基于EMD的GM-LSSVM在变形预测中的应用

针对变形呈非线性、随机性变化特征,提出了一种基于经验模态分解(EMD)的灰色最小二乘支持向量机(GM-LSSVM)变形预测模型。该模型首先采用EMD有效分离出隐含在变形序列中的非线性高频成分和低频成分;然后根据各分量特点构建了高频LSSVM预测模型和低频GM(1,1)预测模型,最后叠加各分量预测值得到预测结果。经理论分析和算例表明,并与灰色GM(1,1)、BP神经网络和LSSVM对比分析。结果表明,EMD能够有效分离变形序列的不同频率成分,本文方法具有较强的预测精度,均方根误差为0.40 mm,在变形预测中具有一定的实用价值。     

基于经验模态分解和遗传支持向量机的多尺度大坝变形预测

 利用经验模态分解算法分解大坝变形数据,得到不同物理特征尺度的变形分量,分析各变形分量特征及其相关影响因素。针对各变形分量的特点,分别建立基于GA-SVM的各变形分量预测模型,将各分量预测模型相加,最终构建基于经验模态分解和支持向量机的多尺度变形预测模型。由大坝变形数据的经验模态分解实例分析,证实经验模态分解算法能有效对大坝变形数据进行多尺度分解,由经验模态分解算法分解得到的各变形分量其物理特征更加显著,更易于各变形分量影响因素分析和变形模型建立,因此,针对各变形分量的特点所建立的GA-SVM的各变形分量模型具有较高精度。基于经验模态分解和支持向量机的多尺度变形预测模型由各分量预测模型相加而得,能充分挖掘大坝变形中隐含的多种内在规律,能同时在不同特征尺度上进行大坝变形预测。通过对多尺度大坝变形预测模型和多元回归、时间序列分析、GM(1,4)、BP网络和GA-SVM大坝变形预测模型进行精度对比,证实基于经验模态分解和支持向量机的多尺度变形预测模型是一种精度较高的大坝变形预测新方法。     

基于PSO-LSSVM模型空调负荷预测研究

提出利用粒子群优化(PSO)算法优化的最小二乘支持向量机(LSSVM)预测模型(PSO-LSSVM模型)。以厦门某公共建筑作为研究对象,将平均绝对误差绝对值、平均相对误差绝对值作为评价指标,评价LSSVM模型、PSO-LSSVM模型对空调负荷的预测效果。LSSVM模型、PSO-LSSVM模型的空调负荷预测值与实测值变化趋势基本一致。与LSSVM模型相比,PSO-LSSVM模型的预测值平均绝对误差绝对值、平均相对误差绝对值更小,PSO-LSSVM模型的预测准确性更高。     

用于边坡变形分析与预测的PSO-Prophet模型

针对边坡变形分析与预测中周期项提取方法不确定性大和组合预测模型复杂度高的问题,构造一种基于PSO-Prophet的边坡变形分析与预测模型。将兼具时序分解与组合预测功能的Prophet模型引入到边坡变形信号处理中,并利用PSO算法优化Prophet的模型参数,以提高其适用性和预测精度。对某边坡监测点进行预测,在原始非等间隔时序中,PSO-Prophet模型的预测精度较Prophet模型提高了46%;在内插后等间隔时序中,PSO-Prophet模型、S-GSSVR模型、HP-ARIMA-LSTM模型和SSA-Verhulst-FS模型组合预测值的均方根误差分别为4.7,9.6,13.2和12.0 mm。实验结果表明,PSO-Prophet模型处理流程简洁,对受周期项影响较大的边坡变形时序具有较高的预测精度。     

基于数据动态模态分解的基坑沉降稳定性预警预测研究

为合理实现基坑沉降稳定性的预警预测研究,该文在基坑沉降数据动态模态分解基础上,先利用尖点突变分析实现趋势项分量的稳定性现状评价,再利用分项组合预测模型实现沉降稳定性的预测评价,两者综合实现沉降稳定性的预警预测研究。实例分析表明：DMD模型在沉降数据的分解过程中具有良好效果,可将其合理分解为趋势项分量和误差项分量;通过基坑沉降稳定性的现状评价,得出基坑沉降在现状条件下的稳定性均处于稳定状态,且在基坑沉降稳定性的预测评价过程中,得出分项组合预测模型在基坑沉降变形中的适用性,得出各监测点的沉降变形仍会呈小速率增加趋势;综合评价,各监测点的预警等级为Ⅲ～Ⅳ级,为现场安全施工提供了一定的理论指导。     

基于SSA-LMD-GM的大坝变形组合预测模型

为提高大坝变形预测精度，针对大坝原始监测信号中的噪声，以及其非平稳性、非线性等特点，引入奇异谱分析(SSA)和局部均值分解(LMD)方法，提出SSA-LMD-GM模型。采用奇异谱分析(SSA)对原始监测信号进行去噪处理，为充分提取大坝形变信息特征，利用局部均值分解(LMD)对去噪后的监测信号进行分解。针对乘积函数(PF)分量的特征采用合适的模型预测分析，剩下余项则采用GM(1,1)模型。利用实际工程案例进行检验，结果表明，相较于其他模型，SSA-LMD-GM模型预测精度和拟合精度更加优秀，能较好地预测大坝变形趋势，具有一定的应用价值。     

GM(1,1)模型基坑结构变形预测应用研究

动态设计和信息化施工使得基坑结构变形预测意义重大,本文结合工程实践对GM(1,1)模型在基坑支护结构变形预测进行应用研究.工程应用结果显示灰色预测理论在深基坑结构变形预测方面具有较好的稳定性,GM(1,1)预测的深基坑地面水平位移、沉降与实际监测结果比较接近,GM(1,1)模型预测方法有效可行.灰色系统GM(1,1)基坑变形预测模型可作为基坑支护结构变形预测的参考工具.     

山岭隧道洞口段地表沉降时序预测研究

地表沉降监测值具有复杂性及非线性动态变化特征,以往静态模型预测时常存在易受历史监测数据干扰且模型输入权值及阈值选择较为困难的问题,鉴于此,提出一种洞口段地表沉降动态预测方法。利用3次样条函数插值法将监测数据等距化,并结合时序分析理论和变分模态分解(VMD),将地表沉降分解为趋势项和随机项位移;通过采用灰狼优化算法(GWO)对在线贯序极限学习机模型(OSELM)的权值及阈值进行优化,建立了GWO-OSELM动态预测模型,分别对位移分量进行预测;以重庆市兴隆隧道洞口段为例,利用该模型进行预测,并与传统模型进行对比,最后探讨了激励函数的选择对模型预测性能的影响及随机项位移的部分影响因素。结果表明:非等距时序数据预处理后,模型能够有效地对位移分量进行预测,预测精度高、误差小,且Sigmoid激励函数更适合该模型,而地表沉降速率和拱顶下沉速率对随机项位移有重要影响。可为山岭隧道洞口段地表沉降的长期预测提供一种新的思路和方法。     

基于变分模态分解与GWO-MIC-SVR模型的滑坡位移预测研究

针对目前滑坡位移预测研究中存在的随机性位移无法分解与预测、支持向量机(SVR)模型中输入向量权值无差异、最优训练组合无法确定等问题,基于时序分析理论和变分模态分解(VMD),结合灰狼优化算法(GWO)、最大信息系数(MIC)和SVR,提出一种新型滑坡位移预测模型。该模型首先采用时序分析法和VMD,将滑坡实际累积位移分解为趋势性位移、周期性位移和随机性位移。然后基于滑坡对各类影响因素的响应分析,为3种位移选择合适的影响因子,并采用GWO-MIC-SVR模型对各位移分量进行多数据驱动的动态单步预测。最终基于训练数据的时效性分析,确定最优训练组合,并应用时序加法模型将最优预测值进行叠加,实现对滑坡累积位移的预测。以三峡库区典型堆积层滑坡——白水河滑坡为例,选取监测点ZG93和ZG118从2004年1月~2013年4月的数据进行研究。结果表明,与以往的研究相比,该模型不仅有效预测时间较长,且预测精度较高,具有较高的实用性和推广应用价值。     

基于BP模型与ARX模型的基坑变形预测研究

随着建设工程施工的信息化与安全化,基坑的变形预测是基坑设计和施工的重要补充手段。基于BP人工神经网络模型以及时序分析ARX自回归各态历经模型,对基坑的沉降变形进行了预测,数据结果表明两种模型均能较好地对未来值进行较真实的预测;从BP模型与ARX模型的预测结果均方误差值大小的角度而言,BP模型的预测对于未来趋势的判断比ARX模型要更强一些。试验结果说明两种预测模型应用于实际工程的监测预测具有实际意义。     

多步滚动实时预报法在深基坑开挖监测中的应用研究

对传统BP神经网络存在的不足进行改进,并将其应用于深基坑开挖监测中,建立深基坑变形的实时预报模型;提出一种基于时间效应的多步滚动实时预报法,并利用Windows系统平台,在MATLAB7.0环境下,采用可视化的面向对象编程技术,编制深基坑变形实时预报的计算机程序。实例分析表明:该方法收敛速度快,预测精度高,预报值与实测值吻合较好,深基坑变形的实时预报具有一定的实用性。     

Kalman-GM(1,1)组合模型在基坑围护墙顶沉降预测中的应用

针对基坑围护墙顶沉降监测数据受外界随机噪声干扰较大的问题,提出利用Kalman-GM(1,1)组合模型来进行变形分析和预测。即先用Kalman滤波模型对观测数据进行去噪处理,再建立基于滤波数据的GM(1,1)模型,进行基坑墙顶沉降预测。工程实例应用表明,该组合模型有效减弱了随机噪声干扰,其预测精度和可靠性高于单一GM(1,1)模型,更适用于基坑墙顶沉降预测。     

基于灰色系统理论的基坑变形预测研究

由于基坑变形是多因素作用的结果,而其变形系统的实质是一个灰色系统,所以可以采用灰色系统理论对基坑变形进行预测.根据灰色系统理论,建立了基坑变形的GM(1,1)预测模型,并利用某工程的实际监测资料对未来基坑变形进行预测,结果与实测值吻合较好,证明了该预测模型具有较好的精度,对指导基坑工程的信息化施工有积极意义.     

灰色GM模型在地铁车站深基坑变形预测中的应用

介绍了灰色GM模型的基本原理及计算过程.以某地铁站深基坑工程为背景,根据测得的数据,采用GM(1,1)模型对基坑围护桩变形及基坑周围土体沉降进行预测.将预测值与实测值对比分析可知:采用GM(1,1)模型得到的预测值很好的拟合了实测值,预测精度高,利用GM(1,1)模型对围护桩进行变形及基坑周围土体沉降进行预测是可行的....     

深圳平安金融中心基坑围护结构变形监测分析

以深圳平安金融中心基坑为研究背景,针对基坑围护结构特点,对其变形监测方案进行设计。结合基坑围护结构变形现场监测数据,重点分析基坑施工过程中围护结构的水平变形随基坑开挖深度和时间的变化规律、基坑开挖钢支撑轴力随时间的变化规律,结果表明基坑围护结构设计是安全的。同时,结合基坑地表沉降监测数据,分析基坑开挖引起的地表沉降变化规律,得出基坑开挖地表沉降可分为沉降量线性增长阶段、沉降速率不断增加阶段、沉降速率递减阶段以及沉降趋于稳定4个阶段。在此基础上,针对沉降变形的变化规律,引入Usher沉降预测模型,建立基坑开挖地表沉降预测模型。实测数据与预测值吻合较好,表明该方法的可行性。     

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     

增量法在深基坑围护结构变形预测中的应用

介绍了增量法的计算原理及方法,以某地下车站基坑施工为例,对基坑开挖施工进行了模拟分析,预测了基坑围护结构的变形,通过与实测数据的比较,可较为准确的预测基坑围护结构的变形模式及位移值,从而检验了计算预测的可行性.     

基坑变形预测的时间序列分析

在分析灰色系统与神经网络基本原理的基础上,结合前人研究成果和实例分析,提出灰色系统用于基坑变形预测存在的一些问题,认为灰色系统不宜用于地下连续墙水平位移的预测,在其它变形预测中也要慎用.建立了基坑变形预测的神经网络模型,并用实例加以论证.研究表明,神经网络是解决基坑变形预测的有效方法,在地下工程中具有很好的应用前景.     

润扬大桥南汊北锚碇深基坑工程施工变形智能预测与控制研究（Ⅰ）

在对深基坑墙体位移时序规律分析的基础上，提出了基于MATLAB 5.3平台的神经网络多步预测模型，可以一次预测多步施工的变形，达到及早调整基坑施工参数，完成变形控制的目的。对润扬大桥北锚碇深大基坑工程的施工实例分析显示，预测值和实测值基本吻合，表明该预测模型具有较高的精度。     

灰色理论在基坑周边地面变形预测中的应用

运用灰色系统理论,对基坑变形建立了GM（1,1）预测模型,通过实际值与预测值的比较,验证了灰色理论GM（1,1）模型在基坑周边地面变形预测中的可行性。