基坑工程变形预报的新方法

本文将进化支持向量机方法应用到基坑工程的变形研究中,提出了基坑变形预报的进化支持向量机方法,该方法用遗传算法来搜索支持向量机的参数和核函数,用支持向量机来表示变形时间序列之间的映射关系,进而对未来的变形进行预报;利用这种非线性预测方法,可以实时预测变形量,对信息化施工具有重要的意义.将该方法应用于某基坑的沉降预测中,得到了满意的结果,利用该结果可以指导施工,并且该方法具有科学可靠、实时性的优点,具有广泛的应用前景.     

AOSVR在地下厂房围岩变形预测中的应用

针对目前广泛使用的模糊系统和神经网络预测方法在地下结构围岩变形预测中的缺陷,提出一种精确在线支持向量机(AOSVR)并将其应用到水电站地下厂房开挖过程中顶拱围岩的变形预测.通过与其他预测方法的比较,可以发现精确在线支持向量机有很强的学习能力和很高的预测精度.     

基于支持向量机的公路隧道围岩变形预测

隧道围岩变形影响到隧道施工的安全,对隧道围岩变形进行预测,可作为指导隧道施工的依据。以江西某隧道围岩变形问题为研究对象,采用在小样本、非线性、高维模式识别问题中具有优势支持向量机理论建立模型,建立隧道围岩变形预测模型,结果显示,实测值与预测值相差很小,证明此方法有很强的实用性。     

基于时间序列支持向量回归模型的变形监测研究

论述了支持向量机的回归算法,提出了基于时间序列支持向量回归的变形预测方法,并在MATLAB 6.5中编制了相应的基于时间序列支持向量回归程序,建立了相应的基于时间序列支持向量回归模型。以实例数据讨论了基于时间序列支持向量机回归模型的预测方法。研究表明：用时间序列支持向量回归模型建立变形监测的预测模型是可行的和有效的。     

非线性位移时间序列预测的进化-支持向量机方法及应用

提出了一种新的岩土结构位移预测的进化支持向量机方法,用遗传算法来搜索支持向量机的参数和核函数,避免了人为选择参数的盲目性,同时提高了支持向量机的推广预测能力;利用这种非线性智能预测方法,滚动预测施工位移变形量,以便及时调整和优化施工步序,维护岩土结构的稳定性。将该方法用于卧龙寺边坡变形、三峡永船闸边坡变形预测,结果表明,该方法具有科学可靠、实时性的优点,具有广泛的应用前景。     

位移时序预测的APSO-WLSSVM模型及应用研究

引入改进的粒子群算法对小波核函数最小二乘支持向量机进行优化,提出了位移时间序列预测的改进粒子群优化小波最小二乘支持向量机预测模型(APSO-WLSSVM)。该模型具有小波变换的良好时、频域分辨能力和支持向量机的非线性学习能力;同时利用粒子群算法优化小波最小二乘支持向量机的参数,避免了人为选择参数的盲目性,从而提高了模型的预测精度。为证明该模型的优越性,将该模型与传统的高斯核函数支持向量机模型的预测结果作了对比,结果表明该模型较传统方法预测精度有了明显提高。最后将该模型用于锦屏一级水电站左岸边坡和导流洞进行变形预测,预测结果表明该方法科学可靠,在岩土体位移时序预测中具有良好的实际应用价值。     

冲击地压预测的PSO-SVM模型

 冲击地压是一种复杂的非线性动力学现象，其发生机制非常复杂，而在监测数据的基础上对其进行分析预测，是冲击地压的一个重要研究方法，但是采用传统的数学力学方法很难表达冲击地压与其影响因素之间的复杂非线性关系，其中采用时间序列进行预测是一个重要的研究方向。针对这一问题，将冲击地压看作一时间序列过程，采用支持向量机建立冲击地压序列之间的非线性关系；同时，考虑到支持向量机参数对预测效果的影响，采用微粒群算法对支持向量机参数进行优化选择，从而提出冲击地压预测的PSO-SVM模型，提高支持向量机的推广预测能力，并对一具体算例进行研究分析。研究结果表明，该方法是科学可行的，并具有很好的精度。     

基于遗传优化支持向量机的软岩隧道围岩变形预测

软岩隧道施工过程中,围岩极易出现大变形和坍塌现象,如何有效地对隧道围岩大变形进行预测,已成为保障隧道施工安全的重要手段之一。本文以象山隧道为工程背景,采用遗传算法优化支持向量机参数,建立了隧道变形的遗传支持向量机模型,对象山隧道围岩的拱顶沉降和变形收敛进行了预测。模型预测值与实际测量值的对比结果表明,两者之间的误差较小,预测精度较高,所建立的GA-SVM模型可为隧道施工安全和支护结构的优化提供技术支撑。     

考虑多因素的深基坑轴力支持向量机时间序列预测研究

为了研究沈阳管廊工程中深基坑钢支撑轴力的变化规律及其与地下水位、天气温度等因素之间的关系,采用最小二乘支持向量机为计算手段,将轴力变化看作一个非线性变形序列并通过向量机建立不同因素与轴力值之间的映射规律,最终依据时间序列,采用改进的单步滚动预测法对未来的轴力变化趋势进行预测。结果表明,该方法可准确描述不同因素之间的非线性关系,适用于沈阳管廊工程的深基坑轴力预测计算。     

SVM在张弦桁架施工变形预测中的应用研究

在介绍支持向量机的理论基础及其在时间序列预测中应用方法的基础上,建立一种基于支持向量机的结构变形预测方法。通过在某会展中心张弦桁架实际变形数据中的应用并与AR模型预测方法进行对比,验证了基于支持向量机的结构变形预测方法的准确性和优越性,该方法有较高的预测精度,并且在预测区间较长情况下同样有效,具有较大的研究意义并可以在实际预测中应用。     

基于遗传进化的支持向量机参数敏感性研究

提出了一种基于遗传进化的支持向量机预测方法,利用该预测方法对工程实例阳宗隧道下行线XK38+725断面的实测围岩变形进行预测,发现此方法具有很高的精度,同时,对基于遗传进化的支持向量机参数敏感性进行了研究,得出结论:敏感性最高的是不敏感系数,其次是惩罚因子,敏感性最低的是核函数系数。     

滑坡综合集成智能分析方法研究进展

本文综合课题组在滑坡方面的研究,以具体的滑坡工程为实例,详细介绍了滑坡现场监测、基于GIS的滑坡三维可视化、综合集成智能滑坡分析方法,包括滑坡变形预测的进化支持向量机建模、加固方案优化设计的进化神经网络-数值方法、基于动态聚类的进化神经网络危险性分区、滑体参数反演的进化支持向量机-有限元方法、滑动面搜索的免疫连续蚁群-极限平衡分析、滑动面参教反演的粒子群优化算法等。结果表明,所提出的滑坡研究综合集成智能分析方法是适用、科学和合理的。     

基于最小二乘支持向量机的大坝力学参数反演

针对大坝力学参数和坝体位移间复杂的非线性关系,将最小二乘支持向量机应用于大坝力学参数的位移反演中。首先利用有限元模型得到最小二乘支持向量机的训练样本,建立坝体位移水压分量相对值和力学参数间复杂的非线性关系,同时利用偏最小二乘回归模型分离出实测坝体位移的水压分量相对值,并将其输入到训练好的最小二乘支持向量机模型,即可得到大坝力学参数的反演值。以某混凝土重力拱坝为例,采用最小二乘支持向量机反演了坝体弹性模量、岩体变形模量以及主要断层的弹性模量,经过比较分析发现,该方法是可行的。     

基于小波分析与支持向量机的地铁隧道沉降预测

根据地铁隧道监测点沉降变化中非线性、不确定、时变性的特点,建立了基于小波分析的支持向量机预测模型。首先运用小波分析将监测点沉降序列分解为低频近似分量和高频细节分量,然后对各分量分别进行支持向量机预测,最后将各分量预测结果进行小波重构得到监测点的沉降预测曲线。预测结果表明,在相同样本数和短周期预测条件下,Wavelet—SVM模型的预测精度优于BP神经网络方法。对地铁沉降监测提前进行预警预报有一定的参考价值。     

Analytical solutions for geosynthetic-encased stone column-supported embankments with emphasis on nonlinear behaviours of columns

This paper presents an analytical approach to predict the behaviours of geosynthetic-encased stone column (GESC)-supported embankments. The soil arching in the embankment and the nonlinear behaviours of stone columns are considered. Based on nonlinear elastic and elastoplastic constitutive models of stone columns, the nonlinear behaviours of GESCs, including settlement and radial deformation, are analysed. The deformations of GESCs, the surrounding soil, and the overlying embankment fill are compatible by applying stress continuity and volume deformation continuity at the bottom of the embankment fill. This method is verified via comparison with literature data and numerical analysis. The influences of parameters of the GESC, including encasement stiffness and column friction, on the performance of the embankment are investigated. Without considering the nonlinear behaviours of the column, the column-soil stress ratio is overestimated. It is more appropriate that the nonlinear characters of the column be considered in the analysis of GESC-supported embankments.     

基于LMD-PSO-LSSVM组合模型的深基坑变形预测

变形是造成基坑安全隐患的重要因素。为准确预测基坑变形趋势,提出一种将局部均值分解(LMD)、粒子群优化算法(PSO)与最小二乘支持向量机(LSSVM)组合的深基坑变形预测模型。通过 LMD 将时序样本分解为多个分量,利用PSO优化后的LSSVM模型对各分量建立非线性基坑变形预测模型,最后采用滚动预测的方法对各分量进行预测并将结果叠加得到时序样本的预测值。通过实际工程进行模型预测与分析。结果表明:该模型不仅反映出基坑变形本质特征,而且预测精度明显提高,将其运用于基坑变形预测研究中具有较好的应用性和可靠性。     

A hybrid approach for the analysis and prediction of elevator passenger flow in an office building

In an Elevator Group Control System (EGCS), the analysis and prediction of elevator traffic can improve service quality and system performance. For this purpose, we propose a new hybrid approach to analyze and predict elevator passenger flow. In this approach, nonlinear analysis methods are used to reveal the internal dynamic characteristics of passenger flow time series collected from an office building. The results suggest that passenger flow has obvious fractal and chaos characteristics. Based on these characteristics, the support vector machine (SVM) method and fuzzy information granulation (FIG) method are employed to predict passenger flow. The simulation results suggest that the accuracy of passenger flow prediction can meet the identification requirements of elevator traffic patterns in an EGCS. Therefore, the proposed approach can effectively address the passenger flow analysis and prediction problems of office buildings and the results can be used as a foundation for practical application in an EGCS.