深部岩体变形的混沌预测方法

论述深部岩体变形行为及其围岩稳定性分析中应用混沌方法;同时,根据岩体工程的观测位移时间序列,基于相空间重构,给出了最大Lyapunov特征指数的计算步骤,并给出了岩体位移时序的线性和非线性两种混沌预报模式。据此,建立了岩体工程位移观测数据的混沌预测方法。对玲珑金矿255m水平主运巷的塌陷情况进行了算例分析。首先,对于主运旧巷断面的收敛位移观测序列,采用插值方法对其进行了预处理,以获得等间隔的位移序列;然后,对该位移序列,利用上述混沌分析方法,获得其最大Lyapunov特征指数为0.05;分别采用近邻等距法和最大Lyapunov指数预报模式,对位移序列进行了预测。与观测位移相比较,位移预测结果比较理想。     

冲击地压预测的PSO-SVM模型

 冲击地压是一种复杂的非线性动力学现象，其发生机制非常复杂，而在监测数据的基础上对其进行分析预测，是冲击地压的一个重要研究方法，但是采用传统的数学力学方法很难表达冲击地压与其影响因素之间的复杂非线性关系，其中采用时间序列进行预测是一个重要的研究方向。针对这一问题，将冲击地压看作一时间序列过程，采用支持向量机建立冲击地压序列之间的非线性关系；同时，考虑到支持向量机参数对预测效果的影响，采用微粒群算法对支持向量机参数进行优化选择，从而提出冲击地压预测的PSO-SVM模型，提高支持向量机的推广预测能力，并对一具体算例进行研究分析。研究结果表明，该方法是科学可行的，并具有很好的精度。     

基于微震监测及应力场分析的冲击地压预测方法

主要对国内外冲击地压发生情况以及对冲击地压的监测发展情况进行了总结和分析，发现随着矿山开采深度的增加，冲击地压活动越来越频繁，发生的范围也越来越广，但是目前仍没有有效的监测与分析方法能够对冲击地压的发生进行预测预报。为了能够对冲击地压发生实现预测预报，引入地球物理学方法，建立矿山微震监测分析系统。将矿山微震监测系统监测到的矿山微震活动信息，通过网络传输，实现与数值分析系统之间的数据交换：利用微震活动信息修改数值模型的单元信息；借助大规模科学计算，分析开采造成采场以及巷道围岩内部岩体的应力积累、应力阴影和应力迁移过程，进而实现对矿山冲击地压活动进行预测预报。同时，微震监测分析系统能够实现对其他岩石工程动力灾害问题进行预测预报。     

利用复合特征对电磁辐射监测进行模式识别的冲击地压预测研究

如何从电磁辐射监测数据中预测冲击地压危险性,一直是冲击地压预测领域研究的重点。目前,运用较多的有临界指标法、综合指数法、指标变化偏差法等,但这些方法都只注重数据的表面变化,忽视了隐藏及蕴含在监测时序中许多有助于识别冲击地压危险的特征和有用信息,模式识别方法通过提取监测时序中的时域、频域及小波域特征构成复合特征向量,以欧氏距离测度作为类内类间可分离性判据对特征向量进行压缩变换,运用Fisher准则构造冲击危险性识别的模式识别器,识别器用压缩后的特征向量进行训练学习,得到识别器的结构参数:权向量和分界值(阈值)后,即可成为性能稳定的冲击地压危险性预测的模式识别系统,运用该系统就能实现对其他样本的预测识别。通过对检验样本的预测表明,预测精度要优于临界指标法等传统预测方法。     

相空间重构技术在边坡位移预测中的应用

边坡位移时间序列是边坡失稳预测中一个重要的参数,文章采用相空间重构技术的混沌时间序列分析法,对其进行了分析,并对时滞系数和嵌入维数等关键参数的确定方法进行了论述.研究表明,这是一种有较好前途的研究方法.     

我国建筑业增加值时间序列的混沌预测

相空间重构是通过一维的时间序列反向构造出原系统的相空间结构,它的基本思想就是系统任一分量的演化是由与之相互作用的其他分量所决定的,而这些相关分量的信息就隐含在任一分量的发展过程中.建筑业系统变化过程是-个非线性变化过程,具有非常复杂的非线性动力学特征,因此对建筑业增加值的时间序列进行空间重构分析可以对建筑业整个系统有更全面的认识.通过计算关联维和最大Lyapunov指数分析,证实建筑业增加值时间序列的混沌特性.对建筑业增加值时间序列应用递归图进行定性分析,并用RBF神经网络进行单步和多步的混沌预测.预测结果表明:建筑业产业增加值季度时间序列的单步预测值和实际值比较接近,而多步预测效果差,即有短期可预测性、长期内不可预测.     

交通流量的混沌特性分析及预测模型研究

基于混沌动力系统的相空间重构和非线性系统的Volterra级数,分析交通流量的混沌特性,研究了一种交通流量的自适应预测模型。在合理选取嵌入维数和延滞时间实现交通流量时间序列相空间重构的基础上,应用小数据量法计算重构交通流量时间序列的最大Lyapunov指数,根据该指数值对交通流量的混沌特性进行分析,并采用庞卡莱截面法对分析结果进行验证;构建交通流量的Volterra预测模型,并采用LMS自适应算法对模型系数进行调整。通过对实际采集的高速公路交通流量数据的仿真研究表明,小数据量法能对交通流混沌特性进行准确判别,构建的二阶Volterra自适应预测模型能够有效地预测交通流量的变化。因此,在判定交通流量存在混沌特性时,可以应用论文构建的二阶Volterra自适应预测模型对其进行准确的预测。     

冲击地压预测的PSO-SVM模型

冲击地压是一种复杂的非线性动力学现象,其发生机制非常复杂,而在监测数据的基础上对其进行分析预测,是冲击地压的一个重要研究方法,但是采用传统的数学力学方法很难表达冲击地压与其影响因素之间的复杂非线性关系,其中采用时间序列进行预测是一个重要的研究方向。针对这一问题,将冲击地压看作一时间序列过程,采用支持向量机建立冲击地压序列之间的非线性关系;同时,考虑到支持向量机参数对预测效果的影响,采用微粒群算法对支持向量机参数进行优化选择,从而提出冲击地压预测的PSO-SVM模型,提高支持向量机的推广预测能力,并对一具体算例进行研究分析。研究结果表明,该方法是科学可行的,并具有很好的精度。     

基于Lyapunov指数的交通量混沌预测方法

交通量预测分析已成为交通工程领域重点研究课题 ,智能运输系统的核心研究内容之一。在判定交通流量存在混沌的前提下 ,对交通量的实测数据进行相空间重构 ,而后在重构相空间上 ,利用基于Lyapunov指数的混沌预测方法预测交通量。苏州某交叉路口的交通量预测实例表明了该方法用于交通量预测的有效性和可行性     

基于混沌SVM与ARIMA的工程造价组合预测

为了解决工程造价预测的时效性问题,针对传统线性时间序列预测模型可靠性不高的缺点,引入混沌相空间重构和支持向量机技术,并将两者耦合组成一种非线性预测模型,再利用ARIMA在整体线性趋势预测方面的优越性,对非线性模型进行修正。混沌SVM和ARIMA预测构成组合模型的两个子过程,将两个子过程的预测结果综合平均即可得到最终预测结果。经实例计算,组合模型比最大Lyapunov指数、ARIMA和只将相空间重构与SVM进行耦合的方法拟合效果好,预测精度高,证明其的确具有线性趋势拟合和非线性波动拟合的双优势。     

建筑物沉降量的灰色非等间距预测研究

本文应用灰色等间距GM（1,1）模型对恩施州电力总调度中心大楼的沉降量进行预测,其发展系数a=-0．023〉-0．3可用于中长期预测。从预测值与观测值残差的大小来看,拟合结果比较理想,说明该预测是可行的;相对累计预测、观测沉降量除两次观测外,其余均小于标准0．04mm／d,说明沉降比较稳定。     

组合模型在建筑物沉降预测中的应用

对将BP神经网络与Verhulst模型组合,建立了一种组合模型,并结合天津老城厢晶典苑中级人民法院沉降监测工程实例,通过组合模型和BP神经网络模型、Verhulst模型预测值与真实值的比较,讲究表明组合模型具有较强的适用性,提高了Verhulst模型的预测精度。     

一种组合模型在地面沉降预测中的应用研究

根据BP神经网络模型和自适应滤波模型模拟预测值相对于真实值上下波动的特点,应用方差理论建立BP神经网络自适应滤波组合模型,将其应用到天津富裕广场三期工程基坑周边地面沉降分析预测中.通过与独立的BP神经网络和自适应滤波模型模拟预测数据对比,证明了组合模型模拟预测的高精确性.     

SVM在张弦桁架施工变形预测中的应用研究

在介绍支持向量机的理论基础及其在时间序列预测中应用方法的基础上,建立一种基于支持向量机的结构变形预测方法。通过在某会展中心张弦桁架实际变形数据中的应用并与AR模型预测方法进行对比,验证了基于支持向量机的结构变形预测方法的准确性和优越性,该方法有较高的预测精度,并且在预测区间较长情况下同样有效,具有较大的研究意义并可以在实际预测中应用。     

土水特征曲线在滑坡预测中的应用性探讨

 通过模型试验与数值分析方法的结果对比,研究土水特征曲线中的主要增湿路径与主要减湿路径对降雨型滑坡预测的影响。研究结果表明,采用不同状态路径的土水特征曲线来进行降雨条件下边坡的有限元渗流分析,会得到不同的基质吸力和孔压变化趋势,进而影响强度折减有限元法的计算结果;而对于相同的基质吸力条件下,采用主要增湿路径所预测的非饱和渗透系数会低于主要减湿路径的预测值,使得主要减湿路径预测滑坡破坏时间较主要增湿路径快。此外,若边坡产生滑动型破坏,则实际滑坡发生时间在主要减湿路径与主要增湿路径的预测值之间。研究成果说明,采用作为界限的主要增湿和主要减湿路径作为土水特征曲线的滞后模型,对降雨型滑坡灾害的防灾预警具有一定的实用价值,可利用主要增湿与减湿路径预测滑坡发生的时间差,规划与建立合适的滑坡雨量预警基准。     

基于土地利用形态的交通生成预测理论方法研究

从土地利用形态与城市交通的密切关系入手,研究交通生成预测关于土地利用形态的模型。以士地利用规模、性质和强度作为影响交通生成的主要因素,通过回归分析各类用地的单位面积出行吸引权重,引入“容积率”的概念,建立基于土地利用形态的交通生成预测模型。给出应用实例,验证了该方法的可行性和可靠性。     

公路交通量预测影响因素的敏感性分析

对国内外应用较广的公路交通量预测方法——＂四阶段＂法进行概述,总结交通量预测的影响因素。并结合某公路工程可行性研究报告,利用BP神经网络对影响因素及预测结果进行敏感性分析,找出影响交通量预测工作的最敏感因素。为今后的预测工作提供思路和帮助,从而提高预测结果的准确性。     

基于岩爆破坏形迹修正隧道区地应力及岩爆预测的研究

从苍岭隧道的构造应力场特征入手,结合现场开挖后岩爆实际发生状况,在前期研究资料的基础上,利用有限元计算分析,模拟现场实际施工步骤的同时不断改变模型边界上的构造应力来拟合实际岩爆区,以最接近实际破坏范围的计算结果界定区段构造应力值,据此对隧道各区段的构造应力进行修正。运用修正后的构造应力计算得出的理论值与现场实测值进行比较后认为,修正后的构造应力值基本符合正常规律。同时利用修正后的地应力场对后续未开挖段的岩爆状况进行重新预测,并通过与现场实际开挖后岩爆状况进行比较证实二者较为相近,从而证实文中分析在岩爆预测分析中的可行性、合理性。     

最终沉降预测计算在工程中的应用探讨

建筑物工程监测“影响建筑物”沉降有助于了解其沉降发展状况,对其自身安全进行监视。而对“被影响建筑物”沉降进行监测,有助于了解其受影响程度和有无病害等。文中主要探讨由观测得到的沉降数据进行最终沉降预测的计算,并由此判断建筑物的沉降是否满足设计要求,并由此为相同地基条件下的建筑物设计提供可靠数据资料。     

边坡位移预测的RBF神经网络方法

利用边坡实测位移序列来预测边坡未来时间的位移,可以有效地判断边坡的稳定性。由于神经网络可以通过对样本的反复学习来反映边坡复杂的非线性演化关系,其预测效果要优于传统的预测方法。RBF神经网络作为一种性能良好的前馈网络,具有更好的逼近能力和全局最优特性。以边坡位移时间序列为基础,采用RBF神经网络建立边坡位移预测模型,通过最近邻聚类学习算法实现边坡位移预测,具有结构简单、学习速度快、预测精度高的特点,网络的外推能力也较强。通过2个工程实例说明边坡位移预测的RBF神经网络方法的有效性。