大坝变形的多步预测模型研究

根据大坝变形时间序列分别建立多元线性回归、稳健回归和改进的BP神经网络预测模型,并进行了单步和多步预测研究。结果表明:3种模型对历史样本具有很好的拟和效果;在预测中,稳健回归、多元线性回归模型在单步预测中预测精度较高,而改进的BP神经网络模型在多步预测中预测精度较高,抗干扰性强,适合预见期较长的坝体变形预测。     

基于Elman-马尔科夫模型的深基坑变形预测

为提高深基坑变形预测精度,在基坑地表沉降预测中引入反馈型Elman神经网络模型,利用Elman神经网络算法实现基坑沉降位移时间序列的滚动预测。以西安地铁5号线某车站基坑工程为例,基于组合预测思想,结合神经网络和马尔科夫链两种预测方法,建立了马尔科夫链优化的神经网络基坑地表沉降预测模型,借助马尔科夫链模型对其随机扰动误差进行修正,并与前馈型BP神经网络滚动预测模型对比。研究结果表明：Elman神经网络预测模型在修正前、后的预测效果均优于BP神经网络模型。设计开发出的基于MATLAB的图形用户界面（GUI）预测系统实现了模型预测过程便捷化,使预测过程能够以图形结果动态展现,具有较强实用价值。     

土岩组合地区基坑变形的预测方法研究

对影响土岩组合地区基坑变形的主要因素进行了分析,并采用人工智能——BP神经网络的方法对土岩组合地区基坑的变形进行了预测研究。基于已有的研究资料,分析和总结了影响基坑变形的主要因素;建立了BP神经网络预测模型;借助MATLAB语言进行编程,利用训练稳定的网络模型,预测了基坑土岩组合地区基坑的最大侧移量。经与实测值比较,预测精度可满足工程的需要。该预测研究可对土岩组合地区基坑的设计与施工提供一定的参考。更多还原     

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。     

MEA-BP预测模型在水布垭面板堆石坝沉降变形预测中的应用

由于单一的BP神经网络预测模型存在一些缺陷,对于复杂的非线性问题,BP神经网络预测模型的拟合能力具有局限性,容易陷入局部极小值,网络权值和阈值的选择具有随机性。运用具有全局寻优能力的思维进化算法(MEA)对BP神经网络的初始权值和阈值进行优化,建立MEA-BP预测模型。将单一的BP神经网络预测模型、基于遗传算法(GA)优化的BP神经网络预测模型与MEA-BP预测模型应用到实际工程中进行对比,预测结果表明MEA-BP预测模型在水布垭面板堆石坝沉降变形预测中的预测精度最高,效果最好,具有一定的实际应用价值。     

深基坑支护结构位移的神经网络预测

针对深基坑系统的复杂性和变形非线性,将人工神经网络技术引入其中。在分析讨论了人工神经网络中应用最为广泛的BP网络基本原理的基础上,建立了基坑变形预测的神经网络模型,并应用Bayesian方法对实例加以论证。研究表明,神经网络是解决基坑变形预测的有效方法之一。     

最优加权组合预测模型在大坝变形监测中的应用

探讨最优的大坝变形预测模型,为大坝安全运行提供依据。建立基于多元线性回归、时间序列、BP神经网络3个单项模型的一般组合及最优加权组合预测模型。并采用相关性系数、均方根误差对各模型预测精度进行检验。通过对水布垭面板堆石坝坝体沉降进行预测,其结果表明BP神经网络模型和最优加权组合模型的预测精度都比较高,均适用于该工程的变形预测,尤其是ARMA-BP加权组合预测模型,计算便捷,预测精度较高,可供同类工程借鉴使用。     

多阶段递进式预测模型在基坑变形中的应用研究

为实现对基坑变形的高精度预测,提高预测结果的稳定性,采用支持向量机、BP神经网络及GM(1,1)作为基础预测模型,并建立了对应各模型参数优化的一阶递进预测模型。以一阶递进预测结果为基础,构建了多种定权与非定权的二阶组合预测模型;以马尔可夫链理论为基础,建立了三阶递进的误差修正模型,实现了对基坑变形的多阶段递进式预测。结果表明:通过各阶段的递进预测,预测精度及稳定性都有了很大的提高,验证了递进预测思路的有效性和可行性。通过对基坑变形的递进式预测研究,以期为基坑的变形提供一种新的思路。     

黄河流域需水量预测的GRNN模型研究

黄河流域工业、农业和生活需水量受多种因素影响,需水量与影响因素之间存在复杂的非线性关系.在分析现有预测模型和方法不足的基础上,介绍了广义回归神经网络的原理和结构,并将GRNN应用于黄河流域需水量的预测.预测结果与遗传BP预测模型接近,表明模型合理正确,可为黄河流域水资源规划管理和优化配置以及调控提供依据,而且相对遗传BP预测模型,广义回归神经网络模型具有网络稳健、训练速度快、易于实现等特点.     

基于DPSO-ANFIS的大坝变形预测模型

变形预测模型是大坝结构安全性态分析的关键技术支撑。针对现有大坝变形预测模型在精确度、泛化性等方面的不足,将自适应模糊神经网络引入到大坝变形预测模型中,利用动态权重粒子群算法对自适应模糊神经网络中模糊层的适应度值进行参数寻优,形成可以寻找最优适应度值的自适应模糊神经网络,进而建立基于DPSO-ANFIS的大坝变形预测模型。根据大坝原型监测数据,代入训练好的模型得到输出值,并将其与实际监测数据进行对比分析。工程实例应用表明,基于DPSO-ANFIS的大坝变形预测模型输出值与实测值偏差最大为0.0516 mm,均方根误差为0.0351 mm,平均绝对误差为0.0320 mm,各项指标精度均优于基于PSO-ANFIS、ANFIS和BP神经网络的大坝变形预测模型。针对不同位置测点、预测时间段,基于DPSO-ANFIS的大坝变形预测模型输出值接近实测值,预测趋势符合真实值走向,整体预测性能稳定。该模型具有较高的精确度、良好的泛化性与可靠的稳定性,工程实用综合性能较优。     

基于改进BP神经网络的大坝安全监测预报模型

合理有效的安全监控预报模型,是保障大坝的安全运行的重要手段.针对传统统计模型预测精度不高的问题,通过对BP神经网络的优化改进,建立基于逐步回归特征选择算法筛选输入变量、自适应学习率和附加动量因子网络学习的BP神经网络预测模型,并将该模型用于某混凝土拱坝的变形预测中.结果表明,改进的BP网络预测模型具有出色的非线性逼近能...     

高坝基岩多点变形监测的GRNN模型研究

为有效地进行大坝基岩多测点变形分析预测,在既有的大坝变形安全监测数学模型结构基础上,利用广义回归神经网络（GRNN）良好的非线性拟合能力建立变形预测模型,并针对高坝基岩多点位移计监测的实际情况,以多个测点的变形量为分析对象,在利用历史变形资料进行训练后实现多点变形预测。实例计算与比较结果表明,GRNN模型计算快、精度高,是进行多测点非线性变形监测预报的有效工具。     

NARX神经网络在大坝变形预测中的应用

针对大坝变形时间序列的非线性及形变值累计特性,引入NARX神经网络进行分析并实现变形预测.首先,NARX神经网络通过非线性自回归网络与外源输入相结合,较好地解决了传统BP神经网络存在的收敛速度慢和易陷入局部极值等问题;其次,建立基于NARX神经网络的大坝变形预测模型,对原始数据预处理后采用周期为输入序列、变形值为输出序...     

神经网络在高坝基岩多点位移计监测分析中的应用

针对高坝基岩多点位移计监测的实际情况，采用神经网络预报模型，对基岩变位中一孔多点监测、多孔联测和裂隙开合度等工程监测分析实际问题进行研究。通过对反向传播（BP）模型输入层因子的比较分析，并以实测资料加以训练，建立了多种基岩变形的预测模型，预测效果好，有利于多点位移计监测资料的综合分析及对高坝基岩状态的监控。     

基于灰色模型的基坑变形预测评价

基坑开挖施工必然会引起基坑以及支护结构的变形稳定问题,采用灰色系统预测理论建立了深基坑变形的非等时距GM(1,1)预测模型,利用某工程实例的实际监测数据对基坑各阶段的变形进行预测,通过对预测成果与实际值的对比分析,对应用灰色模型预测基坑变形给予了评价。     

基于GA-BP与多隐层BP网络模型的水质预测及比较分析

采用循环算法确定最佳BP神经网络结构,建立BP神经网络水质模型进行预测.鉴于BP神经网络学习收敛速度慢、易陷入局部极值等缺点,在相同网络结构及期望误差等条件下,运用GA优化BP神经网络初始权值和阈值,构建GA-BP以及多隐层BP神经网络水质预测模型,以云南省某水库总氮预测为例进行预测与比较分析.结果表明:①GA-BP网络水质模型预测精度高于基本BP网络,表明遗传算法能有效优化BP网络初始权值和阈值.②增加BP神经网络隐层数能进一步提高网络预测精度,但训练时间也随着延长.③GA-BP及多隐层BP可作为提高网络预测精度的有效方法,二者均可用于水质预测预报,可为水质预测预报提供新的途径和方法.相对而言,GA-BP模型收敛速度快、预测精度高,具有一定的计算优势.     

小波神经网络模型在河道流量水位预测中的应用

鉴于BP神经网络学习收敛速度慢、参数选择困难、易陷入局部极值等缺点,提出小波神经网络河道流量水位预测模型,以盘龙河天保站流量水位预测为例进行分析。采用循环算法确定最佳BP神经网络结构,并在相同网络结构及期望误差等条件下,运用GA优化BP神经网络初始权值和阈值,构建传统BP、GA-BP神经网络河道流量水位预测模型作为对比预测模型。结果表明:小波神经网络结合了神经网络与小波分解在函数逼近上的优点,其预测精度高于传统BP和GA-BP网络模型,表明小波神经网络用于河道流量水位预测是合理可行和有效的,可为水文预测预报提供新的途径和方法。且小波神经网络模型具有计算简便、逼近能力强、收敛速度快,能有效避免局部极值等特点,有着广阔的应用前景。     

基于BP神经网络工具箱的城市短期用水量预测

城市用水量预测受众多因素影响,具有非线性的特点。将气温、天气状况、节假日因素引入城市短期用水量预测,建立了面向MATLAB神经网络工具箱的BP神经网络预测模型。根据历史数据训练预测模型和进行仿真实验,并生成了预测数据与实际数据的拟合曲线。结果表明,BP神经网络模型在城市用水量预测中具有可靠性。     

基于BP神经网络的河道断面变形预测模型

采用“试错法”，以及通过建立网络训练学习过程与网络特征参数之间的反馈机制，对BP神经网络隐含层单元数和特征参数进行优化选择。在此基础上，以河段水沙条件、水流主流位置及河道边界条件为输入向量，河道断面高程或冲淤变形为输出向量，建立了基于BP神经网络的河道断面变形预测模型。经长江中游马家咀河段实测资料验证，模型能准确模拟和预测该河段各断面的冲淤变化过程。     

改进Elman神经网络在径流预测中的应用

针对传统静态前馈神经网络动态性能较差的缺点,提出一种基于遗传算法（GA）优化Elman神经网络连接权值的GA-Elman多元变量年径流预测模型.以新疆伊犁河雅马渡站径流预测为例进行实例分析,并构建传统Elman,传统BP和GA-BP多元变量年径流预测模型作为对比模型,预测结果与文献IEA-BP网络模型预测结果进行对比.结果表明:①GA-Elman模型的拟合及预测效果略优于文献IEA-BP模型,该模型用于多元变量年径流预测是合理可行的,具有较好的预测精度和泛化能力.②在相同网络结构及传递函数等条件下,GA-Elman模型的预测精度和泛化能力优于GA-BP模型,传统Elman模型优于传统BP模型,表明具有适应时变特性的Elman反馈动态递归网络预测性能优于BP网络;GA能有效优化Elman神经网络连接权值,使网络的预测精度和泛化能力有了较大提高.