基于BP神经网络和多元回归的边坡稳定性预测研究

针对京新高速张家口路段的5个工程边坡进行了基于BP神经网络和多元回归的稳定性预测模型比较研究。结合45个不同土质参数的公路边坡实例,将影响路基边坡稳定性的岩土体内摩擦角、内聚力、重度、边坡角、边坡高度以及孔隙水压力6个主要因素作为评价因子。采用BP神经网络和多元回归两种预测方法对边坡的安全系数进行预测分析。通过对比两种模型的预测值和实际值以及方差和均方根误差,结果表明,两种模型都有较高的预测准确度,相比之下BP神经网络较之多元回归具有更精确的预测结果,更适用于边坡稳定性的预测分析。     

边坡稳定分析的神经网络方法

论述了BP神经网络的基本原理和算法,研究了MATLAB下的BP神经网络工具箱在边坡稳定性分析中的应用。采用影响边坡稳定性的复合指标,建立了BP预报模型。用收集到的边坡数据样本训练和测试BP神经网络模型,结果表明该BP神经网络预测边坡稳定性是可行的、有效的。     

基于相空间重构的BP神经网络对边坡的位移预测研究

边坡的位移预测对其稳定性的预报具有十分重要的意义,从基于相空间重构的BP神经网络预测方法对位移时间序列进行了分析,对相空间重构的参数延迟量以及嵌入维数进行了论述,将预测结果与传统的BP神经网络模型的预测结果进行了比较。结果表明,基于相空间重构的BP神经网络具有更高的精度,是一种优秀的预测方法。     

基于极限学习机方法的边坡稳定性分析

为了实现对边坡安全系数的预测,选取了60组边坡稳定性影响因素和对应安全系数作为数据样本,利用极限学习机(ELM)建立了边坡的稳定性分析模型,指出实验结果与传统的BP神经网络和极限平衡法方法的计算结果非常接近,表明极限学习机可以用来进行边坡稳定性预测和判断。     

基于自适应神经元模糊推理系统的岩质边坡稳定性评价方法

模糊理论在岩质边坡稳定性评价中存在的知识获取和自适应能力较低等方面不足,而神经网络在模糊推理方面欠缺,因此,提出基于自适应神经元模糊推理系统的边坡稳定性评价方法。通过模型结构的建立、模型训练和测试,得到可用于边坡稳定性评价的基于自适应神经元模糊推理系统模型。测试结果表明,该模型计算结果与边坡实际稳定系数十分接近,对边坡稳定性的预测结果也与实际相符。与基于神经网络方法的计算结果比较,该方法在建模简便程度及计算精度等方面明显具有优势。     

人工神经网络在岩质边坡稳定性预测中的应用

针对岩质边坡稳定性分析中存在的问题，提出了运用人工神经网络（ANN）预测岩质边坡稳定性的新方法，并构造了相应的BP神经网络模型。预测结果表明，该模型具有很高的预测精度，能够满足实际工程需要。     

基于Quickprop算法的BP神经网络在边坡稳定性预测中的应用

目前,人工智能方法已经在岩土边坡稳定性预测方面得到应用,由于边坡稳定性的目标函数非线性强,且难获取受力效应的数学解,致使常规预测方法很难得到准确的预测结果。为提高边坡稳定性的预测精度和预测效率,在常规BP神经网络方法的基础上,结合边坡稳定性相关影响因素,采用基于Quickprop算法对预测误差进行归类判断,改善神经网络的构建方式,提高神经网络的预测精度和效率。经测试数据验证,改进的BP神经网络可用于边坡稳定性预测,预测误差小、精度高,具有较强的应用效果。     

基于径向基神经网络的边坡稳定性评估方法

在现有研究的基础上,引入径向基神经网络理论,提出了边坡稳定性的径向基神经网络预测方法。以土体重度、内摩擦角、粘聚力、锚固段长度等为输入参数,边坡稳定性系数为输出参数,建立精确RBFNN神经网络模型,对边坡稳定性进行了预测,结果表明：用训练成熟的径向基神经网络进行仿真,避免了诸多人为因素的影响,提高了结果的精度,使得计算高效、结果更加准确。     

高速公路边坡稳定性的二级模糊综合评判

构造了公路边坡稳定性分析的二级模糊综合评判模型,结合某高速公路边坡稳定性的实际问题,通过模糊评判模型计算得到了公路边坡稳定性的预测结果,计算结果表明该评价分析结果与实际相吻合。     

基于自组织映射神经网络的边坡样本分析方法

推导了自组织映射神经网络过程的简化权值求解公式,并采用自组织竞争神经网络对收集到的边坡样本进行归类,降低了学习样本的噪声。BP神经网络采用归类后的样本进行学习,学习效率有了提高,网络的推广及泛化能力也得到加强。试验证明,优化后的BP神经网络在安全系数的拟合以及样本的误差分布方面均有明显的改善。同时,编制了可以通用的边坡稳定性评价程序,通过将该程序应用于边坡实例的稳定性评价分析,得到的边坡状态与实际相符,准确度较高,用于计算边坡的安全系数误差较小。     

基于GA改进BP神经网络的建设工程投标报价研究

在建设工程项目投标报价过程中,如何来确定标高金直接关系到承包商能否中标和盈利以及施工企业今后的生存与发展。提出基于遗传算法(GA)优化BP神经网络的标高金预测方法。在分析BP神经网络基本原理的基础上,主要阐述了如何应用遗传算法来改进BP神经网络收敛速度慢和易于陷入极小值等缺点。对BP神经网络模型隐含层节点数进行优选后,建立起GA改进BP神经网络的标高金预测模型;最后应用该模型和一般BP神经网络模型对20个典型国际工程实例的标高金进行计算和预测。计算结果对比发现,经遗传算法改进后的BP神经网络模型在降低计算和预测平均误差的同时,迭代次数比一般BP神经网络模型也大大减少了。因此,该模型适用于求解如建设工程投标报价等非线性问题。     

边坡非线性位移的神经网络–时间序列分析

边坡的变形表现出复杂的非线性演化特征，大量的工程实践表明利用部分实测的边坡位移时间序列来预测未来边坡的位移更为准确。以神经网络和时间序列分析方法为基础，使用零均值化和标准偏差预处理方法，以及规则化能量函数法和贝叶斯规则化方法进行BP神经网络建模，利用BP网络对边坡位移非平稳时序进行趋势项提取，使非平稳监测时序转化为平稳时序以进行常规ARMA时序分析。结合滚动预测方法，建立了适合岩土体位移预测的神经网络–时间序列分析联合模型，以隔河岩水电站进水口边坡变形和水布垭水电站大岩淌滑坡位移为例进行预测分析。研究结果表明：新模型的预测精度高、实时可靠，可应用于实际工程。     

岩体边坡滑移的系统学预报研究

结合工程实践,将协同学方法、神经网络方法等应用于岩体高边坡失稳过程分析和稳定性预测,并对它们的适用范围和应用效果进行了分析,还分析了边坡稳定性系统预测中应该解决的一些问题,以确保边坡稳定性。     

边坡非线性位移的神经网络-时间序列分析

边坡的变形表现出复杂的非线性演化特征，大量的工程实践表明利用部分实测的边坡位移时间序列来预测未来边坡的位移更为准确。以神经网络和时间序列分析方法为基础，使用零均值化和标准偏差预处理方法，以及规则化能量函数法和贝叶斯规则化方法进行BP神经网络建模，利用BP网络对边坡位移非平稳时序进行趋势项提取，使非平稳监测时序转化为平稳时序以进行常规ARMA时序分析。结合滚动预测方法，建立了适合岩土体位移预测的神经网络-时间序列分析联合模型，以隔河岩水电站进水口边坡变形和水布垭水电站大岩淌滑坡位移为例进行预测分析。研究结果表明：新模型的预测精度高、实时可靠，可应用于实际工程。     

偏压双连拱公路隧道围岩稳定性动态预测分析

由于高速公路偏压双连拱隧道的复杂地质条件,会给隧道安全施工带来严重威胁,提出在加强隧道开挖现场监控量测的基础上,以位移量测结果作为学习样本,应用BP神经网络预测隧道围岩位移的大小,分析围岩的稳定性。由于BP神经网络能综合考虑隧道围岩节理、裂隙等对围岩位移的影响,所以与有限元反分析法计算隧道围岩位移结果比较,显示BP神经网络预测结果的误差较小,预测值与实际测量值趋于一致,因此应用BP网络预测偏压双连拱隧道围岩位移,超前分析其稳定性是安全可靠的,该预测方法的预测结果可以指导现场的施工。     

普通混凝土强度预测的双并联前向神经网络模型

为了预测混凝土强度，在分析普通混凝土的28d强度的影响基础上，建立了混凝土强度预测的双并联前向神经网络模型。介绍了双并联前向神经网络模型的计算过程厦其学习方法。通过编程用计算机对混凝土强度预测进行了仿真模拟，结果与鲍罗米公式计算蛄果比较表明预测精度高，模型可靠。通过与BP网络模型比较发现双并联前向神经网络模型具有更好的收敛效果。     

基于GM-RBF组合模型的高路堑边坡稳定性预测研究

边坡的稳定性预测是道路边坡安全性评判的关键,且及时、准确的预测可以有效地预防边坡破坏灾害的发生.采用GM(1,N)模型与RBF神经网络模型相结合的方式,建立一种基于GM-RBF组合的高路堑边坡变形预测分析模型.结合高速公路高路堑边坡工程实例,通过对比GM(1,5)模型、RBF神经网络模型和GM-RBF组合模型的边坡安全系数预测结果来分析GM-RBF组合模型的可行性.结果 表明,GM-RBF组合模型比单一模型更能抵抗预测数据序列中存在的波动性;较于GM(1,5)模型和RBF神经网络模型,GM-RBF组合模型预测的边坡安全系数平均绝对误差分别降低了64.6％和45.8％,边坡安全系数均方根误差分别降低了66.7％和45.2％,边坡安全系数相对均方误差也分别降低了58.3％和38.7％;采用GM-RBF组合模型对边坡稳定性进行预测能够保持良好的精度.     

基于BP人工神经网络的公路岩质边坡稳定坡角预测

将大量已建公路边坡工程的数据作为训练样本,建立了BP人工神经网络模型,并按照RMR岩体质量分类系统将收集到的边坡地质资料进行分类,获取参数值后输入已建立好的BP人工神经网络模型,综合比较了稳定边坡角预测值与已建公路的边坡角实际值,结果表明,采用BP神经网络方法预测公路岩质边坡稳定坡角是可行的。     

基于ν-SVR算法的边坡稳定性预测

提出基于一种改进支持向量机算法(ν-SVR)的边坡稳定性预测方法,直接利用边坡的特征参数快速预测边坡稳定性。为解决算法中模型选择困难的问题,用留一法设计预测模型,用网格搜索法搜索最优参数。留一法可以避免传统方法中根据经验确定预测模型的缺点,较为客观地获取合适的预测模型。网格搜索法可以保证搜索到合适的参数。计算结果显示,联合运用这两种方法可以获得合适的预测模型。利用该预测模型对82个圆弧破坏边坡实例中的71个实例进行学习,对另外11个实例进行推广预测,取得了较好的效果,其预测精度明显优于一种改进BP神经网络算法和常规SVR算法,与GA-BP神经网络算法相近。在此基础上,提出基于ν-SVR算法的边坡设计方法,能够快速、准确的获取不同方案下的边坡安全系数,评价其稳定性,为选择经济合理的边坡设计方案提供决策依据。     

基于模糊神经网络的边坡稳定性评价方法

针对边坡稳定与其影响因素间复杂的模糊性和非线性关系,结合模糊分析与神经网络技术,提出了基于模糊神经网络的边坡稳定性评价方法.方法将模糊推理过程溶入神经网络结构中,使神经网络的神经元和权值物理意义明确,学习速度加快.同时神经网络计算又能克服模糊分析计算精度低、学习能力差等缺点,实现了计算方法的优势互补.实例研究中,模型计算的回判检验无误.边坡稳定性评价准确率达到100%,且网络每一步的最大计算误差仅0.25%,表明模型的学习性、记忆性、稳定性高,泛化能力较强,能够满足实际工程的评价需求.