基于数据挖掘技术的黄土湿陷性研究

论文摘要

湿陷性是黄土的重要特性之一，一直是黄土工程研究的难题。本文通过黄土湿陷性试验和收集大量黄土工程数据，基于数据挖掘技术对黄土湿陷性影响因素和湿陷性分类与预测问题进行了深入研究，取得了如下研究成果：(1)提出了用数据挖掘技术研究黄土湿陷性的新思路，初步建立了以数据挖掘技术研究黄土湿陷性的方法体系，丰富了黄土湿陷性研究的理论，为黄土湿陷性的研究提供了一种新的技术。进行了数据挖掘中的主成分分析法、CART决策树、BP神经网络及最小二乘支持向量机、粒子群优化等技术研究，对BP人工神经网络进行了改进，提出了基于(CART算法中)基尼系数的特征选择算法及相关性挖掘算法，提出了特征选择算法中减少精度检验频次的折半算法；提出了用粒子群优化算法优选最小二乘支持向量机中的参数的方法。在此基础上研发了黄土湿陷性数据挖掘系统，该系统可与岩土工程应用软件集成，可进行特征提取与选择、相关性挖掘、分类与预测挖掘，系统具有对数据库的维护、管理等功能，可实现对预测因子及挖掘结果即知识的管理。(2)用特征选择技术进行了视电阻率、波速、导热系数、比热容等指标对湿陷性影响程度的定量分析，结果表明，视电阻率与波速是影响湿陷性的主要因素，与反映土的应力状态的湿陷性土层埋深结合可作为测定湿陷性的预测变量。通过本文建立的粒子群优化最小二乘支持向量机模型验证，表明预测变量的选择正确，用视电阻率、波速及土层埋深预测湿陷性的方法可行。(3)通过黄土湿陷性与其击实特性试验数据分析，提出了击实率的概念和利用扰动黄土的变形特性评价黄土湿陷性的新思路。试验数据的相关性挖掘结果表明，击实率与湿陷性有较强的关联性，与湿陷系数为显著的负相关关系，击实过程中土的含水率越接近最优含水率，这种相关性越强；运用土的结构性理论对相关性挖掘结果进行了机理分析。(4)以常规物理力学指标如含水率、干密度、液限、塑限、压缩系数等为基础，用主成分分析法进行了数据压缩，剔除其冗余信息，选取经数据压缩后的变量为预测变量进行湿陷性的分类与预测挖掘，挖掘出了黄土湿陷性与非湿陷性、自重湿陷性与非自重湿陷性的划分规则，建立了相应的决策树分类模型，通过59项工程的2766组试验数据对模型的检验结果表明，分类模型具有较高的精度；建立了湿陷系数预测的神经网络模型，建立了以视电阻率、剪切波速及土层埋深为预测变量的湿陷系数预测的粒子群优化最小二乘支持向量机模型，经实际工程验证，模型均具有较强的准确性和实用性。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 黄土湿陷性研究现状
• 1.2 前人研究评述
• 1.3 数据挖掘技术及其在岩土工程中的应用
• 1.4 基于数据挖掘技术研究黄土湿陷性的必要性
• 1.5 本文的研究内容与思路
• 2 黄土湿陷性数据挖掘系统模型研究
• 2.1 黄土湿陷性数据挖掘的预处理技术
• 2.2 黄土湿陷性数据挖掘的决策树分类模型
• 2.3 黄土湿陷性数据挖掘的神经网络模型
• 2.4 黄土湿陷性分类与预测挖掘的最小二乘支持向量机
• 2.5 本章小结
• 3 数据构建及特征选择
• 3.1 数据收集
• 3.2 湿陷性黄土试验——数据采集
• 3.3 数据构成
• 3.4 特征选择
• 3.5 本章小结
• 4 基于击实试验的黄土湿陷相关性挖掘研究
• 4.1 相关性挖掘的CART决策树模型及其分析
• 4.2 湿陷系数与击实率的异同点
• 4.3 挖掘结果分析
• 4.4 湿陷性与击（压）实效果关系分析
• 4.5 成果应用
• 4.6 本章小结
• 5 黄土湿陷性预测及分类规则挖掘
• 5.1 黄土湿陷性划分规则挖掘研究
• 5.2 黄土湿陷性预测挖掘的神经网络模型
• 5.3 黄土湿陷性预测挖掘的支持向量机模型
• 5.4 本章小结
• 6 黄土湿陷性数据挖掘系统研发
• 6.1 黄土湿陷性数据挖掘系统的结构
• 6.2 黄土湿陷性数据挖掘系统功能
• 6.3 系统的软、硬件环境
• 6.4 本章小结
• 7 结论与展望
• 7.1 结论
• 7.2 创新点
• 7.3 展望
• 致谢
• 参考文献
• 附录