基于线性规划支持向量机的隧道围岩变形预测

支持向量机(SVM)以其良好的学习性能被广泛应用于包括隧道围岩变形在内的时间序列预测,核函数形式对其预测能力有重要影响,故灵活运用核技巧来增强推广性能已成为支持向量机应用研究的一个重要方面.对于标准SVM及最小二乘支持向量机(LS-SVM),由于其核函数必须满足Mercer条件,因而大大限制了核函数选取范围,制约着推广能力的进一步提升.为此引入一种新型的时间序列预测模型--线性规划支持向量机(LP-SVM),因其核函数不必满足Mercer条件,从而为灵活选取核函数提供了方便.将新预测模型应用于岭南高速公路雪家庄隧道围岩变形预测,分析结果表明,在同时采用径向基(RBF)核函数的情况下,LP-SVM与LS-SVM的预测精度非常接近,能够满足工程需要,但由于前者的核函数可以在更大范围内选取,使其预测性能具有更大的提升空间,从而为岩体变形预测提供了一种更具潜力的新途径.     

基于最小二乘支持向量机的公路工程造价预测模型

由于公路工程造价的影响因素错综复杂,且历史数据非常有限,使公路工程造价预测成为典型的小样本条件下非线性回归问题。针对传统的回归方法解决这类问题的不足,该文提出一种新型的公路工程造价预测模型。该模型基于最小二乘支持向量机的基本原理,结合公路工程的具体特征,实现了公路工程造价的智能化预测。新模型充分发挥了最小二乘支持向量机在解决有限样本及非线性回归问题中的优势,建立了较准确的预测模型,且训练速度较普通支持向量机更快。实证数据分析验证了本模型的有效性。     

基于蚁群优化支持向量机的公路隧道围岩变形预测模型及应用

为及时掌握隧道施工中围岩变形趋势以便采取措施加以控制,采用基于结构风险最小化的支持向量机(SVM)进行预测。介绍支持向量机的基本原理,研究蚁群算法(ACO)实现支持向量机参数优化的方法,构建ACOSVM模型。对某公路隧道随机选取的2个监测断面的预测结果表明,该模型预测精度较高,泛化性能较好,用蚁群算法进行SVM参数优选是一种简单、优选的方法,可以有效指导隧道的施工。     

基于最小二乘支持向量机的城市客运量预测模型

针对城市公路客运量预测中存在的非线性、复杂性和不确定性,提出了一种基于最小二乘支持向量机的城市客运量预测模型.结合西安市历年城市客运量数据,编程实现该预测模型,仿真结果表明了该预测模型的有效性.     

基于PSO-LSSVM的高速公路短时行程时间预测

高速公路行程时间预测对指导公众出行具有重要意义。鉴于高速公路数据采集难,文中以高速公路收费数据为研究对象,建立最小二乘支持向量机模型对高速公路行程时间进行预测,并引入粒子群算法对最小二乘支持向量机的参数进行优化;利用广东某高速公路收费数据进行验证,结果显示该模型与以往研究相比其相对误差较小,用于高速公路行程时间预测具有一定的可靠性和实用性。     

基于小波降噪与最小二乘支持向量机的公路软基沉降预测模型

根据沉降数据的特性,以最小二乘支持向量机为核心技术构建预测模型,提出了一种路基沉降预测的新方法。由于测量误差不可避免,沉降数据通常含有噪声,不宜直接进行拟合,因此首先采用小波分析的方法对原始沉降数据进行降噪预处理,然后馈送到最小二乘支持向量机完成沉降预测。最后用某高速公路实测数据进行了实例分析,并与BP神经网络预测结果进行了对比,计算结果表明,小波分析结合支持向量机的模型有较好的预测精度,将该模型应用于公路软基沉降预测是可行的和值得研究的。     

基于相空间重构和支持向量机的盾构滚刀岩机实验台轴承状态趋势预测

以盾构滚刀岩机作用实验台为研究对象,提出一种基于相空间重构和最小二乘支持向量机的盾构轴承状态评估及预测方法。该方法将一维时间序列重构到高维相空间中,利用相点作为支持向量机输入,自适应地对特征进行选取,并结合支持向量机非线性回归的优点,可有效预测轴承的运行状态。对实际采集的盾构滚刀岩机实验台的轴承信号进行研究分析,发现本算法的预测结果明显优于BP神经网络。将本文算法应用于工程实践,可以对盾构关键轴承状态评估和预测,能够为盾构轴承的定期保养和维修提供有效的指导。     

基于支持向量机-粒子群算法的山区公路隧道造价预测

采用最小二乘支持向量机(LSSVM)与粒子群优化算法(PSO)相结合的方法,以隧道工程分项工程技术指标为基本参数,对山区高速公路隧道工程造价进行管理和预测,基于支持向量机算法实现山区高速公路中隧道的工程特性与各分项工程造价指标之间的复杂非线性映射。建立的造价预测模型估算得到的造价与样本的实际造价误差可控制在10%的范围内,说明该预测模型可用于山区高速公路的隧道工程造价估算,并为公路工程造价人员提供了一种实用的工具和方法。     

基于自适应核密度估计的桥梁短时风速预测方法

为准确、高效地预测桥梁短时风速,提出一种基于自适应核密度估计(AKDE)的桥梁短时风速预测方法。该方法以AKDE为手段,通过历史风速获得实测风速样本总体的概率密度估计,在进行风速预测时,以当前风速样本为条件,在风速样本总体中匹配和估计预测状态的风速统计信息,从而实现对未来时刻单点风速和区间风速的预测。采用藏木雅鲁藏布江大桥现场实测风速数据对该方法进行验证,并与最小二乘支持向量机(LS-SVM)方法进行对比。结果表明:该方法可同时实现对短时单点风速和区间风速进行精度较高的预测,且与LS-SVM方法相比具有更高的计算效率,可满足实际工程快速预测风速的需求。     

基于掘进参量反演的TBM围岩等级预测识别方法研究

为探究TBM掘进参量和围岩等级关系，达到岩机信息互馈感知动态调整，辅助TBM主司机优化调整掘进参数的目的。采用数据清洗、分布统计和智能预测等手段,建立了一种基于自组织神经网络聚类和最小二乘支持向量机相结合的围岩等级预测识别方法（SOM-SVM）。主要结论如下： 1）单个完整TBM掘进循环可分为空推段、上升段与稳定段，各掘进参量近似服从正态分布关系。2）推力切深指数（FPI）和刀盘转矩旋转切深指数（TPI）可反映隧道岩石掘进难易程度，FPT、TPI和围岩等级近似呈线性关系，可用该参量作为岩机敏感因子反演预测识别围岩等级。3）干扰异常数据样本点的预处理对SOM-SVM围岩预测模型收敛中心和波动半径有一定影响，数据预处理是保证围岩等级预测识别准确的关键。4）经标准试验数据样本和工程数据验证，不同的支持向量机核函数对围岩等级预测识别影响很大，线性核、多项式核、高斯径向基核函数围岩综合识别率分别为70.8%、81.2%、87.6%，围岩等级预测识别模型预测精度高、鲁棒性好。     

基于支持向量机的物流配送中心选址决策

建立了选址决策的模糊评价矩阵,应用支持向量机方法(SVM)来处理数据,进行物流配送中心的选址决策。支持向量回归机根据所提供的数据,通过学习和训练,找出输入与输出的内在联系,从而求取问题的解,而不是根据经验知识,因而具有自适应功能,能弱化指标权重确定中人为因素的影响。与传统方法相比较,有较好的泛化能力,能较客观地对多个选址方案的优劣进行评价。最后,引用实例说明利用支持向量回归机完成评价工作的全部步骤。     

基于支持向量机模型的深基坑变形预测研究

支持向量机是近年来在统计学习理论基础上发展起来的一种新的模式识别方法,在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势.将支持向量机用于基坑变形预测,根据基坑位移的实测时间序列资料,建立基坑位移与时间的关系模型.将实际基坑工程监测资料作为学习训练样本和测试样本,将模型计算结果与实际监测值进行对比分析、研究....     

新乌鞘岭隧道软岩大变形悬臂掘进机施工控制技术研究

为解决新乌鞘岭隧道8号、9号、10号斜井工区正洞在千枚岩、板岩等软弱破碎岩体前期施工中出现的掌子面频繁溜塌、初期支护开裂、变形扭曲等问题,在对地质预报、监控量测和围岩松动圈等数据分析以及三台阶钻爆法施工支护存在的问题研究的基础上,采用现场试验的方法,研究玻璃纤维锚杆超前加固、超前大管棚支护、悬臂掘进机预留核心土两台阶机械法开挖工法、合理预留变形量以及增强初期支护的锁脚锚固、桁架结构加强初期支护纵向连接、径向注浆加固围岩等措施。经现场应用表明： 1）对于高地应力软弱围岩隧道,采用预留核心土两台阶大断面悬臂掘进机铣挖法施工技术是可行的,结合超前加固、支护结构补强等措施后,支护结构累计变形较前期减小一半以上,支护结构变形可控。2）采用悬臂掘进机开挖,隧道平均线性超挖量可控制在15 cm以内,相比钻爆法喷射混凝土平均超挖率由120%减小至60%,工序循环时间减少3 h左右,月施工进度由25~35 m提升至50~60 m。3）高地应力软岩大变形控制应在合理工法、合适设备、合理预留变形量和具有一定抵抗变形能力的支护结构之间找到平衡点。     

最小二乘支持向量机-粒子群算法在地下厂房围岩参数反分析中的应用

为准确确定地下厂房围岩的弹性模量、泊松比、黏聚力、内摩擦角、侧压力系数等参数,以正交设计、最小二乘支持向量机和粒子群算法等现代数学方法为基本手段,建立基于位移增量的围岩参数反分析方法。以CCS水电站大型地下厂房为研究背景,通过工程地质条件研究选取8#机组剖面作为分析对象,采用二维弹塑性有限元方法建立地质结构分析模型。以地下厂房洞室群分层开挖多点位移计实测位移增量为依据,对CCS水电站地下厂房区域围岩力学特性及地应力场特征进行反分析。研究结果表明： 主厂房第Ⅵ层与第Ⅰ层开挖和主变室第4层与第1层开挖所产生的位移增量计算值与多点位移计实测值吻合较好,最大相对误差小于10%,说明采用最小二乘支持向量机和粒子群算法相结合的反分析方法在工程上是可行的,且效果较为显著。     

基于数量化理论Ⅲ和极限学习机在小净距隧道变形影响因素分析中的应用研究

为实现小净距隧道变形影响因素的定量评价,保证隧道变形规律的有效分析,采用数量化理论Ⅲ对小净距隧道的变形影响因素及其耦合性等进行定量分析,并利用极限学习机构建隧道变形预测模型,以验证前者分析结果的准确性。实例分析结果表明： 隧道变形的主导因素有围岩重度、变形模量、泊松比、内摩擦角和黏聚力,重要因素有围岩剪胀角、隧道埋深、喷射混凝土厚度、锚杆长度及隧道间距,而隧道围岩侧压力系数为一般因素; 隧道变形影响因素间存在耦合性,且分析样本4、6、16、18的耦合度高,其余样本的耦合度均为低; 另外,极限学习机的预测结果表明一般影响因素会减弱变形影响因素与变形值间的关联性,对变形规律分析不利,这与变形影响因素分析成果一致,且极限学习机对各监测项目的变形预测效果均较好,验证了该方法在隧道变形预测中的适用性和可靠性。     

基于PCA-SVM的边坡稳定性预测模型研究

提出了一种基于主成分分析(PCA)和支持向量机(SVM)的边坡稳定性预测模型。首先分析了影响边坡稳定性的因素,采用主成分分析方法求取主成分;再将主成分作为输入对支持向量机进行训练,并利用遗传算法优化支持向量机参数;最后通过实例与常用寻参方法所得结果进行比较。结果表明,该法能减少输入变量维数,提高了边坡工程稳定性的预测精度。     

基于机器学习的汽车后视镜气动噪声预测方法

针对传统风洞试验、数值模拟等方法计算噪声值费时长、资源消耗大等问题,提出一种基于机器学习的气动噪声预测方法。以后视镜特征参数为数据集输入,对不同特征参数下的后视镜模型进行瞬态流场与声场联合仿真,将计算得到的总声压级值作为数据集输出,分别用不同数量的样本数据训练支持向量回归机,通过建立的预测模型对同一测试集进行预测得到总声压级预测值。结果表明,基于支持向量回归机的预测方法能得到与计算值误差较小的预测结果,在较少样本数据支撑下也具有较高的预测精度,可用于汽车后视镜气动噪声的预测。