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。     

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。     

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。     

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。     

遗传算法-BP神经网络在混凝土碳化深度预测中的应用

通过对混凝土碳化深度实测资料的分析,建立了基于遗传算法-BP神经网络原理的混凝土碳化深度预测方法。应用该方法对两个算例的的混凝土碳化深度进行预测,并与实测值和理论值进行对比,证明该方法对在混凝土碳化深度预测的有效性。     

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。     

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。     

深基坑支护结构变形预测的神经网络方法

针对深基坑支护结构变形控制的重要性,提出了基于人工神经网络技术的变形预测模型,实例计算说明,动态、实时的神经网络预测方法能够很好地解决工程实际问题.     

一种基于决策树和遗传算法-BP神经网络的组合预测模型

设计了基于决策树和GA-BPNN(遗传算法-BP神经网络)组合预测模型,通过决策树分类贡献优先特征选择方法解决了BP神经网络的输入参数难选取的问题;利用改进遗传算法的全局择优能力,解决了BP神经网络由于随机选取初始权值导致易陷入局部极小值的缺陷。实验证明,组合预测模型能自学习专家经验,准确地对职业能力进行智能预测。     

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。     

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．     

基于BP神经网络的深基坑沉降预测

为了分析深基坑的沉降规律,以某实际工程为例,利用BP神经网络对该工程的深基坑沉降数据进行拟合和预测分析,采用C语言编写程序进行预测。结果表明,利用BP神经网络方法的预测结果合理,误差在允许范围内,满足工程要求,并且对类似的工程施工具有指导作用。     

基于Elman神经网络的深基坑变形智能监测

Elman神经网络是一种典型的动态递归神经网络,它既可以学习空域模式,又可以学习时域模式,能使训练好的网络具有非线性和动态特性.文章采用11个输入单元和1个输出单元的Elman神经网络.利用Matlab提供的神经网络工具箱编写了Elman神经网络程序,可以通过几种监测数据来推测另一种监测数据.最后以一幢超高层建筑的深基坑工程为例,说明了Elman神经网络方法用于深基坑变形的预测具有较好的可靠性,通过不断加入新的数据,Elman神经网络程序所能判断的数据类型和精度均不断提高.     

一种改进的BP神经网络深基坑变形预测方法

针对深基坑变形因素复杂的特点和现有理论解决变形计算的不足,提出将BP神经网络应用于基坑变形的非线性和不确定性问题的求解,BP模型构建过程中既考虑基坑变形的主要自变量,又兼顾模型在时间上的延展性;同时,通过遗传算法对模型权重初值进行优选,避免模型陷入局部极小值,以达到预测误差全局最小的目的。应用结果显示:改进的预测方法无论是在模型的收敛速度,还是泛化能力方面均表现出较好的性能,对未来2～5 d的预测与实际监测值基本一致,完全能满足工程施工要求,该方法对深基坑变形安全监测具有实用指导价值。     

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...     

遗传-BP神经网络法预测叶绿素a浓度变化

基于2009年—2010年对临江河回水区水质指标的监测数据,采用遗传算法结合BP神经网络的方法对回水区的叶绿素a(Chl-a)浓度变化进行动态模拟预测。通过灰色关联法确定了对Chl-a浓度有显著影响的指标与网络输入变量,即水温、DO、流速、透明度(SD)、TP、CODMn及Chl-a。模拟结果表明,遗传-BP神经网络的预测值和实测值吻合较好,其相对误差约为9.8%,模型可良好地用于次级河流回水区叶绿素a浓度的短期预测。预测结果表明,在春末夏初季节,当水库蓄水位为150～160 m时,临江河回水区富营养化潜势较高,尤其应注重临江河该时段富营养化的防控工作。     

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。     

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。