基于FOS-ELM模型的深度学习方法在高边坡变形预测中的应用

• 作者: 张乃斌 张飞 潘童 王伟力 谢海波
• 来源期刊: 河南科学
• 关键词: 边坡 深度学习 变形预测 安全评价
• 年，卷（期）: 2020,（7）
• 所属期刊栏目: 建筑科学与交通科学
• 页码范围: 1102-1108
• 页数: 7页
• 分类号: TU44
• 语种: 中文

摘要

高边坡变形受复杂岩土体性质与外部环境因素的影响呈现出高度的复杂性和非线性,难以较好地实现边坡变形预测.基于FOS-ELM模型对某路堑高边坡工程的变形监测数据进行深度学习,通过建立相应的模型开展边坡变形的时间序列预测,从而指导边坡安全预警.变形预测结果表明,基于FOS-ELM模型的深度学习方法预测变形结果与实际监测结果较为接近,预测效果随着超前预测时间的增大而显著降低,总体超前6h预测效果可以满足工程要求,具有较好的适用性和可靠性,能够为边坡安全评估与预警提供重要指导.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张飞	河海大学岩土力学与堤坝工程教育部重点实验室	20	72	5.0	8.0
3	王伟力		1	0	0.0	0.0
4	张乃斌		1	0	0.0	0.0
5	谢海波		1	0	0.0	0.0
6	潘童	河海大学岩土力学与堤坝工程教育部重点实验室	2	0	0.0	0.0