基于时间序列与神经网络的软岩隧道变形预测模型及其应用

针对软岩隧道具有变形量大、变形分析困难和稳定性差等特点以及传统的变形分析方法过于单一和精度低等问题,分别运用时序分析和神经网络方法对软岩隧道变形进行了预测,以单个方法的预测结果为基础,结合IOWHA算子,根据各方法的预测精度计算出它们在组合模型中的权重,建立了组合预测模型.通过工程监测获取原始数据,运用组合预测方法得到相应的预测结果,并将其与单个方法的预测结果进行了对比分析.研究结果表明:新的组合预测方法能够综合时序分析和神经网络方法的优势,预测结果精度明显提高,该方法的应用对具体软岩隧道的稳定性评价及隧道工程的施工与维护具有一定的指导意义.     

基于进化神经元算法的堡镇隧道软弱围岩施工弹塑性智能位移反分析

结合宜万铁路堡镇隧道的施工,将BP神经网络和遗传算法引入特长隧道软岩段的施工位移反分析,采用遗传算法自动搜索BP神经网络训练效果最优的参数,建立起反映围岩变形与岩体物理力学参数及初始地应力之间高度非线性、不确定的GA-BP智能模型,然后采用遗传算法在岩体物理力学参数和初始地应力取值范围内,搜索BP神经网络预测围岩变形与实测围岩变形最接近的参数组合,取得反演获得的岩体物理力学参数和初始地应力.从堡镇隧道应用结果来看,这种进化神经元算法反演结果可以满足隧道施工的需要,并为类似工程提供了借鉴.     

小样本监测信息露天矿边坡变形预测模型对比分析

利用GM（1,1）,BP神经网络和灰色BP神经网络组合三种模型,分别对不同样本容量的小样本监测信息进行测试,对比分析预测结果的准确性与稳定性.结果表明,边坡变形预测模型受既有监测信息的样本容量影响较大,样本容量的增加有利于边坡变形预测模型精度的提高.在既有监测信息较少的情况下,GM（1,1）模型预测精度虽然最高,但缺乏稳定性;单一BP神经网络模型的预测精度由于样本较少,其精度较差.从预测结果的稳定性和精度两个方面综合对比来看,灰色BP神经网络组合模型更适用于小样本监测信息情况下的露天矿边坡变形趋势的预测.     

基于时序特征的城市轨道交通客流预测

通过分析城市轨道交通客流量的时序特征和RBF神经网络的作用机理,将具有不同时序特征的数据分别用不同的神经网络进行处理,建立了基于客流时序特征的并行加权神经网络模型,并用该模型对北京市城市轨道交通各条线路的客流进行预测.结果表明,各线路客流量预测结果的平均绝对百分误差均在10％以下,小于单个神经网络的预测误差,提高了预测精度.     

堡镇隧道围岩变形的神经网络预测

隧道新奥法施工中，常以围岩变形量作为评判围岩稳定性和支护结构经济合理性的重要指标。隧道围岩变形量是随时间而变化的数据序列，因而可以建立一些实时跟踪预测模型和方法。针对宜万铁路堡镇隧道软弱围岩区段施工大变形特点，采用神经网络技术对其变形量进行了预测分析，预测结果经过工程实践检验，具有相对较高的准确性和可靠性，为隧道施工决策提供了有效依据。     

软岩大变形隧道施工技术

就软岩大变形隧道施工技术进行研究,了解软岩大变形发展历程,并以具体工程案例分析软岩大变形隧道的变形特点及变形原因,最后阐述变形控制技术要求,从而更好地提高软岩大变形隧道的施工质量。     

高地应力层状软岩隧道大变形预测分级研究

为探明高地应力层状软岩隧道的非对称变形破坏规律及其支护结构的非对称受力特性,结合碳质千枚岩力学特性与变形破坏机制的各向异性特性,对层状软岩隧道围岩的非对称变形破坏特征进行了分析. 在93座典型高地应力层状软岩隧道变形数据的基础上,系统性地分析了隧道拱顶沉降、水平收敛、最大变形量与地应力、岩体抗压强度、隧道埋深之间的关系. 研究结果表明:高地应力层状软岩隧道的变形量与最大地应力、岩体抗压强度、埋深的分布较为离散,在一定地应力、岩体强度或埋深条件下,隧道变形量既存在于高值区间,也存在于低值区间;隧道变形量随地应力的增大、岩体强度的降低、埋深的升高逐渐向高值区间靠拢,高地应力层状软岩隧道大变形是高地应力、软弱围岩、层理弱面耦合作用的结果;基于隧道最大变形量与隧道强度应力比的幂指数变化规律,提出了高地应力层状软岩隧道的大变形预测分级指标.      

边坡变形时序分析的进化-自适应神经模糊推理模型

变形监测与预报是保证边坡工程施工安全与工程质量的重要措施,但由于位移时间序列的强非线性,边坡变形预报成为非常困难的问题．自适应模糊神经推理系统（ANFIS）有优越的学习和泛化性能,而遗传算法（GA）是优秀的全局优化工具．采用遗传算法优化ANFIS参数,并编制了相应的计算程序．结合三峡工程永久船闸施工变形监测和新滩滑坡变形监测,建立了边坡变形时序分析的GA-ANFIS智能模型．为了对比该模型的预测精度,采用GA优化支持向量回归（SVR）和BP神经网络的模型参数,编制了GA-SVR及GA-BP程序,对相同的算例进行了变形预测分析．按滚动预测法对三峡永久船闸高边坡和新滩滑坡的计算结果表明,文中提出的GA-ANFIS模型能够获得比GA-SVR和GA-BP模型更高的预测精度,可以应用于边坡工程变形监测预报分析,并为类似工程提供参考．     

高填方软岩路基工后变形特性及稳定性分析

以某高速公路高填方软岩路基工程为依托,对软岩填料物理力学特性参数开展了室内外测试。依据实验结果对高填方软岩路基压实提供建议,同时利用数值软件对高填方软岩路堤分别进行了工后变形及路基边坡稳定性分析。     

基于BP神经网络的运量预测模型优化研究

在传统多种单项预测模型与组合预测方法的基础上,利用BP神经网络技术的非线性映射能力,在多个预测模型与实际数列之间建立一种非线性关系,对运量预测结果进行优化,以达到提高预测精度的目的.通过实例分析,表明这种经过BP神经网络优化后的预测模型,可一定程度上克服传统单个预测模型的部分局限性,提高预测精度,用于运量预测是可行的.     

路基工后沉降的多目标优化组合预测

路基的工后沉降预测是路基建设中的一个重要课题,以兰武（兰州-武威）二线路基工后沉降的实测数据为依据,对比星野法、指数曲线法、双曲线法、以及由3种单项预测方法构成的优化组合预测法的拟合精度和预测精度,结果表明拟合的效果和预测的效果随着数据量的增多而更优,但单项预测法不稳定,而优性组合预测法比较稳定,无论拟合数据量多少,其拟合精度和预测精度及其稳定性都比较好,且两者能够保持较好的一致性．另一方面,优性组合预测法中的加权系数可用于评价单项预测方法的适应性．     

小净距隧道开挖围岩压力的混沌神经网络模型预测

隧道围岩压力是分析围岩稳定性的关键因素。由于围岩变形受众多因素影响,且各因素之间存在强烈的非线形关系,因此,难以进行有效的预测。提出基于混沌神经网络模型的方法,分析混沌与神经网络相结合预测手段的可行性,对围岩随时间变化的压力进行仿真计算。对该理论的建立及预测方法进行系统分析,为该领域的研究提供有效的技术方法。结果表明,此方法预测精度高,能够满足工程及控制要求。     

基于熵值法的城市汽车保有量组合预测

分析灰色系统、多元回归、指数平滑、神经网络4种预测方法的特点并利用它们分别对城市汽车保有量进行预测,在此基础上通过熵值法确定各预测模型的加权系数,建立组合预测模型,最后将1995-2007年汽车保有量的各预测值与实际值进行比较,结果表明该组合预测法精度较高,实用性更强。     

基于GM-BP神经网络的交通量预测

针对城市道路交通系统的复杂性和随机性,应用灰色理论和神经网络知识,建立了基于灰色理论和BP神经网络的城市道路交通量GM-BP神经网络预测模型.随后运用该预测模型对城市道路的交通量进行预测,预测结果表明：GM-BP神经网络预测模型所得预测结果平均相对误差为1.17%,与单一的灰色新陈代谢预测模型相比具有预测精度高的优点.     

危岩变形的灰色预测方法及应用

危岩是山区常见的地质病害之一,危岩变形监测预测是危岩防灾减灾的重要基础。将灰色预测理论应用于危岩变形监测,建立了危岩变形灰色预测模型及残差修正灰色预测模型。以重庆南川甑子危岩为例,以实测危岩累计位移值为原始数据,建立了GM(1,1)灰色预测模型及残差修正预测模型。经精度检验,小误差频率P=1,后验差比值C=0.160243,模型精度等级达到较高水平,比常规危岩预测方法更具有可靠度。     

危岩变形的灰色预测方法及应用

危岩是山区常见的地质病害之一,危岩变形监测预测是危岩防灾减灾的重要基础。将灰色预测理论应用于危岩变形监测,建立了危岩变形灰色预测模型及残差修正灰色预测模型。以重庆南川甑子危岩为例,以实测危岩累计位移值为原始数据,建立了GM(1,1)灰色预测模型及残差修正预测模型。经精度检验,小误差频率P=1,后验差比值C=0.160243,模型精度等级达到较高水平,比常规危岩预测方法更具有可靠度。     

基于BP神经网络的公交线路站点时段上下车人数预测模型

公交线路客流预测是公交调度优化技术的基础研究内容。通过对公交线路站点时段上下车人数主要相关影响因素的分析，并根据改进的BP学习算法，而建立的基于改进的BP神经网络的公交线路站点时段上下车人数预测模型．经哈尔滨市有关调查数据的训练与检验，证明具有较高的预测精度。     

基于遗传算法与小波神经网络的客流预测研究

针对轨道交通短时客流具有动态性、非线性、不确定性的特点,提出一种基于遗传算法与小波神经网络的轨道交通短时客流预测方法.该方法利用具有全局搜索最优的遗传算法优化小波神经网络,有效的避免了神经网络易陷入局部最小值的缺陷.在分析轨道交通短时客流的特征上,利用实测数据对模型进行验证.结果表明,相比遗传算法优化的BP神经网络模型,单一的小波神经网络模型其预测精度更高,误差更小,能在实际中应用.