基于支持向量机的公路隧道围岩变形预测

隧道围岩变形影响到隧道施工的安全,对隧道围岩变形进行预测,可作为指导隧道施工的依据。以江西某隧道围岩变形问题为研究对象,采用在小样本、非线性、高维模式识别问题中具有优势支持向量机理论建立模型,建立隧道围岩变形预测模型,结果显示,实测值与预测值相差很小,证明此方法有很强的实用性。     

LS-SVM变形预测在雪峰山1号隧道的运用

以沪昆高铁雪峰山1号隧道出口段为例,借助最小二乘支持向量机的反分析技术,探索该方法在大断面隧道位移反分析预测中的应用。首先雪峰山隧道的勘察设计相关资料和相关规范,通过正交设计方法获得多组参数组合,用来做数值模型的参数输入。再通过有限差分方法进行数值分析获得各组参数对应的位移信息,从中提取支持向量机的训练样本和测试样本,获得支持本隧道的向量机模型。最后以实际的拱顶监测位移值带入模型获得反演计算的围岩相关参数,并且通过数值模拟进行验证,取得了很好的效果,获得了与实际近似的数值模型,进而通过最小二乘支持向量机进行隧道拱顶变形预测分析,指导施工。     

基于支持向量机网络的隧道围岩分级方法研究

基于隧道围岩特点和支持向量机的优点,利用支持向量机建立隧道围岩分级模型,结果表明:模型的围岩分级结果与实际施工揭露围岩分级结果十分相近,正确率较高,对隧道工程围岩稳定性分级具有重要的实践意义和工程应用价值。     

支持向量机在隧道围岩变形预测中的应用

将支持向量机应用于隧道围岩变形的预测中,将围岩变形看作一个非线性变形序列,然后采用时间序列分析技术,用支持向量机建立非线性变形序列之间的映射关系,进而对未来的变形进行预测。结果表明,该方法是科学可行的,并且具有简单、方便、实时等特点。     

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。     

人工冻结隧道模型试验及围岩温度场预测

为了研究寒区隧道围岩温度场的特性,通过人工冻结法建立冻结隧道模型试验,得到寒区隧道模型试验围岩温度场变化曲线。试验表明随着冻结时间的增长,隧道不同位置围岩温度呈非线性降低。对有限实测数据建立温度-时间关系的学习样本,采用支持向量机进行学习预测,将预测结果与实测结果比较发现:支持向量机核函数为双曲正割函数时,预测值与实测值相差不大,显示了所建模型的合理性。     

支持向量机在隧洞超挖预测中的应用

介绍了支持向量机算法及围岩破坏模式识别的支持向量机算法,利用支持向量法分类算法对隧道围岩超挖块体的大小进行了分类,并建立了预测模型,计算结果表明用支持向量机能较好地预测超挖块体的大小。     

基于改进SVM的隧道位移监测非线性预报模型

在隧道工程中,位移变形监测是一个重要环节,然而监测数据往往呈现出较为复杂的非线性特征.以铜黄高速公路大田双连拱隧道施工为背景,在支持向量机算法的基础上,采用变量轮换法对其参数进行优化处理,从而呈现了监测数据复杂非线性特征并建立隧道位移监测时间序列非线性模型.利用此模型对未来的位移变形做出精确的预报,科学地指导现场监测和施工建设.     

支持向量机在地铁隧道地表沉降预测中的应用

针对北京地铁区间浅埋暗挖隧道，分析了施工导致的地表沉降的影响因素，提出了影响地表变形的主要因素，建立了支持向量机的统计回归预测模型，并用该模型预测的地表沉降，将SVM预测值和BP神经网络预测值与现场量测值进行了对照。结果表明，支持向量机比BP神经网络有较高的预测精度，并且具有小样本、高维数及非线性等优点。     

隧道围岩变形的灰色预测模型研究

对隧道围岩变形的预测方法有很多,但是都存在一定的缺陷,而灰色GM(1,1)预测模型对隧道围岩变形的短期预测有着较好的效果.但是大量的施工实践证明,初期阶段施工对围岩变形的预测精度影响非常显著.针对隧道工程围岩变形机理的特性,文章提出了施加政策因子的优化模型.研究结果表明,施加政策因子模型成功消弱了外界影响因素对预测的影响,预测精度显著提高.     

基于随机森林-支持向量机隧道盾构引起建筑物沉降研究

在地下工程盾构施工过程中,准确快速预测地铁盾构施工引起的建筑物沉降对地铁盾构施工安全评估起着至关重要的作用。本文将基于随机森林-支持向量机(RF-SVM)算法引入预测地铁盾构施工引起的建筑物沉降中,构建建筑物变形影响因素指标体系,利用随机森林算法对特征变量进行重要性评价,用五折交叉验证法对特征变量进行筛选,选取隧道埋深、建筑物完好程度、相对水平位置、覆跨比、弹性模量、推进速度共6个特征作为最优的特征变量集,建立RF-SVM训练模型,得出不同变量的敏感度,用训练模型对测试集进行预测,与人工神经网络模型、未进行特征变量筛选的支持向量机预测模型对比计算,比较均方根误差,说明RFSVM预测结果最为接近实际值,精度最高。所提出的RF-SVM预测模型为实现建筑物变形预测提供了一种有效的工具。     

基于遗传进化的支持向量机参数敏感性研究

提出了一种基于遗传进化的支持向量机预测方法,利用该预测方法对工程实例阳宗隧道下行线XK38+725断面的实测围岩变形进行预测,发现此方法具有很高的精度,同时,对基于遗传进化的支持向量机参数敏感性进行了研究,得出结论:敏感性最高的是不敏感系数,其次是惩罚因子,敏感性最低的是核函数系数。     

基于数值试验的山岭隧道围岩稳定性GIS-SVM预测

山岭地区地质条件复杂多变,隧道围岩失稳事故频发,如何实现隧道全程围岩稳定性准确地预测评价意义重大。因此,将数值模拟试验、支持向量机(SVM)和GIS技术相结合,提出一种GIS-SVM联合的隧道全程围岩稳定性可视化预测评价的新方法。首先,在现有研究成果归纳总结基础上,选取包括弹性模量、泊松比等在内的7个围岩稳定性评价指标,通过FLAC~(3D)中强度折减法对评价指标进行模拟,获取SVM训练样本。然后,在样本训练的基础上,建立SVM评价模型。最后,基于GIS平台,将建立的SVM评价模型仿真到重庆市中梁山白市驿隧道,研究区域被划分为很稳定、稳定、较稳定、基本稳定、欠稳定和不稳定6个等级,得到隧道全程的稳定性预测评价图。另外,通过隧道全程穿越各不良地质条件地段的对比分析,验证了预测结果的有效性。研究结果以期为保证山岭隧道全程在施工和运营阶段的安全稳定提供科学依据。     

基于多分类支持向量机的隧道挤压大变形预测

介绍了隧道挤压大变形的危害,提出了一种基于四个参数即直径(D),埋深(H),支护刚度(K)和岩石隧道开挖质量指数(Q)的多分类支持向量机(SVM)方法,对隧道挤压大变形的预测进行了研究,解决了隧道变形多分类预测问题,提高了预测精度。     

烟台五卒山大跨隧道围岩变形预测分析

烟台五卒山隧道作为双向八车道大跨隧道,在隧道施工过程中开展了监控量测工作,并对监控数据采用最小二乘法进行位移最终预测,预测结果表明所选模型可较好的反映隧道围岩的变形趋势,且最终预测量满足规范要求,证明隧道施工中围岩稳定。     

灰色模型在隧道围岩变形预测中的应用

结合某工程实例,建立了灰色系统GM(1,1)、DGM(2,1)模型、Verhulst模型,并进行了实例预测,同时采用指数函数回归拟合,与之对比,结果表明,一般的GM(1,1)灰色预测模型适用于围岩变形量的短期预测;DGM(2,1)模型和Verhulst模型在围岩变形量预测中精度更高,可以比较准确地预测隧道变形和隧道的最终位移,以此可以在隧道施工中及时调整、确定支护参数及进行施工决策。     

西山隧道水平岩层围岩稳定性数值模拟研究

以太古高速公路西山隧道为研究对象,对水平岩层中隧道开挖后的围岩稳定性进行了研究。采用数值模拟的方法,建立了水平岩层隧道开挖数学模型,得到了隧道开挖后围岩水平方向和竖直方向的位移变形量,并根据计算结果对隧道施工方法进行了针对性的优化,以确保施工安全和施工质量。     

位移时序预测的APSO-WLSSVM模型及应用研究

引入改进的粒子群算法对小波核函数最小二乘支持向量机进行优化,提出了位移时间序列预测的改进粒子群优化小波最小二乘支持向量机预测模型(APSO-WLSSVM)。该模型具有小波变换的良好时、频域分辨能力和支持向量机的非线性学习能力;同时利用粒子群算法优化小波最小二乘支持向量机的参数,避免了人为选择参数的盲目性,从而提高了模型的预测精度。为证明该模型的优越性,将该模型与传统的高斯核函数支持向量机模型的预测结果作了对比,结果表明该模型较传统方法预测精度有了明显提高。最后将该模型用于锦屏一级水电站左岸边坡和导流洞进行变形预测,预测结果表明该方法科学可靠,在岩土体位移时序预测中具有良好的实际应用价值。     

基于时间序列支持向量回归模型的变形监测研究

论述了支持向量机的回归算法,提出了基于时间序列支持向量回归的变形预测方法,并在MATLAB 6.5中编制了相应的基于时间序列支持向量回归程序,建立了相应的基于时间序列支持向量回归模型。以实例数据讨论了基于时间序列支持向量机回归模型的预测方法。研究表明：用时间序列支持向量回归模型建立变形监测的预测模型是可行的和有效的。     

非线性位移时间序列预测的进化-支持向量机方法及应用

提出了一种新的岩土结构位移预测的进化支持向量机方法,用遗传算法来搜索支持向量机的参数和核函数,避免了人为选择参数的盲目性,同时提高了支持向量机的推广预测能力;利用这种非线性智能预测方法,滚动预测施工位移变形量,以便及时调整和优化施工步序,维护岩土结构的稳定性。将该方法用于卧龙寺边坡变形、三峡永船闸边坡变形预测,结果表明,该方法具有科学可靠、实时性的优点,具有广泛的应用前景。