偏压双连拱公路隧道围岩稳定性动态预测分析

由于高速公路偏压双连拱隧道的复杂地质条件,会给隧道安全施工带来严重威胁,提出在加强隧道开挖现场监控量测的基础上,以位移量测结果作为学习样本,应用BP神经网络预测隧道围岩位移的大小,分析围岩的稳定性。由于BP神经网络能综合考虑隧道围岩节理、裂隙等对围岩位移的影响,所以与有限元反分析法计算隧道围岩位移结果比较,显示BP神经网络预测结果的误差较小,预测值与实际测量值趋于一致,因此应用BP网络预测偏压双连拱隧道围岩位移,超前分析其稳定性是安全可靠的,该预测方法的预测结果可以指导现场的施工。     

隧道各向异性软岩力学参数反演及蠕变研究

在高地应力条件下具有层理构造的横观各向同性软岩中开挖隧道后,软弱围岩会发生显著的流变变形,直接影响隧道围岩的稳定性及支护结构的长期服役性能。采用数值模型模拟木寨岭隧道大战沟斜井试验洞的开挖蠕变过程,建立并验证了隧道宏观变形特征值与围岩力学计算参数之间的BP神经网络。在此基础上根据6+90试验洞现场变形监测数据,反演得到了该处炭质板岩的塑性及蠕变力学参数。应用另两处监测断面的现场监测曲线验证了基于BP神经网络的反演方法及所得炭质板岩力学参数的可靠性。另外分析了横观各向同性炭质板岩的开挖蠕变力学变形性质,对高地应力条件下横观各向同性软弱围岩中隧洞开挖及支护结构的设计、施工具有重要的指导意义。     

基于改进BP神经网络的基坑支护结构数据处理

针对现有的基坑监测和预测数据处理方法的不足,对BP神经网络预测模型作了研究和改进,应用改进后的BP算法对基坑支护结构水平位移数据进行处理,并将改进的BP算法与传统算法所建立的模型应用于工程实例进行比较,结果表明,改进后的BP神经网络模型在预测精度、训练时间、稳定性等方面均优于传统BP神经网络模型。     

基于神经网络的放煤巷道支护方案优选

根据急倾斜煤层巷道放顶煤采煤法的特点，分析了影响放煤巷道稳定性的因素，建立了基于改进型BP神经网络的放煤巷道支护方案优选和稳定性预测模型，为放煤巷道的支护设计和急倾斜煤层放顶煤开采的高产高效提供科学依据和可靠保障，应用结果表明：采用改进型BP神经网络建立的模型，收敛速度快，预测精度高，有较大的实用价值。     

基于BP神经网络的隧道稳定性分析研究

通过现场试验获得围岩与初期支护接触压力、拱顶沉降监测值,利用BP神经网络对实测数据进行回归、预测,用于分析隧道变形与受力机理,评价隧道在施工过程中的稳定性。研究表明:隧道开挖后,隧道受力与变形受时空效应作用,分别经历加速增长、减速增长、逐渐收敛阶段。可通过受力F与变形S的变化规律评判隧道稳定性,当S增大,Δs增大,F增大,ΔF增大,处于变加速增长阶段,隧道稳定性差;当S增大,Δs减小或增大,F增大或减小,ΔF减小,处于变减速增长阶段,隧道稳定性较差;当S增大或减小,Δs减小,F增大或减小,ΔF减小,处于变减速状态,隧道稳定性较好;当S减小或不变,Δs减小,F减小或不变,ΔF减小,处于收敛阶段,隧道稳定性良好。     

地下工程围岩稳定性的MBP神经网络识别

围岩稳定性分类是地下工程支护设计的基础参数,利用改进的MBP神经网络进行围岩稳定性的识别,有利于真实地刻画所求问题与其影响因素之间的非线性关系。本文研究BP神经网络的工作原理和改进技术,建立了围岩稳定性的神经网络识别模型,对学习的样本预测结果与实际结果拟合很好,并在尖林山矿得到了应用。     

基于BP神经网络和R/S分析的隧道仰坡沉降变形预报预测

隧道洞口处多为软弱岩或浮土,稳定性差,地表位移监测成为判断洞口稳定性的重要手段,因此仰坡沉降变形预测显得格外重要。鉴于仰坡沉降变形具有很强的非线性特征,选取BP神经网络对仰坡的沉降变形进行预测,并验证其可行性,进而利用BP神经网络扩大沉降变形监测的样本。在此基础上,再利用R/S分析对新的监测样本进行重标极差分析,分别得到隧道仰坡沉降-时间序列和变形速率-时间序列的Hurst指数,并结合两项指数确定了隧道仰坡沉降变形的趋势,为判断仰坡的稳定性及治理提供了有力依据。     

长隧道围岩稳定性的模型预测

长隧道围岩级别交替变化,围岩稳定性较差。监控量测是隧道安全施工的重要保证,通过对隧道现场实测数据进行建模评价和稳定性预测,来判断隧道围岩的稳定性,从而指导隧道的下一步施工。本文首先对测量数据进行粗差探测,然后利用灰色系统理论中的GM(1,1)预测模型和BP神经网络原理对测量数据进行建模分析,来预测围岩变形量。     

煤巷锚杆支护形式选择设计浅析

正确选择锚杆支护形式对煤矿安全生产具有重要意义,对MATLAB的神经网络工具箱(NNT)进行了学习和研究,建立了巷道围岩因素与支护形式之间的高度非线性BP神经网络模型,并运用到某煤矿巷道锚杆支护形式选择中,验证了运用MATLAB的BP神经网络方法进行煤巷锚杆支护形式选择的可行性和可靠性.     

BP神经网络在隧道围岩稳定性分类中的应用

将BP神经网络应用于隧洞围岩分类,BP神经网络通过学习记忆建立输入和输出变量之间的非线性关系。利用淮南洞山隧道围岩分类样本进行模拟检验,BP神经网络模型性能良好,对隧道围岩分类的精度较高,是一种值得推广和应用的围岩智能分类方法。     

MIV-PSO-BP神经网络用户热负荷预测

提出利用MIV-PSO-BP神经网络预测用户热负荷。MIV-PSO-BP神经网络基于BP神经网络,利用PSO算法优化神经网络初始参数,采取MIV算法筛选与输出变量相关程度最大的输入变量。以绝对误差、均方根误差作为指标,评价MIV-PSO-BP神经网络的预测效果。结合箱线图,比较BP神经网络、MIV-PSO-BP神经网络的预测相对误差分散程度与异常点数量。与BP神经网络相比,MIV-PSO-BP神经网络的预测效果更理想。由BP神经网络、MIV-PSO-BP神经网络的预测结果相对误差箱线图可知,MIV-PSO-BP神经网络预测结果相对误差集中,异常点少;BP神经网络预测结果相对误差分散,异常点多。MIV-PSO-BP神经网络预测准确性、稳定性更高。     

MIV-PSO-BP神经网络用户热负荷预测

提出利用MIV-PSO-BP神经网络预测用户热负荷。MIV-PSO-BP神经网络基于BP神经网络,利用PSO算法优化神经网络初始参数,采取MIV算法筛选与输出变量相关程度最大的输入变量。以绝对误差、均方根误差作为指标,评价MIV-PSO-BP神经网络的预测效果。结合箱线图,比较BP神经网络、MIV-PSO-BP神经网络的预测相对误差分散程度与异常点数量。与BP神经网络相比,MIV-PSO-BP神经网络的预测效果更理想。由BP神经网络、MIV-PSO-BP神经网络的预测结果相对误差箱线图可知,MIV-PSO-BP神经网络预测结果相对误差集中,异常点少;BP神经网络预测结果相对误差分散,异常点多。MIV-PSO-BP神经网络预测准确性、稳定性更高。     

GA优化BP神经网络在多参量火灾探测中的应用

针对BP 神经网络的随机权重和阈值稳定性不高的问题,运用遗传算法(GA)对BP 神经网络的初始权重和阈值进行优化,提出了一种基于GA 优化BP 神经网络的多参量数据融合方法以实现火灾探测,提高火灾探测准确率和模型泛化性能,并利用该模型对标准明火和阴燃火中的温度、烟雾浓度和CO 浓度进行数据融合实现火灾探测。研究显示,相较单纯BP 神经网络,经GA 优化的BP 神经网络火灾探测算法能够更快速精确地实现火灾探测,探测精度有显著改善,火灾识别准确率提高至98.84%。     

基于GA的BP神经网络在砂土液化评价中的应用

BP神经网络是一种应用面较广的神经网络,但存在明显缺陷:学习收敛速度慢,易陷入局部极小。遗传算法具有良好的搜索全局最优解的能力。在探讨训练样本选取的基础上,耦合遗传算法和BP神经网络构建了遗传网络并应用于砂土液化的评价,通过与动量梯度下降算法改进的BP神经网络对比,表明了基于遗传算法的BP神经网络在砂土液化评价中的优越性。     

人工神经网络在岩质边坡稳定性预测中的应用

针对岩质边坡稳定性分析中存在的问题，提出了运用人工神经网络（ANN）预测岩质边坡稳定性的新方法，并构造了相应的BP神经网络模型。预测结果表明，该模型具有很高的预测精度，能够满足实际工程需要。     

改进BP神经网络的钢结构应力缺失数据重构

钢结构健康监测过程中的应力数据缺失会干扰监测各环节的运行状态,无法保障施工阶段的安全,因此解决数据缺失问题至关重要。钢结构在施工阶段应力应变监测中,由于受到外界诸多复杂因素的影响,导致监测数据不准确、缺失以及局部应力数据的重构值与真实值偏差较大等问题。采用改进BP神经网络分别对300组和30组钢结构应力应变监测数据进行重构,并对改进BP神经网络的数据重构方法进行适用性分析。结果表明:相比线性回归法,改进BP神经网络法进行离散型缺失数据的重构平均误差降低0.7%,特别是对于局部缺失数据,改进BP神经网络法的重构精度更高,平均局部误差降低2.2%; 为达到较好的重构精度,使用改进BP神经网络对缺失数据重构时,数据的缺失率不宜超过20%; 改进BP神经网络法可为钢结构应力缺失数据重构以及结构健康监测提供技术支持,具有较好的实用性。     

边坡稳定分析的神经网络方法

论述了BP神经网络的基本原理和算法,研究了MATLAB下的BP神经网络工具箱在边坡稳定性分析中的应用。采用影响边坡稳定性的复合指标,建立了BP预报模型。用收集到的边坡数据样本训练和测试BP神经网络模型,结果表明该BP神经网络预测边坡稳定性是可行的、有效的。     

基于BP神经网络改进算法在地铁隧道施工中的沉降预测

为使地铁隧道在施工中沉降监测数据具有一定的预见性,分别采用了BP神经网络改进算法的预测模型、传统BP神经网络预模型以及基于时间序列的三次指数平滑法预测模型对地铁隧道施工中的沉降监测数据进行了预测。对其预测结果进行分析,得出了BP神经网络改进算法模型预测精度优于传统BP神经网络模型以及基于时间序列的三次指数平滑法模型预测精度的结论。     

基于径向基神经网络的基坑支护位移预测方法

简要分析了径向基神经网络相对于BP神经网络的优点,利用径向基神经网络建立了基坑支护水平位移的预测方法并编制了基于径向基神经网络的支护位移预测程序.结合实际工程监测数据中的基坑支护结构水平位移数据,对网络进行训练并利用训练好的网络对基坑支护结构的水平位移进行了预测.从预测结果与实测结果的对比分析来看,利用径向基神经网络对基坑支护水平位移进行预测是可行的,其精度符合工程实际的要求.     

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。