复杂地质条件下的隧道大变形组合预测研究

隧道大变形是隧道工程中的常见病害之一,严重威胁施工安全及工程进度,对其研究具有重要意义。以BP神经网络和支持向量机为基础,利用遗传算法和粒子群算法优化其结构参数,以实现单项预测模型优化,再构建线性组合模型和非线性组合模型,实现了隧道大变形的组合预测。实例分析表明:组合预测模型较单项预测模型具有更高的预测精度和稳定性,且以BP神经网络权值法的组合效果最优。通过研究,为大变形防治及变形规律评价提供了借鉴和参考,具有一定的实用价值。     

基于趋势项分离的隧道变形组合预测研究

以小波变换分离隧道变形数据的趋势项和误差项,采用回归模型对趋势项进行单项预测,并进一步对其进行组合预测;同时,利用BP神经网络对误差项及原始数据项进行预测,最后对比本文组合预测与传统BP神经网络的预测结果。结果表明:sym5小波函数对本文监测数据的分离效果最好,而非线性组合预测的精度要优于线性组合预测的精度,且综合对比本文组合预测和BP神经网络的结果,得出本文的组合预测很大程度上提高了预测精度,为隧道的变形预测提供了一种新的思路。     

基于灰色时间序列组合的隧道变形预测研究

随着各大城市地铁的兴建,各种工程事故相继发生,隧道开挖具有复杂性和特殊性,充分认识和掌握隧道围岩的变形规律,对于避免不必要的工程事故具有重要意义。本文基于隧道围岩施工期的变形监测数据,深入研究了时间序列分析、灰色系统理论和组合模型预测方法。结果表明,MGM(1,3)+AR(3)组合模型不仅能够反映数据序列的发展变化的趋势性,而且还能考虑数据序列随机波动的影响,组合模型拟合与预测的模拟预测精度高。研究成果为隧道围岩施工期和运行期的安全提供可靠依据,并未科学研究和理论计算提供参考。     

基于神经网络的隧道围岩变形预测方法研究

隧道开挖破坏了围岩结构,围岩内力重新分布,造成围岩变形。影响围岩变形的因素有很多,现阶段各种因素对围岩变形的具体影响无法准确确定。本文采用两种模型:回归分析模型和灰色人工神经网络组合模型,得到合理的拟合预测值,研究结果表明:两种模型预测精度均较高,其中灰色人工神经网络组合模型预测更好。     

深埋公路隧道围岩大变形预测研究

随着我国西部大开发基础设施的大规模兴建,越来越多的深埋公路、铁路隧道和水电、矿山地下坑道将要或正在高地应力环境条件下进行修建,围岩大变形的预测与防治已成为地下工程关键技术问题之一。本文以某公路隧道的围岩大变形预测研究为例,通过对隧道围岩中软岩的物理和化学成分测试,岩石为非膨胀岩,预测其将发生挤出型变形;结合场区的地应力实测资料,通过三维数值模拟的方法,求解出隧道沿线最大主应力分布情况。对详细地质勘察中采集的岩芯进行单轴和三轴物理力学实验,得到围岩的抗压强度;应用强度应力比临界值法和数值模拟技术,综合分析和预测可能发生的隧道开挖大变形部位和变形破坏模式,进而制定科学合理的隧道开挖支护方案。     

基于组合赋权—TOPSIS 模型的水利工程建设方案优选决策方法

对水利工程建设方案的选择是实现水资源高效开发与综合利用的关键环节,对社会的发展具有重大影响。针对水利工程建设的相应特点,构建水利工程建设方案的综合评价指标体系,运用层次分析法与熵权法来确定评价指标的组合权重,进而应用基于组合赋权的逼近理想解排序法对待选水利工程建设方案进行TOPSIS 综合评价,计算出各方案的综合优越度,实现对水利建设工程方案的优选。并分别运用组合赋权、AHP 法以及熵权法对某水利工程的7 个备选方案进行逼近理想解排序,验证了基于组合赋权的TOPSIS 法在水利工程建设方案优选决策过程中的适用性与优越性。     

基于多分类支持向量机的隧道挤压大变形预测

介绍了隧道挤压大变形的危害,提出了一种基于四个参数即直径(D),埋深(H),支护刚度(K)和岩石隧道开挖质量指数(Q)的多分类支持向量机(SVM)方法,对隧道挤压大变形的预测进行了研究,解决了隧道变形多分类预测问题,提高了预测精度。     

基于灰色理论的隧道围岩变形预测

河南LN高速公路某段设置一ST隧道,其为分离式隧道,采用新奥法施工。利用激光断面仪结合高精密水准仪对ST隧道断面围岩变形进行多次量测,以此为基础,探讨灰色系统理论中GM(1,1)模型和V模型对于围岩后期变形预测的适用性。结果表明,V模型预测是可行的,可用于指导施工实践。     

基于LMD-PSO-LSSVM组合模型的深基坑变形预测

变形是造成基坑安全隐患的重要因素。为准确预测基坑变形趋势,提出一种将局部均值分解(LMD)、粒子群优化算法(PSO)与最小二乘支持向量机(LSSVM)组合的深基坑变形预测模型。通过 LMD 将时序样本分解为多个分量,利用PSO优化后的LSSVM模型对各分量建立非线性基坑变形预测模型,最后采用滚动预测的方法对各分量进行预测并将结果叠加得到时序样本的预测值。通过实际工程进行模型预测与分析。结果表明:该模型不仅反映出基坑变形本质特征,而且预测精度明显提高,将其运用于基坑变形预测研究中具有较好的应用性和可靠性。     

新龙隧道大变形成因分析

文章根据新龙隧道的施工记录及隧道大变形断面实测记录,从地质条件及施工原因两方面对新龙隧道大变形的成因进行了探讨。研究表明新龙隧道产生大变形的原因是由于隧道塌方产生后,未能采取科学合理的方法对其进行处置,围岩发生渐进性破坏,围岩松动圈增大,围岩松动压力及形变压力增大,支护结构因承受过大的荷载而产生大变形。     

基于组合赋权的遗传算法优化BP神经网络岩爆预测研究

针对岩爆倾向性预测的复杂问题,选取隧洞应力系数、脆性系数及围岩冲击倾向指数为评价指标,利用组合赋权法确定指标的权重,结合遗传算法和BP神经网络,建立了基于组合赋权的遗传算法优化BP神经网络的预测模型。利用岩爆实例数据对建立的模型进行测试,测试结果具有良好的准确度,验证了该模型的可行性及有效性。     

基于组合赋权-云模型理论的岩爆预测研究

岩爆是地下工程中一种常见的地质灾害现象,其烈度分级对地下工程建设有重要的指导意义。收集了37例发生岩爆灾害的地下工程的调查资料结合已有岩爆理论(按岩石力学性质、围岩应力条件、围岩结构条件3个方面)总结出15个岩爆影响因素评价指标。采用主观赋权(层次分析法)、客观赋权(熵权法)相结合的方式对各影响因素进行赋权。然后采用云模型理论实现岩爆烈度与影响因素间的不确定映射,采用正向云发生器算法求得样本各个岩爆烈度等级的综合确定度,并判别岩爆等级。最后采取该评判模型对某水电站地下洞室进行岩爆烈度等级判别,其判别结果与实际岩爆等级相符,证实该方法具有一定的适用性。     

基于组合人工神经网络的隧道变形预测模型应用研究

根据神经网络的基本原理,提出一种组合神经网络预测模型,并用于预测隧道变形,实际应用效果表明组合神经网络模型适应性更强,预测精度更高,是一种很有应用前景的变形预测手段。     

大独山隧道崩塌变形分析

以大独山隧道为工程背景,对线路D1K859+902.6里程处左右两侧拱腰处发生局部崩塌掉块的情况进行了现场调查,根据国内外的研究成果,从地形环境、地层结构、地质构造、人工开挖、气候条件等因素着手,分析了大独山隧道产生压剪崩塌变形的作用过程,并提出了相应的处理建议,以确保隧道的施工质量。     

大坝变形非线性智能组合预测方法研究

为同时利用不同大坝变形预测方法的特征信息,改进预测质量,提出了一种基于微粒群优化一支持向量机(PSO-SVM)的大坝变形非线性智能组合预测模型.选取几种不同原理的建模方法建立预测模型并预测,利用其预测结果建立组合预测模型,组合函数的拟合采用混合核函数支持向量回归算法.为提高SVM的学习、泛化能力,采用混合核函数,并用具有并行性和分布式特点的PSO算法优化选择SVM模型参数.实例分析表明,该模型较好地整合了不同建模方法的特征信息,避免了单一方法的偶然性,较单一预测模型、加权组合预测模型具有更高的预测精度和更小的峰值误差,为更准确地进行大坝安全监控提供了一种新的途径.     

地铁车站基坑变形组合预测方法研究

车站基坑的变形稳定性问题是地铁建设的重要问题之一。因此如何对基坑前期监测结果进行分析,获取变形动态信息,是地铁施工过程中需要迫切解决的问题。鉴于影响车站基坑变形因素的不确定性及复杂性,从而导致其变形具有非线性及灰色性等特征,从地铁车站基坑监控实际情况出发,在监测前期数据有限的情况下采用灰色理论模型,对中后期较多的数据引入皮尔曲线模型进行组合预测分析,并通过工程实例验证了该方法的准确性及可行性。该方法操作方便,精度能够满足施工要求,可为类似工程提供参考与借鉴。     

基于回归分析与灰色理论的围岩变形组合预测

监控量测是隧道动态设计与信息化施工的重要组成内容。由于现场的量测数据具有离散性,而且包含着偶然误差的影响,隧道围岩变形原始量测数据需要做必要的数理统计分析后才能进行量化的预测。在总结变形预测方法与应用的基础上,针对量测数据量的多少、量测时间的间隔、数据离散程度的不同,研究了开展隧道围岩变形的中短期组合预测方法。提出在隧道变形量测的数据量不多、离散性较大、量测时间间隔相同时,可采用灰色预测GM(1,1)模型做短期的预测;当隧道变形量测的数据量多、拟合程度较高时,可选用指数函数做中长期的回归分析预测。以实际工程作为算例检验了两种预测方法的特点和效果。     

基于RBF神经网络隧道围岩变形预测研究

采用RBF人工神经网络,建立非线性人工神经网络模型,根据隧道监控量测位移监测资料,对隧道开挖过程中周边位移进行预测,研究结果表明:采用RBF神经网络进行隧道位移预测,其预测精度高、可靠性好,研究成果为隧道掘进过程中的施工控制和预测预报提供一种有效方法。     

基于优化神经网络模型的隧道变形预测研究

神经网络预测技术一直是隧道学术界和工程界关注的关键课题。传统的神经网络对初始权值的依赖性很大,不同的初始值会导致差异很大的预测结果,并且初始值选择有很大的随机性和盲目性,往往导致网络振荡或不收敛。根据经典遗传算法的优势,对神经网络初始值进行优化,完成PB训练样本并建立非线性预测模型,避免了神经网络对初始权值的依赖性过大而引起计算误差。研究表明,GA-BP神经网络遗传算法适用于预测高速公路隧道断层破碎带围岩变形量,与现场试验数据相吻合,验证了GA-BP神经网络遗传算法工程应用的可行性,提高了预测的精度及避免人为误差。隧道洞周变形主要集中在开挖后12天,在此时间内应加强监控量测频率,以避免隧道过大变形引起坍方事故。     

基于优化神经网络模型的隧道变形预测研究

神经网络预测技术一直是隧道学术界和工程界关注的关键课题.传统的神经网络对初始权值的依赖性很大,不同的初始值会导致差异很大的预测结果,并且初始值选择有很大的随机性和盲目性,往往导致网络振荡或不收敛.根据经典遗传算法的优势,对神经网络初始值进行优化,完成PB训练样本并建立非线性预测模型,避免了神经网络对初始权值的依赖性过大而引起计算误差.研究表明,GA-BP神经网络遗传算法适用于预测高速公路隧道断层破碎带围岩变形量,与现场试验数据相吻合,验证了GA-BP神经网络遗传算法工程应用的可行性,提高了预测的精度及避免人为误差.隧道洞周变形主要集中在开挖后12天,在此时间内应加强监控量测频率,以避免隧道过大变形引起坍方事故.