典型文献
基于机器学习的边坡稳定性分析方法——以国内618个边坡为例
文献摘要：
为快速精确预测边坡稳定性状态,提出了一种基于机器学习的边坡稳定性状态智能评估方法.基于边坡失稳特征,结合国内618个边坡案例,选取了6个典型边坡参数——重度(γ)、黏聚力(C)、内摩擦角(φ)、坡角(β)、坡高(H)和孔隙水压力(P),建立了边坡稳定性评价数据集.采用机器学习理论中的梯度提升机(GBM)、支持向量机(SVM)、人工神经网络(ANN)及随机森林(RF)算法分别建立边坡稳定性预测模型,利用训练集对模型训练学习,使用五折交叉验证和网格搜索法对模型进行参数调整,并开展精度评价.基于受试者工作特征曲线下面积(AUC)和F1分数(F1Score)可知,随机森林算法的AUC值为0.969,F1分数为0.904,随机森林算法的评价指标最优,更适合用于分析边坡稳定性.基于随机森林算法分别删除不同特征变量建立的不同边坡稳定性预测模型,得到特征参数敏感程度从大到小为重度、坡角、坡高、内摩擦角、孔隙水压力、黏聚力,并基于特征参数敏感程度提出了针对不同敏感因素的边坡防护措施.
文献关键词：
边坡;稳定性;机器学习;随机森林;智能评估;特征参数;混淆矩阵;防护措施
中图分类号：
作者姓名：
张梦涵;魏进;卞海丁
作者机构：
长安大学 公路学院,陕西 西安 710064
文献出处：
引用格式：
[1]张梦涵;魏进;卞海丁-.基于机器学习的边坡稳定性分析方法——以国内618个边坡为例)[J].地球科学与环境学报,2022(06):1083-1095
A类：
F1Score
B类：
基于机器学习,边坡稳定性分析,稳定性分析方法,精确预测,智能评估,边坡失稳,失稳特征,典型边坡,边坡参数,黏聚力,内摩擦角,坡角,孔隙水压力,边坡稳定性评价,评价数据,机器学习理论,梯度提升机,GBM,人工神经网络,ANN,RF,稳定性预测,训练集,模型训练,训练学,五折交叉验证,网格搜索法,参数调整,精度评价,受试者工作特征曲线,特征曲线下面积,随机森林算法,删除,特征变量,同边,敏感程度,敏感因素,边坡防护,防护措施,混淆矩阵
AB值：
0.317333
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
