基于PCA-改进RBF神经网络模型的铁路隧道突水风险评价

为了准确预测铁路隧道突水风险等级,降低隧道施工过程中的突水灾害风险,结合相关规范,在调研分析影响隧道突水灾害的风险因素集的基础上遴选13个因素构建评价指标体系。利用主成分分析法对突水风险评价指标提取主成分并实现降维,模糊C-均值聚类算法计算RBF神经网络的中心,梯度下降法修正权值和方差,并将分析后得到的主成分作为改进RBF神经网络评价模型输入向量,建立了基于PCA-改进RBF神经网络铁路隧道突水风险评价模型。最后结合天秀山隧道对该模型预测效果进行验证,评价结果与实际情况相符。实例研究表明:该模型合理可操作,相比于其他方法准确率更高、训练更快、均方误差更小,为类似铁路隧道预防突水灾害事故提供了一种新的途径和借鉴。     

BP神经网络法预测隧道瓦斯突出的模型与实例

研究目的:目前隧道煤与瓦斯突出预测主要采用煤炭的常规接触式预测方法,如综合指标法、钻屑指标法等,但隧道与煤巷在断面大小、施工支护等方面有诸多不同,照搬煤炭预测方法并不一定能取得预期效果。本文根据煤与瓦斯突出综合作用假说,借鉴BP神经网络原理,对隧道瓦斯突出的多指标神经网络综合预测进行探讨,确定突出的评价指标,构建神经网络预测模型,通过神经网络模型的训练和回判,综合评价预测煤与瓦斯突出危险性。研究结论:(1)在综合分析突出影响因素基础上,基于瓦斯突出综合作用假说机理,提出了BP神经网络预测隧道煤与瓦斯突出危险性的方法;(2)选取瓦斯压力、地质构造、隧道埋深、煤的坚固系数、煤体结构类型及瓦斯放散初速度作为突出评价指标;(3)采集矿井突出样本进行神经网络模型的训练及回判,通过对已建成瓦斯隧道进行判别,判别结果与实际相符,验证了矿井突出样本应用到瓦斯隧道的突出预测可行性;(4)通过BP神经网络对成贵高铁7座高瓦斯隧道进行预测判别,表明玉京山隧道C5、C6煤层具有突出危险性,其他6座隧道无突出危险性;(5)本研究成果可为瓦斯隧道设计与施工提供借鉴。     

地质灾害空间危险性评价综述

地质灾害空间危险性评价对国土规划和防灾、减灾具有十分重要的意义.首先界定地质灾害易发性、危险性和风险性内涵,并区分灾害预测和灾害预报的研究范畴;然后,阐述地质灾害危险性评估的基本假设和一般步骤,并从主要原则、指标的选取和指标量化3个方面详细探讨了地质灾害评价指标体系建立的一般方法.最后,归纳常用的地质灾害评价模型和方法...     

GM(1,1)-Logistic路基沉降组合预测模型研究与应用

路基沉降预测是指导正确施工及运营期路基养护的一个重要因素.GM(1,1)模型及Logistic模型被广泛应用于路基最终沉降量的预测.基于组合预测的基本理论,结合GM(1,1)模型及Logistic模型的特点,提出了GM(1,1)-Logistic组合路基沉降预测模型,采用线性组合预测方法,以过去一段时间内组合预测误差平方和最小为原则来求2个预测模型的加权系数.结合工程实际监测数据的计算结果和分析表明,GM(1,1)-Logistic组合预测模型在预测精度上比单个模型具有更好的适用性.     

RBF神经网络在铁路货运量预测中的应用

基于回归和时间序列模型的传统预测方法以及目前较为常用的灰色预测和BP神经网络预测方法，建立了RBF神经网络模型对全国铁路货运量进行详细分析和预测。利用铁路货运量的原始数据构造时间序列，并对时间序列进行分析和相应的处理。将处理后的数据构造为一个非线性映射，利用RBF神经网络进行逼近。利用Matlab对灰色预测、BP神经网络预测和RBF神经网络预测模型进行仿真实验，得出3种预测模型的平均相对误差，分别为7.67%、4.79%和1.31%。表明RBF神经网络预测方法的预测精度比另外两种预测方法高很多，可为铁路货运量预测研究提供方法支撑。     

道路工程SOM-RBF神经网络估价模型研究

研究从道路工程全生命周期造价的角度,运用自适应(SOM)和径向基(RBF)神经网络的模型与全生命显著性造价(WLCS)结合的预测模型对已完工程造价信息进行数据挖掘,估算工程造价。建立WLCS模型并分析计算。运用自组织SOM网络对WLCS模型分析结果进行特征抽取,验证其对类似工程的确定。在此基础上,运用基于自组织RBF网络对投资估算进行预测。结果表明,WLCS应用可以减少造价估算的工作量,SOM网络可以对道路工程的显著性成本项目(CSIs)造价数据进行特征提取,WLCS的SOM-RBF网络模型减少了估价计算量,并提高了估价精度。本研究成果适用于道路工程造价管理研究和应用领域。     

动车组牵引电机接地故障预测

牵引电机是动车组动力传动系统中的关键部件,在牵引电机故障中最常见的故障为牵引电机接地故障。通过对某动车组牵引电机控制单元的历史数据挖掘,实现对牵引电机接地故障的预测。数据挖掘建模使用了RBF神经网络、决策树和支持向量机3种机器学习算法。试验结果表明,3种算法的预测准确度均高于84%,其中决策树相较于RBF神经网络和支持向量机,具有更高的预测精度,模型预测精度达到85.6%。因此,选取决策树模型预测动车组牵引电机接地故障的发生。     

基于径向基神经网络的铁路货运量预测

货运量预测是铁路运输部门一项重要工作,因此,关于铁路货运量预测理论和方法的研究一直是一个热点。但是,铁路货运量受多种因素影响,且各因素的作用机制通常不能或无法用精确的数学语言来准确描述。本文采用径向基函数(RBF)神经网络对货运量进行分析及预测。通过对1989~2002年全国铁路货运量的历史数据分析处理后,得到铁路货运量增长量的时间序列,将时间序列视为一个从输入到输出的非线性映射,引入RBF神经网络来进行非线性映射的逼近。对网络进行学习与训练仿真实验后,用2003~2004年的增长量进行模型检验,并与BP神经网络、灰色预测模型预测结果进行对比,结果表明,应用RBF神经网络对铁路货运量进行短期预测预测精度更高、效果更好。     

GM(1,1)模型在巨型溶洞超厚回填路基沉降监测中的应用

为验证GM(1,1)模型在黔张常铁路高山隧道巨型溶洞超厚回填路基沉降监测和预报项目中的适用性,根据现场实际情况布设沉降监测基准网和监测网并进行数据采集,选取某一断面的3个监测点在某一时期内的9期监测数据进行处理与分析,根据累计沉降量数据的变化关系建立GM(1,1)模型,该模型的后验差值比C和P均达到Ⅰ级拟合精度。利用GM(1,1)模型对该段路基的累计沉降量和沉降趋势进行预测,预测结果与该巨型溶洞超厚回填路基的实际沉降情况吻合较好,预测结果可供后续施工组织参考。     

基于混合PSO-RBF神经网络的铁路隧道岩爆分级预测

岩爆是铁路隧道建设中主要灾害之一。为了准确预测铁路隧道岩爆烈度等级,以岩石应力系数σ_θ/σ_c、岩石脆性系数σ_c/σ_t以及弹性能量指数W_et作为岩爆烈度评价指标,提出一种基于混合粒子群优化算法优化的径向基(RBF)神经网络岩爆预测模型。首先在国内外研究成果基础上,选取80组已有岩爆实例作为模型基础数据;然后运用结合了模拟退火算法的粒子群算法(混合PSO)改进径向基神经网络,通过训练数据选取最优的权值W和基函数标准差σ,得到混合PSO-RBF神经网络岩爆烈度预测模型;最后将模型应用于实际铁路隧道工程进行验证。研究结果表明:该模型兼顾个体最优和全局最优,能够正确、有效的对铁路隧道岩爆等级做出预测,为铁路隧道岩爆预测提供了一种新方法。