摘要
岩土工程现场及室内测试数据是工程设计、施工和评价的基础.异常数据的存在往往会误导设计、施工等参数的确定.数据异常检测是确保工程安全可靠的最基本但极为重要的工作.在很多岩土相关的实际工程项目中，有些数据可以通过实验直接获得，但有些数据的获得往往需要耗费大量的时间和金钱，因此需要通过现有的实验数据进行间接估计.另外，简单模型和复杂模型的选择是一项困难的任务，往往取决于主观判断.复杂模型通常能较好地拟合数据，但存在建模误差及测量噪声时估计模型的鲁棒性不一定满足要求.因此，针对岩土工程数据进行异常检测和模态选择研究具有重要的研究意义和应用价值. 对岩土工程中的数据进行异常检测和模态选择成为近年来研究的热点，已有的异常检测算法需要不断调整训练模型，容易造成检测精度低、资源浪费等问题，而传统的模态选择方法很容易过拟合，导致预测性能差，因此进一步探索更适宜的异常检测算法和模态选择方法成为研究的重点.本文的主要工作如下： (1)分析现有的岩土工程中典型的异常检测及模态选择方法，详细介绍异常检测和模态选择的相关理论及技术，指出其各自的优缺点.在异常检测问题上，提出两步筛选的思想，以提高准确性和鲁棒性.在模态选择方面，选择加入惩罚项的模态选择方法，以保证最终模型能够容忍可接受范围内的建模误差和测量噪声。 (2)针对岩土工程数据易受环境、天气等外力因素影响的特点，本文提出了一种使用“人工规则+检验模型”双重筛选机制的算法，该方法采用两步筛选的思想，首先通过人为干预，从基于概率、基于全局距离、基于局部密度、基于线性和基于集成五个方面选定初始模型，确定投票比例，对数据集进行初步分割，其次通过集成思想，从不同层面对五种不同的模型进行集成运算，然后对数据集进行二次分类，来提升检测的准确性和鲁棒性.为了评估模型的有效性，采用UCI数据库中的机器学习检验数据集(shuttle数据集)进行检验分析.结果显示，采用该模型进行异常检测时查准率达到99.99%，查全率达到96.99%，远高于其他检测算法，具有较大的异常值检测潜力.最后，将该方法应用于岑溪至水汶高速公路均昌隧道数据分析，对监测到的地表变形、地基沉降、裂缝以及水位数据进行了异常检测. (3)在模型选择中，一个复杂的模型类往往比一个变量较少的简单模型类更适合数据，但不一定能提供较好的预测性.基于此，本文应用贝叶斯信息准则的模型选择算法，通过加入惩罚项对复杂参数化的模型类进行惩罚，防止模型过拟合，提高预测精度，选取后验概率最大即BIC值最小的模型作为最终模型类.最后，利用澳门Ⅲ级花岗岩数据集对单轴抗压强度进行模型选择并将选出的模型类与其他回归模型进行比较，结果表明，该算法在预测性能上优于其他模型.
NETL