论文部分内容阅读
本文主要研究降雨情况下高边坡智能区域评估及其相关问题，通过均匀设计法、饱和—不饱和理论、极限平衡法、神经网络理论及GIS，对以奉节地区为数据基础的降雨情况下高边坡稳定性进行了智能区域评估。本文以降雨情况下的高边坡边坡稳定性作为研究对象，建立了基于GIS平台的智能化区域评估系统，对GIS的智能化提供了积极的探索和切实可行的途径，并得出了奉节地区基于GIS的降雨情况下高边坡稳定性智能区域评估图，对奉节地区地灾防治有一定的指导意义。本文完成的工作和主要进展如下：①在降雨入渗影响边坡稳定性机理研究的基础上，研究典型降雨情况下高边坡失稳的灾变因子，确定数值实验样本库的六个输入参数：几何特征因素（坡高、坡度）、边坡的力学参数（黏聚力、内摩擦角）、物理参数（重度）、降雨影响因素（日降雨量）。确定神经网络训练样本库的一个输出参数：安全系数。②确定建立数值实验样本库的方法：均匀设计法。依照U30*(3013)的使用表，选取相应的第1、2、5、7、8、11列与灾变因子对应排列，进行均匀化设计。③依据数值实验样本库建立数值实验模型。基于Geo-studio的极限平衡法来计算数值实验模型边坡的安全系数。在计算过程中考虑到降雨入渗的影响，结合饱和—不饱和理论建立数值实验模型和参数的选取。④基于数值实验样本库和数值实验模型的基础上，建立神经网络训练样本，并进行数据归一化，较好地处理了奇异化和收敛的问题。⑤通过MATLAB建立BP神经网络，并通过训练建立映射。通过神经网络对样本数据的学习训练，使神经网络系统的映射规则自动生成，根据期望误差使神经网络的权值和阙值自动匹配其映射。⑥基于GIS建立灾变因子栅格数据图层。以《奉节地质灾害详细调查报告》为数据来源建立栅格数据图层，建立不同等级的灾变因子区域图。⑦结合神经网络系统进行GIS的空间分析，实现GIS的智能化。利用Fishnet工具和Spatial Join工具提取GIS模型数据，导入神经网络系统进行计算，将计算结果经Access处理重新导入GIS模型，然后进行栅格转换和重分类，输出不同颜色的区域危险性评估图。本文以降雨情况下的高边坡稳定性作为对象进行研究中。综合比对各种理论方法后，选择均匀设计法、饱和—不饱和理论、极限平衡法、神经网络理论及GIS等理论方法，并对比前人的研究，提高了降雨情况下的高边坡稳定性智能区域评估的效果。