各向异性非均质边坡的高效可靠性分析：机器学习辅助蒙特卡洛方法
机器学习
2022-04-14 v1 计算工程、金融与科学
摘要
机器学习(ML)算法正日益用作代理模型，以提高岩土工程中随机可靠性分析的效率。本文提出了一种高效的ML辅助可靠性技术，能够准确预测蒙特卡洛(MC)可靠性研究的结果，且速度快500倍。在各向异性非均质边坡上进行了由120,000个模拟样本组成的完整MC可靠性分析，与所提出的ML辅助随机技术并行。通过比较完整MC研究与所提ML辅助技术的结果，切实考察了所提方法的预期误差。所提技术规避了训练数据集安全系数的耗时计算，比以往方法更高效。提出、优化并比较了包括随机森林(RF)、支持向量机(SVM)和人工神经网络(ANN)在内的不同ML模型。讨论了训练和测试数据集的规模与类型的影响。ML预测的失效概率的预期误差由不同水平的土体非均质性和各向异性表征。仅使用1%的MC样本训练ML代理模型，所提技术就能以平均误差限于0.7%准确预测失效概率。所提技术将本研究所需计算时间从306天减少到仅14小时，提供了500倍的更高效率。
引用
@article{arxiv.2204.06098,
title = {Highly efficient reliability analysis of anisotropic heterogeneous slopes: Machine Learning aided Monte Carlo method},
author = {Mohammad Aminpour and Reza Alaie and Navid Kardani and Sara Moridpour and Majidreza Nazem},
journal= {arXiv preprint arXiv:2204.06098},
year = {2022}
}