基于有监督机器学习基坑变形预测模型的比较与分析

影响深基坑变形因素繁多,位移预测问题呈高度非线性和模糊性,为探究目前基于有监督机器学习软计算（Soft Computing Method,SCM）法深基坑位移预测模型的精度性能,对基于支持向量机（Support Vector Model,SVM）位移预测模型、基于随机森林（Random Forest,RF）预测模型、基于反向传播（Back Propagation,BP）神经网络预测模型、基于径向基（Radial Basis Function,RBF）神经网络预测模型、基于Elman神经网络预测模型和长短期记忆（Long Short-Term Memory,LSTM）神经网络预测模型进行了实际深基坑工程一至三天位移预测试验。试验验证了基于有监督机器学习软计算法模型预测深基坑位移的可行性,展现了人工神经网络（Artificial Neural Network,ANN）算法的优越性,并得出了Elman预测模型适用于预测一天和两天深基坑位移预测,而BP预测模型适用于预测三天沉降任务的结论。     

福田深基坑嵌岩地下连续墙变形特性

以一个在建深基坑工程为背景,通过普通地连墙与监测数据进行对比,总结了嵌岩地下连续墙的变形特性,发现嵌岩对地连墙的变形控制有一定的帮助；通过理论计算分析了插入深度和墙厚对地连墙体变形的影响,发现适当的插入深度可以保证地连墙的整体稳定性和控制其变形,但达到一定深度后再进一步增加插入深度并不能有效地减小变形；增大墙厚可以减小...     

GM(1,1)模型基坑结构变形预测应用研究

动态设计和信息化施工使得基坑结构变形预测意义重大,本文结合工程实践对GM(1,1)模型在基坑支护结构变形预测进行应用研究.工程应用结果显示灰色预测理论在深基坑结构变形预测方面具有较好的稳定性,GM(1,1)预测的深基坑地面水平位移、沉降与实际监测结果比较接近,GM(1,1)模型预测方法有效可行.灰色系统GM(1,1)基坑变形预测模型可作为基坑支护结构变形预测的参考工具.     

灰色理论和BP神经网络理论在地铁深基坑变形预测方面的应用

地铁深基坑变形是影响地铁建设的重要问题之一。针对地铁深基坑变形众多影响因素所具有的不确定性、模糊性以及深基坑变形的非线性特点,基于灰色系统理论和人工神经网络理论,分别采用灰色GM(1,1)模型、BP神经网络模型和灰色-BP神经网络组合模型对某地铁深基坑地表土体沉降进行预测分析,并将预测数据与实测数据进行对比,得出各模型预测精度。工程实例分析表明,灰色GM(1,1)模型预测精度最低,BP神经网络模型次之,灰色-BP神经网络组合模型由于集合了灰色GM(1,1)模型和BP神经网络模型的优点,预测精度最高,满足工程应用要求,对安全施工具有一定的指导作用。     

基于ALSTM模型的基坑周边建筑物沉降预测

中短期基坑沉降监测序列具有非线性和数据量小的特点,导致常规预测模型很难获取准确的预测结果。针对传统模型未考虑到历史时刻沉降情况对未来沉降量具有不同影响的缺点,本文采用ALSTM(Attention LSTM)预测模型,并以某大厦基坑工程变形监测的数据为例进行验证。实验结果表明,相比LSTM、支持向量回归和BP神经网络模型,ALSTM模型能够取得更加准确的预测结果,适用于短期和中短期两种情况下的沉降变形预测。     

软土地区某深基坑围护墙变形时空效应分析

依托上海市区某深基坑工程实践,并结合施工实测数据,分别对地连墙的侧移变形分布与发展规律进行了空间和时间两个维度分析,结果表明:软土地区基坑地连墙的侧移具有明显的空间效应与时间效应。     

基于FA-NAR动态神经网络的隧洞围岩变形时序预测研究

针对隧洞围岩变形动态性、对时间和空间的敏感性、非线性、高度复杂性等特征,为提高围岩变形预测精度,采用萤火虫算法(FA)搜索确定延时阶数和隐含层单元个数,并利用非线性自回归(NAR)动态神经网络进行预测,提出基于FA-NAR动态神经网络的隧洞围岩变形预测模型,结合北山坑探设施围岩变形监测数据进行预测,并将其与BP神经网络算法预测结果对比分析。结果表明:(1) FA-NAR动态神经网络的预测值与实测值基本吻合,其产生的平均绝对误差和平均相对误差分别约为BP神经网络的1/5和1/4,表明FA-NAR动态神经网络算法模型比BP神经网络算法模型预测精度高;(2)采用FA-NAR动态神经网络算法模型能够很好地解决围岩变形预测问题,既减少了人为输入网络参数的盲目性,又提高了网络的学习能力和预测精度。     

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。     

网络基坑沉降预测模型的结构探讨

针对深基坑开挖施工过程中多种因素引起的沉降变形具有较强随机性特点 ,用BP神经网络替代灰色CM (1,1)模型 ,可有效改善了施工工程中深基坑沉降变形值的预测精度 ,并对BP神经网络结构形式进行了探讨     

基于BP神经网络的膨胀土地区深基坑变形预测

膨胀土是一种病害性土质,为了探索成都黏土地区基坑工程变形特点,展开工程实例现场观测,文章结合BP神经网络具有非线性映射的特性,建立变形预测模型。结果表明:预测结果与实际监测结果较差小,预测精度高,表明该模型具有很好的精度,满足工程需求;同时也证明BP神经网络在膨胀土深基坑变形预测分析的可行性和有效性。     

基于长短期记忆网络的短期空调冷负荷预测

提出了一种基于长短期记忆网络(LSTM)的短期空调冷负荷预测模型,仅采用历史负荷数据预测未来1 d的逐时冷负荷.通过与传统的BP神经网络模型进行对比,验证其准确性.为了进一步提高模型预测精度,对网络结构(包括输入层、输出层及隐含层神经元数量)与预测策略进行了优化,获得最优的预测模型.结果表明,基于LSTM的预测模型可实...     

深大基础工程施工变形智能预测与控制研究

本文的主要工作包括: (1) 在总结国内外有关的最新研究成果的基础上,系统地归纳有关软科学方法在岩土工程和地下工程方面的应用,提出了智能地下工程学的新思想。 (2) 系统地阐述了计算智能的各个基础学科及计算智能岩土工程各方面的相关概念和算法步骤,并对模糊神经网络、遗传神经网络、混沌神经网络、灰色神经网络、专家神经网络和GIS神经网络等集成计算智能学科进行了较深入的分析,并在上述研究工作的基础上初步建立了智能岩土工程的基础理论框架。 (3) 详细介绍并分析了润扬悬索大桥北锚碇锚区的气象与地质条件,围护结构设计,降水、封水设计,土方开挖方案设计,施工监测设计等方面的情况。并采用ANSYS软件对深基坑进行了有限元数值模拟,分析了支撑刚度和地连墙刚度以及施工工况对地连墙侧向位移、坑底隆起、坑外地表沉降和支撑轴力的影响。 (4) 采用遗传神经网络、灰色关联分析等对深基坑施工变形的影响因素进行了系统的分析及其重要性程度的排序。指出:无支撑暴露时间,深基坑的开挖深度,开挖土层厚度,开挖的步长,沿地连墙的开挖宽度,支撑的间距、位置和布局,以及土方开挖的方向、顺序与位置等为影响深大基坑施工变形的主要因素。 (5)首次将自适应灰色理论预测系统应用于地连墙的变形预测。计算结果表     

改进灰色BP神经网络模型在建筑物沉降监测中的应用

建筑物的变形是由于多种复杂因素的影响,文章针对该影响以及单一预测模型精度不高的问题,建立了基于灰色模型和BP神经网络模型的组合预测模型。并采用复化梯形求积法对灰色模型的背景值改进,构建基于改进的组合预测模型。结合改进的灰色GM(1,1)BP神经网络组合模型对马鞍山市的某建筑物的沉降进行预测。通过对比可以看出,改进的灰色BP神经网络预测精度最高,其拟合程度更加接于实测值,可更好地适用于实际工程的中长期预测。     

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。     

深基坑墙顶水平变形的灰色-时序动态预测

深基坑墙顶水平变形是一个动态的相互依存的过程。在基坑开挖与施工过程中 ,根据变形观测数据用灰色系统理论与时间序列分析方法建立等维新息动态预测预报模型 ,并随着新数据的加入适时修改模型参数。该模型不要求考虑复杂的变形影响因素。工程实例研究表明 :用组合模型预测变形值 ,其误差大多数情况下小于 5 % ;在变形数据变化较大时 ,组合模型预测值明显优于单一模型预测值。在变形变化平稳时 ,用单一的灰色模型或灰色时间序列组合模型预测误差相差不大。预测步数越多 ,则预测精度越低。     

深基坑施工变形预测与控制方法研究

结合广州地铁某换乘车站深基坑工程,分别采用5种计算模型对深基坑施工引起的周边地表沉降进行了预测分析,与实测沉降值对比后发现:灰色GM(1,1)模型、灰色马尔科夫链模型和BP人工神经网络的短期预测结果比较可靠,但其长期预测结果精度不够,而经过残差修正后的灰色模型能够明显的提高预测精度,具有一定的工程实用价值;并结合具体工程实例提出了深基坑施工变形控制的基本方法。     

基于LSTM多变种模型的岩爆微震参数预测研究

岩爆是深地工程和深部资源开采中必须要解决的核心问题之一。基于改进的LSTM神经网络,提出了用于时间序列预测的LSTM微震多参数预测模型,包括单变量时序预测模型和多元平行序列预测模型。并以峨汉高速大峡谷隧道微震监测数据对模型进行验证,同时与多项式回归方法结果进行对比分析。结果表明:单变量预测模型中堆叠式LSTM(S-LSTM)的预测精度最高;多变量预测模型中卷积LSTM(CNN-LSTM)对累积视体积和能量指数具有最好的预测效果,且余下几种LSTM模型仍可准确实现各参数演化趋势的预测,其精度均优于多项式回归分析方法。研究可为正确识别岩爆当前活动及未来状态的危险性提供理论支撑,为及时掌握岩爆未来活动状态提供重要依据。     

考虑渗流作用下圆形深基坑数值模拟分析

利用MIDAS有限元软件,对上海软土深基坑降水开挖而引起的变形进行数值模拟,本文通过不同的降水情况和改变地连墙入土系数,研究降水情况和地连墙入土系数对圆形深基坑抗隆起稳定性的影响。研究结果表明,考虑降水条件对圆形深基坑抗隆起稳定性有相当大的影响,进行降水可以降低基坑隆起量。该研究结果可以为研究渗流对圆形深基坑支护体系的影响提供参考。     

基于时间序列与长短时记忆网络的滑坡位移动态预测模型

针对滑坡演化的动态特性和传统静态预测模型的不足,提出一种基于时间序列与长短时记忆网络(long and short term memory neural network,LSTM)的滑坡位移动态预测模型。该模型首先采用移动平均法将滑坡累积位移分解为趋势项位移和周期项位移。然后采用多项式函数预测趋势项位移;基于滑坡变形特征与诱发因素的响应分析,建立LSTM模型进行周期项位移预测。最后将各分项位移叠加,即实现滑坡累积位移的预测。以三峡库区典型阶跃型滑坡——白水河滑坡为例,并与支持向量机模型(support vector machine,SVM)进行对比分析。结果表明,与静态模型SVM相比,动态模型LSTM的预测精度较高,在阶跃式变形期的预测优势尤为突出,且不依赖于训练数据时效性的分析。该模型为三峡库区阶跃型滑坡位移预测提供了新的思路和探索。     

武汉地铁某深基坑开挖对周边高架桥影响的分析预测与数值模拟研究

以武汉地铁某深基坑工程为研究背景,综合现场监测、BP神经网络预测以及数值模拟计算等多种方法,研究在复杂路段下地铁车站深基坑围护结构的变形规律与深基坑开挖对上跨高架桥墩的影响作用。研究提出：在以后的类似工程中可以利用数值模拟方法对工程施工进行动态预演,检验基坑的设计方案的安全性和经济性,并在基坑施工过程中可以通过BP神经网络进行动态预测,掌握基坑施工在下一个阶段的变形趋势,从而可建立“模拟-预测”信息化施工监测方案,以达到基坑安全与经济施工的目的。