基于改进GWO-BP神经网络模型的箱涵沉降预测

箱涵受外部荷载等多方面影响,会出现一定程度的不均匀沉降,可能会对箱涵结构造成破坏,因此箱涵地基沉降预测十分重要。引入灰狼算法(GWO)对BP神经网络的权值和阈值进行寻优,建立了基于改进的GWO-BP预测模型,对箱涵的沉降值进行预测。将该预测模型应用于南水北调工程天津某标段的箱涵沉降预测,并将预测值与实测值进行对比,相对误差在5%以下。通过与未改进的灰狼算法优化BP神经网络模型、BP模型进行对比,结果表明改进的灰狼算法优化BP神经网络预测模型具有更好的寻优能力与寻优精度,能够有效地对箱涵沉降值进行预测。     

基于改进FOA-GM(1,1)灰色预测模型的箱涵沉降预测

箱涵沉降变形是多因素共同耦合作用的结果,具有不确定性、灰色性、贫信息性等特点,传统GM(1,1)模型对箱涵沉降变形的预测结果精度较低,因此引入迭代权值和遗传变异思想改进果蝇优化(FOA)算法,以提高其搜索能力和速度。对传统GM(1,1)模型赋值背景值系数d和时间系数λ,利用改进FOA算法进行参数寻优,建立改进FOA-GM(1,1)预测模型。将该预测模型应用于南水北调中段天津干线段箱涵沉降变形预测,结果表明改进模型模拟值与实际沉降值相对误差均在6%以下,明显高于传统模型的精度,说明改进模型不仅对了解箱涵未来沉降变形趋势和实时控制箱涵不均匀沉降具有重要意义,亦为解决水利工程行业其他类似问题提供了参考。