基于小波分析的深基坑地表沉降预测研究

深基坑开挖必然引起地表沉降,地表沉降监测数据不可避免要受到施工及周边环境的干扰,使沉降数据真实性受到极大的影响。以武汉深基坑工程的大量监测数据为基础,提出一种小波分析法与径向基神经网络的混合建模方法,对深基坑地表变形进行沉降预测分析。首先运用小波分析对实测数据进行去噪处理,提取反映实际变化的沉降数据作为径向基神经网络输入的特征向量,构建小波网络W-RBF预测模型,采用滚动预测方法对地表沉降进行预测。工程应用结果表明,W-RBF模型预测性能,要优于带有噪声构造的原始数据预测结果,具有较高的预测精度,可满足深基坑工程的信息化施工要求。     

灰色BP神经网络组合模型在地铁沉降监测中的应用

地铁路基沉降监测是变形监测中的一项重要内容,关系到交通运营的安全问题。为准确对地铁沉降进行预测,在灰色GM(1,1)模型及BP神经网络模型的理论知识的基础上,利用某地地铁沉降监测数据,采用灰色BP神经网络组合模型对地铁监测数据进行预测。通过监测数据和预测数据的对比分析,得出组合模型对地铁沉降数据预测较为准确、精度较高的结论。     

明挖隧道基坑周边建筑物沉降预测研究

基于济南市济泺路穿黄隧道工程,研究了BP神经网络和灰色GM(1,1)模型分别对隧道开挖影响周边建筑物沉降的预测。BP神经网络模型和灰色系统模型预测深基坑周围建筑物沉降,均能够取得较好的预测结果;对建筑物的沉降量进行中长期预测时,BP神经网络模型更适合进行预测;灰色GM(1,1)模型的特点需使用的实测数据少,该模型适用于短期预测,在监测数据较少时能够发挥较好作用。     

用小波神经网络预测深基坑周围地表的沉降量

将小波神经网络应用于深基坑周围地表沉降的预测,提出了一种有效的预测方法,并构造了预测沉降的小波神经网络模型。预测结果表明,该方法收敛速度快、预测精度高,为预测深基坑周围地表沉降量的一种实用方法。     

基于GWO-ELM模型的深基坑开挖变形预测研究

为有效控制和预测深基坑开挖引起的周围地表沉降变形,以保定市汽车科技产业园深基坑工程为依托,使用MIDAS GTS NX软件对实际基坑工程施工过程进行模拟,并将实际值与模拟值进行对比,验证模型的准确性。并且使用灰狼优化算法(GWO)优化了极限学习机(ELM)神经网络中的输入权重和隐藏层阈值,建立了GWO-ELM深基坑开挖变形预测模型。以有限元模型中土钉数量、开挖深度、周围建筑物沉降等因素作为预测模型的输入因子,以有限元模型中监测点DB-2地表沉降作为预测模型的输出因子。将GWO-ELM模型预测值与ELM模型预测值对比分析。结果表明：通过有限元软件提取地表沉降等数据,可以对深基坑地表沉降实现超前预测;使用灰狼优化算法对极限学习机神经网络中输入权重和阈值优化,可以提高预测模型精度;经过实际工程验证,GWO-ELM模型平均绝对误差为0.261 45,均方误差为0.312 58,R²为0.987 25,均优于ELM模型。     

基于MATLAB的深基坑沉降监测预报模型优选

沉降监测预报需要准确、及时和有效。针对沉降监测预报模型种类较多,导致数据处理和预报模型选用的随意性较大,提出了沉降监测预报模型的优选。以宁夏3个深基坑工程实际监测数据为案例,分别采用MATLAB中5种曲线拟合模型和3种人工神经网络模型进行预报,通过对比优选出适合的沉降监测预报模型。结果表明:GR(general regression)神经网络模型预报效果最好,BP(back propagation)神经网络模型和RBF(radial basis function)神经网络模型预报效果较好;BP神经网络模型的沉降预报精度比RBF神经网络模型稍高;三次样条插值模型可以进行沉降预报,但预报效果不及神经网络模型;采用不同模型进行联合预报,可以增强预报的可靠性;在工程实践中,发挥人工神经网络3种模型的预报优势,进行周期性预报和实时安全评价,具有一定实际意义。     

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。     

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     

地铁深基坑沉降监测数据特点分析与预测

为明确地铁深基坑开挖引起的地表沉降变形规律,结合施工过程,依据D 市Z 地铁站第29-48 期深基坑沉降监测数据,分析出深基坑地面沉降变形的普遍特点。同时,利用灰色GM（1,1）模型,对两个典型沉降点的监测数据依据不同的施工阶段进行预测。结果表明,灰色GM（1,1）模型在深基坑的沉降预测中比较可靠,且分阶段预测精度更高。可见,深基坑的沉降变形特点与开挖施工过程密切相关,在预测时结合施工进度,能提高预测精度。该研究为日后地铁深基坑沉降监测数据分析与预测提供参考。     

房屋建筑深基坑开挖过程中监测数据分析与应用

在房屋建筑深基坑开挖过程中,科学、实时、准确地分析与应用基坑监测数据对工程实践有着重要的意义。结合某深基坑开挖项目,对深基坑监测数据利用回归拟合和灰色系统模型进行基坑沉降和水平位移分析与预测,并将预测结果与实际数据进行对比,论证不同预测方法在深基坑开挖过程中的可靠性和适用性,进而指导深基坑开挖施工。     

混沌局域法与神经网络组合供水量预测

城市供水量是非线性、非平稳时间序列,组合预测模型能获得更高精度预测结果。通过深入分析混沌局域法与神经网络预测模型特点,提出了一种新的组合预测模型。首先,应用混沌局域法对城市日供水量进行初预测,然后,应用神经网络对预测结果进行修正。由于所提出的组合模型利用了混沌局域法及神经网络进行优势互补,能同时提高预测精度与计算效率。为验证所提出组合预测模型的可行性,采用某市7a实测供水量数据,对混沌局域法、BPNN、RBF及GRNN神经网络4种单一预测模型及相应的3种组合模型预测精度进行定量分析,结果表明,组合预测模型精度都高于对应单一预测模型,混沌局域法与GRNN神经网络组合模型预测精度最高,且运算时间远低于单一神经网络模型运算时间。     

边坡土冲刷量计算模型分析研究

总结了当前国内几种常用的边坡土冲刷量计算模型,重点介绍了能量法和神经网络模型的计算过程,分析、阐述了各自的利弊,并结合神经网络基本理论,利用MATLAB神经网络工具箱建立一新型的神经网络模型,以期用于不同地域的常规预测。     

基于地质统计模型的小波神经网络在地下洞室超挖预测中的应用

基于地质统计模型的小波神经网络，对地下洞室块体超挖情况进行了预测。首先，简述了超挖预测的几个基本理论：地质统计模型理论、小波神经网络理论以及洞室超挖理论。其次，根据这几个基本理论介绍了预测的整个程序设计过程，并编制了相应的计算程序，其中，地质统计模型采用概率论与数理统计的基本理论，小波神经网络采用小波基作为神经网络的激励函数前馈型网络，洞室超挖预测根据实测的洞室地质参数来预测超挖块体大小。最后，从野外地质调查着手，结合某一抽水蓄能电站的实测地质资料，应用提到的基本理论对几个洞室的超挖块体大小进行预测，为地下洞室防止超挖或减少超挖提供依据。     

基于GIS的河流水体污染非线性预测系统研究

针对河流水体污染物的空间分布特点,提出综合运用GIS、BP神经网络和遗传算法,实现河流水污染的空间数据管理和污染预测的方法。该方法通过改进激励函数、为权值的修正加入动量项等方法改良BP算法;并引入遗传算法实现BP神经网络隐层节点数、最佳学习率和动量因子等参数的自动搜索,有效地解决了传统模型参数难以确定等问题。并进一步将该模型与GIS强大的空间功能结合,实现了水体污染的海量空间数据管理及评价预测结果的空间图形直观可视化表达,十分便于及时掌握河流水体污染动态、空间分布及演化趋势。并最终以GIS为二次开发平台,实现了基于遗传神经网络的河流水体污染非线性预测管理系统,并在长江重庆城区段河流污染预测应用中显示出良好的效果,预测精度达78％以上。     

Failure Criterion of Concrete under Triaxial Stresses Using Neural Networks

A neural network approach to model the strength of concrete under triaxial stresses is presented in this paper. A radial basis function neural network (RBFNN) and a backpropagation neural network (BPNN) are used for training and testing the experimental data in order to acquire the failure criterion of concrete strength. Unlike the traditional regression analyses where the explicit forms of the equation must be defined first, the neural network approach provides a general form of strength envelope. The study shows that the RBFNN model provides better prediction than the BPNN model. Parametric studies on both models are carried out to find the best neural network structure. Finally, a comparison study between the neural network model and two regression models is made.     

基于自适应集成神经网络的火灾预测方法

针对传统火灾预测方法存在误报和漏报的问题,提出了一种基于自适应集成神经网络的火灾预测方法。首先,在信息层采用速率检测算法将不同类型传感器检测到的奇异数据输入到网络模型中。其次,在特征层采用长短期记忆网络（LSTM）和径向基前馈神经网络（RBF-BPNN）构建集成网络学习不同输入参数下的火灾特征,最后,在决策层设计模糊逻辑控制系统推理输出火灾报警等级。实验结果表明,该方法具有更高的预测精度。     

CAST工艺的BP和RBF人工神经网络仿真模型

将误差反向传播前馈(BP)神经网络模型和径向基函数(RBF)神经网络模型应用到CAST工艺中,并采用多输入、双输出神经网络模拟处理过程中各变量之间的关系和预测出水水质.误差分析结果表明,训练阶段RBF神经网络模型的拟合精度比BP神经网络模型的高,但两者的预测精度相差不大;测试阶段BP神经网络模型和RBF神经网络模型预测出水COD的平均相对误差分别为6.35%、6.80%,预测出水TN的平均相对误差分别为7.19%、5.49%,均在8%以下,这说明两种神经网络模型均可用于模拟CAST污水处理工艺各变量之间的关系和预测出水水质,为污水厂的运行管理提供了理论依据.     

小波神经网络在水库流量预测中的应用

针对河南省某水库监测点实测的1991~2013年每月的平均流量样本进行归一化处理作为训练样本,构建了使用Morlet、Mexican hat以及高斯一阶导数小波基函数小波神经网络的预测模型实现对2014年的月平均流量的预测,并通过均方误差(MSE)和平均绝对误差(MAE)两项指标对每种网络的预测结果进行评价,从而选择较好的小波基函数作为小波神经网络的隐含层传递函数。研究表明,采用Morlet小波作为神经网络的隐含层基函数对该水库的月平均流量的预测效果要好于其他两种神经网络。     

基于CPTu数据的黏性土不排水抗剪强度#br# 神经网络预测

利用人工神经网络模型,建立基于孔压静力触探（CPTu）现场测试数据的黏性土不排水抗剪强度的预测方法。为建立和验证人工神经网络模型,在3个场地开展CPTu和十字板剪切现场测试,共取得33个测孔的CPTu试验数据和相对应的不排水抗剪强度实测值。通过对比分析不同输入向量、不同网络隐层数、不同神经元数及不同改进算法对人工神经网络模型性能的影响,确定人工神经网络模型的具体形式。通过对训练组数据开展机器学习,所建立的人工神经网络模型能够有效地基于CPTu获得的端阻力和孔隙水压力现场测试数据对黏土不排水抗剪强度进行预测,预测结果与十字板剪切试验实测结果非常接近。与传统用于估算不排水强度的经验关系相比,采用人工神经网络模型预测结果与实测结果相关性显著提高、误差明显降低。     

洞室围岩位移长期预报混沌-神经网络模型

为实现开挖结束后大型地下洞室围岩位移的长期预报,及时评价围岩长期稳定,结合位移混沌力学参数优化BP神经网络结构,建立混沌-动态时间延滞神经网络长期预报模型。将嵌入维数m作为神经网络的输入层个数,增加神经网络预报反馈模式,动态生成预报训练样本,选取较大的时间延迟τ,预测步数为h,使相点间的时间延迟为hτ,通过有限预测步数,实现位移长期预报。实例表明,模型计算速度快,计算稳定性好。当预测步数h≤5,预测次数不大于10次时,预报精度在10%以内,预报结果实时有效,实现了大型地下洞室位移的长期预报,为大型地下洞室围岩稳定性评价提供了快速有效的新思路。