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。     

基于集成组合预测模型的隧道大变形预测研究

为提高隧道大变形预测精度,先利用ARMA模型、三次指数平滑模型和GM(1,1)模型等单项预测模型进行预测,再利用多种线性和非线性组合方法实现了隧道大变形的初步组合预测,并在递进组合预测和混沌优化预测的基础上,构建了隧道大变形集成组合预测模型,实现了隧道大变形的综合预测。同时,提出利用M-K检验来判断隧道大变形的发展趋势,以验证预测结果的准确性。实例验证结果表明：各类初步组合预测模型均能不同程度地提高预测精度,而递进组合预测能很好地优化残差序列,达到提高预测精度的目的,即集成预测模型在隧道大变形中具较高的预测精度;同时,变形预测结果与趋势判断结果一致,均得出隧道大变形趋于不稳定方向发展的规律,相互佐证了各自分析结果的准确性,为隧道变形防治提供了参考依据。     

基于重标极差法和神经网络的隧道变形趋势判断

为准确、科学及全面地对隧道变形进行趋势判断和预测分析,将隧道的变形过程划分为中期阶段和长期阶段,利用R/S分析对其位移序列和速率序列进行趋势判断研究,再利用PSO-BP神经网络对各阶段的变形进行预测,将预测结果与R/S分析结果进行对比,验证两者的一致性。利用两个工程实例进行检验,得出各序列的Hurst指数均大于0.5,说明各序列均具有持续变形的长期性,且位移序列的趋势性均大于速率序列的趋势性;同时,变形预测结果也显示隧道后期变形将持续增加,验证了R/S分析的准确性。     

软土地区基坑侧位移变形预警及预测

为准确掌握软土地区基坑侧位移变形特性,构建了基坑侧位移的预警模型和预测模型,其中,预警模型先以多重分形去趋势波动分析方法构建预警判别指标,再利用Spearman秩次检验实现判别指标的变化趋势判断,进而完成预警等级划分;预测模型则以脊波神经网络为基础,通过粗集理论和试错法优化模型参数,构建出优化变形预测模型。实例研究表明:通过预警分析,得出所给实例的预警等级为2级,说明其基坑侧位移趋于不利方向发展,应加强监测频率,提高施工安全预警;同时,在变形预测方面,参数优化能有效提高脊波神经网络的预测精度和稳健性,所得预测结果的平均相对误差均<2%,具有较高预测精度,且其预测结果与预警结果一致,佐证了分析结果的准确性,可为基坑安全施工提供一定指导。     

基于多种优化支持向量机及V/S分析法的隧道变形预测及趋势判断

隧道变形具有明显的非线性特征,为实现其准确预测,基于卡尔曼滤波和多种优化的支持向量机模型对隧道变形进行预测,以探讨不同预测模型的适用性,并进一步进行组合预测;同时,利用V/S分析法计算变形序列的Hurst指数,以判断隧道的变形趋势,并与预测结果进行对比,综合判断隧道的变形规律。结果表明:最小二乘支持向量机的优化效果最好,且预测隧道后4个周期均为增长变形;同时,变形序列和速率序列V/S分析的Hurst指数分别为0.845和0.602,均>0.5,得出隧道后期变形呈持续增长趋势,与预测分析一致,验证了思路的有效性。     

基于BP神经网络的围岩质量分类研究

围岩质量是影响隧道安全的重要因素。以新疆东天山隧道工程为研究对象,采用隧道地震波法、TSP物探指标敏感性分析法和BP神经网络关联分析理论,对影响隧道围岩质量的因素进行分析,并对围岩质量进行预测。结果表明,在TSP物探众多指标中,波速V、纵横波速比V_p/V_s、泊松比μ和密度ρ是围岩质量的主控因素;BP神经网络预测围岩质量方法是可靠准确的,且预测结果可根据技术和数据的完善进一步改善;提高纵波速V_p、横波速V_s和泊松比μ的预测精度,可有效控制TSP物探指标整体预测结果。     

基于数量化理论Ⅲ的地铁深基坑变形影响因素分析

为实现地铁基坑变形影响因素的客观评价,以30个基坑实例为工程背景,采用数量化理论Ⅲ分析不同因素对基坑变形的影响程度。利用不同条件下的样品得分来判断各影响因素间的耦合强度;通过构建不同输入层条件的BP神经网络来评价数量化理论Ⅲ对基坑变形影响因素筛选的准确性。分析结果表明:基坑变形的主导因素包括渗透系数、基坑深度、支撑间距和嵌固深度,重要因素包括内摩擦角、黏聚力、基坑长度、基坑宽度和地下水位,一般因素包括天然重度及支护结构刚度;基坑变形影响因素间存在一定的耦合度,且多以中、低耦合强度为主;优化BP神经网络较传统BP神经网络具有更高的预测精度。验证了数量化理论Ⅲ对基坑变形影响因素筛选的准确性,证明了数量化理论Ⅲ在基坑变形影响因素分析中的适用性和有效性,为基坑变形控制提供一定的参考依据。     

基于BP神经网络的土石坝变形预测模型研究

大坝变形是同一时刻内外多种荷载综合作用的结果,挖掘位移监测数据潜在规律和发展趋势是大坝变形预测诊断的关键技术,但常规GNSS+棱镜、自动化监测系统等进行观测存在较大非线性误差。为实现非线性、非平稳序列大坝变形数据的平稳化拟合处理,基于大坝变形位移关联性函数,构建了大坝变形预测BP神经网络模型。BP预测模型主要根据水压、温度和时效因子的特点,经实测数据的自适应学习训练获得能真实反映坝体变形规律及趋势的竖向位移预测数据,可为大坝变形安全预测与分析提供详实准确的数据支撑和技术保障。     

贝叶斯神经网络在城市短期用水预测中的应用

严格水资源管理制度实施的背景下,短期用水量预测对城市供水系统调度的作用日益显著。在分析日用水量时序演化规律及随机性影响因素的基础上,以前7天每日用水量、日最高温度、当月用水量占全年比、日降水量、节假情况作为短期用水量预测指标,构建了BP神经网络城市短期用水量预测模型,并利用贝叶斯正则化对BP神经网络进行优化。将两种模型应用于广州市某自来水公司进行对比验证,结果表明,贝叶斯神经网络预测模型与BP神经网络预测模型的平均绝对百分比误差分别达0.87%与1.85%,经贝叶斯正则化的BP神经网络模型泛化能力更强,精度提高了约0.98%,更符合城市短期用水量预测的高精度要求。     

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     

基于TW-SVM预测模型的某堆石坝变形预测分析

为提高监测资料有缺失的大坝变形预测模型精度,采用支持向量机方法建立一种具有小样本、高维、非线性的预测模型,并结合对其重要组成部分核函数的分析应用,提出一种根据结构风险最小化的TW-SVM预测模型。以某堆石坝为例进行研究,利用坝坡垂直位移和水平位移的监测数据,分别采用TW-SVM方法和BP神经网络(NET)方法建立相应预测模型进行比较分析。结果表明:采用TW-SVM方法和NET方法预测的垂直位移最大绝对误差分别为0.58 mm和6.18 mm,最大相对误差分别为270.00%和1 286.22%;采用TW-SVM方法和NET方法预测的水平位移最大绝对误差分别为0.25 mm和14.91 mm,最大相对误差分别为31.25%和1 189.85%;TW-SVM预测模型比NET预测模型更适合于影响因素为时间、水位的小样本预测分析。研究结果为堆石坝变形预测与分析提供参考。     

基于ACO-BP神经网络的土石坝位移监测模型研究

建立安全监测网络模型来分析和预测大坝变形位移信息,对保障大坝安全稳定服役意义重大。针对大坝安全监测BP神经网络模型运算复杂、收敛速度慢、易陷于局部最优、不能准确反映和预测大坝运行状况的问题,引入蚁群算法(ACO)全局搜索功能搜寻BP神经网络参数最优解,并通过样本数据训练BP网络获得大坝变形位移预测值。工程实例应用表明:ACO-BP网络模型在参数优化方面较BP网络更易于收敛,误差较小、预测性能良好,可为大坝变形位移监测和安全预报提供一种新的非线性建模仿真分析方法。     

基于改进粒子群优化算法的BP神经网络在大坝变形分析中的应用

BP神经网络以其对非线性系统的强大映射能力而被广泛应用于模糊性、随机性强的大坝变形预测分析中。传统的BP神经网络由于初始权值和阈值的随机性,容易导致网络在训练过程中极易陷入局部最小值,同时存在网络收敛速度慢等缺点。针对传统算法的不足,采用改进的粒子群算法(IPSO)对BP网络的初始权值和阈值给予优化,建立大坝变形预测的IPSO-BP模型,并与PSO-BP网络模型进行对比。结果表明,改进的IPSO-BP模型具有收敛速度更快、预测精度更高的优点。该方法可供大坝安全监测和预警分析参考。     

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NMEA-BP大坝变形监测模型研究

在对思维进化算法(MEA)改进的基础上,开展了基于思维进化算法与BP神经网络的大坝变形监测模型的研究。通过引入小生境技术和思维进化算法,克服了BP神经网络易陷入局部最优值、训练时间长和收敛速度慢等缺点,极大地提高了其搜索效率和全局搜索能力。通过进一步利用改进的思维进化算法优化BP神经网络的权值和阈值,建立了NMEA-BP大坝变形监测模型,并用该模型对工程实例进行了拟合预测。结果表明,NMEA-BP模型有效提高了大坝变形预测的精度,能更高效准确的进行大坝变形监测。研究成果为大坝变形监测的理论和实践研究提供参考。     

基于GA-BP算法的岩质边坡稳定性和加固效应预测模型及其应用研究

针对岩质边坡稳定性预测及加固效应具有的非线性和非明确性等特征,为了准确的预测稳定安全系数和加固效应,采用在实际工程中较为常见的二折线滑动面边坡概化模型,以边坡潜在滑块高度、上下滑动面倾角、坡面倾角、滑块面积,以及上下滑动面的黏聚力和摩擦系数作为影响因素,进行基于强度折减法的数值计算获得安全系数,得到足够数量的样本。然后利用遗传算法GA优化BP神经网络的权值和阈值,建立边坡稳定性的安全系数GA-BP预测模型,将其预测结果与标准BP神经网络进行对比分析。在此基础上,建立混凝土置换加固和锚索加固的方案优化方法。最后,将该方法应用于白鹤滩水电站泄洪洞出口边坡典型剖面在天然和开挖状态下的安全系数预测,并分别对混凝土置换加固和锚索加固进行了方案优化。结果表明:GA-BP神经网络模型精度更高,收敛速度更快,比使用标准BP网络模型的效果更优。研究成果对边坡稳定性评价和加固方案优化具有参考意义。     

人工神经网络在引水隧洞变形监测中的应用

针对引水隧洞围岩变形受地质、施工等因素综合影响的特点，引入人工神经网络理论，建立了隧洞收敛测值终值预测的BP网络模型。该模型将隧洞围岩的5个物性参数容重、弹性模量、泊松比、粘结力、内摩擦角作为BP网络的输入向量，将最终收敛位移作为网络输出向量。应用Matlab进行BP网络设计和程序编制。实例分析表明，利用所建立的BP网络模型进行围岩收敛变形预测。结果合理可行。