排序方式: 共有6条查询结果,搜索用时 17 毫秒
1
1.
2.
针对现阶段围岩分级方法存在的主要问题,提出隧道围岩分级的遗传-支持向量分类方法。结合佛岭隧道施工期围岩分级实践,以公路隧道设计规范BQ分级为基准,分别采用岩石回弹强度和掌子面状态替代饱和单轴抗压强度和地应力状态,并增加节理延展性观察的定性指标,在大量现场测试和室内试验的基础上,给出每个分级指标的现场快速测试方法,并以分级结果作为遗传-支持向量分类算法的训练样本,建立隧道围岩分级的遗传-支持向量分类智能模型。佛岭隧道围岩分级实例表明:该模型分级结果与现场勘测基本一致,且较遗传-神经网络模型有更高的分级准确性,为隧道围岩分级提供一种方法。 相似文献
3.
4.
对国内外监测数据分析管理系统开发现状进行调研,分析监测数据分析管理系统的需求,以隧道工程的施工监测项目为应用对象,运用数据库管理和图形可视化技术,采用面向对象的关系数据模型,实现监测数据的录入与存储操作、多视图可视化查询、时态曲线与空间状态曲线图、回归分析、生成报表等基本功能。在此基础上,依据隧道设计规范中围岩稳定判断的相关规定,增加围岩稳定分析与预测专家库功能模块,最终开发完成隧道工程监控量测信息管理系统,并将该系统应用于工程实际,验证该系统的有效性和可靠性,为隧道工程施工监测数据分析提供一个新的工具。 相似文献
5.
隧道施工围岩变形预测的智能模型 总被引:2,自引:1,他引:1
将支持向量回归(SVR)算法引入隧道施工期围岩变形预测,并采用遗传算法来自动搜索支持向量回归算法的模型参数,形成GA-SVR算法。结合香河隧道的施工变形监测,建立起了公路隧道施工围岩变形预测的GA-SVR智能模型。采用此模型对香河隧道后继开挖的监测时间点进行变形预测,并与实测变形对比,所建立的GA-SVR智能模型预测最大相对误差仅为6.99%,平均预测相对误差仅为1.99%,完全可用于公路隧道施工期的围岩变形预测,并为类似工程提供了借鉴。 相似文献
6.
隧道围岩变形预测的进化高斯过程回归模型 总被引:2,自引:0,他引:2
隧道施工围岩变形预测是关系到隧道施工安全和工程质量的关键,至今已出现多种预测模型,但也存在各种问题。本文将高斯过程回归(GPR)引入隧道施工围岩变形预测以克服现有模型存在的问题,针对目前采用共轭梯度法获得GPR模型最优超参数的缺陷,将十进制遗传算法(GA)与高斯过程回归算法相耦合,采用遗传算法在训练过程中自动搜索GPR模型最优超参数,形成GA-GPR算法,并编制相应的计算程序。为了对比,采用遗传算法与支持向量回归(SVR)算法相耦合,形成GA-SVR算法,将这两种算法程序应用于黄榜岭隧道施工围岩变形预测。计算结果对比表明:本文提出的进化高斯过程回归算法明显提高了预测精度,并为类似工程提供借鉴。 相似文献
1