深大基坑施工变形的智能控制技术

利用神经网络 (ANN)和模糊控制 (FC)理论 ,采用预测控制的思想 ,建立了一套集基坑施工变形预测和控制于一体的智能化施工控制系统 ,该系统由神经网络预测器和模糊控制器组成。神经网络预测器对基坑变形进行连续滚动的多步预测 ,模糊控制器根据预测结果对施工参数进行决策控制。在MATLAB 5 .2平台支持下 ,研制了相应的基坑变形控制软件系统。实际应用结果表明 ,该智能控制系统对深基坑的安全施工过程具有较好的控制效果 ,真正做到了施工过程的实时、动态、智能化控制。软件系统操作界面简单、直观 ,便于实际工程应用。     

地铁施工变形预测与控制的智能方法

地铁施工变形关系到工程安全和周边土工环境维护和稳定.采用人工智能神经网络和模糊逻辑法则等手段,对地铁车站深大基坑和地铁盾构施工中的土体变形以及土工环境问题进行智能预测,在变形达到规定限值之前,通过变形控制的智能方法,调整地铁施工的参数,达到合理控制施工变形的目的.介绍了人工智能神经网络、多步滚动预测、模糊逻辑智能控制方法的原理及工程实践.经多处地铁施工证明,变形预测与控制的智能方法是可行的,效果显著.     

润扬长江公路大桥北锚碇基础施工变形的智能预测——工程实录研究（上）

在应用软科学理论于岩土工程问题变形预测与分析的基础上,结合润扬长江公路悬索大桥北锚碇基础所进行的施工变形监控与预测工作实践,在现场系统开展了对该处特深、特大型锚碇基坑变形的人工智能神经网络多步滚动预测研究,保证了工程施工的安全及其环境维护。     

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。     

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。     

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。     

空间结构风振控制系统的神经网络时滞补偿

结合神经网络方法和传统补偿方法,研究空间结构风振控制系统的时滞补偿问题.运用单个神经网络取代由两个神经网络组成的控制系统,有效减小系统时滞和产生时滞的环节.针对空间结构风振控制系统,综合运用神经网络方法与状态预测补偿法,构建基于神经网络的多步预测时滞补偿方法.研究显示,该时滞补偿方法克服了传统方法对多自由度系统不适用、数值计算困难等缺陷,可成功运用于空间结构风振控制系统,经时滞补偿后控制效果优于未经时滞补偿的系统.     

BP神经网络在基坑工程变形预测中的应用

结合工程实例,针对基坑开挖过程的变形特点,应用BP神经网络和基于粒子群优化算法的BP神经网络对基坑支护结构的变形进行预测,并对两种方法预测结果进行比较分析。结果表明,基于粒子群优化算法的BP网络的泛化预测性能要优于BP网络,预测深基坑地下连续墙结构水平位移更有效。     

复杂环境下基坑支护方案优化及位移预测研究

结合实际工程,对复杂环境下基坑支护方案优化和位移预测进行了研究。首先,根据工程地质条件和周边环境分析施工难点,初步确定基坑支护方案。其次,基于施工过程的偏移预警进行原因分析,对原支护方案提出了改进措施。最后,通过构建BP神经网络模型预测了优化后的基坑变形,并与实际监测数据进行了详细对比。研究结果表明,该优化措施能有效控制基坑偏移。     

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。     

基坑开挖施工对邻近运营地铁隧道变形影响分析

结合某邻近地铁车站的建筑基坑工程,开工前期,运用ANSYS有限元分析软件,针对基坑开挖施工可能引起的既有地铁10号线的隧道结构变形进行三维模拟分析,提出基坑开挖施工期间10号线隧道结构变形控制标准;施工期间对10号线隧道结构进行现场监测,结合数值分析结果综合分析10号线隧道结构变形影响,并根据实际监测数据,对比分析预测结果与实际监测结果的差异,验证了模拟预测的可靠性。     

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。     

地铁深大基坑明挖法施工安全风险优化控制

根据江苏省常州市地铁深大基坑明挖法施工安全风险的研究背景,引用一种反分析的风险控制的模糊理论预测方法:现场量测定量、时空理论分析、优化方法控制、模糊理论预测。针对常州市地铁1、2号线一期工程深大基坑的连续监测资料,进行了明挖法深大基坑的变形特征、机理及时空效应规律的分析。坑底土体累计隆起量以塑性隆起为主,其余为弹性隆起,呈中间高、两侧较低;是因垂直开挖土方、卸荷引发。桩顶水平变形量较大,并使常州市地铁桩体基坑第一道混凝土支撑轴力大于第二道混凝土支撑轴力;是由桩体自重较小、刚度较大、③2黏土层弱膨胀力造成;墙体水平变形量较大,是缘于墙体的自重较大、刚度较小。当桩后或墙后分布软土时,地表沉降量会连续增大。坑底砂性土体具有累计隆起量随开挖宽度的扩大而增大的空间效应规律;黏性土体遵循长期蠕变的时间效应规律。优化控制措施是:真空降水井结合轻型井点降水井联合抽水、加快基坑施工进度、再坑外地表注浆;对累计最大变形量进行模糊理论预测。     

基于遗传-GRNN在深基坑地连墙测斜预测中的研究

基坑工程由于受多种因素的影响,目前已成为岩土工程中的重点和难点。在基坑工程施工中,需要根据现场实际情况、周围环境、建筑安全等级等对变形进行严格控制。通过现场监测的深基坑围护结构变形信息资料,对实测数据进行整理和分析,利用神经网络对围护结构的变形做出预测的智能化施工成为基坑工程的发展趋势之一。研究了一种基于遗传算法的广义回归神经网络学习算法。该算法运用遗传算法寻找广义回归神经网络唯一参数光滑因子的最优解,将最优解赋予广义回归神经网络进行预测。在时间序列预测中,工程实例计算证明了遗传–广义回归神经网络预测的有效性和可行性,为时间序列预测提供了一种新途径。     

基于灰色理论的建筑基坑造价风险预测研究

由于基坑设计理论还不够全面、地表地层的变异以及众多不可预计的复杂问题的出现,施工过程中深基坑工程的造价风险具有多种不确定性。基于多层次灰色理论,针对建筑基坑工程施工阶段的造价风险预测,结合考虑预测指标的关联性,对施工阶段基坑工程造价风险管理评价预测进行详细研究,依托上海某深基坑工程,对其基坑工程施工阶段造价风险进行多层次评价预测,并给出相应风险控制方法,研究成果更好地为建筑基坑工程造价风险预测评价提供理论指导。     

应用BP神经网络预测基坑变形

通过分析基坑监测数据 ,找出其中蕴含的基坑支护系统变形的规律 ,应用BP神经网络预测系统未来的发展动态 ,对下一步支护开挖提供指导 ,同时可反馈设计 ,从而达到控制基坑支护变形的目的     

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.     

邻近结构施工对既有地铁车站安全的影响分析

针对新建北京地铁19号线施工对邻近的既有地铁新宫站的影响评估为背景,采用弹塑性有限元分析方法,基于数值模型对基坑开挖邻近既有车站、区间隧道下穿既有车站施工等多工序引起的既有车站的变形和应力进行分析,预测了新建地铁施工各工序引起既有车站的变形量及总变形量,提出各工序的变形控制标准及施工安全控制措施。     

高柔结构风振AMD控制模糊神经网络预测算法研究

基于Takagi-Sugeno模型的模糊神经网络的基本理论,建立了模糊神经网络预测模型。该模型结合神经网络控制和预测控制的优点,解决了控制中的时滞问题。研究了基于聚类法产生模糊神经网络预测控制的模糊逻辑系统,该方法便捷地解决了模糊逻辑控制中模糊控制规则基于专家控制策略和经验而无自学习能力的困难。以深圳京基金融中心为算例,利用模糊神经网络预测算法控制结构在风荷载作用下的振动,仿真结果表明,模糊神经网络预测算法能够有效地减小高柔结构加速度响应。