支持向量机在地铁隧道地表沉降预测中的应用

针对北京地铁区间浅埋暗挖隧道，分析了施工导致的地表沉降的影响因素，提出了影响地表变形的主要因素，建立了支持向量机的统计回归预测模型，并用该模型预测的地表沉降，将SVM预测值和BP神经网络预测值与现场量测值进行了对照。结果表明，支持向量机比BP神经网络有较高的预测精度，并且具有小样本、高维数及非线性等优点。     

小波支持向量机在建筑沉降预测中的研究

结合支持向量机模型和小波框架理论,建立了沉降预测模型,并对杭州市某小区的危旧建筑物进行了沉降预测,结果表明该模型预测精度较高,可以较好地预测建筑物沉降的发展趋向,适用于建筑沉降预警工作。     

基于BP神经网络的偏压隧道拱顶沉降预测

采用BP神经网络,以香山隧道拱顶沉降监测数据为样本进行训练,得到了相应的学习曲线,并采用所建立的神经网络预测模型,对隧道拱顶沉降进行了预测,结果表明:建立的BP神经网络模型能够很好的描述既有训练样本曲线变化特征,且预测精度与既有监测数据相关,亦与预测长度有关,预测长度较长时预测结果可信度降低。     

基于改进BP神经网络的路基沉降预测实例分析

采用改进BP神经网络对路基沉降进行预测,且无需考虑影响路基沉降的各种影响因素,建立一个多输入单输出的网络模型。该方法输入和输出是同一类数据,前期实测沉降数据作为基础资料,按等时距序列输入,经指定算法计算后建立稳定的网络模型,然后对后期的沉降进行预测。通过实例分析表明该方法收敛较快,与常规预测方法相比,预测路基沉降精度高、沉降防范性强。     

基于机器学习模型理论的基坑沉降预测研究

基坑开挖引起的地面沉降是基坑工程中需要注意的关键性问题,其具有出现区域广泛、发生灾害后果恶劣等特点。为了对基坑沉降进行准确有效的预测,以杭州市某基坑为工程背景,分别采用LSTM(Long Short Term Memory)神经网络和SVM(Support Vector Machines)对基坑沉降建立了预测模型,并通过预测任务评价指标和散点图误差线来检验模型的预测精度。研究结果表明：LSTM模型相比SVM模型表现出了更高的预测精度,更适用于基坑沉降的预测问题,并可为施工现场提供可靠的理论参考。     

BP神经网络在武汉地铁竖井沉降预测中的应用

利用matlab7.0神经网络工具箱为依托,将竖井前期沉降监测数据作为训练样本建立神经网络,分析各岩土参数对沉降变形的影响并结合工程实际情况确定网络输入,对训练样本之后10 d的沉降进行预测并与实测值进行对比,以武汉地铁某线施工竖井为例进行验证,结果表明:预测值与实测值基本吻合,相对误差较小,对竖井施工具有一定的指导意义。     

基于LSTM网络的地铁隧道运营期间沉降预测研究

为提高地铁隧道运营期间沉降变形预测的精度,本文提出了采用长短期记忆网络（LSTM网络）对运营期间的地铁隧道进行沉降预测。通过利用传统的反向神经网络（BP神经网络）和LSTM神经网络建立机器学习模型,通过2组深圳市某地铁隧道实测数据,对机器学习模型的预测精确度进行对比分析。实验结果表明：相比于传统的BP神经网络,LSTM网络模型预测误差较低,可降低20%左右;LSTM网络的预测结果与实测沉降值更为接近。研究成果表明将循环神经网络之一的LSTM网络引入运营期间地铁隧道的沉降预测中,可大幅度提升预测效果。     

BP神经网络模型在建筑沉降预测中的应用

在系统介绍了BP神经网络预测模型在建筑沉降预测中的应用,对建模步骤做了阐述之后,建立BP神经网络预测模型对某建筑物的沉降变形做了预测。在对预测结果进行分析后发现该模型在沉降预测方面有较高的实用价值。     

基于支持向量机的燃气短期负荷预测

介绍支持向量机的原理和支持向量回归模型,提出支持向量回归(SVR)模型的城市燃气短期负荷预测方法。探讨输入样本数据的选择和预处理方法、核函数和支持向量机参数的选择,结合某城市燃气日负荷数据进行燃气短期负荷预测。与BP神经网络预测方法相比,支持向量回归模型预测方法用于小样本情况下的燃气短期负荷预测精度略高。     

基于BP神经网络的大跨软岩隧道地表沉降预测

基于金盆湾隧道地表沉降监测数据,结合BP神经网络预测模型,分析了隧道施工对地表沉降的影响,研究了在不同的样本下预测结果的可信度,结果表明,BP神经网络预测的地表沉降精度与监测数据的准确度、预测的长度与隧道施工方案相关,隧道开挖工艺发生改变时,应及时分析实时监测数据,建立新的BP神经网络预测模型进行地表沉降预测,以保障预测结果的可靠。     

基于小波分析的深基坑地表沉降预测研究

深基坑开挖必然引起地表沉降,地表沉降监测数据不可避免要受到施工及周边环境的干扰,使沉降数据真实性受到极大的影响。以武汉深基坑工程的大量监测数据为基础,提出一种小波分析法与径向基神经网络的混合建模方法,对深基坑地表变形进行沉降预测分析。首先运用小波分析对实测数据进行去噪处理,提取反映实际变化的沉降数据作为径向基神经网络输入的特征向量,构建小波网络W-RBF预测模型,采用滚动预测方法对地表沉降进行预测。工程应用结果表明,W-RBF模型预测性能,要优于带有噪声构造的原始数据预测结果,具有较高的预测精度,可满足深基坑工程的信息化施工要求。     

基于支持向量机的建筑物空调负荷预测模型

建立了基于支持向量机(SVM)理论的建筑物空调负荷预测模型.对广州地区某办公楼夏季不同月份的逐时空调负荷,分别用SVM模型和BP神经网络模型进行了训练和预测.仿真结果表明,SVM模型具有更高的预测精度和更好的泛化能力,是建筑物空调负荷预测的一种有效方法.     

开挖降水条件下基坑周围建筑物沉降预测研究

利用Gompertz曲线模型、灰色理论模型和BP神经网络模型等单一预测模型对基坑周围建筑物沉降进行预测,之后将结果与三者优化组合模型的预测结果进行比较分析,结果表明：单一模型预测结果的精度比三者优化组合模型的精度较低,而其中通过最优加权法组合的模型预测精度最高。     

BP人工神经网络模型在建筑物沉降预测中应用

以BP人工神经网络模型为基础,建立预测模型,以小区某栋建筑物l期～8期的沉降观测数据为输入数据和输出数据,对网络模型进行训练,并对9期～12期实际观测值与预测值进行了比较,结果比较理想,从而验证了采用BP人工神经网络模型进行建筑物沉降的预测是可行的。     

基于神经网络模型的软基工后变形分析

基于神经网络理论和反向传播算法,建立了软基工后变形预测分析人工神经网络模型,结合汕汾高速公路软基工后沉降实测数据,对模型进行学习训练,并利用神经网络模型进行工后变形预测,验证表明,预测值与实测值有较好的一致性,由于其能以较高的精度去逼近任意非线性函数,从而在软基变形分析上显示出较强的实用价值和优越性。     

临近基坑的建筑物沉降预报

将BP神经网络应用于深基坑开挖引起的建筑物沉降预报,编制了基于Matlab6．5平台的建筑物沉降预报计算程序,工程实例计算表明该方预测精度较高,在工程实践中有较好的实用性。     

基于小波变换的神经网络空调负荷预测研究

基于小波变换的思想建立了递归BP网络模型来预测空调负荷,改进了网络权值、闽值的修改算法,引入了折扣系数法以提高近期预测精度,结合一实例进行了空调逐时冷负荷预测,结果表明该方法预测精度高,适用于空调负荷预测。     

基于时空关系的盾构开挖地表沉降规律

基于武汉地铁四号线某区间隧道盾构开挖引起的地表沉降数据分析,考虑地表沉降的时空关系,将地表沉降划分为无影响阶段、前期沉降阶段、通过阶段、盾尾空隙沉降阶段、工后沉降阶段,并给出了各个阶段的大致范围及其地表沉降占总沉降的比值。通过对Mindlin解引入时间参数,针对不同阶段地表沉降影响因素进行分析,在前影响距离范围内,盾构机与土体的摩擦力和地层损失对地表沉降的影响占优,在后影响距离范围内,地层损失对地表沉降起到了绝对的控制作用,前期沉降阶段的土层隆起与正面附加推力、摩擦力有关,而正面附加推力、摩擦力和注浆压力导致了工后沉降阶段的土体回弹,由此获得了实时地表沉降预测的理论公式。研究结果表明:理论预测值与实测值能较好的吻合,该公式能够较为准确地实时预测地表沉降。