神经网络法在深基坑变形实时预报中的应用研究

根据深基坑变形的基本特征 ,用神经网络建立了深基坑变形的实时预报模型 ,编制了用于预报的神经网络程序 ,并对上海某深基坑工程变形监测数据进行了建模预报 ,预报结果与基坑边坡实际位移数据相吻合 ,说明了该方法的有效性和实用性     

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。     

基坑开挖对地下管线影响的有限元分析及神经网络预测

运用ANSYS软件对深基坑开挖的全过程进行了数值模拟。分析了不同的土体参数、不同的支撑顺序以及不同的开挖深度等几种情况对邻近管线的变形发展变化规律的影响。运用改进的BP神经网络方法进行实时建模预报,并针对上海某深基坑工程管线沉降进行预报,与实测值对比分析反映地下管线变形的动态特性。     

深基坑支护结构变形计算

通过现场量测的深基坑围护结构变形信息资料，结合参数优化反分析及弹性地基梁有限元计算，建立了深基坑开挖中支护结构变形计算的预报方法。在开挖过程中，利用变形监测信息，优化反分析得出土体和支护结构的力学参数，再利用这些参数预报支护结构在下一工况的变形。该方法可对深基坑开挖的安全性作出评估，指导工程施工。     

深基坑支护结构变形预报

通过现场量测的深基坑围护结构变形信息资料，结合参数优化反分析技术及弹性地基梁有限元计算，建立了深基坑开挖中支护结构变形的预报方法。该方法可对深基坑开挖中支护结构变形做出评估，指导施工。     

深基坑支护结构变形预报

根据现场量测的深基坑围护结构变形信息资料，结合参数优化反分析技术及弹性地基梁有限元计算，建立了深基坑开挖中支护结构变形的预报方法，指出该方法可对深基坑开挖中支护结构变形作出评估，以指导施工。     

软土深基坑墙体变形的反演分析与变形预报

本文针对上海、宁波软土深基坑开挖具有明显的流变特性 ,利用Maxwell模型预报墙体变形 ,并结合上海黄浦江行人隧道浦东竖井基坑工程对墙体变形进行了预报 ,实践证明 ,预报值与实测值吻合得很好 ,从而为软土深基坑开挖墙体变形的及时预报提供一种新的方法     

文献选摘

题目 :基坑变形的实时建模预报时序分析方法作者 :钟正雄 (同济大学地下建筑与工程系　上海　2 0 0 0 92 )摘要 :针对基坑变形的特点 ,提出了在基坑变形预测中应用实时建模预报时间序列的分析方法 ,并通过对上海金融中心基坑的监测资料 ,证明了该方法的有效性 ,并得到了一些有益的结论。题目 :珠江玫瑰花园深基坑支护墙体受力与变形的三维性状分析作者 :高文华 (湘潭工学院土木工程系　湘潭　 41 1 2 0 1 )摘要 :针对目前弹性地基梁法和二维平面应变问题有限元法在分析深层搅拌桩墙体的受力与变形中存在的问题 ,从Ｍｉｎｄｌｉｎ厚板理论出…     

西安地铁深基坑围护结构对既有管线变形规律的影响分析

研究地铁车站深基坑围护结构对周边既有管线变形规律的影响，为西安地铁车站深基坑围护结构设计及车站主体施工提供保障。依托西安地铁车站深基坑工程，开展深基坑围护结构及周边既有管线现场实时监测，分析围护桩的桩体变化规律、钢支撑受力规律、地表及既有管线变形规律。     

钢板桩围堰深基坑自动化监测技术应用研究

针对复杂环境或严格变形条件下，深基坑施工安全及周边稳定性控制难题，以宿城至泗洪高速公路跨徐洪河主桥142号主墩深基坑监测为工程背景，通过采用深基坑自动化监测技术，对钢板桩顶部水平位移、竖向位移及关键受力截面支撑轴力进行自动化实时监测，得到支护结构的变形及内力发展规律。     

改进BP网络在深基坑变形预测中的应用

为了精确预测深基坑变形,对传统的BP网络进行改进,提出了几种改进算法,并通过经典的太阳黑子数据的预测实例对它们进行了比较研究,证明集成动量-可调激活函数的改进算法是一种较好的方法。并把这种算法应用于深基坑变形预测研究中,通过工程实例进行了验证研究,结果表明,改进算法的预测值与实测值基本吻合,预测结果更加精确,证明了本方法在深基坑变形预测应用中的有效性和实用性。     

基坑变形的实时建模预报时序分析方法

针对基坑变形的特点,提出了在基坑变形预测中应用实时建模预报时间序列的分析方法,并通过对上海金融中心基坑的监测资料,证明了该方法的有效性,并得到了一些有益的结论     

基于灰色理论的软土地区深基坑变形预测研究

鉴于深基坑变形监测具有影响因素的不确定性、灰色性等特征,利用灰色系统理论方法对基坑的变形发展趋势进行预测具有重要的实际应用价值。考虑昆明软土地区深基坑工程变形特点,建立深基坑监测变形的灰色系统GM(1,1)预测模型,并进行了工程实例分析。研究表明,此方法客观准确、操作简便,具有一定的实际应用价值,可为相关工程提供参考借鉴。     

基于递归神经网络的基坑工程变形多步预测方法研究

针对深基坑系统的复杂的非线性及基坑工程变形多步预测的重要性 ,将人工神经网络技术引入其中。分析了用BP网络进行多步预测时存在的不足 ,提出了基于递归神经网络的基坑工程变形多步预测模型。通过一软土深基坑工程变形多步预测实例的分析 ,论证了递归神经网络用于基坑工程变形多步预测的可靠性和实用性。该方法有效可行 ,在其他领域的多步预测中同样具有广阔的应用前景。     

深基坑变形控制研究进展

深基坑变形控制已经成为岩土工程研究中的一个新领域,本文介绍了深基坑变形控制的国内外研究现状,阐述了基坑变形机理,分析和探讨了基坑变形设计计算方法、基坑变形预测方法和基坑工程施工监测,对深基坑变形控制目前存在的一些主要问题和发展趋势进行了探讨.     

箱型框架桥顶进工作基坑的变形预测

既有铁路或公路下箱型框架顶进工作基坑的稳定性问题,具有不同于一般基坑的显著特征。依据变形预测理论,根据既有铁路下箱型框架顶进施工工作基坑的变形特征,建立了箱型框架桥顶进施工工作基坑的变形预测模型和方法。某既有铁路下箱型框架顶进工作基坑围护结构顶部与周边地下管线沉降和围护结构侧向水平位移的预测结果表明,所建立的箱型框架桥顶进工作基坑预测方法具有良好的预测效果,具有利用时间序列中的前一区间中的数据精确地预测随后区间的变形、并能及时地将预测进行修正的特点,可为类似于箱型框架桥顶进工作基坑这类施工工况特殊、周边环境复杂、变形量大且变形变化迅速的基坑施工提供即时预测。     

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     

神经网络在深基坑工程变形预测中的应用研究

提出了深基坑变形预测的神经网络法,详细介绍了该方法的建模过程,并用MATLAB语言加以实现,最后用实例论证了神经网络方法用于基坑工程变形预测的可靠性和实用性．     

Deep learning-based evaluation of factor of safety with confidence interval for tunnel deformation in spatially variable soil

The random finite difference method (RFDM) is a popular approach to quantitatively evaluate the influence of inherent spatial variability of soil on the deformation of embedded tunnels. However, the high computational cost is an ongoing challenge for its application in complex scenarios. To address this limitation, a deep learning-based method for efficient prediction of tunnel deformation in spatially variable soil is proposed. The proposed method uses one-dimensional convolutional neural network (CNN) to identify the pattern between random field input and factor of safety of tunnel deformation output. The mean squared error and correlation coefficient of the CNN model applied to the newly untrained dataset was less than 0.02 and larger than 0.96, respectively. It means that the trained CNN model can replace RFDM analysis for Monte Carlo simulations with a small but sufficient number of random field samples (about 40 samples for each case in this study). It is well known that the machine learning or deep learning model has a common limitation that the confidence of predicted result is unknown and only a deterministic outcome is given. This calls for an approach to gauge the model's confidence interval. It is achieved by applying dropout to all layers of the original model to retrain the model and using the dropout technique when performing inference. The excellent agreement between the CNN model prediction and the RFDM calculated results demonstrated that the proposed deep learning-based method has potential for tunnel performance analysis in spatially variable soils.