基于极限学习机的大坝多测点模型分析

与单测点模型相比,大坝多测点模型能估计各测点间的空间联系,通过一个模型反映大坝整体变形态势。针对传统线性多测点回归模型中因子众多,回归方程中自变量多重共线性的问题,提出利用极限学习机(Extreme Learning Machine,ELM)建立非线性大坝多测点位移模型。实例表明,基于ELM的大坝多测点变形预报模型可在保证建模精度的基础上有效提高建模运算效率。     

基于极限学习机算法的供水管网爆管识别研究

供水管网爆管具有定位难、影响范围广的特点,长期困扰着供水企业。针对供水管网爆管区域识别问题,综合考虑多种影响因素下的爆管工况,利用爆管特征值矩阵构建爆管样本数据集,采用极限学习机算法（ELM）建立爆管区域识别模型;应用K-means聚类算法分析节点水力变化特征的相似性,并在此基础上对管网进行监测区域划分与监测点布设,形成多种监测方案;综合爆管识别率等参数,分析ELM在不同监测方案以及在噪声影响下的识别性能。采用实际管网算例进行了爆管区域识别分析,结果表明：该模型可以进行有效的爆管区域识别,同时结合不同分区方案可以提高爆管识别率;监测点的增加可以减小压力监测数据的噪声影响。     

基于演化算法的桩基极限承载力预测模型研究

单桩的竖向极限承载力受众多因素的影响,各影响因素与单桩承载力之间存在着高度的复杂性和非线性,借助神经网络的一个非线性处理能力,结合演化算法,建立基于粒子群算法和BP神经网络的单桩竖向极限承载力的预测模型。实验结果表明,经过演化算法优化的BP神经网络,在预测精度和收敛速度上都取得了良好效果。     

基于极限学习机的新型挡土墙安全性预测研究

挡土墙安全性能是水利工程设计和运行环节都需关注的重点问题,常规挡土墙设计存在过于保守的缺陷.墙体形态、工程材料、地基承载能力、墙后填土力学参数等对挡土墙整体安全性能影响错综复杂.文中以仰斜式新型挡土墙为例,基于前人计算的挡土墙相关安全系数结果,采用优化极限学习机,预测了相关安全系数.结果表明,优化后的极限学习机能够较好...     

基于极限学习机的电力短期负荷预测

本文首先对人工神经网络中的单隐含前馈神经网络和极限学习机(ELM)的基本原理和理论进行了概述,然后将极限学习机算法与粒子群算法结合,利用粒子群优化算法(PSO)对极限学习机的参数进行优化,将PSO和ELM的优点结合在一起,使其具备参数调整简单、可以在全局范围寻优、泛化能力强等特点,最后使用基于粒子群算法优化极限学习机的预测模型,在具体数据中进行算例分析,确定预测模型的可行性。     

基于极限学习机的燃气日负荷预测

介绍极限学习机(ELM)的原理,提出极限学习机模型的城市燃气短期负荷预测方法。以重庆市某区域燃气日负荷、气温、日期类型及天气状况等数据为训练样本,采用归一化等预处理方法处理输入数据,通过确定最优隐含层节点数等建立最优极限学习机模型。将实际值和通过采用极限学习机与支持向量机(SVM)方法得到的燃气日负荷预测值进行对比,将采用极限学习机与支持向量机方法的训练时间和预测时间进行对比,极限学习机预测方法具有较好的预测精度,且训练时间短。     

基于加权极限学习机的SAR目标识别

提出了一种基础加权极限学习机的SAR目标识别算法。首先采用Gabor滤波器对图像进行特征放大处理,然后把处理后的特征采用主成分分析算法进行压缩,最后采用极限学习机算法进行分类识别,同时针对样本的噪声和离群点问题,提出了加权极限学习机的算法,实验结果表明本文的算法识别精度高,计算速度快,优势明显。     

基于极限学习机方法的边坡稳定性分析

为了实现对边坡安全系数的预测,选取了60组边坡稳定性影响因素和对应安全系数作为数据样本,利用极限学习机(ELM)建立了边坡的稳定性分析模型,指出实验结果与传统的BP神经网络和极限平衡法方法的计算结果非常接近,表明极限学习机可以用来进行边坡稳定性预测和判断。     

不完备数据的反馈式极限学习机填充算法

随着互联网、大数据等信息技术的发展,数据收集中部分属性缺失的问题受到了广大学者的关注。针对传统极限学习机无法根据输出值对网络结构优化的问题,本文提出基于极限学习机预测缺失属性的反馈式极限学习机(FELM)算法,将卡尔曼滤波思想改进极限学习机并用互信息策略作为属性间的衡量标准,网络模型的训练样本集为完整数据。     

基于SSA-LMD-GM的大坝变形组合预测模型

为提高大坝变形预测精度，针对大坝原始监测信号中的噪声，以及其非平稳性、非线性等特点，引入奇异谱分析(SSA)和局部均值分解(LMD)方法，提出SSA-LMD-GM模型。采用奇异谱分析(SSA)对原始监测信号进行去噪处理，为充分提取大坝形变信息特征，利用局部均值分解(LMD)对去噪后的监测信号进行分解。针对乘积函数(PF)分量的特征采用合适的模型预测分析，剩下余项则采用GM(1,1)模型。利用实际工程案例进行检验，结果表明，相较于其他模型，SSA-LMD-GM模型预测精度和拟合精度更加优秀，能较好地预测大坝变形趋势，具有一定的应用价值。     

基于牛顿插值的建筑物沉降灰色预测模型研究

本文利用牛顿插值法将非等时距建筑物沉降监测数据插值生成等时距拟合数据,结合灰色理论建立了非等时距的沉降预测模型,并用C#语言对该模型进行了编程实现,最后以实际的某建筑物沉降监测数据为例,对该模型进行了检验,表明该模型具有很高的精度和灵活性,能够直接应用于工程实践,具有很高的实用价值。     

基于组合预测模型的地铁车站地表沉降研究

为有效获取地铁车站地表沉降动态演化规律,实现地铁车站地表沉降变形特征的高精度预测。研究基于指数模型、Logistic模型和Gompertz模型的预测结果,利用熵权法获得各单一预测模型的客观权重值,进一步构建得到了组合预测模型。在此基础上,结合安徽合肥地铁车站7号线实际监测数据,利用各预测模型对地铁车站地表沉降变形特征进行预测分析。研究结果表明：指数模型在沉降初期具有较好的预测精度,但并不能有效实现沉降特征的中长期高精度预测,Logistic模型和Gompertz模型在沉降初期具有较低的预测精度,但在沉降中后期预测精度有所提升;通过对比分析各单一预测模型和组合预测模型的预测结果可知,组合预测模型可有效结合各单一预测模型的优势,组合预测模型预测精度更高,最终预测结果与实际情况更为接近,可为实现地铁车站地表沉降特征的高精度预测提供一种有效技术手段。     

地基沉降预测模型研究综述

地基沉降包括初始沉降、固结沉降和次固结沉降。对于软黏土地区,地基固结沉降和次固结沉降占很大比例。目前,计算沉降量与时间关系的方法主要有两大类。第一类为依据固结理论并结合各种土本构模型计算沉降量的有限元法;第二类为根据实测资料推算沉降量与时间关系的预测方法。综述已有的各种地基沉降预测模型,将其分为六大类,同时分析其各自的优缺点,并提出将地基沉降预测模型应用于高层建筑地基基础设计的概念,这对于研究上部结构-基础-地基共同作用的时间效应具有重要意义。     

双层地基沉降预测模型研究

准确预测地基沉降对于工程设计至关重要.根据上硬下软双层地基的实测沉降～荷载半对数曲线多呈两段直线形式的特点,以经典太沙基一维固结理论为基础,将土的室内压缩曲线用两段直线代替,推导建立了基于前期实测数据的沉降预测模型方程,并利用Crank-Nicholson差分法进行了求解.与两个工程实测数据的对比分析表明,该模型与实测数据吻合较好,能够很好地预测双层地基的沉降变形特性.该方法可为今后其他类似工程的沉降预测提供参考.     

基于神经网络的深基坑沉降预测模型比较

神经网络预测为深基坑预测提供了一种有效的路径。运用哪种模型较优,输入层、输出层、隐含层参数如何选取,对预测的结果都有一定的影响,本文结合实际轨道交通工程案例,以深基坑沉降监测数据为例,对常见的几种神经网络预测模型进行了对比分析,对几种模型的残差、均方根误差(RMSE)和绝对平均误差(MAE),收敛次数这几个方面进行对比,结果表明遗传算法神经网络对深基坑沉降监测数据预测较为有效,同时对模型参数的选取提出了建议。     

基于修正优化综合预测模型的软土地基沉降研究

在软土地基沉降预测中,针对单项预测方法选择与实际工程情况难适应问题,提出了修正优化综合预测模型,从不同角度独立挖掘软土地基沉降监测数据,分析软土地基沉降变化规律,实现了软土地基沉降的综合预测。首先综合考虑双曲线法与GM(1,1)模型建模机理,基于算数加权平均组合思想建立初步综合预测模型;然后构建实时修正权值系数,计算实时修正量对初步综合预测模型进行修正,建立修正优化综合预测模型;最后可利用修正优化综合预测模型进行软土地基沉降预测。妈祖城工程实例结果表明:修正优化综合预测模型在软土地基沉降预测中,较双曲线法与GM(1,1)有较好的预测精度与普遍适用性,可以有效降低单项方法组合后的预测误差。     

新息自适应混合卡尔曼滤波算法构建地表沉降预测模型

为解决矿区地表沉降变形预测的问题,提高预测模型的精度,提出了基于自回归综合移动平均模型(Autoregressive Integrated Moving Average model,ARIMA)的新息自适应卡尔曼滤波(Innovation Adaptive Kalman Filter,IAKF)与组合神经网络相结合的混合预测模型。首先,针对沉降变形监测序列的非平稳性与复杂性等特点,ARIMA模型能够将原始数列平稳化,以此构建地表下沉的预测模型,并作为新息自适应卡尔曼滤波的状态方程。然后,将集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、粒子群优化算法(Particle Swarm Optimization,PSO)和BP神经网络结合,构建EEMD-PSO-BP神经网络的组合网络模型,将组合神经网络的沉降预测结果作为观测值引入到卡尔曼滤波观测方程中,以建立混合预测模型。最后针对噪声方差Q与R选取的问题,利用新息自适应卡尔曼滤波估计出噪声方差的协方差阵。混合预测模型能有效减小单一预测机制造成的同一性质误差的累积,将基于ARIMA的新息自适应卡尔曼滤波、EEMD-PSO-BP神经网络模型与混合滤波模型的精度进行对比,新息自适应混合卡尔曼滤波预测模型的均方根误差降低至0. 3194mm,相对百分误差降到1. 42%。实验结果表明,混合滤波模型的各项预测结果要优于传统预测模型,精度相比较传统的预测模型有较大的改善。     

黄土高路堤沉降变形预测模型研究

以兰州—海石湾高速公路高69 m黄土路堤沉降资料为研究样本,采用经修正了非匀速填土和非等步长沉降观测时间的GM(1,1)灰色理论预测模型进行黄土高路堤工后最终沉降量预测,与等比级数曲线模型预测结果对比,认为这两种预测模型都能很好地预测黄土高路堤工后最终沉降量,且灰色预测模型能较等比级数曲线预测模型更好地反映黄土高路堤不均匀沉降趋势。同时认为,考虑了沉降观测时间非等步长性和路堤填土速度不均匀性的灰色预测模型其预测结果更符合黄土高路堤沉降变形趋势,可进行进一步的研究、推广和应用。     

山区高填路堤沉降预测模型的研究

对山区高填路堤沉降预测方法进行了研究,得出影响沉降的一些因素.通过三种计算模型对实测数据计算的对比,得出双曲线和指数曲线法更适合施工中期预测,灰色预测理论方法更适合于工后的长期预测.     

单桩极限承载能力的预测模型研究

采用BP神经网络的方法,建立了基于多影响因素的单桩承载能力的预测模型。该模型采用了三层网络结构模式,输入层采用桩长、桩径、入土深度、侧摩阻值加权平均值、桩端土承载力等参数,输出层为混凝土单桩承载能力,模型的转移函数均采用单极性Sigmoid函数,对输人数据进行了归一化处理,设计并完成了混凝士单桩承载能力的载荷试验,利用试验数据对网络模型进行训练和测试,为该模型可以为试验及生产提供依据,为节约能源及保护环境提供一种有效预测方法