基于新维BP神经网络-马尔科夫链模型的大坝沉降预测

基于组合预测思想,结合BP神经网络和马尔科夫链2种预测方法,构建了一种新维BP神经网络-马尔科夫链大坝沉降预测模型。通过对训练样本的学习,利用新维改进的BP神经网络算法实现了对沉降位移时间序列的滚动预测。在此基础上,借助马尔科夫链模型对其随机扰动误差进行修正,有效地提高了预测结果的精度。将构建的组合模型应用于长洲大坝船闸控制楼沉降位移时序预测中,研究结果表明该模型预测精度较高、可靠性好,提高了模型的中长期预测能力,为大坝沉降预测提供了一种有效的新方法。     

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。     

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。     

基于粒子群优化BP神经网络的隧道围岩位移反演分析

针对无锡惠山隧道岩体破碎、围岩稳定性差等特点,基于长期现场监测变形位移数据,借助粒子群算法的参数优化功能,利用Matlab神经网络工具箱编制了优化PSO—BP隧道位移反分析系统。PSO—BP系统利用正交试验设计和有限元方法获得学习样本,再通过粒子群算法搜索最优的神经网络模型参数。用BP神经网络模型建立待反参数与实测位移之间的非线性映射关系,最后用粒子群算法从全局空间上搜索最优反演参数。克服了普通智能优化算法收敛速度慢、正分析计算量大等缺陷,具有全局优化特性。将模型应用于惠山隧道Ⅳ级围岩断面ZK6+485的反分析中,计算结果与实测值对比表明采用PSO—BP预测模型进行隧道位移预测是可行的。     

基于外因响应的滑坡位移预测模型研究

根据滑坡位移序列的单调性和非线性,将滑坡位移分为趋势项和偏离量,建立曲线回归-BP神经网络模型对滑坡位移进行动态预测。以三峡库区树坪滑坡为例,首先通过曲线回归提取滑坡位移趋势项;然后在选取滑坡位移动态变化影响因子的基础上,建立BP神经网络模型逼近位移偏离量;最后将趋势项和偏离量预测值叠加,得到滑坡位移预测值。结果表明,该模型可更好地反映影响因子动态变化对滑坡位移发展的关键作用,预测的平均相对误差为3.3%,有效地提高了预测结果的精度。     

BP神经网络在隧道监控量测数据处理中的应用

为保证某高速公路隧道开挖过程中的施工安全,在优化围岩变形监测方案与预警方法的基础上,采用BP神经网络对典型监测断面位移量测数据进行了回归分析.结果表明,BP神经网络模型预测值能较好地拟合拱顶沉降和周边收敛位移实测值,可以作为围岩稳定性判定和确定二次衬砌施工时间的依据,具有重要的经济性和实用性.     

优化BP神经网络的位移预测模型

针对大坝位移预测常规方法存在的问题,基于改进粒子群算法的BP神经网络(IPSO-BP)的大坝位移预测方法,通过IPSO对常规BP神经网络的权值和阈值进行优化,弥补了BP网络的不足,保证了预测精度。以2011-12-21—2013-06-27观测得到的某混凝土重力坝某一典型坝段坝顶的顺河向位移值为研究对象,建立基于IPSO-BP的大坝预测模型并进行仿真分析研究。同时,为了验证该模型的拟合及预测效果,建立PSO-BP模型、利用最小二乘法求解参数的统计模型进行对比分析。上述研究结果表明,此模型预测精度优于常规模型且拟合效果好、预测结果的平均相对误差小,说明此方法有效可行。     

遗传-神经网络算法在水下隧道涌水量预测中的应用

水下隧道涌水问题受到多种因素的综合影响,具有非线性和高度复杂性。本文应用遗传算法和BP神经网络,结合工程实例,选用隧道围岩裂隙发育情况、上覆含水体富水性、上覆水压、隧道埋深、隧道围岩上覆相对隔水层强度和上覆基岩破碎带与隧道顶板的距离作为影响水下隧道涌水的主要因素,以调查的数据作为训练样本,使用遗传算法优化BP神经网络的初始权值和阈值,建立了水下隧道涌水量的遗传-神经网络预测模型,并进行了计算分析。结果表明:该模型收敛性能好,预测精度高,简单可行。该方法为水下隧道涌水量的预测提供了一条新思路。     

基于GACO-BP-MC的大坝变形监控模型

建立相应的安全监控模型来分析大坝变形监测资料对保障大坝服役安全意义重大。BP神经网络模型在此方面得到了广泛应用,但采用蚁群算法(ACO)对BP神经网络参数寻优时存在因初期搜索完全随机导致收敛速度慢的问题。将具有快速随机的全局搜索能力的遗传算法(GA)引入蚁群算法中,利用遗传算法指导生成初始信息素分布,再由蚁群算法正反馈寻得最优解来训练BP神经网络,从而得到大坝变形预测值,2种算法优势互补,缩短了蚁群算法的搜索时间并避免陷入局部最优点。在此基础上,为进一步提高预测精度,采用马尔科夫链(MC)对预测结果进行改进,由此建立了应用于大坝变形监控的GACO-BP-MC模型。工程实例分析表明,该模型在参数优化方面具有较快的寻优速率,且具有较高的拟合和预报能力。     

隧道开孔段围岩变形的薄壳理论预测方法研究

隧道围岩变形预测分析理论主要是针对无开孔隧道,而对于隧道开孔产生的围岩变形,相关预测分析研究理论较少。为此,利用薄壳理论对隧道开孔处受力进行分析,同时结合Mindlin公式对隧道开孔段围岩变形公式进行修正,从而得到了隧道开孔围岩变形预测公式。将所得隧道开孔段围岩变形预测公式应用于肯尼亚内马铁路恩贡山隧道开孔段围岩变形预测,结果显示:隧道开孔段围岩变形预测公式得到隧道开孔段位移为10.766 mm,与恩贡山隧道实际监测位移值相比,其预测分析误差为9.86%;而采用隧道非开孔段位移计算公式得到的隧道围岩预测位移为6.376 mm,其预测误差为35.04%。可见,该隧道开孔段围岩位移预测公式精度较高,满足实际施工精度要求,对实际隧道开孔段设计与施工具有较大的指导意义,并为隧道开孔段拱顶稳定性分析预测提供了新的预测方法。     

人工神经网络在引水隧洞变形监测中的应用

针对引水隧洞围岩变形受地质、施工等因素综合影响的特点，引入人工神经网络理论，建立了隧洞收敛测值终值预测的BP网络模型。该模型将隧洞围岩的5个物性参数容重、弹性模量、泊松比、粘结力、内摩擦角作为BP网络的输入向量，将最终收敛位移作为网络输出向量。应用Matlab进行BP网络设计和程序编制。实例分析表明，利用所建立的BP网络模型进行围岩收敛变形预测。结果合理可行。     

利用多点位移计实测值反演隧道围岩力学参数

结合哈尔滨天恒山隧道的多点位移计的测量工作,利用MATLAB BP神经网络工具箱和AN-SYS10.0,基于结构分析有限元法,由正演分析建立了不同围岩力学参数与隧道围岩变形关系的人工神经网络训练样本。结合施工过程中量测到的隧道围岩的多点位移计数值,通过网络仿真得到了相应的围岩力学参数。     

BP神经网络在隧道围岩力学参数反演中的应用

以谷城至竹溪高速公路珠藏洞隧道施工监测为工程依托,根据现场变形监测数据的指数函数回归方程,对最终变形量进行了预测,并基于其预测值,借助BP神经网络的超强非线性映射能力,对隧道围岩力学参数（变形模量E、黏聚力C、内摩擦角φ）进行反演,以及时掌握开挖围岩类型和材料特性参数,为隧道工程施工和设计提供参数依据,从而达到安全施工和优化设计的目的,以实现隧道的信息化施工与设计。     

地下厂房施工过程的三维非线性数值模拟分析

根据冗各电站地下厂房开挖支护的施工顺序,以隐式杆单元模拟锚杆,以壳单元模拟混凝土喷层,采用三维非线性有限元技术,对洞室群的开挖支护动态过程进行了模拟计算。通过三维非线性有限元计算分析得到:洞室群动态开挖过程中围岩应力变形的分布规律,围岩塑性区的发展规律,锚杆受力变化情况。计算结果表明:整个开挖过程中,洞周围岩位移变化规律正常,量值较小,塑性区主要分布在洞室周边,围岩稳定性较好;但在洞室交叉口处围岩的变形较大,出现较大范围的塑性区,在此基础上提出了支护措施优化方案,并对优化方案的效果进行了评价。     

基于互信息与神经网络的天山西部山区融雪径流中长期水文预报

为提高天山西部山区融雪径流的预报精度,更好地指导所在区域的工农业生产发展,针对影响预报精度的关键问题(预报因子的选择),基于互信息法、相关系数法、主成分分析法对研究区的预报因子进行优选,采用RBF神经网络以及组合小波BP神经网络模型进行径流预报研究,并进行不同方案的比较。结果表明:①互信息法优选出的预报因子作为模型输入可以提高预报精度;②采用不同优选预报因子作为RBF神经网络以及组合小波BP神经网络模型的输入变量,结果表明RBF神经网络模型的预测精度要好于组合小波BP神经网络模型;③以相对误差作为评价模型精确度的标准,预测效果最好的是基于互信息方法挑选出的预报因子作为RBF神经模型输入数据的模型预测结果。     

改进BP神经网络集成模型在径流预测中的应用

为提高径流预测预报的精度和泛化能力,建立了基于3种基本改进算法的BP神经网络集成预测模型。利用ADF单位根检验方法、自相关分析方法确定径流时间序列的平稳性和模型的输入向量。针对BP神经网络标准算法收敛速度慢、易陷入局部极值的缺陷,采用自适应动量梯度法、共轭梯度法和Levenberg-Marquardt法分别改进BP神经网络标准算法,依次构建基于3种改进算法的BP神经网络模型对文山州南利河董湖水文站年径流进行预测,并构建GA-BP预测模型作为对比模型;采用加权平均方法对各单一模型预测结果进行综合集成。结果表明:集成模型对南利河2001-2005年径流预测平均相对误差绝对值为4.67%,最大相对误差绝对值为7.11%,精度和泛化能力均优于各单一模型和GA-BP模型。集成模型克服了单一模型预测精度不高和误差不稳定的缺点,具有较好的预测精度和泛化能力,是提高径流预测预报精度的有效方法。     

水工隧洞围岩分类的人工神经网络方法研究

本文应用人工神经网络原理解决水工隧洞围岩分类这一非线性和不确定性较大的实际问题,通过建立隧洞围岩的力学指标和环境因素的BP判定模型,为水工隧洞围岩分类提供可靠的途径。