基于RBF神经网络的边坡稳定性预测

RBF神经网络具有极强的非线性映射能力,精度高。本文基于RBF神经网络原理,采用自组织选取中心法,建立基于RBF神经网络的边坡稳定性预测模型,并选取大量边坡工程数据作为学习训练和预测样本,利用该模型进行学习和预测。研究结果表明,在处理边坡稳定性预测问题中,该方法具有很好的适应性和较高的精度。     

RBF神经网络在围岩位移预测中的应用

选择现场监测的围岩位移数据为样本,利用径向基函数RBF神经网络具有强大的非线性影射能力和收敛速度快的特点,建立围岩位移预测神经网络模型进行位移预测。通过工程实例监测数据测试表明预测值与实际位移植吻合较好,用该方法进行位移预测不仅有效而且可行。     

边坡位移预测的神经网络模型研究

了解边坡位移的发展趋势对于预测边坡失稳时间具有重要的意义,而导致边坡产生位移的因素是极其复杂的,采用具有非线性映射功能的神经网络模型,运用历史位移数据训练神经网络,并在Matlab环境下编程实现,与实测值相比较,神经网络模型具有很高的预测精度.     

基于时间序列的神经网络建模及边坡位移预测

边坡系统是一个影响因素众多、非常复杂的非线性系统,使得作为边坡内部力学现象外部表现的边坡变形同样具有很强的非线性特征,而神经网络所具有的高度鲁棒性、学习和联想记忆功能及数据挖掘等特性,对诸如存在内在联系的单时间序列的边坡位移预测有着较大的优势.以此为出发点,通过对单时间序列特点的分析,构造了基于单时间序列的神经网络预测模型,并以渝黔高速公路某边坡位移实际监测数据为例进行了计算.研究结果表明,通过挖掘边坡位移序列中的隐含信息,运用单时间序列BP神经网络进行边坡位移预测是完全可行的,预测平均误差仅为2.72%,预测结果与实际情况吻合度较高.最后通过与传统灰色理论预测方法进行对比发现,该方法预测效果明显提高,预测误差平均降低了近8倍.     

基于RBF神经网络的边坡稳定可靠度分析

RBF神经网络具有网络训练速度快、可以避免局部极小等优点。文章基于RBF神经网络理论,采用蒙特卡罗模拟法来进行结构的可靠度分析,研究了样本点的生成方法及样本数对可靠度分析结果的影响,并将基于RBF神经网络的蒙特卡罗模拟法应用于边坡的可靠度分析。计算表明:基于RBF神经网络的蒙特卡罗模拟法具有较好的计算效率和计算精度;样本点的生成方法和样本数对计算结果影响较大。与随机取样法相比,均匀设计法生成的样本点分布更均匀,由此样本点集训练生成的神经网络能更好的代替原功能函数,在相同的样本数时具有更高的计算精度;当计算精度相同时,均匀设计法比随机取样法需要生成的样本点少,计算效率高。     

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。     

基于相空间重构的BP神经网络对边坡的位移预测研究

边坡的位移预测对其稳定性的预报具有十分重要的意义,从基于相空间重构的BP神经网络预测方法对位移时间序列进行了分析,对相空间重构的参数延迟量以及嵌入维数进行了论述,将预测结果与传统的BP神经网络模型的预测结果进行了比较。结果表明,基于相空间重构的BP神经网络具有更高的精度,是一种优秀的预测方法。     

边坡稳定性预测的混沌神经网络方法

边坡系统本身的各种参量是不确定的和随机的，在其演化过程中，表现出复杂的非线性行为，会发生一系列的混沌现象。运用现代混沌理论与神经网络方法的基本原理，把混沌理论与神经网络结合起来，建立了边坡稳定性预测的混沌神经网络模型，从新的角度研究边坡稳定性预测问题，对该问题进行了探索性研究。对该理论的建立及预测方法进行了系统的讨论，为该领域的研究提供了完整的技术方法。对64个典型滑坡实例的研究结果表明，混沌神经网络模型具有较高的精度。     

基于改进型RBF神经网络的建筑用电能耗预测

径向基函数(Radial Basis Function,RBF)神经网络由于其网络结构简单、网络适应性好、学习过程收敛速度快等优点被运用于电力负荷预测领域.在将其应用于建筑用电能耗预测的过程中,由于对目前已有的建筑能耗数据和影响能耗的关键因素分析不足,以及网络参数不易确定,将导致预测精度无法满足实际需求.采用粒子群算法...     

岩土工程位移预测神经网络建模的几个问题

本文从神经网络理论及实践方面研究了目前岩土工程位移预测神经网络模型存在的几个问题,最后提出了几个可供借鉴的其它预测模型。     

基于BP网络的隧道围岩位移预测方法

介绍人工神经网络模型法的基本原理与步骤,探讨了隧道围岩收敛监测数据与人工神经网络间的联系,并建立了基于人工神经网络的隧道围岩收敛预报模型。以工程实例为背景,对隧道围岩的收敛变形进行预报分析。研究结果表明:BP网络预测值与实测值吻合程度很好,完全满足工程及控制的要求。     

位移反分析的进化神经网络方法研究

将人工神经与遗传算法相结合,提出了一种用于位移反分析的进化神经网络方法,这种方法基于正交试验获得的样本进行学习,用遗传算法搜索最优的神经网络结构,并用最佳推广预测学习算法训练此网络,以此训练好的网络描述岩体（土）的力学参数与岩体位移是非线性关系,再应用遗传算法从全局空间上搜索,进行岩体力学参数的最优辩识。作为例子,文中给出了弹性问题的反分析,结果是令人满意的。     

边坡稳定性影响因素敏感性人工神经网络分析

传统的边坡稳定性影响因素敏感性分析基本上都是基于各参数变化的大量试算分析，这样不仅计算量大，而且数据准各工作复杂。基于人工神经网络的非线性映射功能，用RBF神经网络模型进行边坡稳定性影响因素敏感性分析，把正交表试验设计理论、效用函数理论与神经网络结合起来进行边坡影响因素敏感性分析，给出了敏感性分析的具体算法并以圆弧破坏边坡为例进行了分析，并将分析结果与用传统理论分析所得结果进行比较，结果显示，用人工神经网络方法进行边坡稳定性影响因素敏感性分析不仅可靠，而且方便简单。     

边坡稳定性分析中工程岩体抗剪强度参数选取的神经网络方法

影响工程岩体抗剪强度参数的因素很复杂，具有不稳定性。由于神经网络方法不仅能考虑定量因素，而且能考虑定性因素的影响，因而神经网络适用于解决非确定性的工程岩体抗剪强度参数的选取问题。建立了选取工程岩体抗剪强度参数的人工神经网络模型，并利用大量工程资料对网络进行训练和测试，得出了一些有意义的结论。     

边坡稳定分析的神经网络方法

论述了BP神经网络的基本原理和算法,研究了MATLAB下的BP神经网络工具箱在边坡稳定性分析中的应用。采用影响边坡稳定性的复合指标,建立了BP预报模型。用收集到的边坡数据样本训练和测试BP神经网络模型,结果表明该BP神经网络预测边坡稳定性是可行的、有效的。     

基于径向基神经网络的边坡稳定性评估方法

在现有研究的基础上,引入径向基神经网络理论,提出了边坡稳定性的径向基神经网络预测方法。以土体重度、内摩擦角、粘聚力、锚固段长度等为输入参数,边坡稳定性系数为输出参数,建立精确RBFNN神经网络模型,对边坡稳定性进行了预测,结果表明：用训练成熟的径向基神经网络进行仿真,避免了诸多人为因素的影响,提高了结果的精度,使得计算高效、结果更加准确。     

边坡非线性位移的神经网络-时间序列分析

边坡的变形表现出复杂的非线性演化特征，大量的工程实践表明利用部分实测的边坡位移时间序列来预测未来边坡的位移更为准确。以神经网络和时间序列分析方法为基础，使用零均值化和标准偏差预处理方法，以及规则化能量函数法和贝叶斯规则化方法进行BP神经网络建模，利用BP网络对边坡位移非平稳时序进行趋势项提取，使非平稳监测时序转化为平稳时序以进行常规ARMA时序分析。结合滚动预测方法，建立了适合岩土体位移预测的神经网络-时间序列分析联合模型，以隔河岩水电站进水口边坡变形和水布垭水电站大岩淌滑坡位移为例进行预测分析。研究结果表明：新模型的预测精度高、实时可靠，可应用于实际工程。     

BP神经网络在分岔隧道位移反分析中的应用

在西部交通建设过程中,沪蓉西宜昌—恩施段的高速工程穿过的多为崇山峻岭,地形地质条件极为复杂,遇到很多以前很少甚至从未涉及的难题。在隧道建设方面,为适应多变的地形地质条件,不仅设置连拱隧道、小间距隧道等多种型式,而且还设置分岔隧道,即一端洞口为连拱隧道甚至四车道大拱,而另一端洞口为上下行分离隧道。利用沪蓉西八字岭分岔隧道现场监控量测数据,结合有限差分程序FLAC3D与BP神经网络模拟技术,对该分岔隧道围岩参数进行位移反演分析,并考虑隧道围岩爆破松动圈的影响。工程应用结果表明,该方法适用于求解这类大规模、复杂非线性隧道工程问题,其稳定性、适用性良好,精度满足工程要求。研究结果将对该隧道和西部山区类似的复杂结构长隧道的勘察、设计、施工起到一定的指导作用。     

土钉位移的BP神经网络预测

目前神经网络进行预测的建模思路主要有两种:一种是基于前期位移数据;一种是基于位移影响因素的变化。这两种方法预测的准确性都有待提高。综合二者对土钉支护的位移进行预测并与第一种方法进行对比,结果表明,这种方法由于具有更高的准确性。