DOI：10.16030/j.cnki.issn.1000-3665.202207046阮永芬，李鹏辉，朱强，等.基于无监督方法确定岩土参数取值[J].水文地质工程地质，2023，50(4):149-159.RUANYongfen,LIPenghui,ZHUQiang,etal.Determinationofgeotechnicalparametersbasedontheunsupervisedlearningmethod[J].Hydrogeology&EngineeringGeology,2023,50(4):149-159.基于无监督方法确定岩土参数取值阮永芬1，李鹏辉1，朱强2，王勇3，闫明4（1.昆明理工大学建筑工程学院，云南昆明650500；2.中铁十六局集团有限公司北京交通轨道建设工程有限公司，北京101100；3.昆明军龙岩土工程有限公司，云南昆明650214；4.中铁二十局集团第五工程有限公司，云南昆明650000）摘要：随着城市工程建设的发展，建筑工程事故问题愈发突出，采用传统方法求取的岩土参数区间无法满足实际工程需要。基于无监督学习思想，选取工程性质较差的泥炭质土，结合工程经验选用8个物理指标作为输入集，利用主成分分析（priciplecomponentsanalysis,PCA）算法实现多样本多参数去耦合的降维处理，得出各物理指标相关性及敏感度，结合其相关性及敏感度赋予不同埋深泥炭质土物理指标的综合评价值。利用k-means聚类分析泥炭质土物理指标、综合评价值及工程特性之间的关系，为岩土参数选取提供理论基础。采用监督学习方法—BP神经网络算法分析无监督结果，验证（PCA—k-means）算法模型的合理性。将通过聚类分析得到的正态样本利用多种截尾法优化，得到可靠取值区间，并将取值结果与实际工程取值比较，验证了该模型工程参数取值的合理性。该算法模型具有较好的工程应用价值，所得研究结果可为工程勘察、设计、施工参数取值提供参考，也能为岩土参数取值分析提供新的分析方法。关键词：主成分分析；k-means聚类；BP神经网络；截尾法；岩土参数中图分类号：TU443文献标志码：A文章编号：1000-3665（2023）04-0149-11DeterminationofgeotechnicalparametersbasedontheunsupervisedlearningmethodRUANYongfen1，LIPenghui1，ZHUQiang2，WANGYong3，YANMing4（1.FacultyofCivilEngineeringandMechanics,KunmingUniversityofScienceandTechnology,Kunming,Yunnan650500,China；2.ChinaRailway16BureauGroupMetroEngineeringConstructionCo.Ltd.,Beijing101100,China；3.KunmingJunlongGeotechnicalEngineeringCo.Ltd.,Kunming,Yunnan650214,China；4.No.5EngineeringCorporationLimitedofCR20G,Kunming,Yunnan650000,China）Abstr...
