毛志勇，黃春娟，路世昌

?

砂土地震液化預(yù)測的GA_SVM_Adaboost模型

毛志勇，黃春娟，路世昌

(遼寧工程技術(shù)大學(xué)系統(tǒng)工程研究所，遼寧 葫蘆島 125105)

為快速準(zhǔn)確地對砂土液化情況作出預(yù)測，選取地震烈度、地下水位、覆蓋厚度、標(biāo)貫擊數(shù)、平均粒徑、地貌單元、土質(zhì)及不均勻系數(shù)為主要影響因素，運用相關(guān)性分析和因子分析模型對其進(jìn)行分析和屬性約減，采用遺傳算法(GA)對支持向量機(SVM)的參數(shù)尋優(yōu)，結(jié)合Adaboost迭代算法，建立預(yù)測砂土地震液化的GA_SVM_Adaboost模型。選用唐山地震砂土液化現(xiàn)場勘察資料中的329組數(shù)據(jù)對模型進(jìn)行訓(xùn)練，利用該模型對剩余68組砂土液化數(shù)據(jù)進(jìn)行預(yù)測。最后，將預(yù)測結(jié)果與GA_SVM和SVM模型預(yù)測結(jié)果進(jìn)行比較。結(jié)果表明，3個模型的平均預(yù)測準(zhǔn)確率分別為100%、98.04%、89.71%，基于因子分析的GA_SVM_Adaboost模型的預(yù)測準(zhǔn)確性優(yōu)于GA_SVM模型和SVM模型，是一種解決砂土地震液化預(yù)測問題的有效方法，具有一定的應(yīng)用參考價值。

砂土地震液化；因子分析(FA)；支持向量機(SVM)；遺傳算法(GA)；Adaboost算法

砂土液化是常發(fā)生于震后的具有嚴(yán)重危害性的一種自然災(zāi)害現(xiàn)象，可導(dǎo)致城鎮(zhèn)、農(nóng)村、橋梁、水渠、農(nóng)田、道路、房屋等遭受破壞，嚴(yán)重影響人們的生產(chǎn)生活以及生命財產(chǎn)安全。我國是地震多發(fā)國家，地震區(qū)域分布廣泛，許多重要設(shè)施處于地震液化敏感區(qū)內(nèi)。因此，對砂土地震液化的理論研究和預(yù)測分析對工程抗震設(shè)計和防護具有重要的現(xiàn)實指導(dǎo)意義。

多年來，國內(nèi)外學(xué)者從應(yīng)用理論、現(xiàn)場勘測、模擬實驗和仿真預(yù)測等方面對砂土地震液化問題進(jìn)行了大量的研究工作[1-13]。傳統(tǒng)方法有標(biāo)準(zhǔn)貫入法、靜力觸探法、剪切波速法、振動孔壓觸探法等，都是根據(jù)經(jīng)驗或規(guī)范以某個單一指標(biāo)進(jìn)行的砂土液化分析研究，由于砂土液化過程復(fù)雜、各影響因素間存在一定的非線性關(guān)系，這些方法均易產(chǎn)生誤判。因此，一些學(xué)者綜合考慮砂土液化影響因素，提出了多指標(biāo)綜合評判方法，如：文暢平等[4]基于未確知測度理論，通過建立未確知測度函數(shù)，采用相似權(quán)的賦權(quán)方法確定評價指標(biāo)的權(quán)重，建立了砂土地震液化判別的未確知均值聚類分析模型和方法；張紫昭等[5]以學(xué)習(xí)樣本數(shù)據(jù)的多元分布為基礎(chǔ)，計算多元正態(tài)分布概率密度的后驗概率，建立了Bayes判別函數(shù)模型；趙小敏等[6]基于Fisher判別理論，建立了砂土地震液化的FDA模型；劉章軍等[7]運用模糊概率綜合評判法進(jìn)行砂土地震液化判別，過程中充分考慮了權(quán)重的動態(tài)性和模糊性，從而避免權(quán)重取值帶來的不確定性；林志紅等[8]在探討砂土液化影響因素以及BP網(wǎng)絡(luò)輸入層模式的選擇基礎(chǔ)上，將“提前停止”算法和改進(jìn)的貝葉斯正則化方法相結(jié)合建立了砂土地震液化的貝葉斯正則化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型；趙艷林等[9]提出了一種用于砂土地震液化的灰色綜合評判方法；師旭超等[10]將分類性能良好的支持向量機方法應(yīng)用于砂土地震液化預(yù)測問題；薛新華等[11]根據(jù)減法聚類算法以及模糊神經(jīng)網(wǎng)絡(luò)的基本原理構(gòu)造了基于減法聚類模糊神經(jīng)網(wǎng)絡(luò)的飽和砂土液化判別預(yù)測模型。上述各學(xué)者的研究均取得一定的成果，促進(jìn)了砂土地震液化預(yù)測研究領(lǐng)域的進(jìn)展，但仍然存在著影響因素之間具有較高的相關(guān)性和預(yù)測方法自身不足等，砂土地震液化預(yù)測準(zhǔn)確性仍需進(jìn)一步提高。

在信息化會計教學(xué)過程中，教學(xué)的目標(biāo)和內(nèi)容選擇十分關(guān)鍵。因為只有選擇合適的教學(xué)目標(biāo)和內(nèi)容才能有利于會計信息化的學(xué)科建設(shè)，有利于提高信息化會計教學(xué)的質(zhì)量，有利于培養(yǎng)出適應(yīng)社會需要的應(yīng)用型會計人才。下面將從信息化會計教學(xué)的理論內(nèi)容和實踐教學(xué)內(nèi)容進(jìn)行探討。

為了提高砂土地震液化預(yù)測模型的準(zhǔn)確性，減少液化影響因素的信息冗余，筆者通過相關(guān)性分析和因子分析對砂土地震液化預(yù)測的主要影響因素進(jìn)行降維，利用遺傳算法(Genetic Algorithm，GA)優(yōu)化支持向量機(Support Vector Machines，SVM)的懲罰參數(shù)和核參數(shù)，結(jié)合Adaboost算法訓(xùn)練多個GA_SVM基預(yù)測器，并通過加權(quán)集聯(lián)成強預(yù)測器，建立了基于因子分析的GA_SVM_Adaboost砂土地震液化預(yù)測模型，并通過實際數(shù)據(jù)對模型的有效性進(jìn)行驗證。

雖然個人理財產(chǎn)品種類已經(jīng)非常多，但是仔細(xì)比較各種理財產(chǎn)品可以發(fā)現(xiàn)，理財產(chǎn)品之間內(nèi)容相似，儲蓄、保險、基金的組合簡單重復(fù)，各個理財產(chǎn)品之間存在非常嚴(yán)重的同質(zhì)性問題[4-6]。這一問題一方面是由于我國相關(guān)的專業(yè)人才匱乏，創(chuàng)新能力差；另一方面是由于我國可供投資的金融衍生品相對匱乏，例如股指期貨、期權(quán)等產(chǎn)品數(shù)量較少，且投資受到限制。

1 GA_SVM_Adaboost理論模型

1.1 GA_SVM分類算法

⑦轉(zhuǎn)步驟③進(jìn)行下一步迭代，直至迭代到第次為止。

值得注意的是，SVM模型建立過程中，不同類型核函數(shù)、核函數(shù)參數(shù)和懲罰參數(shù)的選擇會對最終結(jié)果產(chǎn)生較大的影響，因此必須考慮此三方面的選擇與優(yōu)化問題。常用核函數(shù)包括線性核函數(shù)、多項式核函數(shù)、sigmoid核函數(shù)、徑向基核函數(shù)等，在應(yīng)用過程中發(fā)現(xiàn)這幾種類型的核函數(shù)對SVM性能影響并不大，反而懲罰參數(shù)和核參數(shù)是SVM性能的關(guān)鍵影響因素。

該系統(tǒng)節(jié)電的軟件設(shè)計沿用基于微內(nèi)核操作系統(tǒng)的設(shè)計思路，采用模塊化的設(shè)計方法，將無線通信協(xié)議、功耗管理、數(shù)據(jù)采集與處理以及外圍硬件驅(qū)動等有機地集成在一起，實現(xiàn)信息的采集處理。

另外，GA 由美國的J. Holland教授于1975年首先提出，是一種借鑒生物界的“適者生存，優(yōu)勝劣汰遺傳機制”進(jìn)化規(guī)律演化而來的隨機化搜索方法[13]。GA 具有如下優(yōu)點：

②初始化樣本權(quán)重：() = 1/；= 1,2,…,；= 1,2,…,；為給定的迭代次數(shù)；()表示在第次迭代中樣本的權(quán)重。

b. 目標(biāo)函數(shù)和約束無論線性與否，離散連續(xù)與否都可以處理，應(yīng)用較為廣泛；

c. 使用概率機制進(jìn)行迭代，具備快速隨機的搜索能力，求出全局最優(yōu)解；

d. 具有較強的魯棒性；具備可擴展性，容易和其他算法結(jié)合等。

彭偉民最后一句話令劉麗芳無比寒心。在丈夫面前，劉麗芳一向是言聽計從百依百順，關(guān)鍵時候，丈夫卻不肯為她做出半點讓步。劉麗芳放下電話，去了衛(wèi)生間。

基于上述幾個優(yōu)點，引入GA算法對參數(shù)和進(jìn)行優(yōu)化，建立GA_SVM算法模型。具體流程步驟參考文獻(xiàn)[14]—[15]。

1.2 Adaboost算法原理

⑧輸出最終的強學(xué)習(xí)器預(yù)測函數(shù)

Adaboost算法如下：

應(yīng)用SPSS 17.0統(tǒng)計軟件對數(shù)據(jù)進(jìn)行統(tǒng)計分析。計量資料以均數(shù)±標(biāo)準(zhǔn)差(±s)表示，組間比較采用重復(fù)測量的方差分析，P＜0.05為差異有統(tǒng)計學(xué)意義。

①給定學(xué)習(xí)樣本：(1,1)，(2,2)，…，(x,y)，其中x∈，y∈，= 1,2,…,；為訓(xùn)練集中樣本的個數(shù)；和表示某個域或?qū)嵗臻g。

a. 對求解的優(yōu)化問題沒有過多的數(shù)學(xué)要求，搜索過程中不需要問題的內(nèi)在性質(zhì)；

③利用樣本權(quán)重()訓(xùn)練弱學(xué)習(xí)器。

目前，常用來作為Adaboost算法的弱分類器有神經(jīng)網(wǎng)絡(luò)和決策樹等方法，但都存在其本身的多參數(shù)及訓(xùn)練次數(shù)選取難的問題。若采用SVM作為Adaboost的弱分類器，便能較好地解決上述難題。對于以RBF為核函數(shù)的SVM模型，其分類性能只受懲罰參數(shù)和核參數(shù)的影響，2個參數(shù)的優(yōu)化問題可以考慮采取GA算法解決，基于此，筆者構(gòu)造了GA_SVM_Adaboost模型用于解決砂土地震液化預(yù)測問題，具體結(jié)構(gòu)如圖1所示。

⑥更新樣本權(quán)重

式中Z為歸一化因子，目的為在保證權(quán)重比例不變的情況下使分布權(quán)重和為1。

SVM是20世紀(jì)90年代初由Vapnic等提出的一種用于解決高維、非線性小樣本問題的神經(jīng)網(wǎng)絡(luò)模型，其基本思想是利用輸入空間的核函數(shù)，將低維空間下輸入向量通過非線性變換映射到高維特征空間，在結(jié)構(gòu)風(fēng)險最小化原則和VC維理論的基礎(chǔ)上，對有限樣本進(jìn)行學(xué)習(xí)訓(xùn)練，在解決算法可能導(dǎo)致的“維數(shù)災(zāi)難”問題的同時，保證獲得其全局最優(yōu)解，從而實現(xiàn)對樣本數(shù)據(jù)的分類預(yù)測。SVM模型的具體計算理論詳見文獻(xiàn)[12]。

Adaboost即自適應(yīng)提升算法，是Boosting算法家族的典型代表，廣泛應(yīng)用于分類問題。近些年來，部分學(xué)者成功將Adaboost算法拓展到回歸和預(yù)測等領(lǐng)域[16-18]。其核心思想是：針對同一個學(xué)習(xí)樣本集訓(xùn)練不同的弱學(xué)習(xí)器，將這些弱學(xué)習(xí)器級聯(lián)起來，組合成一個更強的最終學(xué)習(xí)器，克服數(shù)據(jù)的不確定性影響，從而提高算法的預(yù)測準(zhǔn)確度以及泛化能力。Adaboost算法在求解實際問題中取得了很好的效果。

1.3 GA_SVM_Adaboost模型流程

④獲取弱學(xué)習(xí)器的預(yù)測函數(shù)h，并計算在各樣本下的誤差ε和平均誤差ε。

圖1 GA_SVM_Adaboost模型的預(yù)測流程

2 實例分析

2.1 特征指標(biāo)選取

地震所產(chǎn)生的砂土液化是多種因素共同作用的結(jié)果，見表1，它的發(fā)生主要受地震條件、埋藏條件及土質(zhì)、地質(zhì)條件等所制約。因此，在選擇特征指標(biāo)時應(yīng)綜合考慮這些因素，根據(jù)現(xiàn)行相關(guān)規(guī)范與條例，參照此前相關(guān)學(xué)者的學(xué)術(shù)成果[19]，本文選取地震烈度(1)、地下水位w(2)、覆蓋厚度0(3)、標(biāo)貫擊數(shù)63.5(4)、平均粒徑50(5)、地貌單元(6)、土質(zhì)(7)及不均勻系數(shù)u(8)等8項指標(biāo)作為砂土液化預(yù)測的初始特征指標(biāo)，進(jìn)行預(yù)測分析。表2為地貌單元和土質(zhì)的量化。

2.2 因子分析檢驗

2.2.1 相關(guān)性分析

根據(jù)文獻(xiàn)[19]所提供唐山地震砂土液化現(xiàn)場勘察的數(shù)據(jù)資料(表3，限于篇幅，此處只顯示部分?jǐn)?shù)據(jù))，運用SPSS15.0軟件對8個變量進(jìn)行Spearman等級相關(guān)性分析，用以提高變量之間的相互獨立性。分析結(jié)果顯示：地震烈度(1)、地下水位(2)、覆蓋厚度(3)、標(biāo)貫擊數(shù)(4)、地貌單元(6)、土質(zhì)(7)及不均勻系數(shù)(8)這7個變量之間的統(tǒng)計量的顯著性概率Sig.< 0.05，相關(guān)系數(shù)值顯著異于0，表明這7個變量彼此之間存在較強相關(guān)關(guān)系，存在信息重疊；而平均粒徑(5)與其他7個變量之間的統(tǒng)計量的顯著性概率Sig.>0.05，表明該變量比較獨立，與其他變量之間的相關(guān)性較弱。

表1 砂土地震液化的影響因素

表2 指標(biāo)量化表

2.2.2 因子分析的KMO和Bartlett檢驗

由相關(guān)性分析得到相關(guān)性較強的7個變量，變量之間存在信息冗余，直接應(yīng)用于模型分析可能會造成樣本誤判，為了保證變量屬性選取的可靠性，對這7個變量進(jìn)行因子分析，約減屬性。在對變量進(jìn)行因子分析之前，需要先判斷其是否適合進(jìn)行因子分析。

運用SPSS15.0軟件進(jìn)行KMO和巴特萊特球形(Bartlett)檢驗，結(jié)果見表4，由表可知：樣本的KMO值為0.654，說明這7個相關(guān)變量適合作因子分析；巴特菜特球形檢驗的顯著性概率Sig.值為0<0.05，拒絕0假設(shè)，認(rèn)為適合作因子分析。

從2014年開始，山東省財政廳組織鄉(xiāng)鎮(zhèn)財政業(yè)務(wù)技能競賽，每兩年一屆，極大鼓勵了鄉(xiāng)鎮(zhèn)財政人員學(xué)知識、學(xué)業(yè)務(wù)的熱情。為了迎接技能競賽，各縣市區(qū)也都對各鄉(xiāng)鎮(zhèn)財政所所長、鄉(xiāng)鎮(zhèn)財政業(yè)務(wù)骨干等進(jìn)行專業(yè)知識培訓(xùn)。培訓(xùn)內(nèi)容豐富、重點突出，理論與實踐相結(jié)合，為提升基層財政規(guī)范化、精細(xì)化管理水平，奠定堅實基礎(chǔ)。

表3 原始樣本數(shù)據(jù)(部分)

表4 樣本測度和巴特萊特球形檢驗

根據(jù)2個檢驗的結(jié)果，表明了相關(guān)性較強的7個變量因素可以進(jìn)行因子分析。

組織管理人員作為影響施工組織進(jìn)度控制和施工管理效果的主要因素，通過對電力工程施工組織管理人員的調(diào)查，發(fā)現(xiàn)大部分管理人員均存在投資觀念淡薄，缺乏對工程經(jīng)濟效益知識的了解等問題[1]。近年來，隨著電力產(chǎn)業(yè)的快速發(fā)展，傳統(tǒng)的電力工程施工組織進(jìn)度控制和管理模式已經(jīng)不適應(yīng)電力工程的有效開展，尤其是在電力工程施工技術(shù)的不斷創(chuàng)新下，電氣設(shè)備的不斷更新和施工工藝的創(chuàng)新為管理工作的開展提出了更高的要求，而受到組織管理人員專業(yè)素質(zhì)較低的影響，導(dǎo)致許多電力工程企業(yè)均未能實現(xiàn)對現(xiàn)有施工組織進(jìn)度控制和管理模式的創(chuàng)新。

2.3 基于因子分析的GA_SVM_Adaboost砂土地震液化預(yù)測模型

從砂土地震液化的數(shù)據(jù)中選取了397組砂土液化數(shù)據(jù)作為學(xué)習(xí)數(shù)據(jù)集，其中329組為訓(xùn)練樣本，68組為測試樣本，基于因子分析，建立GA_SVM_ Adaboost砂土地震液化預(yù)測模型。在砂土地震液化模型中，輸入變量是由7個較強相關(guān)性的液化判別指標(biāo)進(jìn)行因子分析所提取的公共因子和較弱相關(guān)性的判別指標(biāo)共同組成，輸出變量為砂土液化類型：液化(1)和非液化(–1)。

運用SPSS15.0軟件對7個相關(guān)變量數(shù)據(jù)進(jìn)行因子分析，得到總方差解釋(表5)和碎石圖(圖2)，以此為依據(jù)提取5個公共因子F1—F5，這5個公共因子的累積貢獻(xiàn)率為86.734%，也就是這5個公共因子包含了原有變量指標(biāo)的86.734%的信息量。

（3）模型數(shù)據(jù)傳遞受阻。BIM技術(shù)最為顯著的特點便是信息的傳遞與組合，使設(shè)計和施工達(dá)到無縫銜接的目標(biāo)。在裝配式建筑設(shè)計中，為了便于單個預(yù)制構(gòu)件的出圖與工程量統(tǒng)計，通常會對項目中的構(gòu)件進(jìn)行拆分，并通過鏈接的形式拼裝起來，但Revit軟件并無文件信息提取功能，使整個建筑中模型數(shù)據(jù)的順利傳輸受到極大阻礙[2]。

表5 總方差解釋表

圖2 碎石圖

將較弱相關(guān)性的單個指標(biāo)(平均粒徑)和5個公共因子作為GA_SVM_Adaboost預(yù)測模型的輸入，在MATLAB R2014bR軟件平臺進(jìn)行編程訓(xùn)練。由于數(shù)據(jù)的數(shù)量級存在較大差異，數(shù)據(jù)尺度不統(tǒng)一，因此對轉(zhuǎn)化后的數(shù)據(jù)進(jìn)行歸一化處理。在Matlab運行程序中，調(diào)用premnmx( )函數(shù)對數(shù)據(jù)進(jìn)行歸一化處理。

三是大力發(fā)展民生水利，著力提高水利公共服務(wù)能力。完成17處大型灌區(qū)和9處中型灌區(qū)年度節(jié)水改造任務(wù)，實施好6個規(guī)?；?jié)水灌溉增效示范項目建設(shè)，建設(shè)節(jié)水灌溉面積510萬畝（34萬hm2）、“旱能澆、澇能排”高標(biāo)準(zhǔn)農(nóng)田385萬畝（25.67萬hm2）。解決360萬人飲水安全問題，推進(jìn)沿黃地區(qū)飲水安全平原水庫建設(shè)，建立縣級水質(zhì)檢測中心和供水服務(wù)“116”熱線。

當(dāng)前PPD發(fā)病率正逐年增加，臨床上主要表現(xiàn)有悲傷、落淚、情緒不穩(wěn)定、睡眠障礙等。臨床上往往需要針對患病的神經(jīng)衰弱、抑郁癥及神經(jīng)官能癥等進(jìn)行對癥治療，但是后期效果不佳，雖然新的抗抑郁藥物不斷出現(xiàn)，但是多數(shù)價格昂貴，且存在較多不良反應(yīng)，哺乳期婦女服用這類藥物可能會有損嬰兒健康，因此，PPD的治療成為業(yè)界人士研究的重點課題之一。

采用GA算法優(yōu)化SVM的懲罰參數(shù)和核參數(shù)，用GA_SVM基預(yù)測器對輸入輸出值進(jìn)行訓(xùn)練，然后運用Adaboost算法多次訓(xùn)練GA_SVM，對多個GA_SVM基分類器加權(quán)組合形成強預(yù)測器。其中的模型參數(shù)設(shè)定：、的取值范圍為：∈(0,100)，∈(0,1 000)；種群個數(shù)為 20，最大進(jìn)化代數(shù)取 50，交叉和變異概率分別為 0.7 和 0.05；基預(yù)測器的個數(shù)=10。

在用GA_SVM_Adaboost模型進(jìn)行優(yōu)化訓(xùn)練的同時，也訓(xùn)練出了GA_SVM、SVM預(yù)測模型。3種方法分別進(jìn)行3次仿真實驗，所得到的預(yù)測準(zhǔn)確率如表6所示?？梢钥闯觯篏A_SVM模型對砂土液化類型都存在著一定誤判，但GA_SVM對SVM預(yù)測結(jié)果有著顯著的優(yōu)化效果，提高了SVM單一模型的預(yù)測準(zhǔn)確性。而由預(yù)測準(zhǔn)確性較高的GA_SVM作為基預(yù)測器所形成的GA_SVM_Adaboost強預(yù)測器，其預(yù)測準(zhǔn)確率達(dá)到100%，為砂土地震液化預(yù)測提供了一種更為高效穩(wěn)定的預(yù)測方法。

表6 測試數(shù)據(jù)的預(yù)測準(zhǔn)確率結(jié)果

3 結(jié)論

a. 應(yīng)用相關(guān)性分析和因子分析法對砂土地震液化的影響因素進(jìn)行特征提取，消除了因素之間的冗余信息，在降低模型復(fù)雜度的同時，有效提高了模型的預(yù)測準(zhǔn)確性。

b. 在砂土地震液化預(yù)測中，GA_SVM_Ada-boost模型具有較好的穩(wěn)定性和極高的準(zhǔn)確率，且預(yù)測效果明顯優(yōu)于GA_SVM和SVM 2個模型，可以進(jìn)一步提高砂土地震液化預(yù)測的準(zhǔn)確性。

c. 基于因子分析的GA_SVM_Adaboost砂土地震液化預(yù)測模型只是筆者的初步嘗試。在特征選取過程中，未能全面地考慮砂土液化影響因素，而是選取了幾個具有代表性和易取性的因素，對于可能存在的重要因素有待后續(xù)工作的開展。另外，文中數(shù)據(jù)來源于唐山地震周邊區(qū)域的信息采集，而世界各地的地震條件、埋藏條件和土、地質(zhì)條件等卻異于唐山地區(qū)，因此該問題在后期研究過程中有待探究。

[1] JUANG C H，ROSOWSKY D V，TANG W H. Reliability-based method for assessing liquefaction potential of soils[J]. Journal of Geotechnical and Geoenvironmental Engineering，1999，125(8)：684–689.

[2] RAHMAN M S，WANG Jun. Fuzzy neural network models for liquefaction prediction[J]. Soil Dynamics and Earthquake Engineering，2002，22(8)：685–694.

[3] 潘建平，曾慶筠，宋應(yīng)潞，等. 尾礦壩地震液化側(cè)向位移分析方法及應(yīng)用[J]. 中國安全科學(xué)學(xué)報，2015，25(12)：99–104.PAN Jianping，ZENG Qingyun，SONG Yinglu，et al. An analysis method of seismic liquefaction-induced lateral displacement for tailings dam and its application[J]. China Safety Science Journal，2015，25(12)：99–104.

[4] 文暢平，陳宗輝，孫政，等. 基于未確知均值聚類分析的砂土地震液化評價[J]. 地下空間與工程學(xué)報，2017，13(2)：517–524.WEN Changping，CHEN Zonghui，SUN Zheng，et al. Assessment of sandy soil liquefaction potential based on unascertained average clustering method[J]. Chinese Journal of Underground Space and Engineering，2017，13(2)：517–524.

[5] 張紫昭，陳巨鵬，陳凱，等. 砂土地震液化預(yù)測的Bayes判別模型及其應(yīng)用[J]. 桂林理工大學(xué)學(xué)報，2014，34(1)：63–67.ZHANG Zizhao，CHEN Jupeng，CHEN Kai，et al. Bayes discriminant analysis model for seismic sand liquefaction[J]. Journal of Guilin University of Technology，2014，34(1)：63–67.

[6] 趙小敏，曹麗文. 砂土液化預(yù)測的Fisher判別分析模型及應(yīng)用[J]. 水文地質(zhì)工程地質(zhì)，2012，39(3)：129–133.ZHAO Xiaomin，CAO Liwen. Fisher discriminant analysis model and its application to sand liquefaction prediction[J]. Hydrogeology & Engineering Geology，2012，39(3)：129–133.

[7] 劉章軍，葉燎原，彭剛. 砂土地震液化的模糊概率評判方法[J]. 巖土力學(xué)，2008，29(4)：876–880.LIU Zhangjun，YE Liaoyuan，PENG Gang. Fuzzy probability comprehensive evaluation method for sand liquefaction during earthquake[J]. Rock and Soil Mechanics，2008，29(4)：876–880.

[8] 林志紅，項偉. 基于貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)的砂土地震液化研究[J]. 安全與環(huán)境工程，2011，18(2)：23–27.LIN Zhihong，XIANG Wei. Analysis on sand seismic liquefaction by bayesian regulated BP-neural networks[J]. Safety and Environmental Engineering，2011，18(2)：23–27.

[9] 趙艷林，楊綠峰，吳敏哲. 砂土液化的灰色綜合評判[J]. 自然災(zāi)害學(xué)報，2000，9(1)：72–79.ZHAO Yanlin，YANG Lyufeng，WU Minzhe. Grey synthetic evaluation of liquefaction of sands[J]. Journal of Natural Disasters，2000，9(1)：72–79.

[10] 師旭超，郭志濤，韓陽. 基于支持向量機的砂土液化預(yù)測分析[J].西北地震學(xué)報，2009，31(4)：363–366.SHI Xuchao，GUO Zhitao，HAN Yang. Analysis on sand seismic liquefaction prediction based on the support vector machine[J]. Northwestern Seismological Journal，2009，31(4)：363–366.

[11] 薛新華，楊興國. 基于減法聚類模糊神經(jīng)網(wǎng)絡(luò)的砂土液化勢判別[J]. 地震工程與工程振動，2012，32(2)：172–177.XUE Xinhua，YANG Xingguo. Analysis of sand liquefaction potential of sand based on subtractive fuzzy neural network[J]. Journal of Earthquake Engineering and Engineering Vibration，2012，32(2)：172–177.

[12] 邵良杉，李永利，趙琳琳. 露天采礦爆破振動對民房破壞的SVM預(yù)測模型[J]. 中國安全科學(xué)學(xué)報，2013，23(9)：26–32.SHAO Liangshan，LI Yongli，ZHAO Linlin. SVM model for predicting residential house’s damage from blasting vibration of open pit mining[J]. China Safety Science Journal，2013，23(9)：26–32.

[13] 趙濤，于師建. 基于GA-BP神經(jīng)網(wǎng)絡(luò)算法的高密度電法非線性反演[J]. 煤田地質(zhì)與勘探，2017，45(2)：147–151.ZHAO Tao，YU Shijian. GA-BP neural network algorithm-based nonlinear inversion for high density resistivity method[J]. Coal Geology & Exploration，2017，45(2)：147–151.

[14] 袁志剛，王宏圖，胡國忠，等. 立井井筒非采動破裂的遺傳–支持向量機預(yù)測模型[J]. 煤炭學(xué)報，2011，36(3)：393–397.YUAN Zhigang，WANG Hongtu，HU Guozhong，et al. Forecast model of GA-SVM for shaft-lining non-mining fracture[J]. Journal of China Coal Society，2011，36(3)：393–397.

[15] 喬美英，程鵬飛，劉震震. 基于GA-SVM的礦井涌水量預(yù)測[J]. 煤田地質(zhì)與勘探，2017，45(6)：117–122.QIAO Meiying，CHENG Pengfei，LIU Zhenzhen. Mine water inflow prediction based on GA-SVM[J]. Coal Geology & Exploration，2017，45(6)：117–122.

[16] 王改革，郭立紅，段紅，等. 基于Elman_AdaBoost強預(yù)測器的目標(biāo)威脅評估模型及算法[J]. 電子學(xué)報，2012，40(5)：901–906.WANG Gaige，GUO Lihong，DUAN Hong，et al. The model and algorithm for the target threat assessment based on Elman- AdaBoost strong predictor[J]. Acta Electronica Sinica，2012，40(5)：901–906.

[17] 李松，解永樂，王文旭. AdaBoost_BP神經(jīng)網(wǎng)絡(luò)在鐵路貨運量預(yù)測中的應(yīng)用[J]. 計算機工程與應(yīng)用，2012，48(6)：233–234.LI Song，XIE Yongle，WANG Wenxu. Application of AdaBoost_BP neural network in prediction of railway freight volumes[J]. Computer Engineering and Applications，2012，48 (6)：233–234.

[18] 李翔，朱全銀. 基于Adaboost算法和BP神經(jīng)網(wǎng)絡(luò)的稅收預(yù)測[J]. 計算機應(yīng)用，2012，32(12)：3558–3560.LI Xiang，ZHU Quanyin. Tax forecasting based on Adaboost algorithm and BP neural network[J]. Journal of Computer Applications，2012，32 (12)：3558–3560.

[19] 唐山地震砂土液化聯(lián)合研究小組. 唐山地震砂土液化現(xiàn)場勘察資料研究報告[R]. 北京：北京市勘察處，1983：26–41.

GA_SVM_Adaboost model for prediction of earthquake-induced sandy soil liquefaction

MAO Zhiyong, HUANG Chunjuan, LU Shichang

(System Engineering Institute, Liaoning Technical University, Huludao 125105, China)

In order to predict the liquefaction of sand, the seismic intensity, groundwater level, covering thickness, standard number, average particle size, landform, soil quality and inhomogeneity coefficient are selected as influencing factors. Genetic algorithm(GA) is used to optimize the parameters of support vector machine(SVM) by using correlation analysis and factor analysis model, and combining with Adaboost iterative algorithm, the GA_SVM_ Adaboost model for predicting the liquefaction of sand is established. 329 sets of survey data of sandy liquefaction site in Tangshan earthquake were used to train the model, and 68 samples of sandy liquefaction data were predicted by using the good model. Finally, The predicted results are compared with that of GA_SVM model and SVM model. The results show that the average prediction accuracy of three models is 100%, 98.04% and 89.71% respectively. The GA_SVM_Adaboost model based on factor analysis is better than GA_SVM model and SVM model which could improve the prediction accuracy. It is an effective method to predict the liquefaction of earthquakes.

earthquake-induced liquefaction of sandy soil; factor analysis(FA); support vector machines(SVM); genetic algorithm(GA); adaboost algorithm

National Natural Science Foundation of China(70971059)

毛志勇，1976年生，男，陜西漢中人，博士，副教授，從事數(shù)據(jù)挖掘、信息系統(tǒng)及系統(tǒng)工程等方面的研究. E-mail：405949570@qq.com

毛志勇，黃春娟，路世昌. 砂土地震液化預(yù)測的GA_SVM_Adaboost模型[J]. 煤田地質(zhì)與勘探，2019，47(3)：166–171.

MAO Zhiyong，HUANG Chunjuan，LU Shichang. GA_SVM_Adaboost model for prediction of earthquake-induced sandy soil liquefaction[J]. Coal Geology & Exploration，2019，47(3)：166–171.

1001-1986(2019)03-0166-06

TU441.4

A

10.3969/j.issn.1001-1986.2019.03.026

2018-04-15

國家自然科學(xué)基金項目(70971059)

(責(zé)任編輯 張宏 周建軍)