非等步长灰色GM(1,1)模型及其建筑物沉降预测中的应用

在文献[1]非等步长灰色GM(1,1)模型建模基础上,提出根据沉降观测振荡序列建立非等步长灰色GM(1,1)模型的改进方法.利用青岛一高层建筑物的沉降监测数据,根据改进的非等步长灰色GM(1,1)模型对建筑物沉降进行了预测和分析,通过与改进前的模型预测结果的比较分析,验证了改进模型的实用性、正确性和有效性.     

基于残差修正GM(1,1)模型的采空区残余变形预测研究

针对灰色GM(1,1)模型直接应用于采空区地表残余变形预测效果一般的问题，以灰色GM(1,1)模型为基础，以一元二次多项式对GM(1,1)模型预测结果进行正化残差拟合修正，构建残差修正GM(1,1)模型，并以等间距和非等间距2种形式的采空区地表残余沉降监测数据集进行实例验证。结果表明：残差正值化处理后的非线性多项式拟合修正GM(1,1)模型的预测精度增益明显，而未对残差进行正值化处理的多项式残差修正GM(1,1)模型预测精度提升效果一般，正化残差拟合修正是有效的GM(1,1)模型后处理改进方式。     

两种预测模型在客专路基沉降预测中的对比分析

在提出客运专线路基沉降预测重要性的基础上,以灰色预测模型GM(1,1)和双曲线模型,对路基沉降变形观测数据进行了分析预测,并结合实例,编写matlab程序,对这两种预测结果做了对比分析.结果分析显示:灰色预测模型GM(1,1)比双曲线模型在客运专线路基沉降预测具有更高的精度,效果更佳.     

灰色Verhulst模型在矿区沉降预测中应用探讨

在沉陷日常监测中,受各种不利因素影响,数据不易获得,数据量往往不多,从而影响了沉陷的预计精度。针对这个问题,在对数据等时间距化的基础上,运用了GM(1,1)和灰色Verhulst模型对沉降量进行了预计。结合矿区地表实测沉降进行了实例验证,结果表明灰色Verhulst模型对矿区沉降量的预计比GM(1,1)更为有效。     

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.     

灰色理论在基坑沉降预测分析中的应用

通过灰色理论中的GM(1,1)模型,对软土地区基坑开挖后引起的地表沉降进行了分析预测,其预测结果与监测结果接近.结果表明,在GM(1,1)模型中,利用初期沉降位移实测值来预测未来一定时间内的沉降位移值能够得到比较准确的预测结果,因此对指导基坑开挖和支护具有一定的作用.     

基于时间加权-新陈代谢GM(1,1)模型在建筑物沉降预测中的应用

文中针对时间因素对GM(1,1)模型预测造成的影响引入了时间加权-新陈代谢GM(1,1)模型,并将该模型应用于建筑物的沉降预测,结果证明时间加权-新陈代谢GM(1,1)模型比传统的GM(1,1)模型的预测精度高,具有较高的参考价值。     

基于优化GM(1,1)模型的矿井涌水量预测及算法实现

针对矿井涌水量预测过程中受各种因素的影响,预测精度较低的问题,基于GM(1,1)模型提出优化GM(1,1)模型。分别建立GM(1,1)模型及优化GM(1,1)模型,并对某矿2002—2010年矿井平均涌水量进行模拟计算,结果显示优化GM(1,1)模型模拟精度较高。利用MATLAB设计优化GM(1,1)模型的计算程序,解决了计算过程复杂、计算量大的问题。     

基于灰色关联GM(1,N)-Markov修正模型的应用

针对变形系统中多变量之间相互作用影响,传统GM(1,1)模型难以体现沉降变化趋势的问题,该文提出基于灰色关联分析的GM(1,N)模型对数据分析处理,并利用Markov模型修正残差序列,提高预测精度。通过实际工程应用表明:灰色关联GM(1,N)-Markov模型的预测精度高,结果更为可靠,在实际工程沉降分析预测中具有可行性。     

灰色人工神经网络模型在路基沉降预测中的应用

利用灰色GM(1,1)模型得出的高速公路工后运营期路基沉降预测量呈快速增长趋势,这与后期沉降趋缓的实际情况不相符。针对这个问题,提出先用弱化缓冲算子对原始监测数据进行弱化处理,再利用弱化缓冲序列建立灰色GM(1,1)模型,提高了模型的预测精度。采用BP网络对沉降预测值修正,使修正后的预测值更加接近实际值。工程实例表明在弱化监测数据的基础上建立的灰色与人工神经网络结合模型具有很高的预测精度,可用以公路路基沉降预测分析。