BP神经网络在基坑工程变形预测中的应用

结合工程实例,针对基坑开挖过程的变形特点,应用BP神经网络和基于粒子群优化算法的BP神经网络对基坑支护结构的变形进行预测,并对两种方法预测结果进行比较分析。结果表明,基于粒子群优化算法的BP网络的泛化预测性能要优于BP网络,预测深基坑地下连续墙结构水平位移更有效。     

基于神经网络的基坑与紧邻桩变形相关预测

基于神经网络技术 ,建立深基坑墙体与其紧邻建筑 (构 )物之间变形相关性预测BP网络模型 ,以便根据深基坑紧邻桩基允许变形来控制深基坑墙体变形。本文最后用某紧邻高架桥的地铁车站深基坑实例进行分析 ,结果表明预测与实测结果基本吻合     

基于神经网络的基坑与紧邻桩变形相关预测

基于神经网络技术，建立深基坑墙体与其紧邻建筑(构)物之间变形相关性预测BP网络模型，以便根据深基坑紧邻桩基允许变形来控制深基坑墙体变形。本文最后用某紧邻高架桥的地铁车站深基坑实例进行分析，结果表明预测与实测结果基本吻合。     

基于PSO-BP的明挖法地铁车站施工工期预测

为了有效处理明挖法地铁车站工程建设的复杂性以及工期与其影响因素之间的非线性关系等问题,采用粗糙集理论、粒子群算法(PSO)与BP神经网络相结合的方法预测明挖法地铁车站施工工期.首先,识别得出24个工期影响因素,采用粗糙集理论根据样本数据对影响因素进行约简,确定了11个工期预测指标作为预测模型的输入变量;然后,针对BP神...     

基于计算智能的地铁隧道施工进度-成本优化

对于工序复杂的地铁隧道施工进度-成本优化问题,为了避免数学公式难以准确表达进度和成本之间的非线性关系,提出运用计算智能技术中的遗传神经网络和免疫粒子群算法的组合方法寻优。首先,通过遗传算法对BP神经网络的权值和阈值进行优化;然后,运用实际工程中进度和成本数据分别进行BP神经网络模型的训练和测试;最后,基于得到的BP神经网络模型和免疫粒子群算法实现对进度-成本寻优。通过该组合方法和基于数学公式的单纯形法分别求解算例,对比通过单纯形法求解出的准确结果,验证了该组合方法能够比较准确地解决进度-成本优化问题。因此,基于遗传神经网络和免疫粒子群算法的组合方法为工序复杂的地铁隧道施工进度-成本优化提供了一个较优的途径。     

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。     

基于DEA-AHP-BP神经网络的地铁深基坑施工风险评估

为评估地铁车站深基坑施工风险,提出基于DEA-AHP和BP神经网络的地铁车站深基坑施工风险评估模型。先运用WBS-RBS识别施工过程风险因素,利用层次分析法建立两级风险评价指标体系确定评判矩阵,运用数据包络计算指标权重,最后将指标权重值作为BP神经网路输入完成地铁车站深基坑施工风险预测,确定风险等级。通过工程实例验证该评价方法科学可行,可为类似工程风险评价提供一定借鉴。     

武汉地铁某深基坑开挖对周边高架桥影响的分析预测与数值模拟研究

以武汉地铁某深基坑工程为研究背景,综合现场监测、BP神经网络预测以及数值模拟计算等多种方法,研究在复杂路段下地铁车站深基坑围护结构的变形规律与深基坑开挖对上跨高架桥墩的影响作用。研究提出：在以后的类似工程中可以利用数值模拟方法对工程施工进行动态预演,检验基坑的设计方案的安全性和经济性,并在基坑施工过程中可以通过BP神经网络进行动态预测,掌握基坑施工在下一个阶段的变形趋势,从而可建立“模拟-预测”信息化施工监测方案,以达到基坑安全与经济施工的目的。     

基于遗传算法-BP神经网络的深基坑变形预测

随着我国城镇化的发展,深基坑工程越来越多,随之而来的施工安全风险愈发凸显,如何有效预测和分析基坑的变形,是保障其施工安全的有效方法之一。本文利用遗传算法,对BP神经网络初始权重和阈值进行优化,并运用MATLAB编制了基坑变形预测程序。结合宁波地铁某车站深基坑地下连续墙深层土体水平位移的监测数据,建立了关于深基坑地下连续墙围护结构水平位移的神经网络模型,并对该基坑一测斜孔对应的围护结构水平位移进行预测。结果表明,本文提出的模型对于深基坑地下连续墙围护结构的水平位移预测具有较高的准确性,同时对支撑施作的影响具有良好的泛化能力,因而对基坑的施工安全具有现实的指导意义。     

mRMR和PSO算法对神经网络预测模型优化效果

提出利用最大相关和最小冗余(mRMR)算法、粒子群优化(PSO)算法,对BP神经网络预测模型进行优化。对某住宅楼进行供热负荷预测,评价3种神经网络预测模型(BP神经网络预测模型、mRMR-BP神经网络预测模型、PSO-mRMR-BP神经网络预测模型)的预测效果。在3种神经网络预测模型中,BP神经网络预测模型的预测效果最差,PSO-mRMR-BP神经网络预测模型的预测效果最佳。与BP神经网络预测模型相比,经过mRMR算法对输入变量进行筛选以及PSO算法对初始参数进行优化,PSO-mRMR-BP神经网络预测模型的预测效果显著提高。     

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。     

基于PSO-BP算法对古建筑消防安全评价

基于影响古建筑火灾发生的原因,建立了比较合理的消防安全评价指标体系,并构建了以粒子群(PSO)算法优化BP神经网络的评价模型。通过样本的建立,确定了BP神经网络的网络结构,运用粒子群算法去优化BP网络的初始权值和阈值,再把优化之后的权值和阈值赋给BP神经网络,对其进行训练直到误差满足既定要求。为了验证该评估模型的有效性,最后将训练的粒子群优化的BP神经网络模型应用到奉国寺大雄殿的消防安全评价中。结果表明,此模型收敛更快、适应性更强、精度更高。在古建筑消防安全评价中具有较好的应用价值,实现了古建筑消防安全评价的定量分析。     

一种改进的高铁桥沉降变形预报方法研究

鉴于传统BP神经网络在高铁桥沉降变形预报中随机性强、收敛速度慢、易陷入局部极值等缺点,本文引入了顾及邻域粒子群影响的改进粒子群算法(IPSO)优化BP神经网络,建立IPSO_BP的高铁桥台沉降变形预报模型,组合模型的预报结果与高铁沉降变形评估方法—Asaoka进行比较,结果表明:基于改进的粒子群优化BP神经网络模型较高铁桥传统BP预报模型收敛速度更快,预报精度更高;预报评估结果与Asaoka方法预报的结果相符,证明了IPSO_BP模型的可靠性和实用性。     

基于PCA-PSO-BP神经网络的住宅供热逐时负荷预测

为了准确预测供热负荷,提出了一种基于主成分分析法和粒子群优化算法改进的BP神经网络(PCA-PSO-BP)预测模型。首先利用主成分分析法融合影响热负荷的特征指标,消除指标之间的冗余性和相关性;同时采用粒子群算法优化BP神经网络的初始权值和阈值,克服了BP神经网络容易陷入局部最优的缺陷,提高了BP神经网络的预测精度。基于北京某居住建筑供热系统的实际运行数据,对模型的性能进行了验证。仿真结果表明,改进的模型预测精度提高了4.07%。     

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.     

混合BP神经网络在城市污水量预报中的应用

对城市污水处理厂污水量的科学预测是污水处理机组协调和优化调度的基础和关键。针对传统BP神经网络在污水处理厂污水量的预测中存在收敛速度慢、预报精度低等缺陷。本文提出采用改进的粒子群优化算法优化BP神经网络的连接权值,以提高污水量预报的速度和精度。实验结果表明了该混合BP神经网络在城市污水量预报中的有效性和精确性,实现了污水处理厂各机组的优化运行和节能降耗。     

城市生活需水量预测中智能算法的应用研究

在分析城市用水特点、筛选相关影响因素的基础上建立城市生活需水量预测模型,并研究了模型求解过程中智能算法的应用。采用改进的粒子群优化(PSO)算法对反向传播(BP)神经网络的初始设置进行智能优化,避免了传统BP神经网络模型在训练过程中容易陷入局部极小值的缺点。应用该粒子群优化神经网络(PSO-BP)算法求解需水量预测模型,其实例结果表明,该算法提高了神经网络的训练效率,基于该算法的预测模型具有较理想的可靠性和精度。     

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。     

基于ArcGIS的三维可视化深基坑监测系统的研发及应用

采用Geodatabase作为空间数据模型,并基于Arc GIS Engine二次组件库技术和MATLAB BP神经网络模型,研发出集深基坑监测数据管理、预测预警分析、可视化表达于一体的深基坑监测系统,通过长沙地铁湘府路车站实例表明,该基坑监测系统能稳定处理大量监测数据。     

基于改进粒子群算法的神经网络优化证券投资组合方法

采用人工神经网络对证券投资进行预测与分析的研究过程中,提高神经网络各个节点参数的优化能力是极其关键的。传统的神经网络存在学习速度慢、易陷入局部极小值、预测结果精度较低等缺点,一种改进型粒子群(Improved Particle Swarm Optimizer,IPSO)算法,可以优化BP(Back Propagation)神经网络,并将优化后的BP神经网络应用于优化证券投资组合中。实验结果表明:该研究方法能够在预测精度和稳定性方面明显优于传统的PSO-BP神经网络优化证券投资组合方法。