高层建筑物沉降预测方法的比较

用沉降预测工作中常用到的指数平滑法、回归分析法及灰色预测模型,对建筑物的沉降量进行预测,并应用工程观测中的实测数据进行了预测,从多方面对这三种方法的精度及可靠性进行了比较分析,结果表明:对于沉降趋势较为缓慢平稳的数据,采用灰色模型预测可以得到较为理想的结果;而对于变化速率的增量较小,且后期变化十分平稳的情况,采用指数平滑预测可以得到较好的效果;当沉降波动较大时,宜采用回归分析法拟合,然后进行预测.     

饱和软粘土地基沉降拟合研究

基于饱和软基实测沉降资料，采用多种拟合方法分析比较，探求实测沉降发展规律，研究这些方法的适用条件以及优缺点，讨论这些拟合方法预测地基变形的几个问题，为饱和软粘土地区实际工程变形预测提供理论依据．     

高铁路基沉降预测新方法的研究与探讨

透过高速铁路路基的工程实例,利用Natton预测模型,对路基的后期及最终沉降进行预测,同时将预测数据与实测数据进行拟合分析对比,结果表明,Natton预测模型具有精度高、适应性好等特性,因此,可以作为地基沉降预测的新方法广泛地运用于实践之中。     

基于参数收敛的时变参数沉降预测模型

当时变参数沉降预测模型中的参数随时间不收敛时,模型对中长期沉降的预测精度不高,不能预测最终沉降.基于沉降预测模型参数的物理含义,分析模型参数随时间的变化规律,采用随时间收敛的函数来描述模型参数随时间的变化,建立相应的时变参数沉降预测模型.根据前期实测数据,采用最小二乘法对预测模型进行求解.通过引入遗忘因子来加大近期实测数据的权重,进一步提高模型的预测精度.实例分析表明,所提出的时变参数预测模型拟合精度高于现有的沉降预测模型,对全过程的实测沉降数据都具有很好的拟合精度,并对最终沉降做出合理的预测.     

基于Verhulst模型的软土路基沉降预测

目的为提高软土路基的工后沉降量预测精度,给设计和造价控制提供反馈信息.方法在深入分析沉降发生发展规律的基础上,引入Verhulst模型,采用改进的曲线拟合的经验计算方法,挖掘施工期的实测数据所蕴含的信息.结果计算表明:该方法拟合误差小,后期沉降预测准.结论在模型参数的反演上运用改进的非线性拟合算法,可避免常用的灰色建模方式下的理论缺陷和其他处理方法的弊端;实例分析表明,本方法的适应性较好,预测精度也有所提高.     

全螺旋灌注桩单桩极限承载力的预测

根据6根全螺旋灌注桩的实测桩项载荷-桩顶沉降（Q-s）曲线，用双曲线法预测全螺旋灌注桩的极限承载力。研究结果表明：在极限加载范围内，用双曲线法能较好地预测全螺旋灌注桩的单桩极限承载力，拟合曲线与实测的曲线比较吻合且预测的结果偏于安全，预测结果的偏差与地层情况关系不大。     

修正的Peck公式在常州地铁隧道施工地表沉降预测中的应用

本文以常州地铁项目部实测数据为依据,运用数学方法进行拟合,并结合实测数据对Peck公式进行修正,修正参数为地表最大沉降值和沉降槽宽度。得出了适应常州地区的Peck公式。结果表明:通过实测数据来分析得出地表最大沉降值修正范围在0.172 4~0.442 3,沉降槽的修正范围在0.556 4~0.746 1时,在运用Peck公式预测盾构施工引起的地表沉降时,和真实结果较为接近,且与原始Peck公式相比,预测结果更为可靠。     

建筑地基沉降预测的Usher-Spillman组合模型研究

从40处现场地基沉降实测资料中选取有代表性的17处资料,对建筑地基沉降-时间曲线进行了优化的拟合分析.针对建筑地基的沉降特性,提出了Usher-Spillman组合数学模型.对17处实测资料的拟合表明,Usher-Spillman组合模型对台阶型、L型、S型、凹型、微凹型、直线型曲线都有高的拟合精度,相关系数R为0.997 68～1,平均为0.999 24;该模型拟合效果比双曲线模型、Usher曲线模型、Spillman曲线模型的都要好;基于该组合数学模型的建筑地基沉降的计算值与实测值的误差一般为±0.969 18%.结果表明,本文提出的Usher-Spillman组合数学模型适应性强,它对建筑地基沉降-时间曲线的拟合是较为可靠的,利用这些拟合方程式能对建筑地基沉降进行预测.     

高速公路软基观测与评价

以某高速公路软基处理的试验段为工作基础,介绍了高速公路的观测技术.结合该项目实测数据,对不同处理方法下的处理效果进行了科学的评价.用Plaxis软件对路基的沉降进行分析,进而得出沉降修正系数γs的计算公式及取值范围.以AME法为基础,结合实测结果,预测了路基的最终沉降和工后沉降.     

L—V模型在软土地基沉降预测中的应用

为了提高软土地基沉降模型的预测精度,将现有的Logistic模型和Von—Bertalanffy模型进行叠加,提出了L—V模型,并利用Origin拟合软件对模型参数进行求解。将该模型应用到软土地基沉降预测中,并与Logistic模型和Von—Bertalanffy模型比较。结果表明L—v模型全过程沉降预测的拟合程度最高,达到0．9978;沉降后期L—V模型的均方根误差（RMSE=1．512）小于Logistic模型（RMSE=2．930）和Von—Bertalanffy模型（RMSE=3．624）的均方根误差,其预测值更加接近观测值。     

基于信息扩散和BP神经网络的水资源预测

将信息扩散原理和BP神经网络相结合,提出了一种新的水资源预测方法.用因素状态空间上信息扩散的方法对不完备的历史资料进行优化处理,把处理过的结果作为神经网络训练样本的输入和输出因素,并利用BP算法进行网络训练,当计算达到要求的精度后即完成训练.经训练所得的神经网络即可用于水资源预测.结果表明,该方法能较好地解决水资源系统中实测样本少和存在矛盾样本之不足,提高了水资源系统预测的精度和水平.     

GM-BP模型在NGH生成中的预测研究

天然气水合物具有储气率高、污染低、储量大等优点,具有良好的发展前景,但是在天然气加工和运输过程中形成的天然气水合物会造成管道堵塞等严重状况,因此,分析和预测天然气水合物的生成具有实际意义。为了预测天然气水合物的生成情况,针对前人研究天然气水合物生成预测方法的优缺点,引用了具有解决复杂系统问题能力的人工神经网络,运用MATLAB语言编程建立了灰色理论（Grey Forecast）理论和BP神经网络（Back Propagation Network, BP）的组合模型。为了提高预测精度,选用了差值结合法将两种方法结合,分别运用GM（1,1）、BP神经网络以及此组合模型对实验中得到的压力数据进行预测并加以比较;为了进一步验证组合模型的精准度,选用了马尔科夫链模型进行预测检验。结果表明,GM（1,1）和BP神经网络组合模型具有较高的精准度,且此方法可以广泛运用到较多方向,可为今后的天然气水合物开发利用提供理论依据。     

基于光滑支持向量机的机械振动时间序列分析

时间序列分析方法是动态系统建模的重要手段,传统的序列预测方法如统计和神经网络并不适用于复杂的非线性系统,为此引入了一种新的基于支持向量回归(SVR)的时间序列分析方法。为了降低计算的复杂度,采用了光滑化方法对SVR的基本算法进行改进,并应用于汽轮机振动数据序列,尝试建立汽轮机组振动状态模型。仿真结果表明:光滑支持向量回归(SSVR)算法具有良好的预测性能。与传统的时间序列预测方法(如神经网络)相比,SSVR算法具有更高的收敛速度和更好的拟合精度,有效地扩展了SVR的应用范围。     

Artificial Neural Network Performing the Forward Operation of Color Appearance Model

A method of the forward operation of color appearance(from colorimetric attributes to color appearanceattributes)using an artificial neural network(ANN)is presented.The neural network model developed is a multilayerfeedforward neural network model for predicting color appearance model(CAM).This method greatly decreased themathematical computation in color appearance prediction.The error backed-propagation(BP)algorithm was applied     

基于人工神经网络的微合金钢力学性能预报

用人工神经元方法分析微合金钢性能、组织成份及铁素体晶粒尺寸之间关系，对某种微合金钢的力学性能、各相的分数和铁素体的晶粒尺寸之间的关系进行了研究，并通过实验数据训练了一套BP网络．结果表明，该方法是用于组织性能预报的有效方法之一，误差可以控制在5％以内．     

利用BP神经网络描述作物-水模型

研究了利用BP神经网络描述作物－水模型的方法，将各生育阶段的耗水量作为输入，将作物单产作出输出，构建了具有1个隐含单元层的BP神经网络结构，利用北京永乐店试验站1998－1999年度的冬小麦灌溉试验资料进行了样本进行训练和检验，得到了作物－水模型的人工神经网络模型。结果表明，作物－水模型的人工神经网络模型具有较高的拟合精度和预测精度。     

基于SOM-RBF神经网络的用电量预测模型研究

随着我国电网建设的高速发展,从日常电力负荷变化趋势剖析未来年度用电量已经成为电网建设的关键问题之一。根据1997~2016年湖北省年用电量及其10个影响因子的数据作为样本,提出了一种自组织特征映射神经网络(Self-organizing Feature Maps,SOM)与多变量的径向基函数(Radial Basis Function,RBF)结合的人工神经网络预测模型新方法。采用先聚类、再分类预测的方法,解决了由于RBF神经网络对于少量样本和训练样本点分散所导致的预测精度降低的问题,改进的神经网络泛化能力有所提高。结果表明:通过SOM-RBF组合算法进行预测,其相对误差维持在3%以下,平均相对误差为1.88%,预测效果较BP神经网络和RBF神经网络有较大的提升。这表明SOM-RBF组合算法可有效的用于用电量预测,具有较高的实用价值。     

基于ABC-BP模型的基坑地表沉降预测

目前基坑工程普遍仅关心地表沉降值是否超出监测预警值,缺乏对基坑地表沉降短期实时预测的有效方法,降低了基坑安全性。利用人工蜂群算法优化BP神经网络的组合模型可合理预测基坑地表沉降。首先,结合灰色相关度理论,对输入变量进行筛选,提高网络结构的高效性;接着,利用人工蜂群算法优化BP神经网络初始值,实现对地表沉降累计最大值及位置的预测;最后,将ABC-BP模型与其他常见神经网络预测模型对比,验证模型有效性。从预测和对比结果中可知,ABC-BP模型训练及预测结果的平均相对误差为3.27%,均方根误差为3.87,验证模型有效。     

基于GA-BP神经网络的柴油机NO_x瞬态排放预测

开发了一种柴油机NOx瞬态排放预测研究的方法,该方法采用BP神经网络进行建模,并加入遗算法优化网络权值弥补BP网络缺陷。模型选取影响NOx排放的控制参数作为输入量。网络训练中采用早停止策略防止训练网络过拟合,保证网络泛化能力。模型总排放预测相对误差为3.63%,尤其对加减速等瞬态变化工况的预测效果更优,相对误差小于3%,可以用于NOx瞬态排放预测,并且模型输入参数多为控制参数,有利于对模型进行深入研究。     

遗传神经网络在滑坡灾害预报中的应用研究

针对传统BP算法易收敛于局部最优以及网络结构难以确定等问题,引进遗传算法进行混合建模.采用遗传学习算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络,即先用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快并避免陷入局部极小.文中结合实例,对BP神经网络,遗传算法改进的神经网络进行了比较分析.实验表明,利用改进的混合模型可以提高预测精度,缩短收敛时间.