基于模糊集理论的公路边坡稳定性评价与预测

《基于模糊集理论的公路边坡稳定性评价与预测》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、万方数据学校代号：10536学号：11102020212密级：公开长沙理工大学硕士学位论文基于模糊集理论的公路边坡稳定性评价与预测学位申请人姓名胡勇至指导教师枷厘益塾撞所在擎院±查皇建筮堂院专业名称蚩±王程论文提交日期星Q!垒生垒旦论文答辩日期2Q!垒生墨旦答辩委员会主席位童堑直级王程』巫万方数据EvaluationandPredictionofHighwaySlopeStabilityBasedontheFuzzySetTheorybyHUYongjunB．E．(YangtzeUniversity)201Athesissubmittedinpartialsatisfactionoft

2、heRequirementsforthedegreeofMasterofEngineeringGeotechnicalEngineeringChangshaUniversityofScience&TechnologySupervisorProfessorLIUHouxiangApril，2014万方数据长沙理工大学学位论文原创性声明本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特另tlDrl以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明

3、的法律后果由本人承担。作者签名：矧霉箩日期：”，垆年6月fEt学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权长沙理工大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。同时授权中国科学技术信息研究所将本论文收录到《中国学位论文全文数据库》，并通过网络向社会公众提供信息服务。本学位论文属于1、保密口，在年解密后适用本授权书。2、不保密团。(请在以上相应方框内打“4”)作者躲硝伤争腓训年‘月『日刷噬轹∥房7

4、嗍⋯睥堋／日万方数据摘要本文在系统查阅、归纳和分析国内外文献资料基础上，结合现场监测结果，对公路边坡稳定性影响因素进行分析，选取影响边坡稳定的主要因素作为评价指标。结合模糊聚类理论、模糊模式识别和模糊优选理论，建立公路边坡稳定性模糊相似聚类模型。在此基础上建立公路边坡稳定性模糊相似聚类RBF神经网络模型。通过研究，得出了如下主要研究成果：1．通过查阅文献资料和现场调研，结合湖南公路边坡滑坡灾害现状、地形地貌特征以及工程地质环境，对影响公路边坡稳定性的主要因素进行分析、归纳和分类，将岩土体容重、粘聚力、内摩擦角、坡高、坡角、孔隙水压力比作为边坡稳定性分析的模糊评价指标。2．采用二元对比排

5、序法计算影响公路边坡稳定性评价的六个主要指标所占权重，根据加权模糊聚类算法，建立了公路边坡稳定性模糊聚类预测模型，对现有模糊聚类迭代模型进行了相应的改进。3．结合模糊聚类理论、模糊模式识别以及模糊优选理论，建立了公路边坡稳定性模糊相似聚类模型，进一步优化模糊聚类算法，提高了计算效率和评价的准确度。针对不同的相似聚类水平fl进行对比研究，得出了最佳相似聚类水平口为0．8。4．将模糊相似聚类模型引入到RBF神经网络中，建立模糊相似聚类神经网络模型。结合工程实例分析，该模型能可靠地应用于公路边坡稳定性评价与预测，进一步优化了边坡稳定性的评价方法。关键词：模糊集理论；公路；边坡稳定性；模糊识别

6、；预测模型；RBF神经网络万方数据ABSTRACTBasedonsystematicallyconsulting，summarizingandanalysingtheliteratureathomeandabroad，andcombinedwithfieldmonitoringresults，theinfluencefactorsonthestabilityofhighwayslopewereanalyzed，andthemainfactorsinfluencingtheslopestabilitywereselectedastheevaluationindexes．Combinedt

7、hetheoryoffuzzyaggregation，fuzzypatternrecognitionandfuzzyoptimizationtobuildthefuzzysimilarclusteringevaluationmodelofhighwayslopestability．AndintroducingthefuzzysimilarclusteringmodelintotheRBFneuralnetworktobuildthemodelo