复杂，而且会干扰模型
预测策略，降低模型的拟合和泛化能力。本研究以在深入将粒子
群算法和支持向量机有机结合，建立 PSO—SVM 优化机器模型，
实现混凝土大坝抗震可靠性。
2 PSO-SVM 优化机器模型
支持向量回归是一种非线性回归预测方法，它是建立在 VC
维理论和结构风险最小原理基础之上，通过非线性变换将输入
向量映射到高维特征空间，并构造最优决策函数，利用原空间
的核函数取代高维特征空间中的点积运算，应用有限样本的学
习训练，获得全局最优解【5-61。SVM 估计函数为：