基于PSO-SVM模型的深基坑变形预测研究

深基坑变形预测一直是深基坑工程的一个重点研究课题,具有十分重要的理论意义和实际价值.支持向量机是一种基于结构风险最小化原理的机器学习算法,它具有很好的泛化能力,能够有效地解决小样本、非线性、高维数、局部极小等问题.本文将支持向量机(SVM)理论引入到深基坑的变形预测当中,同时,采用粒子群算法(PSO)来优化SVM的相关...     

基于LMD-PSO-LSSVM组合模型的深基坑变形预测

变形是造成基坑安全隐患的重要因素。为准确预测基坑变形趋势,提出一种将局部均值分解(LMD)、粒子群优化算法(PSO)与最小二乘支持向量机(LSSVM)组合的深基坑变形预测模型。通过 LMD 将时序样本分解为多个分量,利用PSO优化后的LSSVM模型对各分量建立非线性基坑变形预测模型,最后采用滚动预测的方法对各分量进行预测并将结果叠加得到时序样本的预测值。通过实际工程进行模型预测与分析。结果表明:该模型不仅反映出基坑变形本质特征,而且预测精度明显提高,将其运用于基坑变形预测研究中具有较好的应用性和可靠性。     

基于GWO-ELM模型的深基坑开挖变形预测研究

为有效控制和预测深基坑开挖引起的周围地表沉降变形,以保定市汽车科技产业园深基坑工程为依托,使用MIDAS GTS NX软件对实际基坑工程施工过程进行模拟,并将实际值与模拟值进行对比,验证模型的准确性。并且使用灰狼优化算法(GWO)优化了极限学习机(ELM)神经网络中的输入权重和隐藏层阈值,建立了GWO-ELM深基坑开挖变形预测模型。以有限元模型中土钉数量、开挖深度、周围建筑物沉降等因素作为预测模型的输入因子,以有限元模型中监测点DB-2地表沉降作为预测模型的输出因子。将GWO-ELM模型预测值与ELM模型预测值对比分析。结果表明：通过有限元软件提取地表沉降等数据,可以对深基坑地表沉降实现超前预测;使用灰狼优化算法对极限学习机神经网络中输入权重和阈值优化,可以提高预测模型精度;经过实际工程验证,GWO-ELM模型平均绝对误差为0.261 45,均方误差为0.312 58,R²为0.987 25,均优于ELM模型。     

基于BP神经网络的膨胀土地区深基坑变形预测

膨胀土是一种病害性土质,为了探索成都黏土地区基坑工程变形特点,展开工程实例现场观测,文章结合BP神经网络具有非线性映射的特性,建立变形预测模型。结果表明:预测结果与实际监测结果较差小,预测精度高,表明该模型具有很好的精度,满足工程需求;同时也证明BP神经网络在膨胀土深基坑变形预测分析的可行性和有效性。     

地铁站深基坑计算模型分析与变形预测

以南京地铁二号线集庆门站深基坑工程为背景,结合现场地质资料、变形信息资料和优化后的参数,应用FLAC3D3.00有限差分数值计算软件对连续墙水平变形及周围地表沉降变形特征进行了数值模拟分析与变形预测。结果表明:该方法可对深基坑开挖的安全性作出评估。     

季节性冻土区深基坑桩锚支护结构冻胀变形控制研究

季节性冻土区深基坑支护冻胀影响问题常常由于温差不大、冻融时间较短容易被忽略,但某些特殊情况下冻胀影响产生的基坑坍塌事故却屡见不鲜。对基坑边坡冻胀机理及计算方法进行了总结描述,结合北京某深基坑支护工程,通过对2011～2012年冬季冻胀影响过程的监测与相应处理措施实施效果分析,总结了桩锚支护结构体系的冻胀影响因素,提出了相应注意事项、预防及处理措施。     

深基坑变形的神经网络预测

根据神经网络的基本原理,结合工程实例,建立了基坑变形预测的神经网络模型,并运用该模型对工程实例进行了预测,预测结果与实际变形拟合良好,表明了神经网络法在基坑变形预测中的有效性。     

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。     

基于随机森林的高性能混凝土抗压强度预测

高性能混凝土抗压强度的准确预测是配合比设计优化的关键步骤之一,基于机器学习算法的预测结果容易受到输入变量的影响。提出一种经过特征筛选的抗压强度随机森林预测模型。以水胶比、水泥用量、水泥强度、砂石、粉煤灰掺量和外加剂用量作为原材料指标,通过试验收集56份数据样本。通过变量重要性度量剔除重要性较低的特征,再利用优化后的输入指标进行强度预测,并与未经过特征筛选的随机森林模型和BP神经网络模型的性能进行比较。结果表明,水泥掺量对于高性能混凝土强度的贡献最大,而外加剂的影响较小;随机森林模型的预测精度较高(R²=0.969 09),误差较小(RMSE=0.014 922);基于变量重要性度量的特征筛选对于提高预测精度具有重要意义。     

基于随机森林的混凝土早期碳化预测

碳化会降低混凝土结构的耐久性,减少混凝土结构的使用寿命,因此快速准确预测混凝土碳化对于混凝土的质量评估具有重要意义。本文基于随机森林算法,以松原至通榆段高速公路项目为研究背景,建立随机森林(RF)算法预测模型。构建混凝土早期碳化影响因素指标体系,选择碳化深度作为碳化性能评价指标,根据原始数据建立训练集和测试集,利用Pearson相关性矩阵图分析影响因素相关度,并建立随机森林训练模型,结果表明,利用随机森林预测模型对混凝土碳化进行预测是一种新的有效方法。     

基于随机介质理论的深基坑开挖沉降变形研究

结合南宁轨道交通那洪立交站地铁车站深基坑的工程建设,基于简化的随机介质理论和沉降经验公式对地表变形进行预测,通过与监测值对比验证预测地表变形的可行性;通过对南城百货大楼的变形监测分析,讨论了基坑开挖导致紧邻建筑物沉降的规律及建筑物沉降变形与地表变形和基坑坑壁水平位移的相关性.结果表明:随机介质理论的预测值与监测值变化特...     

深基坑变形分析及预测

准确预测基坑变形对于保证基坑安全施工具有重要意义。以武汉某基坑支护工程为实例,通过分析现场监测数据可知,对数函数可以用来描述基坑开挖过程中的变形趋势。同时,采用神经网络对基坑变形进行预测。     

利用BP-ANN模型进行深基坑变形预测分析的探讨

利用LM算法和自适应学习速率的动量梯度下降法对BP-ANN模型进行改进,发现LM算法在建立深基坑变形预报模型时具有更高的学习效率,且输入量间的相关程度对网络效率无显著影响,隐含层节点数可通过仿真误差分布图确定和优化。仿真与预测结果表明,在平稳观测时间序列内该模型具有更高的预测精度,在实际深基坑监测预报中值得推广应用。     

基于BP神经网络的深基坑围护变形预测分析

在众多的工程领域中,深基坑工程是比较具有施工难度的,需要应用好现代的工程数据相关技术、建立起科学化的模型,对于其可能存在的变形问题进行有效预测。因此,本文通过对BP神经网络的应用建立起一种深基坑围护变形预测分析系统,为保障工程施工的安全提供参考。     

基于GA-BP神经网络的深基坑变形最优化预测研究

为研究明挖法市政隧道深基坑施工过程中立柱结构竖向位移、墙体水平位移、支护桩(墙)顶部竖向位移、支护桩(墙)顶部水平位移与地下水位之间的规律,利用现场实测方法对风险点位展开时程监测,通过基于GA-BP神经网络的算法得出其相应联系并进行最优化预测。该研究方法在广州市天河区大观路隧道段施工中得到应用,通过合理指导措施改进了数据监测安全性和真实性,该基坑结构实际监测过程中始终处于安全范围,验证了研究方法的合理性。     

深基坑变形的神经网络预测分析

采用神经网络理论建立了深基坑开挖引起的周围地表移动变形问题分析的非线性时闻序列神经网络模型。并用该模型对深基坑开挖引起的周围地表移动变形工程实例进行了具体的研究分析。将预测结果与现场实测资料比较,二者吻合得较好。结果表明,建立的非线性时间序列神经网络模型能够有效的表达深基坑变形规律并能对未来变形量进行适时预测。     

基于随机森林的航站楼负荷预测及特征分析

航站楼等公共交通建筑中,客流特征是影响实际负荷需求的重要因素.本文以某航站楼的历史运行数据为基础,建立了基于随机森林的负荷预测模型,对时间、室外气象参数、客流统计数据进一步拆解得到24 h特征、星期特征、逗留人数、室外空气焓值,结合历史负荷预测空调负荷,并对不同特征组合下的模型性能进行对比.结果 表明:引入逗留人数、前...     

深基坑施工变形神经网络预测分析

简述了深基坑监测的目的与基本要求,通过分析深基坑工程施工变形神经网络预测的原理和特征,建立变形预测模型,并应用工程实例分析,为深基坑的安全开挖提供参考借鉴。     

基于神经网络理论的深基坑土钉墙变形预测

研究了土钉墙变形预测的问题,将人工神经网络理论应用于土钉墙的变形预测,建立了变形预测的神经网络模型,编制了基于MATLAB的计算程序,并在一实际工程中运用,与实测数据进行了比较,结果表明本文的方法具有较主同的预测精度。