盾构施工引起地表沉降的BP神经网络预测

根据盾构施工引起地表沉降的具体问题，结合广州地铁三号线某区间地质资料，建立了地表沉降预测的BP神经网络模型，并对网络进行了训练和测试，测试结果表明，利用神经网络进行盾构隧道施工的地表沉降预测是可行的，可用于工程实践。     

基于Richards-BP模型的地表沉降特征预测模型研究

地下开采引起的地表沉降大致呈S形发展,最终趋于稳定状态,这能够运用生长曲线Richards函数进行预测分析。同时,又因为测量和外界存在不确定性和随机性,使得地表沉降也具有动态的特征。针对地下岩矿开采矿区地表沉降曲线与Richards预测模型曲线的相似性,分析了Richards模型在地表沉降预测中的适用性,提出通过Richards生长曲线模型预测矿区地表沉降的趋势性变形部分,利用BP神经网络模型降低地表沉降的随机性影响部分,提高模型预测效果。计算结果证明了其在地表沉降预测中的适用性和可行性。     

人工神经网络在预测软基沉降中的应用研究

依据影响软土路基沉降的因素选取参数建立了BP神经网络预测最终沉降量模型,利用已建高速公路沉降数据,进行了软土地基最终沉降量的预测,取得了较为理想的效果。证明神经网络法能避免传统方法计算过程中各种人为因素的干扰,计算精度高,泛化性强,简便易行,因而具有广泛的工程使用价值和广阔的工程应用前景。     

盾构施工引起的地表沉降预测及其敏感性分析

盾构施工会扰动地层引起地表沉降,导致地表建筑物倾斜、开裂或是倒塌,地下管线被破坏。因此,盾构施工时有必要对地面沉降进行预测和敏感性因素分析。本文结合某地铁区间的地质资料利用支持向量机建立数学模型,对盾构施工引起的地表沉降进行预测,并与BP神经网络模型的预测结果进行对比。最后,利用灰色关联分析理论对地表沉降进行敏感性分析,为盾构施工提供参考依据。     

BP神经网络预测煤矸石路堤沉降

针对煤矸石路堤沉降预测问题,基于BP神经网络非线性映射能力和学习能力,提出学习率可变的动量BP神经网络以预测常安高速公路煤矸石路堤沉降。利用实测沉降资料建立路堤沉降模型,该模型克服了动量BP神经网络收敛速度慢、训练时间长的缺点。同时采用postreg函数对网络训练结果进行了检验。结果表明:该模型有较高的预测精度,预测误差较小,可用于煤矸石路堤沉降预测。     

基于GA-BP神经网络的隧道围岩力学参数反演

为在岩土工程设计和施工中获得更加合理、可靠的岩体力学参数,改善BP神经网络算法存在的收敛速度慢、依赖初值等不足,采用GA-BP神经网络方法,对隧道围岩力学参数反演进行了研究。依托江西省萍莲高速公路莲花隧道工程,选取右洞YK35+095～YK35+135段作为模拟对象,利用FLAC3D有限差分法,按照微台阶法开挖,构建三维数值计算模型;设计了25组围岩力学参数的正交试验,代入已建立的数值模型,得到系列拱顶沉降、周边位移以及地表沉降值,由此构造了神经网络的样本;采用遗传算法和神经网络相结合,其中遗传算法种群规模取值30,最大遗传代数取值25,交叉概率取值0.8,变异概率取值0.01,通过网络训练,得到了训练成熟的GA-BP神经网络,建立了待反演的围岩力学参数与位移之间的映射关系;将莲花隧道YK35+115断面实测的拱顶沉降、周边位移和地表沉降值,输入到已训练成熟的GA-BP神经网络模型中,输出得到围岩的弹性模量、泊松比、黏聚力、内摩擦角等参数。结果表明:采用GA-BP神经网络反演获得的围岩力学参数,代入到FLAC3D数值模型中正演计算,得到拱顶沉降、周边位移和地表沉降与现场实测值仅相差2.94%,3.16%和4.86%,误差较小;基于GA-BP神经网络的隧道围岩力学参数反演方法精度较高。     

灰色模型在铁路软基沉降预测中的应用

依托上海至南通铁路DK84+420，DK85+900工点的建设，基于灰色理论，建立GM（1，1）灰色模型，分别采用等时矩和不等时矩观测方式，预测了两工点沉降趋势和最终沉降量。研究结果表明:沉降周期三个月内实测数据与预测数据相比，相对误差为4%左右，证明灰色GM（1，1）模型在软土沉降预测上可行；根据实测资料可构建灰色模型时间相应序列方程，预测出断面总沉降值，检验沉降值及沉降速度是否符合规范；同时可构建沉降预测方程，数值模拟沉降趋势。     

基于改进神经网络的路基沉降预测

为克服路基沉降预测方法的缺陷和传统BP神经网络存在的不足,采用Levenberg-Marquardt算法改进了BP神经网络的收敛性,建立了路基沉降预测模型。结合津秦客运专线路基沉降实测数据,将该优化模型与传统的BP神经网络预测模型进行了对比,计算结果表明改进后的BP神经网络在路基沉降预测中精度最高,取得了好的效果。     

运用灰色理论与人工神经网络预测公路沉降

介绍了灰色理论中的G（1,1）模型、BP人工神经网络模型和灰色BP神经网络模型;根据岳阳城陵矶进港道路管桩处理后的路基沉降实测资料,分别运用这三种模型进行沉降预测,并对预测结果进行了分析,比较了这三种方法预测沉降的效果。     

神经网络在填石路基沉降预测中的应用

应用BP神经网络对填石路基沉降进行预测.建立BP趋势提取模型,用以代替常规BP算法中使用三次样条曲线插值的预处理方法,从而使BP预测模型能克服数据波动带来的干扰,大大提高了BP神经网络预测模型的预测效果.     

基于BP神经网络的富水砂层渣土改良试验效果预测

在地铁隧道建设过程中，渣土改良效果是影响盾构掘进速度的关键因素。为确保盾构顺利掘进，以坍落度试验、渗透试验和电阻率测试的结果作为数据样本集，根据深度学习领域常用的数据划分方法将训练集、验证集和预测集按照6∶2∶2进行划分，基于BP神经网络建立渣土改良效果的预测模型，对南昌地区富水砂层进行渣土改良效果预测，并将预测值和实际值进行对比分析。研究结果表明： 坍落度、渗透系数、内摩擦角在模型学习过程中的平均预测值分别为1728 mm、3355×10-6 cm/s、216°，相对误差平均值分别为176%、453%和360%； 预测集的输出结果与实测值的部分数据重合，三者的平均误差均在5%以内，可决系数R2值分别为088、090和085，表明该神经网络结构属于高精度模型。预测结果的误差均在现场渣土改良的允许误差范围内，可见BP神经网络模型能够对渣土改良的效果进行精准预测。     

基于遗传神经网络的再生沥青混合料性能预测研究

以matlab为平台,分别应用BP神经网络和遗传算法优化的BP神经网络对再生沥青混合料的性能进行预测。以旧料掺量、油石比等8个影响因素作为输入层,以动稳定度、残留稳定度等5个性能指标作为输出层,将28组归一化处理后的试验数据进行神经网络的训练、验证和测试。结果表明:遗传算法优化的BP神经网络预测表现出更加精准的预测效果。将遗传算法优化的BP神经网络应用于工程实践中,再生沥青混合料性能预测可以大大提高试验科学性和预见性。     

湿陷性黄土场地强夯夯沉量的预测

以湿陷性黄土地区的大量强夯工程实例为对象,分析、选择了影响夯沉量的五大主控因素作为BP神经网络模型的基本特征量,建立夯沉量与其之间的相关关系的BP网络模型,对夯沉量进行了预测分析。结果表明:BP神经网络模型能真实反映强夯夯沉量与主控因素之间的非线性关系,预测结果与实测值之间的相对误差小于10%,用该模型对强夯夯沉量进行预测是有效的。     

基于IGWO-BP算法的轨道交通短时客流预测

轨道交通短时客流具有随机性和非线性的特点。为提高轨道交通短时客流预测结果的准确度，研究了基于改进的灰狼优化算法（IGWO）与BP神经网络的短时客流预测算法（IGWO-BP）。计算轨道交通客流不同时间序列的相关系数，确定了BP神经网络的输入和输出方式；用余弦思想和动态权重策略对原始灰狼优化算法改进，提高算法的全局搜索能力和寻优效率；用IGWO算法优化BP神经网络的初始权值和阈值，提高短时客流预测结果的准确性。预测了西安轨道交通2号线龙首原站周三早高峰15 min时间粒度的短时客流量，并将IGWO-BP算法的预测结果与其他5种模型（KF，GM，SVM，BPNN，GWO-BP）比较。结果表明，IGWO-BP算法的均方根误差为89.65，平均绝对百分比误差为1.16%，预测结果的精度和稳定性均为最优。      

基于时间序列ACO-BP神经网络在基坑变形预测中的应用研究

BP神经网络技术因其良好的非线性动力学特性、函数逼近能力、自组织和自适应能力,已广泛应用于基坑变形预测中。但实际应用过程中发现BP神经网络具有收敛速度慢、初始权阈值对计算结果影响较大,且易陷入局部最优等缺陷。采用引入具有启发式寻优、全局优化特点的蚁群算法优化BP神经网络,对基坑变形进行预测,并与BP神经网络进行比较。结果表明:ACO-BP神经网络模型预测基坑变形可行;预测精度高于BP模型,且结果稳定、速度较快、误差满足工程的要求。     

人工神经网络在钢渣稳定土强度预测中的应用研究

在分析钢渣土强度影响因素基础上，选取钢渣龄期、钢渣细度、钢渣掺量3种主要因素作为人工神经网络的输入值，钢渣土7天无侧限抗压强度作为输出值，建立了钢渣土强度预测的BP网络模型。研究结果表明:训练BP神经网络时，17组自变量数据中无侧限抗压强度的网络拟合值与实测值基本重合，误差为-4.054%~3.214%。BP网络方法应用于钢渣土强度的预测方面具有较高的精度，预测与实测结果最大相差为0.02 MPa，最大误差为5.556%，可见，基于3参数的BP神经网络模型在钢渣稳定土新型路床材料7天无侧限抗压强度中的应用     

基于遗传神经网络的货运量预测的研究与实现

针对BP网络和遗传算法的缺陷，提出了一种新的遗传神经网络优化模型，可以用来同时优化BP神经网络的网络结构和权值阈值，叙述了该算法的设计过程。利用该算法对货运量进行预测，并与标准的BP算法预测结果进行比较，计算结果表明，该算法的预测精度大大高于标准的BP算法的预测精度。     

基于改进BP神经网络的柴油机故障诊断研究

根据柴油发动机故障与征兆之间关系来建立一种采用BP算法前馈型神经网络结构,然而采用标准BP算法对神经网络训练进行训练,但存在收敛速度慢等问题。因此,又采用添加动量项和自适应学习速率两种方法对标准BP算法进行改进,并将改进的BP算法运用于神经网络训练,结果表明改进的BP神经网络能够改善收敛速度慢的缺点,而且预测故障效果较好。     

改进的BP神经网络在港口物流量预测中的应用

针对传统BP神经网络模型收敛速度慢的缺陷,对其进行改进,以提高收敛速度。经运用厦门港物流出口量的历史数据进行检验分析,给出BP神经网络仿真计算方法,其仿真结果与实际结果比较,具有较高的可信度。证明了改进后的模型加快了收敛速度,提高预测结果的准确性。     

基于BP神经网络的微观交通安全预测方法

将主成分分析及BP神经网络模型引入到道路交通安全性预测中,从微观层面分析影响交通事故的因素,重点分析道路参数,并形成文中的原始数据。对原始数据进行主成分分析,将结果作为神经网络模型的输入,建立BP神经网络模型,对道路交通安全性进行预测。结果表明,基于主成分分析的BP神经网络模型比一般BP神经网络模型精度更高,而且从微观的层面进行分析可以得到道路参数对交通事故的影响。