基于并联型灰色神经网络模型的隧道沉降量预测方法探讨

灰色预测方法和人工神经网络,在建筑物变形预测中有各自的优势和不足.为了提高预测精度,该文结合灰色GM(1,1)模型和BP神经网络模型的特点,构造并联型灰色神经网络模型(PGNN)对南京地铁隧道某监测点的沉降量进行预测.结果显示,PGNN的预测精度明显高于单一的灰色GM(1,1)模型和BP神经网络模型,证明了PGNN组合方法在地铁隧道沉降量预测中的有效性.     

组合优化模型在巷道围岩变形监测中的应用

将灰色GM(1,1)模型、回归分析法和神经网络模型的预测结果结合起来,以各种模型误差平方和最小为基准,进行加权优化组合,建立了组合优化预测模型并将该组合模型应用到巷道围岩变形监测中。经过实验分析与对比,验证了组合预测模型在巷道围岩变形预测中优于单一的预测模型,也是提高巷道围岩变形预测的一种有效方法。     

某基坑变形的综合预测模型

在分析BP神经网络和灰色模型群的变形预测基本原理的基础上,以某基坑为例,分别构建了基于BP神经网络的预测模型、基于灰色模型群的预测模型以及基于BP神经网络模型和灰色模型群的综合预测模型,预测了该基坑开挖过程中产生的变形值。研究表明:综合预测模型的预测精度优于其余两类模型,对于提高基坑的变形预计精度有一定的参考价值。     

动态灰色时序神经网络组合模型在地铁运营期沉降预测效果分析

为了提高在变形监测中数据预测的精度以及它的可靠性,该文提出了基于动态灰色时序模型与神经网络组合的预测方法。根据已有的地铁沉降数据,对地铁隧道结构变形进行数据分析与预测,并与动态灰色模型、动态灰色时序模型进行精度对比。实例证明,该组合模型在地铁隧道结构变形预测中的精度较高。     

基于灰色神经网络组合模型的煤矿能耗预测研究

针对传统煤矿电能消耗预测模型可靠性和精度低等问题,提出了一种基于灰色神经网络组合模型的煤矿能耗预测方法,该方法将灰色预测模型和BP神经网络有效组合,充分利用2个模型的优点。首先介绍了灰色预测模型和神经网络预测模型的基本原理;其次根据煤矿能耗预测的数据特性,将灰色预测和神经网络预测进行组合,得到一种灰色神经网路组合预测模型;最后,通过仿真验证了所提方法的可行性和有效性,为煤矿能耗预测提供了新的理论依据。     

基于灰色—BP神经网络组合模型的边坡稳定性预报方法

在前人研究成果的基础上,研究BP神经网络模型和灰色系统理论的原理,依据它们的适用条件及优缺点,对同一已知边坡取不同样本区间建立GM(1,1)模型,得到不同的预测结果。将多个灰色预测的结果作为输入变量,使用BP神经网络进行组合,输出组合预测结果。提出基于灰色神经网络范例推理的边坡稳定性评价方法,针对边坡稳定性影响因素的复杂多变性和相当强的不确定性,建立了边坡范例检索模型。通过对边坡稳定性因素的灰色模型预处理,以及边坡范例的神经网络学习,最终实现边坡稳定性评价。     

灰色时序组合模型在基坑水平位移预测中的应用

以宿迁苏豪银座项目为例,对基坑开挖过程引起的周围深层水平位移进行检测,并运用灰色理论和时间序列对实测资料建立模型,用此模型对后几期监测结果预测,计算结果表明灰色时序组合模型较单一的模型预测精度高,得出组合模型更适合于对该基坑变形监测数据进行建模的结论.     

基于灰色GM(1,1)和神经网络组合模型的基坑周边地面沉降预测分析

为了预测基坑周围地表道路的沉降,该文结合常州恒生科技园二期建设工程实例,提出了灰色GM(1,1)与神经网络模型组合构成灰色神经网格模型。基于层次分析法,选取建筑物沉降、围护结构顶部水平位移、竖向位移、地下水位作为影响地表道路沉降的主要因素,并将其作为模型的输入因素。研究结果表明,灰色神经网络模型结合三次样条插值建立的组合预测模型,具有较高的预测精度,有利于基坑的预测、预警,有效地保障了基坑施工的安全。     

基于灰色神经网络的边坡稳定性预报方法研究

本文在前人研究成果的基础上,研究了BP神经网络模型和灰色系统理论的原理,依据其适用条件及优缺点,对同一已知边坡取不同样本区间建立GM(1,1)模型,得到不同的预测结果。将多个灰色预测的结果作为输入变量使用BP人工神经网络进行组合,输出组合预测结果。提出了基于灰色神经网络范例推理的边坡稳定性评价方法,针对边坡的稳定性影响因素的复杂多变性和相当强的不确定性,建立了边坡范例检索模型,通过对边坡稳定性因素的灰色模型预处理,以及边坡范例的神经网络学习,最终实现了当前边坡的稳定性评价。     

软岩巷道变形灰色神经网络多步预测研究

结合大变形软岩巷道工程实例,提出基于MATLAB平台灰色神经网络多步快速预测方法,建立了软岩巷道变形的GNNM(1,1)模型.结果表明:GNNM(1,1)模型的预测结果与实测结果拟合的较好,预测效果优于单项模型,可较准确地用于预测软岩巷道变形.     

Research on deformation prediction method of soft soil deep foundation pit

In view of the characteristics of soft soil deep foundation pit for the construction and geotechnical characteristics of the special medium, it is difficult to calculate theoretically accurately structural deformation of the foundation pit, so in the course of excavation on the construction of the information is particularly important. The analysis and comparison of several popular non-linear forecasting methods, combined with the actual projects, set up a grey theoretical prediction model, time series forecasting model, improved neural network model to predict deformation of the foundation pit. The results show that the use of neural network to predict with high accuracy solution, it is the foundation deformation prediction effective way in underground works with good prospects. Supported by the Educational Department of Liaoning Province Through Scientific Research Project(20060051); National Natural Science Foundation of China (50604009); Universities Excellent Talents Support Plan to Train Foundation of Liaoning(RC-04-13)     

人工神经网络方法在基坑变形预测中的应用研究

分析研究了人工神经网络方法在基坑变形预测中的建模方法,并通过实例应用,证明这种方法是切实可行的。同时将人工神经网络方法预测结果和灰色系统模型及时序模型预测进行比较,充分证明人工神经网络方法在变形预测中的优越性。     

基于改进RBF神经网络的巷道变形预测模型

由于经典RBF神经网络中的隐含层节点数、连接权值等结构参数基本由经验获取,因此经典RBF神经网络模型的性能取决于建立模型专家的主观性,存在一定的盲目性和随机性,难以对巷道变形进行准确预测。为此,采用贝叶斯阴阳和谐学习算法对经典RBF神经网络模型的隐含层节点个数、连接权值等结构参数进行了优化,提出了一种基于改进RBF神经网络的巷道变形预测模型,即对角型广义RBF神经网络模型。采用潞安和兖州矿区的综放回采巷道的现场长期监测数据分别对经典RBF神经网络模型以及对角型广义RBF神经网络模型进行了试验分析,结果显示：①对巷道顶底板变形进行预测时,对角型广义RBF神经网络模型的准确率约92.2%,经典RBF神经网络模型的准确率约80.6%;②对煤帮变形进行预测时,对角型广义RBF神经网络模型的准确率约90.2%,经典RBF神经网络模型的准确率约78.6%。上述试验结果表明,对角型广义RBF神经网络模型对于巷道变形预测的精度明显优于经典RBF神经网络模型,对于高精度巷道变形预测有一定的参考价值。     

基于灰色神经网络的我国原煤产量预测

文章采用灰色神经网络进行我国煤炭产量预测模型的建模,灰色神经网络具有灰色系统模型的可以用少量样本数据来建模与神经网络精度高的特性,克服在进行煤炭产量预测样本数据少的问题,仿真结果表明,此种模型预测结果的相对误差是1.57%,只使用灰色模型预测结果的相对误差是9.8%,采用此模型提高了预测的准确性和精度。     

神经网络模型在大坝位移分析中的应用

大坝变形监测是大坝安全监测中最重要的项目之一.由于大坝变形受到各种外界因素的影响,变形情况非常复杂,预测的准确性对大坝的安全评估起着重要作用.因此,对大坝变形分析预报方法的选择显得尤为重要.该文介绍了统计模型和神经网络模型,提出将BP神经网络方法与统计方法结合的方法.用这两种方法对某大坝位移监测数据进行分析,并对未来变...     

瓦斯涌出量灰色-RBF网络模型的建立与应用

为了减少瓦斯事故给煤矿生产带来的损失,本文在灰色模型预测煤矿瓦斯涌出量的基础上,结合神经网络理论,构建了灰色-RBF网络模型,充分利用灰色模型的"小样本、贫信息"的预测特点及RBF神经网络自学习、自适应能力特点。首先使用灰色模型对瓦斯涌出量进行初步预测,然后建立RBF网络模型进行再次预测,得到瓦斯涌出量的最终预测值;RBF网络模型的训练和预测计算用MATLAB软件完成。通过对安徽省某矿瓦斯涌出量的预测结果对比,灰色-RBF网络模型的预测误差分别为0.325和0.221,灰色模型预测误差为2.51和2.45,结果表明灰色-RBF网络模型预测明显高于单一灰色模型预测的预测精度。为煤矿瓦斯涌出量预测提供一种预测精度高的方法。     

基于GA-BP神经网络的毫秒延时爆破振动速度预测研究

由于基坑爆破开挖作用而产生的振动效应受多种因素综合影响,传统的经验公式预测振动速度难以满足目前爆破安全的需求.因此,如何优化爆破参数,减小爆破振动效应,对保证临近建筑的安全具有重要意义.基于某基坑工程现场爆破监测所得的400组样本数据,本文采用遗传算法(GA)优化BP神经网络,对振动速度进行预测,将GA-BP神经网络振...     

基于MATLAB工具箱的基坑深层水平位移神经网络预测

以实测数据为样本, 采用MATLAB中神经网络工具箱, 建立了深基坑围护结构深层水平位移预测模型。预测结果显示, 预测值与实际监测值吻合, 误差较小, 两者在4 m位置处都有最大位移值, 趋势一致, 表明模型能较好满足工程需要。深基坑开挖过程受水文地质条件、空间几何形状、支撑结构体系、施工条件、施工荷载、基坑暴露状况和周边环境等多因素影响, 各因素对变形的影响呈非线性关系, 监测曲线不光滑, 呈中间大、两头小, 反映围护结构受支撑轴力作用, 与现场轴力监测结果一致。     

基于PSO优化BP神经网络的露天矿边坡位移预测模型

BP神经网络的初始连接权重和阈值对露天矿边坡位移预测的精度和收敛速度有重要影响。鉴于粒子群优化(PSO)算法具有全局搜索性能和收敛速度快,引入PSO算法对BP神经网络的初始连接权重和阈值进行全局优化,提出了基于PSO优化BP神经网络的露天矿边坡位移预测模型。将所提出的模型应用于实际案例中,并与BP神经网络进行对比。结果表明:该模型能够提高BP神经网络在露天矿边坡位移预测中的精度和收敛速度,预测结果的最大相对误差和平均相对误差分别是0.566 8%和0.353 0%,具有较好的精度和实际应用价值。