基于时间序列的建筑物沉降监测研究

简要介绍了时间序列分析的基本原理、模型建立步骤,并通过上海市某一工程实例加以论证,事实证明:时间序列模型可以预报建筑物未来沉降趋势,而且预报的可靠度很高,所以该模型可用于建筑物沉降监测和预报。     

灰色模型在建筑物沉降监测中的应用

简要介绍了灰色模型的基本原理及建模方法,并针对具体的工程实例,通过建立灰色预报模型来预报未来几天的沉降量。结果表明:灰色模型具有较高的预报精度,数据非常可靠,所以可以通过建立灰色模型的方法来了解建筑物短期内的沉降变化规律。     

建筑物差异沉降的时间序列分析与预报

从时间序列分析的基本原理和方法出发,结合建筑物变形监测的关键技术指标差异沉降量的实例分析,给出了时间序列数据平稳化处理、模型定阶的统计检验、模型参数估计以及预报分析的方法,建立的时间序列自回归模型拟合与预报精度较高,为建筑物的地基处理及运营安全提供可靠的决策依据。     

建筑物沉降灰色预测预报

对建筑物进行系统沉降观测 ,应用灰色理论建立灰色预报 GM( 1 ,1 )模型和 Verhulst模型对建筑物沉降和稳定趋势进行预测预报 ,指出建筑物形变发展是稳定趋势还是失稳趋势取决于灰色GM( 1 ,1 )模型参数 a和变形速率 V(1)(t) 符号的变化 ,当 a<0时 ,V(1)(t) 恒为正 ,变形是正增长的 ,意味着可能有失稳的时刻 ;当 a>0时 ,变形速率 V(1)(t) 恒为负 ,变形是负增长的 ,标志着变形定会有终止的时刻 ,建筑物沉降发展必将趋于稳定。预测预报具有实际指导意义。     

城市高层建筑物沉降监测与稳定性分析

沉降监测对于建筑物的安全运营具有重要作用,科学、准确、及时地分析和预报建筑物的变形状况,对建筑物的施工和运营管理极为重要。本文结合沉降变形模型,以石家庄某小区高层建筑物沉降为工程实例,通过12个观测周期10个沉降点的监测,检验了基准点的稳定性,并对高层沉降观测的数据进行处理与分析,了解建筑物在施工及运营期间的实际沉降情况,分析地基在不同荷载作用下随时间的沉降规律,可为建筑施工和运营安全提供帮助。     

灰色预测在建筑物沉降变形分析中的应用

通过对广州市某地产开发公司新建的居民楼沉降变形监测数据进行处理,分别建立传统的GM(1,1)模型和 以相邻观测时间间隔为权直接生成1-WAG0非等间隔GM(1,1)模型,对两种模型进行分析与预报,比较的结果验证了1-WAGO非等间隔GM(1,1)模型在建筑物沉降变形分析中的实用性、正确性和有效性.     

不等时距GM(1,1)模型在建筑沉降预测中可行性研究

在建筑变形预测中,不等时距 GM(1,1)模型是被广泛引用的经典模型。在数十例工程实践中运用该模型,通过预测与实测成果对比,分析模型的可行性。结果表明,该预测模型存在很大的误差,不能达到预报建筑物最终沉降的要求,建议结合场地条件,建筑结构特征来预测建筑物沉降。     

Verhulst模型在高层建筑物沉降预测中的应用

针对高层建筑物的沉降规律,构建Verhulst模型对其沉降趋势进行拟合及预报。详细介绍了Verhulst模型的建模原理及精度评价方式,并以靖江市某大楼为例进行验证。结果表明:Verhulst模型建模简单,模型拟合精度较高,且预报结果的绝对相对百分误差均优于0. 3%,有较佳的预报能力。     

基于GIS的建筑物沉降监测信息系统的开发与应用

建筑物沉降监测系统是将建筑沉降监测工程与地理信息系统相结合,采用ArcEngine技术开发出来的具有建筑沉降数据计算、图形分析、成果输出及预测分析的专业地理信息系统。系统的建立有利于及时掌握沉降变形状况,分析变形原因并预报未来变形。     

利用时间序列模型进行隧道管片沉降数据预报研究

对隧道管片沉降数据序列进行平稳化处理,采用时间序列模型中的自回归(AR)模型建立隧道管片沉降数据预测模型。结合工程实例的多期数据进行沉降预报,并与实测值比较,其结果充分说明:自回归模型在隧道管片沉降预报中具有建模快捷、计算简便、预报短期数据准确性高的特点。     

混沌局域法与神经网络组合供水量预测

城市供水量是非线性、非平稳时间序列,组合预测模型能获得更高精度预测结果。通过深入分析混沌局域法与神经网络预测模型特点,提出了一种新的组合预测模型。首先,应用混沌局域法对城市日供水量进行初预测,然后,应用神经网络对预测结果进行修正。由于所提出的组合模型利用了混沌局域法及神经网络进行优势互补,能同时提高预测精度与计算效率。为验证所提出组合预测模型的可行性,采用某市7a实测供水量数据,对混沌局域法、BPNN、RBF及GRNN神经网络4种单一预测模型及相应的3种组合模型预测精度进行定量分析,结果表明,组合预测模型精度都高于对应单一预测模型,混沌局域法与GRNN神经网络组合模型预测精度最高,且运算时间远低于单一神经网络模型运算时间。     

Nonlinear Identification of Dynamic Systems Using Neural Networks

A neural-network-based method is proposed for the modeling and identification of a discrete-time nonlinear hysteretic system during strong earthquake motion. The learning or modeling capability of multilayer neural networks is explained from the mathematical point of view. The main idea of the proposed neural approach is explained, and it is shown that a multilayer neural network is a general type of NARMAX model and is suitable for the extreme nonlinear input-output mapping problems. Numerical simulation of a three-story building and a real structure (a bridge in Taiwan) subjected to several recorded earthquakes are used here to demonstrate the proposed method. The results illustrate that the neural network approach is a reliable and feasible method.     

粘土本构关系的神经网络模型

土的本构关系是土力学与工程的一个重要理论和实际问题。本文改变传统的数学建模方法,运用神经网络方法,建立一个粘土的非线性本构关系模型。神经网络方法;较传统方法建模方便,精度提高。     

Determining Inputs for Neural Network Models of Multivariate Time Series

In recent years, artificial neural networks have been used successfully to model multivariate water resources time series. By using analytical approaches to determine appropriate model inputs, network size and training time can be reduced. In this paper, it is proposed that the method of Haugh and Box and a new neural network–based approach can be used to identify the inputs for multivariate artificial neural network models. Both methods were used to obtain the inputs for a multivariate artificial neural network model used for forecasting salinity in the River Murray at Murray Bridge, South Australia. The methods were compared with a third method that uses knowledge of travel times in the river to identify a reasonable set of inputs. The results obtained indicate that all three methods are suitable for determining the inputs for multivariate time series models. However, the neural network–based method is preferable because it is quicker and simpler to use. Any prior knowledge of the underlying processes should be used in conjunction with the neural network method.     

Probabilistic Neural Network for Reliability Assessment of Oil and Gas Pipelines

A fuzzy artificial neural network (ANN)–based approach is proposed for reliability assessment of oil and gas pipelines. The proposed ANN model is trained with field observation data collected using magnetic flux leakage (MFL) tools to characterize the actual condition of aging pipelines vulnerable to metal loss corrosion. The objective of this paper is to develop a simulation-based probabilistic neural network model to estimate the probability of failure of aging pipelines vulnerable to corrosion. The approach is to transform a simulation-based probabilistic analysis framework to estimate the pipeline reliability into an adaptable connectionist representation, using supervised training to initialize the weights so that the adaptable neural network predicts the probability of failure for oil and gas pipelines. This ANN model uses eight pipe parameters as input variables. The output variable is the probability of failure. The proposed method is generic, and it can be applied to several decision problems related with the maintenance of aging engineering systems.     

用小波神经网络预测深基坑周围地表的沉降量

将小波神经网络应用于深基坑周围地表沉降的预测,提出了一种有效的预测方法,并构造了预测沉降的小波神经网络模型。预测结果表明,该方法收敛速度快、预测精度高,为预测深基坑周围地表沉降量的一种实用方法。     

基于CPTu数据的黏性土不排水抗剪强度#br# 神经网络预测

利用人工神经网络模型,建立基于孔压静力触探（CPTu）现场测试数据的黏性土不排水抗剪强度的预测方法。为建立和验证人工神经网络模型,在3个场地开展CPTu和十字板剪切现场测试,共取得33个测孔的CPTu试验数据和相对应的不排水抗剪强度实测值。通过对比分析不同输入向量、不同网络隐层数、不同神经元数及不同改进算法对人工神经网络模型性能的影响,确定人工神经网络模型的具体形式。通过对训练组数据开展机器学习,所建立的人工神经网络模型能够有效地基于CPTu获得的端阻力和孔隙水压力现场测试数据对黏土不排水抗剪强度进行预测,预测结果与十字板剪切试验实测结果非常接近。与传统用于估算不排水强度的经验关系相比,采用人工神经网络模型预测结果与实测结果相关性显著提高、误差明显降低。     

路基沉降灰色神经网络预测模型及其应用

针对路基沉降预测中信息的灰色性和数据的非线性性,提出用灰色神经网络预测路基沉降的新方法。以京沪高铁某段路基断面为例进行了预测研究,并与用GM（1,1）模型预测的结果进行了对比。研究结果表明：灰色神经网络预测比GM（1,1）模型预测误差小。     

基于人工神经网络的爆炸冲击荷载参数识别方法

根据观测的爆破振动响应数据和有限元正演振动分析数据，建立了基于人工神经网络的爆炸冲击荷载参数识别方法，采用Levenberg-Marquardt优化方法修正网络的权值和阈值，大大提高了神经网络的收敛速度。研究了观测噪音对爆炸荷载参数识别结果的影响。数值计算结果表明，所建立的基于人工神经网络的爆炸冲击荷载参数识别方法具有良好的鲁棒性和抗观测噪声能力。     

偏最小二乘回归神经网络模型在大坝观测资料分析中的应用

偏最小二乘回归方法能较好地解决自变量之间的严重相关性问题，神经网络模型可以克服模型必须是基本观测数据的线性和非线性组合的局限。研究将两者有机地联系起来，建立偏最小二乘回归神经网络模型，以克服上述不足。实例分析表明，本模型预报精度较高。