与随机建立移动列车引起的振动预测森林

文摘

本文采用数值模拟、现场试验和随机森林预测建筑物移动列车引起的振动。第一,一个三维有限元模型基于train-track-site soil-building系统建立和跟踪动态反应部队铁轨上模型计算的应用作为一个激励。soil-building模型,分析了列车速度的影响,轴负载,站点土壤特性和距离的基础上建筑的振动引起的火车。随机森林,这些不同的影响因素作为输入,建立振动是输出。因此,构建预测模型的振动引起的运动训练。预测精度与测量数据可以进行测试。结果表明,该预测方法可以提供更高的预测精度和最大误差(不到6.41%)和平均误差(少于2.29%)。该方法克服了传统预测方法的不足,提高振动预测的准确性。

1。介绍

轨道交通在中国发展迅速,近年来由于其具有大容量、高速度、低运输成本。高速轨道交通振动也会造成越来越严重的环境问题。振动损伤已经成为七大公害之一(1]。环境振动不仅会导致严重的失眠,焦虑,和其他负面影响个人,还会影响精密仪器的准确性。轨道交通引起的环境振动研究吸引了许多学者的关注(2- - - - - -5]。

建设移动列车引起的振动也被一些文学研究。Kouroussis et al。6]有限元建模用于评估地面波传播和耦合的集中质量模型的土壤,避免计算资源。然后提出了模态分析的车辆和建筑获得地震波的影响放大。Coulier et al。7]试图预测建筑物的振动,铁路交通。在他们的研究中,耦合element-boundary有限元素方法是用于分析建设和铁路隧道之间的交互。他们发现,源在深度和接收机之间的交互主要影响功率流分布。这主要是由于源和接收器之间的距离小于膨胀波长在土壤中。lopez mendoza et al。8)提出了一个作用域模型来预测建设铁路交通引起的振动。模型的输入是ground-borne振动的数据作为模型的输入。加尔文et al。9)也采用范围评估预测测井通过铁路交通振动。丁等。10)旨在研究一群桩的土振动响应,以反映group-soil铁路交通引起的振动。Paneiro et al。11测量由城市轨道交通引起的地面振动,通过人工神经网络训练的测量数据,并使用人工神经网络来预测振动。然而,土壤特性对振动传播的影响不考虑。Connolly et al。12,13提出了一种振动预测方法。

最近,一些研究人员(14- - - - - -16)利用群体智慧预测铁路交通引起的振动。Jayawardana et al。17)使用人工神经网络(ANN)预测双层隔振沟的隔振效果,开发了一种预测模型。姚明et al。(18,19)使用支持向量机来预测建筑物的振动通过测量数据和有限元分析方法。方等。20.)用数值模拟结果和现场测试数据来训练人工神经网络来提高振动预测的准确性。他们的预测模型研究了振动站点的土壤,但没有分析建筑物的振动。

本文试图提出一个振动预测模型基于随机森林。数值模拟方法和现场试验方法用于提高预测的性能。本文的其余部分组织如下。部分2描述我们的数值分析模型,该模型由一个铁轨上的模型,一个站点土壤模型,建筑模型。建筑物振动影响因素进行了讨论3,其次是基于随机森林预测模型的描述4。最后,部分5本文总结道。

2。数值分析模型

建立了系统的三维模型train-track-site soil-building缩短计算时间。整个系统分为三个子系统模型:铁轨上,站点土壤,构建模型。使用铁轨上系统模型中,垂直跟踪现场土壤的动态反应部队训练时可以获得移动。网站上的垂直加载动态反应部队土壤模型,和任意点的振动响应可以通过计算获得的。建筑物的振动在站点土壤模型构建的基础可以基于每个点的振动。

2.1。铁轨上的模型

火车模拟multirigid和multidegree-of-freedom系统在跑道上以一定的速度移动。由于垂直振动对周围环境的影响大于横向振动,本文只考虑垂直振动对建筑物的影响。火车车厢刚性连接到铁路使用欧拉梁模型模拟、离散点的支持方式,基地铁路使用的跟踪模型,使用赫兹非线性弹性接触分析火车和轨道之间的耦合21]。

2.1.1。火车模型

火车模型由多个车辆,每辆车被认为是由多个刚体与集中质量,包括车厢、转向架、车轮、弹簧和阻尼器。列车计算模型如图1。每个组件的参数如表所示1。

火车和转向架,转向架,轮子都是由弹簧和阻尼器连接来模拟火车的悬架系统。模型中,音高(βc)和浮子(佐)的火车,球场(Zt1 Zt2)和浮动(βt1,β转向架的t2),四个轮子的垂直运动( ,我= 1∼4),总共10个自由度,火车和拉格朗日方程建立运动方程,见公式(1):

的公式,T,V,问分别代表了总动能,总弹性势能,和运动系统的总阻尼耗散能量。

基于拉格朗日方程,方程的身体训练,可以建立转向架和轮对。

的运动方程我th运输及其相应的两个妖怪方程所示(2):

在公式(2),Z_我位移矢量的吗我th训练;P_我(t)的外部激励力量我th训练;米_我,C_我,K_我分别代表的质量我th马车、阻尼和密度。

在铁轨上模型中,火车的随机振动是由输入模拟不规则频谱。不规则轨道谱是基于低干扰功率密度函数的德国高速铁路轨道不规则(22),用MATLAB软件通过傅里叶反变换。

2.1.2。跟踪模型

本文使用的形式有压载的轨道。跟踪系统由四部分组成:rails,枕木,跟踪床,和地基梁模拟作为一个三层离散模型。跟踪被视为欧拉梁模型由离散点,根据支持离散点的睡眠。每个元素由两个质量单位(米_如果和米_bi)和三层弹簧阻尼单元(K_π和C_πK_bi和C_bi,K_fi和C_fi)。相邻单元连接的剪切弹簧阻尼(和 )。模型如图2。

2.2。站点土壤模型

采用有限元分析软件ANSYS建立站点的土壤计算模型。为了缩短计算时间,现场土壤模型简化。线的长度是48.5米,垂直轨道宽度是120米,垂直轨道深度为52.9米。有一个两层的方向垂直于轨道;模型的尺寸如图3。

在网站的实际工作条件,土壤是一种多层结构,和每层土的特点是不同的。在数值模拟中,为了减少计算条件和缩短计算时间,使用公式(3),加权平均法用于多层土壤转化为两层土壤(23为简化计算)。转换后的站点土壤参数如表所示2。

正确的边界和下边界模型中采用三维均匀粘弹性人工边界,以减少振动波反射的影响边界的振动响应(24]。前面的边界和后面的边界被视为自由边界。左边界采用对称边界。

2.3。建筑模型

建筑是框架结构类型与6个故事,这是三米高。总高度18米,长度3∗12 = 36米,宽度是1.4米。跨6米;中间跨度是2米。建筑由三部分组成:梁、柱、板。列的横断面尺寸是500毫米×500毫米;房子的主光束的横截面大小帧是350毫米×600毫米;次梁的横截面尺寸为350毫米×500毫米;板厚度是10厘米;建筑布局如图4。

建筑的框架梁、柱的这件,和甜的楼板是由混凝土。建筑阻尼比ξ_c= 0.05。建筑的有限元模型如图5。大质量方法用于负载,和弹簧弹性连接使用集中质量和建筑的基本节点不考虑阻尼的效果。弹簧刚度的计算方法是根据公式(4)和(5): 在哪里 , , ,和 。

Z是自由表面的接触表面的距离。摘要建筑是放在土壤表面,所以价值Z是0。λ和μ拉梅系数。公斤ydF4y2Ba_α,公斤ydF4y2Ba_β,公斤ydF4y2Ba_γ是P波,年代_V波,R波数,分别。T和R波透射系数。以“′”字母上标都是建筑基础的参数特征,和的定义参数是一样的的土壤。这些参数可以通过实验计算。

计算结果K_X和K_z通过公式(4)和(5弹簧刚度相应单位土地面积。模型中的弹簧刚度是由周围的四个土壤元素的平均面积元素和弹簧刚度系数K_X或K_z。每个弹簧的刚度模型中元素的乘积弹簧刚度系数和周围的四个元素节点的平均面积。摘要x设在和y设在坐标系统是互相垂直的x设在和y设在平行于地球表面,z设在垂直于地球表面。因此,弹簧的刚度系数y设在方向是一样的x设在方向。

铁轨上模型计算的动态反应部队。然后有限元模型上的反应是把网站的土壤。任意点的位移、速度和加速度在网站上可以获得的土壤。大规模的建筑模型加载方法,和质量作为结构质量1 e6 * (25]。振动加速度和集中质量的乘积是土壤和建筑物之间的力。通过分析建筑的有限元模型,可以得到建筑物的振动响应。

独立站点土壤和建筑物建模进行计算和分析。通过网站的计算模型,网站中的每个节点模型的振动响应。建筑是加载时,节点的振动加速度对应的中心建筑网站提取模型,然后提取的振动加速度的底部节点加载的所有列根据大型建筑质量的方法。

3所示。分析建筑物振动影响因素

为了分析列车速度的影响,轴负载、距离、土壤阻尼比、密度、弹性模量、泊松比,等等的建筑移动列车引起的振动,这些参数需要进行分析。分析采用控制变量法,只有调整车辆速度的重要参数,火车车轴负荷,距离建筑,和站点土壤特性。其他参数保持不变,每一层的中间点是选为计算点,和振动水平(dB)作为评价指标。各种参数如表所示3。

3.1。车辆速度的影响

选择火车速度67公里/小时,100公里/小时,134公里/小时,167公里/小时,252公里/小时。图6显示了振动加速度的曲线在不同训练水平的建筑楼的速度。

从图可以看出6当其他条件保持不变,当列车速度是167公里/小时,建筑物的振动是最小的。当火车速度是252公里/小时,建筑物的振动是最大的。当高度增加时,振动的变化并不明显,一般建筑物的振动显示增加的趋势随着速度的增加。

3.2。火车车轴载荷的影响

轴负载选择火车。5例122 kN, 128 kN, 144 kN, 160 kN, 176 kN选择进行分析。图7显示建筑物的振动加速度级地板与不同列车轴负载。

从图可以看出7,火车车轴负荷的增加,同一测点的振动级建筑楼逐渐增加。火车车轴载荷对建筑物振动有一定的影响。当火车从122 kN - 176 kN轴负载的增加,振动水平变化大约3分贝。

3.3。距离建筑的影响

从建筑到轨道的距离中心选为10米,20 m, 33米,41米,50米,振动水平加载到模型通过构建一个大质量的方法。图8是不同的楼层不同的振动水平距离。

从图可以看出8这个距离对建筑物振动有显著影响。在相同距离下,振动水平不同楼层之间并没有太大的区别,但随着距离的增加,建立列车引起的振动水平逐渐减少,和减少振动水平是非常明显的。

3.4。站点土壤特性

3.4.1。土的阻尼比的影响

土阻尼比为0.05,0.1,0.15,0.2,和0.25被选中进行计算和分析。火车的速度是67公里/小时,轴负载是160 kN,其他条件保持不变。图9显示振动加速度的变化曲线的建筑楼不同站点土壤阻尼比条件下。

从图可以看出9,网站土阻尼比的增加,地面振动水平逐渐减少,和相同的计算点的振动水平差异大约是7分贝;随着阻尼系数的增加(从0.05到0.10),同一点的振动水平是不同的。相同的计算点的最大振动水平还与阻尼比的增加变化(从0.20到0.25)。

3.4.2。土弹性模量的影响

两层的弹性模量的倍数是相同的,和倍数乘以弹性模量的值在表3分别是0.1倍,1次,10倍、20倍、30倍。图10显示了地上的褶皱变化土壤不同弹性模和建筑物的振动加速度级地板与地板层的曲线。

从图可以得出结论10建筑物的振动不增加单调的增加土壤弹性模量。当土壤弹性模量是1次,每层的振动水平计算点是最大的。当土壤弹性模量是30倍,每层振动水平最低。

3.4.3。土壤密度的影响

由于层土壤差异大,很难分析相同的数值。通过相同的多个土壤的密度变化,和产品的倍数作为土壤的标准密度表3。的0.75倍,1次,1.25倍,1.5倍和1.75倍。图11显示建筑物的振动加速度曲线水平地板与地板在不同站点的土壤密度变化。

从图可以看出11随着土壤密度的增加,相同的计算点的振动水平逐渐降低;同样的土壤密度变化,同样的计算点的振动水平变化很大时,土壤密度很小。

3.5。测试分析

因为数值模拟需要进行理想化假设模型实现简化模型的目的,之间有一个错误数值模拟结果和实际振动响应。现场试验数据真实的振动响应,并将各种影响因素的数据结果。基于随机森林预测模型深入优化利用现场试验数据来提高预测的准确性。

试验场地位于京广线附近的一个住宅建筑。客运列车和货运列车在直线上运行在同一时间(本文只分析旅客列车引起的振动响应),客运列车是160 kN的轴负载和速度是40到115公里/小时。

住宅建筑的考点是6-storey砌体结构,总高度17.25米,58米的长度方向垂直于线,和一个宽12米的方向平行于行。建筑之间的距离和线是14米的护栏。每个建筑都有4个单位。线之间的距离是4、3、2、1单位为了从远到近,每个单元之间的距离是14.5米,没有地下室,层高2.8米,每层由120毫米厚这件现浇混凝土;网站布局如图12。土壤参数在实验室通过钻探和取样。站点的土壤质量参数建筑所在地如表所示4。

测量的点排列单元四的每层建筑,如图13。每个测点配备振动传感器X,Y,Z方向(本文只分析的振动响应Z方向)。

传感器采用891 - iv型传感器由哈尔滨功利研究所。采集仪器采用INV303/306由东方振动和噪声技术研究所和采样频率为100赫兹。所有仪器和传感器调试和校准之前速度测量。

测试收集25组数据,可以使用。后收集到的振动加速度数据过滤和平滑,傅里叶变换是对收集到的数据,和频率转换后的1/3倍频程分析的数据,然后处理和转换成振动加速度水平,和处理数据用于训练随机森林的计划。

3.6。数据处理

从现场试验和数值模拟获得的数据是振动加速度,和数据处理和转换成一种振动水平作为评价标准。振动水平的计算公式所示(6):

在公式(6),l_一个是振动水平(dB);一个_裁判是参考振动加速度,将价值1×10吗⁻⁶;一个(米/秒²)是振动加速度均方根(RMS);计算公式(7)如下:

在公式(7),一个_纳是频率f振动加速度(RMS),在单位的m / s²;c_f对应于不同频率振动加速度修正价值。

4所示。随机森林预测模型

4.1。算法开发

随机森林被Breiman[首次提出26和其他人。通过学习现有数据,实现未知数据的回归预测,预测的准确性通过综合改进的决策树方法。本文回归树为基础解释变量用于集成。每个决策树是相互独立的,可以并行计算。

以下4.4.1。建立决策树

装袋后方法在整个训练集收集每个决策树训练样本的一个子集,每个决策树训练随机森林。每个决策树训练独立,没有修剪。

购物车(27]算法选为决策树节点分裂法,和C艺术算法采用最小均方误差和计算索引节点分裂。计算每个节点的属性是随机选择,而不是所有属性,以有效降低泛化误差。

车的具体计算方法如下:对于任何分区特征一个,相应的任意分区年代分为数据集D₁和D₂两边,当每组的均方误差D₁和D₂是最小的,D₁和D₂的方差最小特征值对应的特征和划分点。表达式所示公式(8):

在公式(8),是D₁样例输出值的数据集;是D₂样本均值的输出数据集。

C艺术树的预测输出预测结果基于平均值的叶节点,所以预测的随机森林的平均预测值的树木。

本文选择随机输入变量相结合的方法随机特征选择的方法,和多个输入变量选择来确定线性组合的随机特性。在节点,每个输入变量是线性增加的体重产生系数n线性组合,然后CART算法选择分裂。

4.1.2。算法形成

随机森林模型是由MATLAB写的。构建模型的过程如下:(1)从训练样本进行随机抽样使用引导方法。抽样的替代品。五个样品每次,共有1736个样本。产生1736训练集。(2)火车1736数据集对应的决策树模型,分别和培训总共1736倍。(3)在每一个决策树模型,训练样本的数量特征是随机选择的。假设的数量特征n购物车,然后算法选择最优特征为每个分割,然后分裂。(4)根据上面的每棵树分裂方法,直到所有节点上的训练样本是同一类型的。(5)每个生成的决策树模型结合,形成一个随机森林。预测的值是通过计算每棵树,每棵树的预测价值是平均来确定最终的预测结果。图14显示了拟议的射频训练模型的过程。(6)随机森林的数量变化后,重复以上1∼5步骤和选择最好的数量的随机森林1320。

4.2。参数选择

为了提高计算效率,缩短计算时间,只有两个最伟大的土壤特性对振动的影响被认为是在算法。在土壤特征参数的灵敏度分析,有限元模型中所有参数保持不变,除了网站两层土壤的特征参数(不包括路基)网站的模型。

单一变量法用于分析每个参数的敏感性。阻尼比、泊松比、弹性模量、站点的土壤和密度参数值增加了15%,和其他参数保持不变。火车轮轨力加载到三维有限元模型进行计算和分析,和加速度时间历史数据可以获得和转化成振动水平。比较每个参数变化后的振动级别值与之前的结果参数不变,然后记录的区别。灵敏度的参数用于表示。不同参数的灵敏度分析网站的土壤图所示15。

从图可以看出15所有站点的参数中,土壤,土壤阻尼系数对建筑物振动影响最大,其次是密度。因此,阻尼比和密度选择代表土壤的特征。

4.3。实例验证

选择站点土壤振动预测。选择一个工作条件的比较测试结果,数值模型计算结果,和随机森林预测结果。工作条件是,火车速度是67公里/小时,火车车轴负荷160 kN,上层土弹性模量为17.7 MPa,和较低的土壤弹性模量为16.9 MPa。比较的结果显示在图16。

根据图16,我们可以得到如下:(1)预测值之差获得的随机森林方法和数值模拟方法得到的模拟值小,最大误差为2.35%,平均误差为0.72%。(2)预报值之间的最大误差的随机森林方法和实验数据为6.41%,平均误差为2.29%,低于1.19%和0.58%的数值模拟值和实验值之间的误差,分别。结果表明,随机森林模型可以获得比数值模拟数据和精度高,可以客观地反映土壤传播的规律。(3)在总重量的实验数据训练样本相对较少,随机森林的预测值更接近数值模拟的计算值。

5。结论

本文使用数值模拟、现场试验和随机森林建立预测模型构建振动引起的列车。预测模型用于预测在一定工作条件下的环境振动和比较测试结果。中可以得到以下结论:(1)数值计算结果表明,列车速度等因素,列车轴负载跟踪和建筑之间的距离,土壤密度和土壤阻尼产生更大的影响高速列车引起的环境振动响应。(2)简化网站分为两层的多层土壤结构的建模分析,不能只考虑多层土壤的影响也简化模型。(3)相结合的方法随机森林的三维有限元模型和现场试验数据可以有效地弥补缺点的理想假设有限元模型和现场试验数据不足,提高预测的准确性。

数据可用性

没有数据被用来支持本研究。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究受到了中国博士后科学基金会(2020 m680331)和中国国家自然科学基金(51678032)。

引用

1. h·夏和y . m .曹”的铁路交通引起的振动问题的环境中,“铁道科学与工程杂志》上,1卷,不。1,44-51,2004页。视图:谷歌学术搜索
2. S.-J。冯,X.-L。张,太张扬。郑,l .王”模拟和缓解分析高速列车引起的地面振动的三维有限元分析,“土动力学和地震工程卷,94年,第214 - 204页,2017年。视图:出版商的网站|谷歌学术搜索
3. 柯瑞亚多斯桑托斯,j .巴博萨r . Calcada和r·德尔珈朵“追踪地面振动引起的铁路交通:实验3 d数值模型的验证,”土动力学和地震工程卷,97年,第344 - 324页,2017年。视图:出版商的网站|谷歌学术搜索
4. h . Takemiya坚称x c .扁,“新干线高速列车引起的地面振动的viaduct-ground互动,”土动力学和地震工程,27卷,不。6,506 - 520年,2007页。视图:出版商的网站|谷歌学术搜索
5. m高,s . p .田问:陈,y . Wang和g . y .高,“高速铁路引起的地面振动的隔离DXWIB:现场调查,“土动力学和地震工程卷,131年,第140 - 131页,2020年。视图:谷歌学术搜索
6. g . Kouroussis l . Van一部分c .孔蒂和o . Verlinden”引起的地面振动预测城市铁路交通:车辆之间耦合的分析假设,跟踪、土壤、和建筑,”国际期刊的声学和振动,18卷,不。4、163 - 172年,2013页。视图:出版商的网站|谷歌学术搜索
7. p . Coulier g . Lombaert, g . Degrande“炮检交互的影响的数值预测铁路诱导振动,”杂志的声音和振动,卷333,不。12日,第2538 - 2520页,2014年。视图:出版商的网站|谷歌学术搜索
8. d . lopez mendoza, a·罗梅罗d·p·康诺利和p·加尔文,”范围的评估建设铁路交通引起的振动,”土动力学和地震工程卷,93年,第161 - 147页,2017年。视图:出版商的网站|谷歌学术搜索
9. p .加尔文·d·l·门多萨d·p·康诺利g . Degrande g . Lombaert和a·罗梅罗”范围的评估振动声波测井由于铁路交通,“土动力学和地震工程卷,114年,第614 - 598页,2018年。视图:出版商的网站|谷歌学术搜索
10. 杨x叮,瞿l . j ., c . Wang”试验研究桩group-soil铁路交通引起的振动在倾斜基岩条件下,“Acta Geotechnica,15卷,不。12,3613页,2020年。视图:出版商的网站|谷歌学术搜索
11. g . Paneiro f . o . Durao m·科斯塔e Silva p•内维斯法尔考,“人工神经网络模型对地面振动振幅预测由于轻便铁路交通在城市地区,”神经计算和应用卷,29号11日,第1057 - 1045页,2018年。视图:出版商的网站|谷歌学术搜索
12. d·p·康诺利g . Kouroussis a . Giannopoulos o . Verlinden·k·伍德沃德和m . c .福德“铁路振动使用一个有效范围模型评估,”土动力学和地震工程,卷。58岁的没有。3,37-47,2014页。视图:出版商的网站|谷歌学术搜索
13. d·p·康诺利g . Kouroussis p·k·伍德沃德,a . Giannopoulos o . Verlinden和m . c .福德”范围的预测再次辐射ground-borne高速铁路附近的噪音和振动与变量土壤,“土动力学和地震工程卷,66年,第88 - 78页,2014年。视图:出版商的网站|谷歌学术搜索
14. 陈w .山,x, y,和j .周”小说实验研究在跑高速电动主轴的振动特征,“机械科学与技术杂志》上,27卷,不。8,2245 - 2252年,2013页。视图:出版商的网站|谷歌学术搜索
15. 维多诉诉,“代地面振动的超高速火车,”应用声学,44卷,不。2、149 - 164年,1995页。视图:出版商的网站|谷歌学术搜索
16. 维多诉诉,“跟踪特性对地面振动的影响所产生的高速列车,“声学学报与Acustica曼联,卷84,不。1,第90 - 78页,1998。视图:谷歌学术搜索
17. p . Jayawardana d . p . Thambiratnam:佩蕾娜和t . Chan“双重振动了二楼战壕缓解和使用人工神经网络预测,“土动力学和地震工程卷,122年,第115 - 107页,2019年。视图:出版商的网站|谷歌学术搜索
18. j .姚明,h·夏:张,b . Yu”预测建立移动列车引起的振动基于支持向量机和小波分析,“机械科学与技术杂志》上,28卷,不。6,2065 - 2074年,2014页。视图:出版商的网站|谷歌学术搜索
19. 杜b j .姚明,姚明,y, y江”Train-induced振动预测在多层建筑中使用支持向量机,”神经网络世界,24卷,不。1,第102 - 89页,2014。视图:出版商的网站|谷歌学术搜索
20. l .方,j .姚明,x,他“预测地基土振动引起的高速移动基于人工神经网络模型的训练,”机械工程的发展,卷2,不。5,页1 - 10,2019。视图:谷歌学术搜索
21. x和z南车结构动态交互,科学出版社,北京,2005。
22. n .哈姆丹o . Laghrouche·k·伍德沃德和m . s .马哈茂德,“地面使用频域有限元的方法,减振分析”建筑和建筑材料卷,92年,第103 - 95页,2015年。视图:出版商的网站|谷歌学术搜索
23. p .梵天和s·穆克吉”,一个现实的方法获得分层土的等效杨氏模量,”印度岩土工程学报》会议,页305 - 308,孟买,印度,2010年12月。视图:谷歌学术搜索
24. y . j . Liu杜,杜x, z . Wang和j .吴”3 d viscous-spring时域人工边界,”地震工程与工程振动,5卷,不。1,第102 - 93页,2006。视图:出版商的网站|谷歌学术搜索
25. p .分类帐,i m . Ide和p . Paultre“多种支持地震分析大型结构,”计算机与结构,36卷,不。6,1153 - 1158年,190页。视图:谷歌学术搜索
26. l . Breiman“随机森林”,机器学习,45卷,不。1,5-32,2001页。视图:谷歌学术搜索
27. b . s .埃维里特,“分类和回归树,”行为科学百科全书的统计数据约翰·威利& Sons,霍博肯,新泽西,美国,2005年。视图:谷歌学术搜索

版权

版权©2021方金宝姚明和花环。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。