基于神经网络算法的深基坑地连墙变形动态预测

深基坑工程的施工变形在软土地区表现出明显的时间特性,其变形监测数据可以看作一种非线性的时间序列。以苏州轨道交通某地铁车站深基坑工程为背景,分别采用BP(Back Propagation)神经网络和LSTM(Long Short Term Memory)深度网络对地连墙变形建立了动态预测模型,并通过10折交叉验证法来检验预测模型的稳定性。结果表明:在输入历史信息数量和预测天数不同的预测任务中,考虑更多的历史变形数据不仅可以提高模型的稳定性还可以减小预测误差,而预测步长的增大对预测精度有明显的不利影响; LSTM相比BP表现出了更高的预测精度以及更好的泛化能力,更适用于地连墙变形的动态预测问题,并可为施工现场实现信息化管理提供参考。     

灰色理论和BP神经网络理论在地铁深基坑变形预测方面的应用

地铁深基坑变形是影响地铁建设的重要问题之一。针对地铁深基坑变形众多影响因素所具有的不确定性、模糊性以及深基坑变形的非线性特点,基于灰色系统理论和人工神经网络理论,分别采用灰色GM(1,1)模型、BP神经网络模型和灰色-BP神经网络组合模型对某地铁深基坑地表土体沉降进行预测分析,并将预测数据与实测数据进行对比,得出各模型预测精度。工程实例分析表明,灰色GM(1,1)模型预测精度最低,BP神经网络模型次之,灰色-BP神经网络组合模型由于集合了灰色GM(1,1)模型和BP神经网络模型的优点,预测精度最高,满足工程应用要求,对安全施工具有一定的指导作用。     

HDNN-MC模型在特高拱坝变形预测中的应用

递阶对角神经网络(HDNN)采用动态BP学习算法,可以逼近任意非线性函数且具有收敛速度快、预报精度高的特点,因此本文将其引入到大坝安全监测领域,以水压、温度和时效为输入量,坝体位移为输出量,在此基础上运用马尔科夫链(MC)模型对预测数据进行残差计算和状态划分,确定马尔科夫链状态概率矩阵,通过马尔科夫链状态概率矩阵对HDNN模型进行反馈修正,从而提高精度。基于此建立了HDNN-MC模型并应用于某特高拱坝的变形预测。结果表明,HDNN-MC综合模型相对于单一模型,预测精度得到显著提高,能更高效准确地预测大坝变形。     

洞室围岩压力预测的研究

利用人工神经网络技术,建立了围岩压力预测的BP神经网络模型,并以数值模拟的计算结果作为实测固岩压力的控制指标,采用围岩压力的实测数据对网络进行了训练,最后以此训练好的BP神经网络对围岩压力进行了预测.通过与非线性预测对比表明,该人工神经网络模型具有较高的预测精度,为预测围岩压力提供了一种新的方法.     

基于PSO-BP算法的隧道非线性位移分析模型

粒子群优化(PSO)算法是近年来发展迅速,并得到广泛应用的一种仿生全局最优化算法.与遗传算法相比,该算法具有操作简单、易于编程的优点.结合铜黄高速公路汤屯段大田连拱隧道施工,采用PSO算法对BP神经网络的权值进行自动优化,获得训练效果最好的BP网络模型参数以提高网络的泛化能力,建立起基于PSO-BP算法的大田隧道施工位移非线性智能分析模型,并采用此模型对后续施工隧道变形进行了预测分析.与实测位移对比表明,本文建立的PSO-BP模型平均预测相对误差仅为3.1%,可很好地作为隧道信息化施工的一种辅助方法,并为其他类似岩土工程提供借鉴.     

基于趋势项分离的隧道变形组合预测研究

以小波变换分离隧道变形数据的趋势项和误差项,采用回归模型对趋势项进行单项预测,并进一步对其进行组合预测;同时,利用BP神经网络对误差项及原始数据项进行预测,最后对比本文组合预测与传统BP神经网络的预测结果。结果表明:sym5小波函数对本文监测数据的分离效果最好,而非线性组合预测的精度要优于线性组合预测的精度,且综合对比本文组合预测和BP神经网络的结果,得出本文的组合预测很大程度上提高了预测精度,为隧道的变形预测提供了一种新的思路。     

基于BP网络的碳纤维混凝土强度研究

介绍了应用均匀设计理论设计碳纤维混凝土配方的方法,通过所得到的试验数据,运用人工神经网络(ANN)的方法预测碳纤维混凝土抗压强度和劈裂抗拉强度;阐述了采用BP算法建立碳纤维混凝土抗压强度神经网络模型的过程,仿真结果表明,BP网络可成功地建立非线性的强度模型,预测强度可达到较高精度。     

基于粒子群优化的反向传播神经网络算法在建筑物沉降预测中的应用

神经网络具有结构简单,鲁棒性强,能够逼近任意函数的非线性映射能力,在多个领域得到了广泛应用。但其梯度下降法容易陷入局部最优,训练效率较低。采用粒子群算法(PSO)对BP神经网络进行改进,利用粒子群算法为BP神经网络提供精确的全局搜索能力,提高其训练效率和预测精度。基于建筑物实际沉降观测数据,对BP神经网络和PSO-BP神经网络进行对比分析。结果表明,PSO-BP神经网络的训练效果获得了较大提升,预测精度提升了约61%,预测结果明显优于传统BP神经网络。     

基于FOA-GRNN的软岩隧道围岩变形预测模型

为解决隧道围岩变形中的非线性问题,实现对软岩隧道变形发展趋势和稳定性的判断,建立了基于果蝇算法改进的广义回归神经网络隧道围岩变形预测模型。利用广义回归神经网络较好的非线性映射能力,对软岩隧道的拱顶沉降和水平收敛进行预测。由于GRNN的预测效果受光滑因子的影响,因此采用果蝇算法对光滑因子进行寻优,改善了GRNN预测模型确定参数时人为因素的影响,有效的提高了模型的预测精度和适用性。以玉磨隧道工程为例,通过对现场监测变形数据的训练,得到了隧道围岩变形预测结果,验证了FOA-GRNN预测模型能高效准确地对隧道围岩变形进行预测,可以为类似的工程提供一种新的途径。     

BP神经网络方法在大坝基岩变形监测中的应用

结合工程实例,利用上游水位,下游水位和气温建立BP神经网络预报模型,应用Matlab神经网络工具箱,采用traingdx算法进行模型训练,对大坝基岩变形进行预测,结果表明,建立的BP神经网络预测大坝基岩变形的模拟值具有较高的精度。     

PSO-SVM与BP神经网络组合预测供水系统余氯的方法

针对余氯量在供水系统内非线性变化的特性,建立了PSO-SVM与BP神经网络组合模型对管网末端余氯进行预测分析。该模型通过粒子群优化算法(PSO),对SVM的特性参数进行优化;采用BP神经网络对模型进行残差修正。通过对单一的BP模型和SVM模型、组合模型的预测精度进行分析。结果表明:组合模型预测比BP和SVM单一预测均方误差分别降低了62.30%、75.29%,平均相对误差降低了55.03%、54.27%。综上所述,该模型具有强大的非线性拟合能力,预测精度高,运行稳定性强,对供水企业控制余氯的投加量和设置二次加氯点有一定的指导作用。     

BP神经网络在隧道围岩稳定性分类中的应用

将BP神经网络应用于隧洞围岩分类,BP神经网络通过学习记忆建立输入和输出变量之间的非线性关系。利用淮南洞山隧道围岩分类样本进行模拟检验,BP神经网络模型性能良好,对隧道围岩分类的精度较高,是一种值得推广和应用的围岩智能分类方法。     

基于粗糙集理论BP网络的地铁深基坑监控预测分析与优化

以25个深基坑工程地表沉降实测资料为训练样本,综合考虑多个主要影响因素,应用粗糙集对次要影响因素进行约简,然后建立地表沉降的7-15-1粗糙集BP(RS-BP)神经网络预测模型对5个检验样本进行预测及预测精度分析,并将该模型与传统BP神经网络预测模型进行对比。结果表明:传统BP神经网络预测其平均相对误差达到15.04%;而RS-BP神经网络预测平均相对误差较小,为5.55%,满足精度要求。因此,基于粗糙集BP神经网络预测模型在预测精度上优于传统BP神经网络预测模型。     

再生混凝土抗压强度预测方法研究

以BP神经网络在解决非线性问题方面的优越性为指导思想,建立了再生混凝土28 d抗压强度预测模型。利用具有全局搜索优势的遗传算法对BP神经网络进行优化,提高BP神经网络的预测精度。经过查阅相关文献,筛选出较为合适的L-M算法作为训练函数,把收集到的再生混凝土配合比数据代入网络进行训练与预测。结果表明,GA-BP神经网络预测精度较BP神经网络有了进一步提高。     

基于DE-BP算法的空调负荷预测研究

建立了基于BP神经网络理论的空调系统负荷预测模型.针对BP神经网络参数优化过程中容易陷入局部最优的缺陷,采用差异演化算法(differential evolution algorithm,DE)对其进行优化,以提高预测精度.结合具体实例进行空调冷负荷预测,并与采用遗传算法、蚁群算法、粒子群算法对BP神经网络进行参数优化的仿真实验结果对比表明,由DE-BP算法所具有较好的预测性能.     

基于BP神经网络改进算法在地铁隧道施工中的沉降预测

为使地铁隧道在施工中沉降监测数据具有一定的预见性,分别采用了BP神经网络改进算法的预测模型、传统BP神经网络预模型以及基于时间序列的三次指数平滑法预测模型对地铁隧道施工中的沉降监测数据进行了预测。对其预测结果进行分析,得出了BP神经网络改进算法模型预测精度优于传统BP神经网络模型以及基于时间序列的三次指数平滑法模型预测精度的结论。     

基于微粒群–BP神经网络算法的堆石坝坝体变形监控模型研究

将微粒群算法与BP神经网络算法相结合,建立基于微粒群–BP神经网络算法的大坝安全监控模型,解决传统神经网络存在的网络学习速度慢,且易于收敛到局部最优点等问题。经实例分析,该模型在用于建立大坝安全监控预报模型过程中,能更好地反映大坝应力变形的非线性问题,且在精度和速度上都有较大的提高,为实现实时在线分析评价大坝的安全性态提供了有力的技术支持。     

神经网络法在混凝土强度研究中的应用

讨论了如何应用人工神经网络（ANN）的方法预测混凝土抗压强度,详细论述了采用BP算法建立混凝土抗压强度神经网络模型的过程,以及在活化剂作用下高掺量粉煤灰混凝土的强度效应,仿真结果表明,通过学习,BP网络可成功地建立非线性的强度模型,预测强度可达到较高精度。     

粗粒土BP神经网络本构模型研究

为了描述具有应力应变关系非线性和剪胀性的粗粒土本构特性,利用改进的BP神经网络算法,通过优选网络结构和对粗粒土的大型三轴固结排水剪试验数据样本学习,建立了一个以平均主应力p和广义剪应力q作为网络输入向量、以体应变εv和剪应变εs作为网络输出向量的粗粒土BP神经网络本构模型。利用此模型对粗粒土的应力应变关系进行了预测,整体预测结果的最大误差均在10%内。预测表明本神经网络模型具有良好的预测精度和适用性。     

复杂地质条件下的隧道大变形组合预测研究

隧道大变形是隧道工程中的常见病害之一,严重威胁施工安全及工程进度,对其研究具有重要意义。以BP神经网络和支持向量机为基础,利用遗传算法和粒子群算法优化其结构参数,以实现单项预测模型优化,再构建线性组合模型和非线性组合模型,实现了隧道大变形的组合预测。实例分析表明:组合预测模型较单项预测模型具有更高的预测精度和稳定性,且以BP神经网络权值法的组合效果最优。通过研究,为大变形防治及变形规律评价提供了借鉴和参考,具有一定的实用价值。