多阶段递进式预测模型在基坑变形中的应用研究

为实现对基坑变形的高精度预测,提高预测结果的稳定性,采用支持向量机、BP神经网络及GM(1,1)作为基础预测模型,并建立了对应各模型参数优化的一阶递进预测模型。以一阶递进预测结果为基础,构建了多种定权与非定权的二阶组合预测模型;以马尔可夫链理论为基础,建立了三阶递进的误差修正模型,实现了对基坑变形的多阶段递进式预测。结果表明:通过各阶段的递进预测,预测精度及稳定性都有了很大的提高,验证了递进预测思路的有效性和可行性。通过对基坑变形的递进式预测研究,以期为基坑的变形提供一种新的思路。     

基于Elman-马尔科夫模型的深基坑变形预测

为提高深基坑变形预测精度,在基坑地表沉降预测中引入反馈型Elman神经网络模型,利用Elman神经网络算法实现基坑沉降位移时间序列的滚动预测。以西安地铁5号线某车站基坑工程为例,基于组合预测思想,结合神经网络和马尔科夫链两种预测方法,建立了马尔科夫链优化的神经网络基坑地表沉降预测模型,借助马尔科夫链模型对其随机扰动误差进行修正,并与前馈型BP神经网络滚动预测模型对比。研究结果表明：Elman神经网络预测模型在修正前、后的预测效果均优于BP神经网络模型。设计开发出的基于MATLAB的图形用户界面（GUI）预测系统实现了模型预测过程便捷化,使预测过程能够以图形结果动态展现,具有较强实用价值。     

土岩组合地区基坑变形的预测方法研究

对影响土岩组合地区基坑变形的主要因素进行了分析,并采用人工智能——BP神经网络的方法对土岩组合地区基坑的变形进行了预测研究。基于已有的研究资料,分析和总结了影响基坑变形的主要因素;建立了BP神经网络预测模型;借助MATLAB语言进行编程,利用训练稳定的网络模型,预测了基坑土岩组合地区基坑的最大侧移量。经与实测值比较,预测精度可满足工程的需要。该预测研究可对土岩组合地区基坑的设计与施工提供一定的参考。更多还原     

改进WOA-指数幂乘积模型在基坑变形预测中的应用

为提高基坑变形预测精度,提出基于拉普拉斯交叉算子(LX)改进的鲸鱼优化算法(LXWOA)优化的指数幂乘积(EPP)基坑变形预测模型。选取4个标准测试函数对LXWOA进行仿真验证,并与基本鲸鱼优化算法(WOA)、灰狼优化(GWO)算法、正弦余弦算法(SCA)、粒子群优化(PSO)算法的仿真结果进行比较。利用LXWOA对EPP模型的指数参数进行优化,构建LXWOA-EPP变形预测模型,并构建WOA-EPP、GWO-EPP、SCA-EPP、PSO-EPP模型与LXWOA-SVM、LXWOA-BP模型作对比,以文献基坑监测数据为例进行实例研究,分别利用自相关函数法和虚假最邻近法确定实例延迟时间和嵌入维数,构建模型输入、输出向量,利用实例前15期和后3期监测数据对各模型进行训练和预测。结果表明:LXWOA搜索能力优于WOA、GWO、SCA和PSO算法,具有较好的寻优精度和全局搜索能力。LXWOA-EPP模型对实例预测的平均相对误差绝对值、平均绝对误差、均方根误差分别为0. 18%、0. 008 mm、0. 009 mm,均优于WOA-EPP等6种模型和文献预测精度,表明LXWOA能有效优化EPP模型参数,LXWOA-EPP模型用于变形预测是可行和有效的,模型及方法可为其他相关预测研究提供参考。     

基于SSA-LSTM的混凝土拱坝变形预测模型

由于混凝土拱坝在变形过程中有明显的非线性特点,因此参数过多和陷入局部最优的问题是大坝变形预测模型过程中较为常见的问题。通过将麻雀搜索算法(SSA)引入长短期记忆神经网络(LSTM)中,进行超参数优化,建立了SSA-LSTM模型进行混凝土拱坝变形预测模型。以某拱坝多个测点的实测径向位移数据为例,将水压、温度和时效作为输入,坝体径向位移作为输出,使用SSA-LSTM模型与传统的变形预测模型BP神经网络、极限学习机(ELM)和支持向量机(SVM)分别进行回归预测,结果表明SSA-LSTM模型具有较强的预测能力,可用于大坝安全的预警预报。     

基于GP XGBoost的大坝变形预测模型

为了改善传统预测模型建模方法大样本训练效率低、容易过拟合、参数敏感性差的问题,引入极端梯度提升(XGBoost)算法,结合基于高斯过程(GP)的贝叶斯优化方法提升学习效率与预测精度,构建了基于GP-XGBoost的大坝变形预测模型,并通过工程实例与传统统计模型、神经网络模型的预测效果进行了比较。结果表明,构建的大坝变形预测模型预测精度高,迭代速度快,通过调整正则项参数能有效避免过拟合。     

基于遗传算法优化BP神经网络的面板 堆石坝变形预测

结合实测数据建立了面板堆石坝坝体变形量的BP神经网络预测模型,并引入遗传算法对其进行优化,结果表明经遗传算法优化后的模型预测结果要优于未优化模型的预测结果,优化模型具有更高的预测精度和更强的预测能力。基于某在建工程实例验证了本方法的可行性与实效性,预测结果不仅满足工程安全要求,而且具有较好的可信度和工程参考价值。在上述优化预测模型基础上,实现了引入施工沉降作为输入量对面板挠度进行精确预测,证明了应用这种方法进行面板挠度预测的合理性和优越性。     

基于神经网络的基坑变形动态预测研究

基坑开挖过程中,需要根据实际情况及建筑安全等级进行严格的变形控制,有效的变形预测能更好地指导施工。根据某基坑工程现场监测数据,应用MATLAB 7神经网络工具箱,建立了基于BP网络的基坑变形多步预测模型A和动态预测模型B,并与广义回归网络建立的模型对比。结果表明,动态预测的精度明显高于多步预测模型;在变形数据随时间递增的情况下,BP神经网络比广义回归网络动态预测精度高,泛化能力强,平均预测误差约3.3%,能满足实际工程要求。更多还原     

基于混沌优化极限学习机的库岸边坡变形预测

为提高库区岸坡变形的非线性预测精度,提出利用极限学习机构建库区岸坡的非线性预测模型。首先,利用逐步试算法优化极限学习机的激励函数和隐层神经元数;其次,采用Rosenstein算法评价边坡变形序列的混沌特性,利用空间重构来实现极限学习机的混沌优化,进而构建混沌优化ELM模型。分析表明,不同实例的最优网络参数具有差异,通过逐步试算法能很好地确定最优参数;库岸边坡的变形序列均具有混沌特性,通过混沌理论的空间重构优化,能有效提高预测精度,且预测结果较传统神经网络具有较大的优越性。     

地铁车站深基坑的变形预测及稳定性研究

为实现基坑变形预测及稳定性的综合研究,先以极限学习机(ELM)神经网络和灰色模型为基础,建立了基坑变形的串联、并联和混联耦合预测模型,以实现基坑变形预测;其次,再利用尖点突变理论和Mann-Kendall检验对基坑稳定性及变形趋势进行综合判断,以佐证预测结果的准确性。实例检验结果表明:3种耦合模型均能不同程度地提高预测精度,且以混联式模型的预测稳定性最高,其次是并联式模型和串联式模型;同时,预测结果与尖点突变理论和Mann-Kendall检验的分析结果相符,验证了该预测思路的有效性和可行性。研究方法可为基坑的变形预测提供一种的新思路。     

基于多元信息融合的基坑预警分级研究

为保证基坑预警结果的准确性和有效性,在基坑预警准则构建的基础上,利用累计变形判据和变形速率判据实现了多元监测信息融合的基坑预警研究.其中:累计变形判据包含稳定性指标和相对变形指标,即从基坑稳定性和变形安全储备角度实现了基坑长时段预警分析;而变形速率判据包含了绝对量指标和发展趋势指标,即从变形速率的现有变形绝对量及其发展...     

基于BP神经网络-加权马尔科夫模型的泄水闸水平位移预测

针对传统变形统计模型和BP神经网络模型对水工建筑物变形预测精度欠佳的问题,建立了BP神经网络-加权马尔科夫模型。首先,采用均值－均方差法对BP神经网络模型拟合的相对误差序列进行状态分类,并检验状态序列的马氏性。然后计算各阶自相关系数和转移权重,利用加权和最大概率值预测未来的随机状态。最后以王甫洲水利枢纽泄水闸11^#闸墩测点水平位移实测数据为例,分析比较逐步回归统计模型、BP神经网络模型和BP神经网络-加权马尔科夫模型的预测效果。结果表明：相比于逐步回归统计模型和BP神经网络模型,BP神经网络－加权马尔科夫模型的预测精度更高,说明BP神经网络-加权马尔科夫模型较为可靠。     

海中深厚软土地层围护结构反演分析研究

基坑开挖过程中其侧壁变形与围护桩结构内力分布规律一直是基坑工程的研究重点,海中深厚软土基坑工程因复杂的水文地质、工程地质条件,此类问题更为突出。依托澳门大学跨海隧道工程,采用基于BP神经网络的位移反分析法,对软土地层土体关键物理力学参数进行敏感性分析。分析结果表明,内摩擦角、凝聚力、弹性模量均对土体变形具有高敏感性,其中内摩擦角和凝聚力最为敏感。然后利用反演分析得到的目标参数进行了正向数值模拟计算,计算的水平位移、围护结构内力与监测值误差不超过5%,表明基于BP神经网络的位移反分析方法准确有效。     

基于 PCA － ＲBF 神经网络的混凝土坝位移趋势性预测模型

为了提高混凝土坝位移趋势的预测精度,提出了一种基于主成分分析( PCA) 和径向基( ＲBF) 神经网络的混凝土坝位移趋势性预测模型( PCA － ＲBF) 。首先,利用主成分分析,将混凝土坝多测点 的径向位移监测数据降维,消除影响分量数据集的多重相关性,分别提取出主元位移和主元影响分 量。然后,把主元位移和主元影响分量输入径向基神经网络并构建模型,对提取出的主元位移进行预 测。最后,将本法应用于某混凝土坝,结果表明,PCA － ＲBF 模型的均方根误差( ＲMSE) ,平均绝对 误差( MAE) 和平均绝对百分比误差( MAPE) 分别为 2. 037 8 mm,1. 698 6 mm 和 3. 32% ,显著低于传 统的多元回归统计模型、径向基神经网络模型( ＲBF) 和利用经主成分分析进行因子处理的 BP 神经网 络模型( PCA － BP) ,说明 PCA － ＲBF 模型有着良好的预测精度。     

组合预测及R/S分析在基坑变形趋势判断中的应用研究

在基坑的现代化信息施工过程中,通过建立有效的预测模型,对基坑的变形趋势进行准确的预测,能有效地指导施工,避免工程事故的发生。为实现这一目的,首先,采用GM(1,1)、支持向量机和BP神经网络模型对基坑的变形进行单项预测,并建立了基坑的定权和非定权组合预测模型;其次,利用R/S分析,对基坑的变形趋势进行判断,以验证基坑变形预测的有效性。结果表明:通过组合预测,有效地提高了预测结果的精度及稳定性,其中以BP神经网络组合预测的效果最优,实测值与预测值之间能较好地吻合;同时,基坑具有持续变形的趋势,变形将进一步增加,且在后期的稳定性具有减弱的趋势,与预测的结果一致。通过研究,验证了组合预测及R/S分析在基坑变形趋势判断中的有效性,这为基坑变形预测及趋势判断提供了一种新的思路。     

基于数量化理论Ⅲ的地铁深基坑变形影响因素分析

为实现地铁基坑变形影响因素的客观评价,以30个基坑实例为工程背景,采用数量化理论Ⅲ分析不同因素对基坑变形的影响程度。利用不同条件下的样品得分来判断各影响因素间的耦合强度;通过构建不同输入层条件的BP神经网络来评价数量化理论Ⅲ对基坑变形影响因素筛选的准确性。分析结果表明:基坑变形的主导因素包括渗透系数、基坑深度、支撑间距和嵌固深度,重要因素包括内摩擦角、黏聚力、基坑长度、基坑宽度和地下水位,一般因素包括天然重度及支护结构刚度;基坑变形影响因素间存在一定的耦合度,且多以中、低耦合强度为主;优化BP神经网络较传统BP神经网络具有更高的预测精度。验证了数量化理论Ⅲ对基坑变形影响因素筛选的准确性,证明了数量化理论Ⅲ在基坑变形影响因素分析中的适用性和有效性,为基坑变形控制提供一定的参考依据。     

深基坑支护结构位移的神经网络预测

针对深基坑系统的复杂性和变形非线性,将人工神经网络技术引入其中。在分析讨论了人工神经网络中应用最为广泛的BP网络基本原理的基础上,建立了基坑变形预测的神经网络模型,并应用Bayesian方法对实例加以论证。研究表明,神经网络是解决基坑变形预测的有效方法之一。