基于ＲＦ－ＳＳＡ－ＳＶＭ的砂土地震液化判别杨琛(江西理工大学土木与测绘工程学院ꎬ江西赣州３４１０００)收稿日期:２０２３－０３－０３作者简介:杨琛(１９９５—)ꎬ男ꎬ江西赣州人ꎬ硕士ꎬ主要研究方向:岩土动力学ꎮ基金项目:江西省教育厅科学技术研究项目:尾矿坝地震液化流滑评价方法研究(ＧＪＪ１２３４０)摘要:为提升支持向量机(ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅꎬＳＶＭ)机器学习方法在砂土地震液化判别模型的适用性和准确性ꎬ选取了１２个包括土性参数和地震参数在内的６２０组数据ꎬ使用引入佳点集法的樽海鞘算法(ＳａｌｐＳｗａｒｍＡｌｇｏｒｉｔｈｍꎬＳＳＡ)对ＳＶＭ的惩罚参数Ｃ和核参数ｇ进行优化ꎬ优化过程中为了提升模型的鲁棒性ꎬ使用５折交叉验证ꎬ由此构建了基于ＳＳＡ－ＳＶＭ的砂土液化判别模型ꎬ随后又运用随机森林(ｒａｎ￣ｄｏｍｆｏｒｅｓｔꎬＲＦ)的因素重要性评分ꎬ选取了重要性排名前８的指标继续对ＳＳＡ－ＳＶＭ模型进行训练和优化ꎬ建立起ＲＦ－ＳＳＡ－ＳＶＭ的液化判别模型ꎮ将两种预测模型的结果与Ｓｅｅｄ“简化法”结果进行对比ꎬ验证了本文所提出的液化判别模型精度较高、泛化能力较强ꎬ为实际应用提供了新的思路ꎮ关键词:砂土液化ꎻ预测模型ꎻ支持向量机ꎻ樽海鞘算法ꎻ佳点集法中图分类号:ＴＵ４４１４文献标志码:Ａ文章编号:１６７２－４０１１(２０２３)０８－００８３－０４ＤＯＩ:１０３９６９/ｊｉｓｓｎ１６７２－４０１１２０２３０８０３２０引言生命和财产损失仍然是大地震不可避免的后果ꎬ液化所引起的侧向位移便是地震灾害中最普遍和最具破坏力的一种ꎮ地震灾害的发生是不可避免的ꎬ因此对场地进行地震液化的可能性评估是极其必要的ꎬ而砂土液化的研究方法仍是工程抗震的重要研究课题ꎮ由于地震发生的不确定性ꎬ致使液化诱因和液化势之间展现出复杂的非线性关系ꎬ因而传统的经验判别方法[１]难以将所有类别的因素考虑全面ꎮ近年来所兴起的机器学习方法则很好地克服了这个难点ꎬ它可以有效地描述液化势与液化影响因素之间的映射关系ꎮ蔡煜东等[２]运用ＢＰ神经网络建立了砂土液化的预测模型ꎬ为岩土工程界开辟了一条崭新的机器学习道路ꎮ刘红军等[３]选取烈度、震中距、平均粒径等８个实测指标ꎬ建立了基于ＢＰ神经网络的砂土液化判别模型ꎬ并与规范法和Ｓｅｅｄ简化法的预测结果进行比较ꎬ验证了该模型的适用性和准确性ꎮ刘章军等[４]运用模糊概率理论ꎬ选取标准贯入击...
