基于优化支持向量机-混沌BP神经网络的基坑变形预测研究

为解决基坑变形预测精度低的问题,采用小波去噪分离基坑变形的趋势项及误差项序列,并利用多种优化的支持向量机对趋势项序列进行预测,采用混沌BP神经网络对误差项序列进行预测,将两者预测结果进行叠加即得到变形预测值,且可根据后期监测数据的更新,实时增加数据信息,达到跟踪预测的目的。经过3个实例检验,得出小波函数的去噪效果相对较优,且预测结果的相对误差均值均小于2%,验证了优化支持向量机-混沌BP神经网络模型的有效性,且该模型具有预测精度高、适用性强等优点,对掌握基坑变形的发展趋势及评价基坑的稳定性具有重要意义。     

基于BP神经网络的基坑变形预测

基坑工程施工中,需要根据现场实际情况、周围环境、建筑安全等级等对变形进行严格控制。通过对基坑实测变形数据进行整理和分析,对未来变形量作出预测,保证基坑安全。结合BP神经网络的高度非线性映射能力,提出了一种基于BP神经网络的基坑变形时间序列预测方法。在基坑开挖过程中,采取滚动预测的方法,不断利用前期已有实测数据建模预测后期变形量,以实现信息化施工和动态控制。实例分析表明,BP神经网络模型具有较高的预测精度,并能获得满意的预测结果。     

基于混沌递进预测模型与趋势检验的深基坑变形规律研究

为提高基坑变形预测精度及稳定性,首先,利用遗传算法优化BP神经网络的结构参数,再将参数优化后的BP神经网络与灰色模型结合,构建出GA-BP神经网络模型,并利用该模型实现基坑变形序列的初步预测; 其次,基于残差序列的混沌特性,再利用混沌理论进行残差优化,进一步构建考虑混沌特性优化的GA-BP神经网络模型; 最后,将SR检验引入到基坑变形趋势判断中,以检验预测结果的准确性。实例检验表明： 通过遗传算法及混沌理论的递进优化,能逐步提高预测精度,验证文章预测模型的有效性,且预测结果与SR检验结果的一致性较好,说明该预测模型的可信度高。     

新型智能算法在基坑变形监测中的应用

针对BP神经网络的缺陷,结合混沌优化算法对其进行改进。基于改进后的BP网络,建立了基坑变形预测的模型。在润扬长江大桥南锚锭基坑工程中的应用表明该方法具有较高的精度,可以在工程中推广应用。     

趋势项分离预测模型及重标度极差分析在深基坑变形预测中的应用研究

为解决基坑变形预测精度低的问题,利用小波去噪和卡尔曼滤波对基坑变形序列进行去噪处理,分离趋势项及误差项,并利用支持向量机和BP神经网络分别对趋势项和误差项进行预测,以掌握基坑的变形规律及发展趋势;同时,采用重标度极差分析(R/S分析)对基坑的变形趋势进行判断,以验证变形预测的可靠性。根据实例检验,得出小波去噪的去噪效果较好,且预测结果的相对误差均值为1.03%,方差值为0.083,预测精度较高;基坑的变形序列与速率序列均具有持续增长的趋势特征,与变形预测结果一致,验证了预测思路的有效性。     

基坑变形组合预测分析及安全性评价

为提高基坑变形预测精度及合理评价基坑所处的安全状态，提出以支持向量机、极限学习机和GM(1,1)模型为单项预测模型，构建定权法、非定权法确定组合权值的组合预测模型，并利用累计变形量与变形控制值构建基坑变形的安全性评价指标，以判断基坑所处的安全状态，且采用重标极差法分析基坑安全性的发展趋势。实例分析表明： 1）组合预测较单项预测具有更高的预测精度，且能有效降低预测风险，增加预测结果的稳定性； 2）非定权组合的预测精度要略优于定权组合的预测精度，且以BP神经网络权值法的组合效果最优； 3）通过对某基坑的安全性分析，得知该基坑处于危险阶段，需采取必要的安全措施，且预测结果与安全分析结果一致，验证了预测方法和安全性评价方法2种分析方法的有效性和准确性。     

基于BP神经网络基坑支护结构变形预测研究

为了精确的预测佛山某建筑基坑变形情况,提出了一种BP神经网络多数据纵向预报方法,选取前三次的多个测点数据进行预处理,然后再对BP神经网络分析、训练、测试,并分析隐含层数对预测精度的影响,通过对比试算确定隐含层数目,最终达到能够高精度预测基坑支护结构水平位移和沉降。结果表明:所提出的方法可以精确地预测基坑变形,对工程建设具有一定的参考价值。     

基于递进复合式组合预测模型的软岩隧道大变形预测研究

为实现对隧道大变形发展趋势的判断,达到优化现场施工,避免出现施工安全问题的目的,采用LS-SVM和优化GM(1,1)模型对隧道变形进行预测,并以误差平方和为指标,将两者的预测结果进行组合,再进一步利用BP神经网络对前者的预测误差进行修正,以实现综合预测。通过实例检验,得到最小二乘法对支持向量机的优化效果要优于对灰色模型的优化效果,且误差修正模型能进一步有效地提高预测精度,使预测值与实测值更为接近;同时,通过本文的预测结果,得到后4个周期的变形仍具有持续变形的趋势,应采取有效措施,避免工程事故的发生。本文预测模型具有较好的预测精度及适用性,对隧道大变形研究具有一定的参考意义。     

基于灰色BP神经网络组合模型的基坑变形预测研究

为了使得基坑变形预测在“少样本”“贫信息”的情况下依然能够得出精度较高的结果,在传统的灰色GM(1,1)模型和BP神经网络模型的基础上,进行了灰色BP神经网络组合模型的研究。通过总结2传统模型的原理和算法,归纳各自的优缺点,分析2模型在本质原理上的关系,提出了构建组合模型的方法。利用广州市轨道交通三号线燕塘站的监测数据,对灰色GM(1,1)模型、BP神经网络模型和灰色BP神经网络组合模型分别进行了检验,肯定了组合模型的优越性。     

基于LSTM算法的基坑变形预测

在基坑正常施工的情况下，为准确预测基坑未来一段时间内地下连续墙的水平变形，基于某地铁基坑工程现场监测数据，利用LSTM算法进行模型训练，得到基坑变形预测模型。在前期实测数据的基础上，利用预测模型分别对基坑开挖期、浇筑底板后2种工况下的基坑地下连续墙水平变形进行预测，得到基坑地下连续墙的变形预测值，并结合其他预测模型的预测结果进行误差对比分析。结果表明： 相比于BP预测模型和灰色预测模型，LSTM预测模型具有更高的准确性。通过对多测点多工况的进一步预测验证，证明了该模型的稳定性和可靠性。     

基于BP神经网络的高速公路动态交通流预测

以高速公路交通流预测为研究对象,建立了基于BP神经网络的参数动态修复交通流预测模型。以高速公路宏观动态交通流模型为原型,利用分段辨识法分析了高速公路交通流特性。对BP神经网络层数和神经元的确定,以及转移函数的优化选择进行了深入研究,并给出了基于BP神经网络交通流预测模型的建模方法。对西宝(西安-宝鸡)高速公路交通流实时数据进行了采集、建模和仿真。通过仿真结果与实际结果比较,验证了该模型具有较高的可信度。     

基于BP神经网络的基坑喷锚网支护变形分析

喷锚网作为一种新型的基坑支护技术在基坑施工中已大量采用,但基坑塌滑等安全事故也时有发生。文中运用快速拉格朗日法对其进行了分析研究。基于BP神经网络,通过实际工程对喷锚支护技术进行了数值计算,得到了设计喷锚支护方案下基坑变形的分布规律,并与现场监测进行了比较,结果一致。通过数值分析表明,喷描网技术在严格控制基坑变形、保护环境方面具有明显的优越性,值得推广。     

基于小波神经网络的隧道变形预测模型研究

针对单一模型在隧道变形预测上精度不高的问题,提出了一种基于小波分析理论的神经网络模型,该模型克服了BP神经网络模型存在的收敛速度慢、结构设计盲目、易陷入局部极小点的缺陷,通过将该模型与时间序列模型、Levenberg-Marquardt法BP神经网络模型、遗传神经网络模型预测的结果比较,可以看出小波神经网络在隧道的变形预测中网络结构更简单、收敛速度更快、预测精度更高。     

一种短时交通流组合预测模型

为提高短时交通流预测的精度,提出利用BP神经网络、RBF神经网络和ARIMA模型构建组合预测模型,该组合预测模型利用最优化原理进行权系数的分配,并且满足分配到的权值始终具有实际意义。通过对分配的权系数进行显著性检验,以确保组合预测模型中选用的单项预测方法显著相关。通过实例分析,验证了组合预测模型的有效性,结果表明,相比较单一的预测模型,组合预测模型具有更高的预测精度。     

BP和RBF神经网络在边坡稳定性评估中的比较研究

通过实例分析,对BP神经网络和RBF神经网络在边坡稳定性评估中的应用进行了比较研究,结果表明,BP神经网络和RBF神经网络均能很好地对边坡稳定性进行评估,但RBF神经网络比BP神经网络的训练速度更快,效率更高,并且对于同样的精度要求,RBF神经网络对边坡稳定性的评估结果更加准确和适用。