软基沉降预测模型的比较分析与应用

公路软基沉降预测是目前高速发展的软土地区公路建设中亟待解决的一大技术难题,预测模型也有多种,预测精度不尽相同。对工程中基于经验公式法预测沉降的传统模型(指数模型、双曲线模型)和成长曲线模型(Logistic模型、Gompertz模型、Weibull模型)给予介绍,并分别对各模型进行了数学比较分析。结果表明:传统模型不能利用施工期间的观测数据,只能用工后资料预测工后沉降,且对工后资料的要求较高;成长曲线模型能较好的反映沉降全过程的变化规律。Weibull模型较其它两种成长模型有较广泛的适应性,其对沉降的预测与实际吻合较好。     

基于人工生态系统优化算法的组合生长需水预测模型

为提高需水预测精度,拓展生长模型在需水预测中的应用,提出基于人工生态系统优化(AEO)算法的组合生长需水预测模型。结合实例,选取6个标准测试函数在不同维度条件下对AEO算法进行仿真验证,并与鲸鱼优化算法(WOA)、灰狼优化(GWO)算法、教学优化(TLBO)算法和传统粒子群优化(PSO)算法的仿真结果进行比较。基于Weibull、Richards、Usher 3种单一生长模型构建Weibull-Richards-Usher、Weibull-Richards、Weibull-Usher、Richards-Usher 4种组合生长模型,利用AEO算法同时对组合模型参数和权重系数进行优化,提出AEO-Weibull-Richards-Usher、AEO-Weibull-Richards、AEO-Weibull-Usher、AEO-Richards-Usher需水预测模型,并构建AEO-Weibull、AEO-Richards、AEO-Usher、AEO-SVM、AEO-BP模型作对比,以上海市需水预测为例进行实例验证,利用实例前30组和后8组统计资料对各组合模型进行训练和预测。结果表明,在不同维度条件下,AEO算法寻优精度优于WOA、GWO、TLBO、PSO算法,具有较好的寻优精度和全局搜索能力。4种组合模型对实例预测的平均相对误差绝对值、平均绝对误差分别在0.94%~1.17%、0.30亿~0.37亿m³之间,预测精度优于AEO-Weibull等其他5种模型。4种组合模型均具有较好的预测精度和泛化能力,表明AEO算法能同时有效优化组合生长模型参数和权重系数,基于AEO算法的组合生长模型用于需水预测是可行和有效的。     

多组群教学优化算法-神经网络-支持向量机组合模型在径流预测中的应用

采用5个标准测试函数对多组群教学优化(MGTLO)算法进行仿真验证,并将仿真结果与基本教学优化(TLBO)算法、混合蛙跳算法(SFLA)、差分进化(DE)算法和粒子群优化(PSO)算法的仿真结果进行对比。利用MGTLO算法搜寻基于广义回归神经网络(GRNN)、径向基神经网络(RBF)、支持向量机(SVM)模型单元的组合模型的最佳模型参数和组合权重系数,提出MGTLO-GRNN-RBF、MGTLO-GRNN-SVM、MGTLO-RBF-SVM、MGTLO-GRNN-RBF-SVM 4种组合预测模型,以新疆伊犁河雅马渡水文站和云南省某水文站年径流量预测为例进行了实例分析,并将预测结果与MGTLO-GRNN、MGTLO-RBF、MGTLO-SVM和GRNN、RBF、SVM 6种单一模型的结果进行对比分析。结果表明:MGTLO算法寻优精度优于TLBO、SFLA、DE和PSO算法,具有较好的收敛速度和全局极值寻优能力;组合模型融合了MGTLO算法与GRNN、RBF、SVM模型单元的优点,在预测精度、泛化能力等方面均优于单一模型;MGTLO算法能有效优化各组合模型的相关参数和权重系数,MGTLO-GRNN-RBF-SVM模型预测精度最高。     

Hyperbola-Logistic叠加模型预测地基沉降

针对Hyperbola模型和Logistic模型的优缺点,提出Hyperbola-Logistic叠加模型,该叠加模型综合了两种单项预测模型的优点,以期达到高精度的预测结果。结合发电厂地基沉降现场观测数据,利用Hyperbola-Logistic叠加模型预测地基沉降,并与单项沉降预测模型的拟合结果进行比较分析。结果表明:与两种单项预测模型的预测结果相比较,叠加模型减小了系统误差,提高了整体的预测精度,拟合结果可靠,适用于发电厂地基沉降量的预测。新模型具有一定的适用性,是一种分析预测地基沉降的有效方法。     

MEA-BP预测模型在水布垭面板堆石坝沉降变形预测中的应用

由于单一的BP神经网络预测模型存在一些缺陷,对于复杂的非线性问题,BP神经网络预测模型的拟合能力具有局限性,容易陷入局部极小值,网络权值和阈值的选择具有随机性。运用具有全局寻优能力的思维进化算法(MEA)对BP神经网络的初始权值和阈值进行优化,建立MEA-BP预测模型。将单一的BP神经网络预测模型、基于遗传算法(GA)优化的BP神经网络预测模型与MEA-BP预测模型应用到实际工程中进行对比,预测结果表明MEA-BP预测模型在水布垭面板堆石坝沉降变形预测中的预测精度最高,效果最好,具有一定的实际应用价值。     

基于自适应进化相关向量机的城市需水量预测模型研究

为改进城市需水量预测模型,将相关向量机与差分进化优化算法进行融合及改进,提出基于自适应进化相关向量机的需水量预测模型。以新疆阿克苏市为例,建立基于自适应进化相关向量机的城市需水量预测模型,并与多元线性回归、BP神经网络、支持向量机算法在精度与可靠性方面进行对比分析。结果表明:新模型预测精度大约是上述其他方法的2倍以上;测试数据的实际需水量均在自适应进化相关向量机估计的95%置信度的置信区间内,并且由后验差比、小误差概率判定模型等级属于"好"级别。     

基于进化相关向量机的边坡安全系数估算

针对相关向量机与差分进化优化算法的特点,通过将两种算法有机融合提出进化相关向量机模型E-RVM,并应用于边坡安全系数估算。以留一交叉验证法构建差分进化算法的适应度函数,基于差分优化算法确定相关向量机的最优参数,可有效提高算法预测精度及可靠性。根据模型计算得到的预测均值及预测方差建立预测变量置信区间,分析预测结果的不确定性。以两个边坡数据为例建立基于E-RVM的边坡安全系数估算模型,并与GA-BP、V-SVM、GP方法对比。分析结果表明:E-RVM方法的平均绝对误差、平均相对误差与均方根误差精度指标均明显优于GA-BP、V-SVM、GP。通过95%置信度的置信区间分析,理论安全系数均在置信区间内,并且E-RVM方法具有比GP方法更短的置信区间长度。分析证实E-RVM模型是一种精度高、可靠性强的边坡安全系数预测新方法。     

基于GRA-MEA-BP耦合模型的城市需水预测研究

针对城市需水量影响因子多、BP神经网络收敛速度慢、精度低、易陷入局部最优等问题,提出灰色关联分析、思维进化算法、BP神经网络三者耦合的改进预测模型,利用灰色关联分析(GRA)筛选需水量主要影响因子,采用全局搜索能力极强的思维进化算法(MEA)优化BP神经网络的权值和阈值,从而构建GRA-MEA-BP耦合需水预测模型,同时建立BP神经网络模型作为对比。实例应用结果表明,GRA-MEA-BP耦合模型具有更高的预测精度和预测速度,可作为一种有效的需水预测模型。     

基于改进GWO-BP神经网络模型的箱涵沉降预测

箱涵受外部荷载等多方面影响,会出现一定程度的不均匀沉降,可能会对箱涵结构造成破坏,因此箱涵地基沉降预测十分重要。引入灰狼算法(GWO)对BP神经网络的权值和阈值进行寻优,建立了基于改进的GWO-BP预测模型,对箱涵的沉降值进行预测。将该预测模型应用于南水北调工程天津某标段的箱涵沉降预测,并将预测值与实测值进行对比,相对误差在5%以下。通过与未改进的灰狼算法优化BP神经网络模型、BP模型进行对比,结果表明改进的灰狼算法优化BP神经网络预测模型具有更好的寻优能力与寻优精度,能够有效地对箱涵沉降值进行预测。     

基坑变形预测的改进供需优化算法-指数幂乘积模型

为提高基坑变形预测精度,提出改进供需优化算法-指数幂乘积基坑变形预测模型(ISDO-EPP模型)。通过6个标准测试函数和3个应用实例对ISDO算法的寻优能力进行验证,并与基本供需优化(SDO)算法、鲸鱼优化算法(WOA)、灰狼优化(GWO)算法、蛾群算法(MSA)、粒子群优化(PSO)算法的寻优结果进行比较。以3个基坑沉降预测为例,通过自相关函数法和虚假最邻近法确定各实例延迟时间和嵌入维数,构造输入、输出向量对各模型进行训练和预测。结果表明,ISDO算法搜索能力优于SDO等5种算法,具有较好的寻优精度、全局搜索能力和稳健性能。ISDO-EPP模型对3个实例预测的平均相对误差绝对值分别为0.73%、3.36%和1.33%,均优于ISDO-SVM、ISDO-BP模型,表明ISDO算法能有效优化EPP模型参数,ISDO-EPP模型用于变形预测是可行和有效的。     

基于LIB-SVM的公路软基沉降的预测研究

由于地基实际工后沉降与初始设计沉降往往存在很大差异,因此,需要通过分析现场实测沉降 资料预测后期沉降。为了进一步提高公路软基沉降预测的准确性,将ＬＩＢ－ＳＶＭ模型应用于地基沉降, ＬＩＢ－ＳＶＭ通过交叉验证选取的最优参数组合克服了传统ＳＶＭ模型参数选择的盲目性。根据实例,将 ＬＩＢ－ＳＶＭ模型预测值和指数模型预测值与现场量测值进行了对照。结果表明,ＬＩＢ－ＳＶＭ模型比指数 模型有较高的预测精度,该方法在沉降的实际预测中具有可行性。     

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Gumbel Copula函数的堆石坝沉降模型因子优选研究

为克服常规沉降模型因考虑众多影响因子造成欠拟合及预测精度不高的缺点,首先由因子优选准则得到沉降模型的预选因子集,运用了Copula熵和PMI(偏互信息)两种方法对预选因子集进行优选,再将优选因子集引入沉降模型并计算典型测点的沉降值,验证了该优选方法的可行性.实例表明,基于Gumbel函数的沉降模型拟合预测精度优于常规模...     

差分进化算法在马斯京根模型参数优选中的应用

针对马斯京根模型参数最优估计中求解复杂、精度差等问题,结合绝对残差绝对值之和最小准则,提出应用差分进化算法（Differential Evolution Algorithm）直接优选模型参数。同其它算法相比,实例分析表明该算法具有较强的全局搜索能力和较高的计算精度。为更好地优选马斯京根模型参数提供了一种更为有效的新方法。     

高层建筑沉降预测的灰色模型研究

针对高层建筑的沉降变形预测问题,根据灰色系统为理论,以杨凌示范区某高层建筑沉降观测的工程为例,对工程案例的观测数据采用灰色GM(1,1)模型进行预测,并将预测结果与实例数据进行比照分析。结果表明:预测值与实测值吻合度良好,预测精度为一级,充分说明灰色模型对高层建筑沉降变形预测行之有效,为高层建筑沉降变形预测提供典型案例,也可为设计与施工等方面提供借鉴。     

淤泥质土堤防沉降预测方法的对比分析

为了获得更加精确的堤防沉降参数,通过双曲线法、三点法、S型曲线等常用曲线拟合法对淤泥质土堤防沉降进行了预测,并分析了这几种方法预测的精度。考虑到各种方法的优缺点,运用最优加权建立了组合预测模型,分别以组合模型的误差平方和最小及有效度最大为目标函数确定最优的加权系数。工程实例计算结果表明,单一预测中三点法预测精度最高,而最优组合沉降预测模型的精度不仅比单项预测模型的精度要高,且可靠性也更佳。     

300m级特高土石坝施工期心墙沉降监控模型研究

心墙沉降是两河口高土石坝的控制性安全监测项目,结合室内试验、监测、施工进度等资料,研究了心墙砾石土的沉降特性,建立了施工期沉降监控模型。研究表明:沉降变形的发展呈明显的阶段性,即沉降环埋设初期的快速沉降期、填筑进度平缓进行的匀速沉降期以及填筑高峰期的加速沉降期;以填筑因子与时效因子为组合的监控模型具有良好的解析力与拟合度,计算实例4个测点判定系数R 2在0.938~0.972;施工期沉降产生的主导因素是填土层上覆的外压荷载,就已填筑高程1/2~2/3区段而言,施工期沉降变形所占的填筑分量与时效分量分别约占95%与5%;监控模型具有良好的外延性,在近1个月外延区间中预测误差不超过9.04 mm,通过不断延长建模时序以修正模型参数,可提高预测精度进而指导施工。