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。     

基于改进BP神经网络的基坑支护结构数据处理

针对现有的基坑监测和预测数据处理方法的不足,对BP神经网络预测模型作了研究和改进,应用改进后的BP算法对基坑支护结构水平位移数据进行处理,并将改进的BP算法与传统算法所建立的模型应用于工程实例进行比较,结果表明,改进后的BP神经网络模型在预测精度、训练时间、稳定性等方面均优于传统BP神经网络模型。     

青岛某深基坑桩锚支护结构水平位移分析

结合工程实际,得到支护结构的水平位移值,通过对实验结果分析,得出了基坑开挖过程中支护结构侧向位移规律,对支护结构设计中位移预测、控制,指导工程实践有一定的意义。     

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.     

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。     

BP神经网络预测模型在基坑监测中的应用分析

本文采用BP神经网络预测模型,通过在MATLAB软件建模,并对实际工程项目的支护结构顶水平位移的监测数据进行分析,预测其后的监测数据,结果表明BP神经网络拟合效果优越,仿真性强,具有很强的泛化能力,能够对实际工程的支护结构顶水平位移进行有效预测。     

土岩组合地层旋喷桩止水桩锚支护基坑变形与受力数值分析

利用基于有限元原理的设计计算软件Plaxis对青岛三星数码大厦基坑工程进行数值模拟计算,其地表水平位移的计算结果与实测数值吻合较好。并通过对模拟得到的基坑与支护结构的变形结果如基坑总位移、灌注桩水平位移和基坑周边地表沉降以及支护结构的内力分布情况如灌注桩剪力、轴力、弯矩和锚杆内力进行分析发现预应力锚杆能够明显地改变土体中的应力分布,对基坑变形有很好的约束作用。说明在土岩二元结构地层条件下,支护结构的变形主要产生于岩面以上,采用桩锚支护结构是可行的,用Plaxis进行基坑模拟可以用来作为深基坑设计、施工的辅助工具。     

基坑工程的三维数值模拟分析

根据基坑工程实例,利用岩土工程有限差分软件对基坑的土体开挖、结构支护进行了数值模拟,分析了基坑施工引起的深层水平位移和基坑周围的地表沉降。     

超大深基坑工程支护结构监测分析

结合济南西客站轨交1号线工程,详细阐述了超大深基坑支护结构设计方案,并制订了合理的基坑监测方案,对灌注桩桩顶水平位移及桩体水平位移进行了现场实时监测。通过对监测数据的分析研究,得出一些深基坑支护结构的位移规律,制订了相对应的技术措施,亦为类似工程地质条件下基坑支护结构的研究分析提供了一定借鉴。     

某深基坑支护结构监测及分析

在某深基坑支护工程监测过程中,通过对基坑支护结构的水平位移及沉降、基坑外地下水位、基坑深层水平位移等项目的监测,并结合现场地质、水文条件和深基坑特点进行分析,使得监测的成果更为准确、全面地反映了基坑结构变形情况。     

CAST工艺的BP和RBF人工神经网络仿真模型

将误差反向传播前馈(BP)神经网络模型和径向基函数(RBF)神经网络模型应用到CAST工艺中,并采用多输入、双输出神经网络模拟处理过程中各变量之间的关系和预测出水水质.误差分析结果表明,训练阶段RBF神经网络模型的拟合精度比BP神经网络模型的高,但两者的预测精度相差不大;测试阶段BP神经网络模型和RBF神经网络模型预测出水COD的平均相对误差分别为6.35%、6.80%,预测出水TN的平均相对误差分别为7.19%、5.49%,均在8%以下,这说明两种神经网络模型均可用于模拟CAST污水处理工艺各变量之间的关系和预测出水水质,为污水厂的运行管理提供了理论依据.     

边坡位移预测的RBF神经网络方法

利用边坡实测位移序列来预测边坡未来时间的位移,可以有效地判断边坡的稳定性。由于神经网络可以通过对样本的反复学习来反映边坡复杂的非线性演化关系,其预测效果要优于传统的预测方法。RBF神经网络作为一种性能良好的前馈网络,具有更好的逼近能力和全局最优特性。以边坡位移时间序列为基础,采用RBF神经网络建立边坡位移预测模型,通过最近邻聚类学习算法实现边坡位移预测,具有结构简单、学习速度快、预测精度高的特点,网络的外推能力也较强。通过2个工程实例说明边坡位移预测的RBF神经网络方法的有效性。     

堆石坝参数反演的蚁群聚类RBF网络模型

 将蚁群算法与径向基(RBF)网络相结合,提出一种用于堆石坝力学参数反演的蚁群聚类径向基网络模型。该模型用蚁群聚类算法搜索RBF网络基函数中心,模拟蚁群觅食聚类的概率转移特性,所得到的聚类结果类间离散度和比传统K均值聚类结果小,能够得到更合理的基函数中心,从而获得较准确的坝体参数和位移之间的非线性映射关系。在进行参数灵敏度分析的基础,对一座堆石坝的反演分析表明,蚁群聚类RBF网络模型可有效地求解堆石坝多参数反演问题,反演结果优于BP网络模型和K均值RBF网络模型。     

电机故障诊断中RBF神经网络的应用

分析了RBF神经网络的特点及原理,针对RBF神经网络进行电机故障诊断的重点进行了探讨,同时就RBF网络的模型结构和算法作了论述,为实现电机故障诊断模型的优化设计提供了可行的途径。     

延拓小波变换识别的桥梁模态参数研究

振动系统模态识别是当今桥梁结构动力特性研究的热点之一。从复模态理论的一般阻尼系统的模态参数分析入手,利用径向神经网络插值技术,对含有噪声的振动信号进行信号预测延拓降噪处理,借助连续的Morlet小波变换,识别出了振动结构系统的模态。以重庆大佛寺长江大桥为研究背景,使用模态叠加法和Morlet小波分析识别结构,二者吻合程度较高。研究结果表明,基于径向神经网络的延拓预测的信号降噪效果好;Morlet小波变换识别模态参数精度满足工程要求。     

混凝土氯离子扩散系数的RBF神经网络预测模型

提出了一种基于RBF神经网络的氯离子扩散系数预测模型,将RBF网络模型预测的结果与另外三种不同输入的RBF模型、BP网络模型的预测结果以及实测结果进行了对比分析,结果表明,RBF神经网络模型相对其他输入指标体系模型的预测精度有所提高,且能满足工程的需要,可以作为氯离子扩散系数预测的一种新的有效的方法。     

基于神经网络的平面钢桁架结构损伤识别研究

利用神经网络的鲁棒性、容错性和泛化能力,建立了3个不同的神经网络对平面钢桁架结构进行了损伤定位和定量的评估。首先用PNN神经网络诊断出损伤杆件所在的子结构;并用RBF神经网络进一步诊断出损伤杆件的具体位置;进而确定出损伤杆件的损伤程度。数值仿真表明,该方法用于平面钢桁架结构的损伤识别是可行的。     

SBR出水BOD值的RBF软测量法

提出了基于径向基函数(RBF)人工神经网络的SBR出水BOD值的软测量方法，并介绍了其原理。通过大量实测数据对RBF神经网络进行训练，仿真结果显示利用其可实现对SBR出水BOD值的软测量，为污水处理过程的在线实时控制创造了条件。     

径向基网络在结构设计与分析中的应用

详细地介绍了径向基(RBF)神经网络的结构和基本原理。基于RBF神经网络能够逼近任意非线性函数的特点,提出了一种基于RBF神经网络建立结构分析模型的方法。与BP网络的仿真结果对比表明,所建立RBF神经网络模型收敛速度快,拟合精度高,适用于复杂结构的建模问题。     

基于PSO-RBF 神经网络的项目招标评标应用研究

根据我国目前在招标投标过程中评标方式存在的缺陷,运用组合优化思想,将经过粒子群算法优化过的径向基神经网络模型（PSO-RBF）运用到招标评标的实践中。该模型作为一种新型的评标方法,先是利用粒子群优化算法对单纯的径向基神经网络参数进行优化,进而训练和测试优化后的RBF 神经网络。通过对比分析单纯的RBF 神经网络和经过参数优化后的RBF 神经网络模型,结果表明后者比前者在性能和效率上更加优越,在招标投标系统中更加合理、科学。最后指出了该模型还存在的缺陷有待进一步的研究。