基于多种优化支持向量机及V/S分析法的隧道变形预测及趋势判断

隧道变形具有明显的非线性特征,为实现其准确预测,基于卡尔曼滤波和多种优化的支持向量机模型对隧道变形进行预测,以探讨不同预测模型的适用性,并进一步进行组合预测;同时,利用V/S分析法计算变形序列的Hurst指数,以判断隧道的变形趋势,并与预测结果进行对比,综合判断隧道的变形规律。结果表明:最小二乘支持向量机的优化效果最好,且预测隧道后4个周期均为增长变形;同时,变形序列和速率序列V/S分析的Hurst指数分别为0.845和0.602,均>0.5,得出隧道后期变形呈持续增长趋势,与预测分析一致,验证了思路的有效性。     

滑坡变形趋势判断及时间效应研究

为研究滑坡的变形趋势及时间效应,首先采用三次样条法插值对监测数据进行预处理,再利用R/S分析方法分析各监测点的监测数据及滑坡变形的时间效应。结果表明：各监测点两序列的Hurst指数均大于0.5,都具有持续性增长的趋势,但变形-时间序列较速率-时间序列具有更强的持续性;滑坡的主要变形路径将随后期的持续变形而有所改变,并使其余各监测点的变形趋势也有所改变。通过上述研究,以期对滑坡后期的工程治理有一定的指导意义。     

三峡库区堆积层滑坡的变形趋势判断及预测

为提高三峡库区堆积层滑坡变形趋势判断的准确性,该文以 Ｒ/S 分析和混沌优化 PSO－SVM 模型为基础,构建了滑坡变形趋势判断模型和变形预测模型,判断和预测三峡库区堆积层滑坡的变形趋势。经实例检验表明: Ｒ/S 分析模型能很好地评价滑坡的变形趋势,且累计变形序列和速率变形序列的 Hurst 指数均大于 0. 5,呈持续增加趋势,但累计变形序列的 Hurst 指数相对更大,趋势性也相对更强; 在预测过程中,混沌优化 PSO－SVM 模型的平均相对误差均小于 2%,最大相对误差也仅为 1. 83%,具较高预测精度,满足期望要求,且变形预测结果与趋势判断结果具有较好的一致性; 通过两实例的综合应用,验证了本文模型的普遍适用性。通过该文研究,相互佐证了趋势判断模型和变形预测模型在滑坡变形规律研究中的有效性,为滑坡变形规律研究提供了一种新的思路。     

运营公路隧道的变形机理分析及危险性评价

为合理评价运营隧道的安全现状及危险性发展趋势,提出利用BP神经网络和V/S分析构建运营隧道的危险性预测模型。首先,基于运营隧道所处的环境条件,分析其变形机理;其次,根据相关安全等级划分标准,评价运营隧道的安全现状;最后,利用优化BP神经网络构建运营隧道的变形预测模型,再利用V/S分析判断运营隧道的危险性发展趋势,以实现运营隧道的危险性预测。以嬉野隧道为实例进行验证,结果表明:运营隧道的变形影响因素较多,主要包括渗水因素、空洞因素、衬砌劣化因素及长期应力作用因素等;隧道的安全现状等级为Ⅴ级,危险性高,且沉降变形判断得到的危险性等级要高于水平收敛判断得到的危险性等级;变形预测结果和危险性趋势分析结果具有较好的一致性,均得出该隧道的危险性将会进一步增加,验证了BP预测和V/S分析2种模型在运营隧道危险性预测中的适用性和可靠性。研究成果为公路隧道的后期运营提供一定的指导。     

组合预测及R/S分析在基坑变形趋势判断中的应用研究

在基坑的现代化信息施工过程中,通过建立有效的预测模型,对基坑的变形趋势进行准确的预测,能有效地指导施工,避免工程事故的发生。为实现这一目的,首先,采用GM(1,1)、支持向量机和BP神经网络模型对基坑的变形进行单项预测,并建立了基坑的定权和非定权组合预测模型;其次,利用R/S分析,对基坑的变形趋势进行判断,以验证基坑变形预测的有效性。结果表明:通过组合预测,有效地提高了预测结果的精度及稳定性,其中以BP神经网络组合预测的效果最优,实测值与预测值之间能较好地吻合;同时,基坑具有持续变形的趋势,变形将进一步增加,且在后期的稳定性具有减弱的趋势,与预测的结果一致。通过研究,验证了组合预测及R/S分析在基坑变形趋势判断中的有效性,这为基坑变形预测及趋势判断提供了一种新的思路。     

基于Mann-Kendall法和重标极差法对大渡河毛头码站降雨趋势的分析

采用Mann-Kendall法计算大渡河毛头码站1964-2015年降雨系列统计参数Z,判断其降雨趋势及显著性,采用重标极差法计算其降雨系列赫斯特系数H,并判断降雨序列趋势在未来的持续性,结合两种方法成果综合判断大渡河毛头码站未来降雨的趋势。结果表明:大渡河毛头码站降雨系列Z小于0,赫斯特系数H为0.745,说明该站降雨呈现下降趋势,且未来降雨量将继续下降。本文综合非参数统计和分形分析方法,以非参数统计判断趋势,以分形分析判断确定其持续性,具有重要的实际意义。     

基于R/S法的隧洞围岩变形的分形特征分析

本文将R/S分析法应用于隧洞田岩变形分析中,经过分析计算,得出了田岩变形的分维数,定量描述了变形的分形特征的内在本质规律。实例分析证实,采用R/S分析法对隧洞田岩变形过程进行分析是合理可行的。     

基于集成组合预测模型的隧道大变形预测研究

为提高隧道大变形预测精度,先利用ARMA模型、三次指数平滑模型和GM(1,1)模型等单项预测模型进行预测,再利用多种线性和非线性组合方法实现了隧道大变形的初步组合预测,并在递进组合预测和混沌优化预测的基础上,构建了隧道大变形集成组合预测模型,实现了隧道大变形的综合预测。同时,提出利用M-K检验来判断隧道大变形的发展趋势,以验证预测结果的准确性。实例验证结果表明：各类初步组合预测模型均能不同程度地提高预测精度,而递进组合预测能很好地优化残差序列,达到提高预测精度的目的,即集成预测模型在隧道大变形中具较高的预测精度;同时,变形预测结果与趋势判断结果一致,均得出隧道大变形趋于不稳定方向发展的规律,相互佐证了各自分析结果的准确性,为隧道变形防治提供了参考依据。     

基于MF-DFA法和PSO-ELM模型的基坑变形规律研究

为准确掌握基坑变形的发展趋势,实现对基坑施工的准确指导,针对基坑变形序列的非线性和复杂性,提出利用MF-DFA法和PSO-ELM模型对基坑的变形规律进行研究。首先,利用MF-DFA法对基坑变形速率序列进行多重分形特征分析,以判断基坑的变形趋势;其次,利用PSO-ELM模型对基坑累计变形序列进行预测,得到基坑变形的预测值;最后,对比两变形序列的分析结果,综合判断基坑的变形趋势。同时,采用实例检验分析思路的准确性。结果表明:MF-DFA法能有效分析基坑变形速率序列的多重分形特征, PSO-ELM模型在基坑变形预测中也具有较高的预测精度,且两者对基坑变形规律的判断的一致性较好,相互佐证了两者分析结果的准确性,为基坑变形规律研究提供了一种新的思路。     

基于卡尔曼滤波、分形和LSTM的大坝变形趋势分析方法

为了实现对大坝变形趋势的合理分析,提出了一种融合卡尔曼滤波、分形理论和长短时记忆神经网络(LSTM)的大坝变形趋势综合分析方法。该方法利用卡尔曼滤波对原始观测数据进行降噪处理,采用分形理论中的R/S方法对大坝未来变形趋势进行定性判断和解析,通过对滤波后数据建立LSTM定量预测模型,结合定性和定量的分析结果,实现大坝变形趋势的综合评判。实例分析结果表明,该方法能够较好地分析大坝变形趋势,对大坝监测数据的随机性和非平稳性具有较好的适用性,趋势分析和预测符合工程实际情况,为大坝的变形综合分析提供了一种新方法。     

交通荷载下煤矸石路基填料累积变形PSO-BP神经网络预测模型

基于煤矸石路基填料大型动三轴试验结果,采用灰色关联分析法分析累积变形影响因子,确定了围压、压实度、级配参数、循环荷载振动次数4个特征参数。引入PSO算法对BP神经网络的权重、阈值进行全局寻优并赋值,提出了一种煤矸石路基填料累积变形PSO-BP神经网络预测模型。与传统BP神经网络模型对比结果验证了该预测模型的可行性和优越性,并通过不同学习程度下模型的预测效果分析了模型的泛化能力,证明了模型的预测潜力。     

基于主成分分析与BP神经网络模型的大坝渗流监测资料分析

大坝渗流观测资料分析中,各因子间常存在不同程度的相关性,这种相关性有时会对分析效果产生较大的影响,另外,通常的回归模型为线性模型,难以精确反映一般为非线性函数的因变量的变化规律。针对上述问题,本文将主成分分析和神经网络相结合,建立大坝渗流观测数据的主成分神经网络模型,经实例计算,该模型的预报精度较高。     

基于Matlab的土石坝变形分析BP神经网络模型的建立——以哈尔滨西泉眼水库大坝为例

针对传统的数学模型方法的不足,本文通过对BP网络模型的研究,建立改进的BP神经网络预测模型即采用附加动量法和自适应学习效率相结合的BP模型,并使用MATLAB语言编程加以实现。并将该模型应用于哈尔滨西泉眼水库大坝变形监测数据的分析和预测,发现其预报精度较传统模型有较大提高。     

基于随机化方法的叶绿素a含量神经网络预测模型输入因子敏感性分析

为了区分神经网络预测模型输入因子敏感性强弱,以探寻水体叶绿素a含量变化的主要影响因素,引入随机化方法,分别采用偏导、连接权值、改进连接权值、百分比扰动及改进扰动方法对叶绿素a含量神经网络预测模型输入因子进行1 000次敏感性分析,以计算结果均值对输入因子敏感性进行评价。结果表明:引入随机化方法后,敏感性分析结果稳定,研究区域pH相对敏感度最高,光照、降雨量、极大风速相对敏感度最小。受输入因子波动范围过大影响,百分比扰动方法与其他敏感性分析方法得到的结论不一致;对扰动方法进行改进,基于输入因子标准差扰动进行敏感性分析,光照、降雨量、极大风速相对敏感度分别为0.032、0.030、0.029,pH相对敏感度为0.148,因子敏感性强弱与其他方法一致;改进的扰动方法物理概念清晰,耗机时少,易实现。研究结果可为基于神经网络分析水体水华主要影响因素提供方法,为水体治理措施有效开展提供研究基础。     

基于改进粒子群优化算法的BP神经网络在大坝变形分析中的应用

BP神经网络以其对非线性系统的强大映射能力而被广泛应用于模糊性、随机性强的大坝变形预测分析中。传统的BP神经网络由于初始权值和阈值的随机性,容易导致网络在训练过程中极易陷入局部最小值,同时存在网络收敛速度慢等缺点。针对传统算法的不足,采用改进的粒子群算法(IPSO)对BP网络的初始权值和阈值给予优化,建立大坝变形预测的IPSO-BP模型,并与PSO-BP网络模型进行对比。结果表明,改进的IPSO-BP模型具有收敛速度更快、预测精度更高的优点。该方法可供大坝安全监测和预警分析参考。     

基于小波分析的NARX神经网络在水位预测中的应用

高精度的水位预测能为防洪决策、水资源管理等提供重要的调度依据,减少洪旱灾害损失。为提高预报精度,提出一种基于小波分析的NARX神经网络模型(DWT-NARX),综合考虑洪泽湖入湖流量、出湖流量、周边用水、前期水位等因素,对洪泽湖日水位进行预报,并与BP神经网络、NARX神经网络模型进行比较。结果表明,三种模型在短历时预报中均取得了较好的模拟预测效果。当预见期为1或2天时,Nash-Sutcliffe效率系数均大于0.9,合格率大于85%;当预见期超过3d,NARX模型在水位变幅较大的时段预测结果变差,BP模型出现严重的震荡现象,NARX和DWT-NARX模型结果均优于BP神经网络,DWT-NARX在整体上结果最优。研究成果可为洪泽湖的水位预报提供一定的参考价值。     

BP神经网络预测河流月径流量

河流的月径流量是随机变化的，影响因素很多，如人类活动、降雨、下垫面的土壤、植被覆盖情况。利用人工神经网络理论建立BP（Back-Propagation，反向传播方法）网络预测模型，用该模型对河流的月径流量进行预测，BP神经网络模型计算快速，占用内存小，还有很好的容错性，可以得到比较理想的结果，精度高，可靠性好。模型建立之后，将其用于实例，通过对大量样本进行很多次的训练学习，得到训练好的BP网络模型，最后进行预测，得到令人比较满意的结果。     

基于 BP 神经网络的场次洪水河道沙量预报

针对日益严重的河流泥沙问题,掌握河流泥沙的影响因素和泥沙的变化过程是泥沙治理的关键。以神经网络模型为基础,建立场次洪水沙量预报模型,对多沙河流的洪水挟沙量进行预报,并取得较好的预报效果。选择辽西北多沙河流大凌河作为研究实例,首先将1984年-1998年间的29场历史实测洪水资料进行分析,得到影响下游沙量的主要因素;然后,通过神经网络模型建立上游影响因素与下游沙量之间的关系;最后,选取其中6场洪水资料进行验证。模型计算结果表明,计算结果与实测结果误差在合理范围之内,精度符合要求,可以用于下游沙量的预报。