一种小波－模糊控制Ｅｌｍａｎ网络的隧道位移预测模型

传统的神经网络对于隧道位移的预测精度较低,有时计算结果会存在较大的误差。基于此,根据模糊控制原理,将Ｅｌｍａｎ网络与小波变换相结合,针对隧道开挖过程中位移的动态变化和非线性,提出新的预测模型。通过小波将监测隧道位移变形序列分解成具有不同属性和频率的子序列,采用Ｅｌｍａｎ神经网络对子序列进行预测,建立起网络,叠加预测结果、计算残差并测试网络精度,利用模糊控制方法对残差进行控制,考虑前向已检测样本的步骤及误差值,控制输出后续待检测样本的预测值和误差,修正后可以得到小波变换下的模糊控制Ｅｌｍａｎ网络位移预测模型,通过与单一网络预测结果、有限元模拟结果以及实测序列进行对比,发现新的模型相比于其他网络以及有限元计算结果,精度和准确率更高,能更准确地预测隧道变形。     

基于小波包分解-模糊神经网络的混凝土路面路基沉降预测

在混凝土公路路基施工过程中,为了控制施工进度,同时保证路基的稳定与适用,需要对路基沉降进行监测,并通过已有沉降数据推测后续沉降数值。本文提出了一种新型预测路基沉降的方法,将模糊神经网络和小波包分解相结合,针对位移沉降序列的时序性和偶然性,利用模糊神经网络强大的记忆性,建立沉降预测模型。通过小波包对沉降数值序列进行分解,得到不同属性和频率的沉降序列,分别通过模糊神经网络对各个子序列进行预测,将子序列预测结果叠加得到预测结果。     

基于动态强度折减DDA法的边坡多滑面稳定性分析

为解决岩体结构面损伤的程度不一性问题及边坡多滑面分析中数值模型的选取问题,借鉴DDA计算位移的优势,考虑块体间相对位移,提出动态强度折减DDA法(Dynamic Strength Reduction Discontinuous Deformation Analysis,简称DSR-DDA)的边坡多滑面搜索,通过对不同破坏程度下岩体结构面动态折减不同的强度及动态变化边坡多滑面分析中的数值模型,以解决数值分析中岩体结构面损伤的程度不一性问题及边坡多滑面分析中数值模型的选取问题。利用倾斜平面滑块经典案例测试位移阈值,验证方法的可行性及计算精度,并将其应用到抚顺西露天矿岩质高边坡多滑面稳定性分析中,且与自主研发的GeoSMA-3D系统进行耦合。研究结果表明:在设定位移阈值为1 mm时,DSR-DDA与理论解误差在0.5%以内,满足计算要求。后续得到了抚顺西露天矿边坡最危险滑落面(对应安全系数为1. 136),与分析现场监测位移得出的潜在滑落位置基本一致,并在首次滑坡后的数值边坡模型基础上,得到了次级滑落面位置(对应安全系数为1.189),与常规分析得出的结果大相径庭,佐证了边坡多滑面稳定性分析中数值模型需动态变化的必要性。DSRDDA法与GeoSMA-3D系统识别出的关键块体耦合效果良好,从块体理论角度印证了DSR-DDA法的实用性。抚顺西露天矿边坡破坏模式为牵引式滑动破坏,中下部油母页岩对边坡稳定性起关键作用,故不可继续开采剩余油母页岩,以免引起边坡上部大面积滑坡及矿坑-城市边界滑坡。