基于BP神经网络的静压桩承载力时间效应预测

基于珠海软土地区3根PHC管桩隔时复压试验数据,采用BP神经网络建立了静压桩承载力时间效应的BP神经网络模型来预测静压桩的长期承载力。在建模过程中将桩长、桩截面积、土体摩擦角、土体变形模量、渗透系数、最终压桩力及休止期等与静压桩承载力密切相关的7个参数引入到输入层,用Visual Basic语言编制了以最终压桩力和休止期为主要输入因素的计算程序,程序可以对比显示计算和实测曲线。在样本训练和学习过程中,任意选取2根桩的试验数据来预测第3根桩的长期承载力。通过对施工现场工程桩的试算,预测结果与实测值较为吻合,表明提出的BP神经网络模型用于预测静压桩长期承载力是切实可行的。     

基于改进BP神经网络的路基沉降预测实例分析

采用改进BP神经网络对路基沉降进行预测,且无需考虑影响路基沉降的各种影响因素,建立一个多输入单输出的网络模型。该方法输入和输出是同一类数据,前期实测沉降数据作为基础资料,按等时距序列输入,经指定算法计算后建立稳定的网络模型,然后对后期的沉降进行预测。通过实例分析表明该方法收敛较快,与常规预测方法相比,预测路基沉降精度高、沉降防范性强。     

土工格栅处理软土路基沉降量的BP神经网络预测

目前,土工格栅处理软土路基沉降量的预测多采用指数曲线和双曲线延伸法,其结果不够理想,采用BP神经网络逼近非线性插值方法构建等时距时间序列数据,同时建立相应的时间响应函数,预测其沉降量.计算实例表明,BP神经网络模型沉降预测结果比较准确,其最终沉降预测结果具有一定的工程应用价值.     

基于PCA法的BP网络对冰蓄冷系统的空调负荷预测

BP神经网络应用于空调负荷预测时,如果输入变量较多或变量间存在相关关系,会直接影响BP神经网络的预测准确性。针对此问题,采用主成分分析(PCA)法,在保留原始数据主要信息的前提下提取数据的主要成分。根据各主成分的贡献率对神经网络输入变量进行缩减,达到压缩变量维数的目的。然后将主成分输入到负荷预测的模型之中进行预测,使之更符合空调负荷预测的特点,提高预测的速度和精度。最后通过实际算例进行验证,实验结果表明,该方法确实可行。     

导水裂隙带高度预测的PCA-BP模型

导水裂隙带是工作面顶板突水的重要通道,准确预测工作面顶板导水裂隙带发育高度是预防顶板突水的首要任务。本文在总结导水裂隙带高度影响因素的基础之上,选取采高、硬岩岩性比例系数、工作面斜长、推进速度和采深作为影响导水裂隙带高度的主要因素。收集山东省和安徽省综采导水裂隙带高度实例,运用灰色关联分析(grey relational analysis,GRA)法得出采深是导水裂隙带高度的主要影响因素,其他因素是次要影响因素的结论。通过主成分分析(principal component analysis,PCA)法对样本数据进行降维,消除了影响因素之间的相关性,将确定的主成分作为输入层的神经元,基于MATLAB建立了PCA-BP神经网络预测模型,该模型在结果的稳定程度和准确程度上均优于常规的BP神经网络,且最大预测相对误差仅为3.8%。     

汕头滨江路软基主固结沉降计算修正研究

根据被处理路段现场实测沉降数据用双曲线法进行最终沉降预测,针对路基主固结沉降计算与双曲线法预测沉降有较大差距的不足,对主固结沉降计算进行了修正,将前期固结压力融入到模量法中重新计算,得到的结果与预测沉降较吻合,从而较准确的控制后续路段的沉降补土厚度,为后续设计施工提供借鉴。     

PCA-GA-BP算法在爆破振动预测中的应用

距离建筑较近基坑爆破开挖时,爆破震动如果控制不好,会对相邻建筑结构造成损害。本文使用主成分分析法（PCA）对原始爆破振动监测数据抽取了5个主成分作为主要影响特征,将其作为BP神经网络输入层参数,实现了对输入层参数的简化处理,而后结合遗传算法（GA）优化BP神经网络的权值和阈值,形成了能够提升模型精度和稳健性的PCA-GA-BP神经网络预测模型,可对爆破震动进行较为准确的预测。这对制订爆破参数、控制爆破震动对建筑的影响具有一定的参考价值。     

基于广义回归神经网络的压缩模量预测研究

压缩变形是引起沉降的重要影响因素，其值过大会造成重大地质灾害，压缩模量是其重要指标，预测压缩模量对于预防地质灾害具有重要意义。基于广义回归神经网络的基本原理，以常规土物性指标作为输入向量，以压缩模量(E_S1-2)为输出向量，网络输出结果的最大相对误差和最小相对误差分别为10.73%和0%、均方误差为0.683 1、与真实值吻合度很高，故模型可运用到压缩模量的预测。比较不同光滑因子值下的均方误差，0.9时的均方误差较其他取值小，故在参数设置过程中应该正确选取光滑因子的值。为证明基于广义回归神经网络的预测模型的性能，以均方误差为评价标准与其他算法比较，广义回归神经网络预测模型的均方误差小于其他算法，说明基于广义回归神经网络预测模型性能优于其他算法所构建的预测模型。     

改进BP神经网络在软土地基沉降量中的应用

利用神经网络强大的非线性映射能力,提出了一种基于BP神经网络模型的软土地基沉降量的预测方法,对不同情况下软土路基沉降量进行合理地预测,实例检验证明,该方法收敛速度快,预测的可靠性高。     

遗传优化的BP网络预测路基沉降

针对传统的BP神经网络存在收敛速度慢、易陷入局部极小点的缺点,提出了基于遗传优化的BP神经网络预测方法并建立了路基沉降预测模型。将该优化模型与指数曲线模型、双曲线模型、灰色预测模型和传统的BP神经网络预测模型对比,结果表明遗传优化的BP神经网络在路基沉降预测中精度最高,适宜广泛采用。     

桩基最终沉降量的Gan-Chen模式计算方法

笔者通过分析现行《规范》在桩基最终沉降量计算方面的四个制约因素和大量桩基沉降实测资料 ,确立桩土间的时空效应原理 ,确定桩基沉降由竖向变形和侧向变形两部分组成 ,压缩层厚度在桩尖平面以下 0 6 18B范围内 ,压缩层范围内土层的压缩模量Es=1 4 9E0 1～ 0 2 ,并建立起Gan Chen模式的桩基最终沉降量计算方法     

拓宽工程软基差异沉降影响因素及其敏感性分析

基于有限元方法,本文研究了拓宽工程软基差异沉降的诸多影响因素。分析表明,填土重度、软基特性、软土厚度、新旧路基处理方式影响最为显著,拓宽路堤尺寸、交通荷载等因素次之,而路堤拓宽方式、填土压缩模量、软基泊松比等参数则影响甚微。     

基于粗糙集理论BP网络的地铁深基坑监控预测分析与优化

以25个深基坑工程地表沉降实测资料为训练样本,综合考虑多个主要影响因素,应用粗糙集对次要影响因素进行约简,然后建立地表沉降的7-15-1粗糙集BP(RS-BP)神经网络预测模型对5个检验样本进行预测及预测精度分析,并将该模型与传统BP神经网络预测模型进行对比。结果表明:传统BP神经网络预测其平均相对误差达到15.04%;而RS-BP神经网络预测平均相对误差较小,为5.55%,满足精度要求。因此,基于粗糙集BP神经网络预测模型在预测精度上优于传统BP神经网络预测模型。     

基于BP神经网络的自密实清水混凝土性能预测研究

针对自密实清水混凝土试验周期长、表观性能影响因素多等问题，应用BP神经网络对其性能预测，有效减少试验量，快速找出外加剂最优掺量。基于BP神经网络卓越的非线性处理功能，将减水剂、消泡剂、引气剂、坍落度作为输入变量，自密实清水混凝土的7 d抗压强度、扩展度、气孔面积、色差作为输出变量，建立含有2层隐含层的BP神经网络模型，利用试验所得12组数据，预测自密实清水混凝土的性能，将预测值与试验值进行比较，确保模型高精确度。结果表明：神经网络模型预测结果良好，强度预测的相对误差最高达到10.8%，其余均在10%以下，其中第11组的混凝土性能最优，预测与实际结果相吻合。     

巨型溶洞超厚填筑体表层沉降监测与预测研究

黔张常铁路高山隧道高位斜穿巨型溶洞,采用洞砟回填方法处治溶洞,填筑回填体+底部堆积体总厚度达67～121m。针对超厚回填路基建立了表层沉降监测系统,详细阐述了监测系统的设计与实施方法,并采用数值模拟和指数曲线法对路基最终沉降量进行预测分析。研究结果表明:超厚回填路基沉降可分为瞬时沉降、主固结沉降和蠕变沉降3个阶段,沉降量主要发生在瞬时沉降阶段和主固结沉降阶段;沉降量随时间的增加而增大,沉降速率随时间增加逐渐减小;回填体上部结构自重和施工期新增荷载(机械及其他荷载)是影响路基沉降的主要因素,路基不同位置对施工阶段的敏感度不同。在钢筋混凝土路基板隔振作用下,列车动载对路基板以下回填体沉降几乎不产生影响,路基最终沉降量满足列车正常运营要求。     

人工神经网络预测供热系统供水温度

建立供热试验系统,试验数据为供水温度、室内温度、室外温度、太阳辐照度,数据采集时间间隔设定为0. 5 h。选取BP神经网络、Elman神经网络,将室内温度、室外温度、太阳辐照度作为输入数据,对供水温度进行预测。选用500组试验数据,对神经网络进行优化训练,确定输入层输入数据组数量以及其他参数。选用50组试验数据,对两种神经网络预测供水温度的准确性进行验证。在2018年2月4日、5日分别进行BP神经网络、Elman神经网络预测能力评价(室内温度设定为16℃)。两种神经网络的输入数据组数量均为7组(即为实现供水温度的预测,除当前时刻试验数据组外,还应输入前6个时刻的数据组)。由BP神经网络、Elman神经网络预测的供水温度与实际供水温度变化趋势基本一致,最大相对误差分别为-5. 66%、4. 32%。由BP神经网络、Elman神经网络预测的供水温度,可以维持室内温度,与设定的室内温度相比,波动范围分别为±1℃、-0. 8～0. 9℃,Elman神经网络的预测能力更强。     

基于BP神经网络的滑坡地质灾害预测方法

为了解决滑坡地质灾害传统预测方法中出现的综合性、实用性不强等问题,本文研究用基于优化参数设置的BP神经网络模型来预测滑坡地质灾害。该方法基于BP神经网络,顾及与滑坡地质灾害产生紧密相关的地质条件和环境因素,对BP神经网络的输入层、隐含层、输出层的参数进行优化;再由历史的经验数据通过训练、泛化建立基于BP神经网络的地质灾害预测模型;最后,按照0和1的组合结果对滑坡地质灾害进行预测。本文利用该模型对汶川地震诱发的滑坡地质灾害进行分析预测,结果表明:该模型的预测结果与实际结果吻合度达到86%~90%,预测精度较高,验证了基于改进的BP神经网络预测滑坡地质灾害的方法是实际可行的。     

基于PCA—Elman神经网络的建筑能耗预测

建筑能耗影响因素复杂,研究新的能耗预测方法可简化预测过程,提高预测精度。首先对一栋高校建筑的能耗样本进行主成分分析(PCA),去除信息冗余,消除输入变量之间的相关性。把经过PCA提取的主成分作为Elman神经网络的输入,隐含层和输入层均采用tansig函数,在训练过程中不断对权值和偏差进行修正,最终建立基于PCA-Elman的建筑能耗预测模型。采用测试样本对模型精度进行验证,实例表明,基于PCA-Elman的建筑能耗预测模型相对误差为5.49%,优于单一Elman神经网络预测结果。本方法简单易行,可用于建筑能耗预测和建筑能耗监测系统的报警阈值设置。     

群桩基础沉降计算中的几个问题

深厚软土地基中群桩沉降的预测一直是工程设计中的难点。本文分析了群桩基础中应力扩散的规律,提出了桩端附加应力的简化计算方法,指出国家桩基规范计算的桩端压缩层厚度偏大。讨论了目前国家建筑桩基技术规范中关于群桩沉降计算中的几个问题,包括压缩层厚度、模量取值、应力计算等,提出了相应的群桩沉降计算方法,并和工程实测数据进行了比较。     

基于改进型BP神经网络的多变量时序预测方法

传统的线性模型难以解决多变量或多输入问题,而神经网络擅长于处理多变量的问题,本文提出一种基于改进型BP神经网络的多变量时间序列预测方法。该方法对多变量时序数据建模预测能力较强,能够在有效减少训练时间的前提下,提高数据预测的精度。最后,使用这种方法对公开数据集中某地电力负荷值进行预测,最终证明基于改进型BP神经网络的多变量时序预测方法预测精准,误差较低。