排序方式: 共有14条查询结果,搜索用时 15 毫秒
1.
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
2.
长大隧道软弱围岩施工大变形智能预测方法 总被引:4,自引:0,他引:4
长大隧道软弱围岩段施工大变形预测是保证长大隧道施工安全和工程质量的重要措施。结合宜万铁路堡镇隧道工程,运用BP神经网络和遗传算法进行长大隧道软岩段施工大变形预测。采用遗传算法自动搜索使BP神经网络训练效果最优的网络参数,形成能够反映变形与时程高度非线性和不确定关系的GA-BP算法,建立预测智能模型。将预测时间点输入此智能模型,由BP神经网络优异的泛化性能获得该时间点的变形预测值。堡镇隧道应用结果表明,GA-BP算法具有很高的预测精确度,对连续5d隧道变形预测的最大误差仅为6.68%,完全满足长大隧道软岩段施工大变形预测的需要。 相似文献
3.
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. 相似文献
4.
传统的信息化设计在监测信息处理、信息的反馈分析及初步设计的信息化修正等方面存在不准确、不及时和难以操作的缺点。本文结合铜黄高速公路坞石隧道的施工,将一种改进的支持向量回归(SVR)算法引入隧道工程的信息化设计中。采用十进制遗传算法搜索改进的SVR参数,形成改进的GA-SVR算法,并编制相应的计算程序。坞石隧道的应用结果表明,这种改进的GA-SVR算法无论是对监测数据的拟合预测,还是监测信息的反馈分析都能做到准确快速,在反分析完成后采用改进的GA-SVR算法进行3个开挖步内的位移超前预报也具有较高的精度。最后提出一种基于此算法的初步设计最优化修正方法,形成以此算法为核心的完整的隧道工程信息化设计方法,具有快速、操作简单和计算准确的优点。该算法可以在隧道工程中使用。 相似文献
5.
6.
7.
支持向量机(Support Vector Machines,SVM)算法具有小样本、全局优化和泛化性能好的优点,且不存在过拟合的弊病.结合张石高速北口隧道浅埋偏压段的施工,将一种改进的支持向量机算法引入隧道工程位移反分析,并采用遗传算法在样本训练阶段自动搜索训练效果最优的SVM参数,建立起围岩力学和初始地应力参数与洞周位移的非线性SVM映射;然后,以遗传算法在围岩力学和初始地应力参数范围内,自动搜索能使SVM计算位移与实测位移最接近的参数组合,完成围岩力学和初始地应力参数的智能辨识.应用结果表明,这种新型的智能位移反分析法能在监测数据有限的情况下,高精度地反演辨识围岩力学与初始地应力场参数,为围岩变形超前预报提供计算参数以指导施工,并为类似工程提供借鉴. 相似文献
8.
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
9.
10.
高速公路连拱隧道施工变形预测的GA-SVR智能模型研究 总被引:1,自引:0,他引:1
基于连拱隧道支护结构繁多,施工工序复杂,同时由于施工影响,现场监测数据较少且数据误差较大,造成传统方法很难用于连拱隧道的施工变形预测。针对于此,支持向量回归(SVR)算法可以任意精度逼近任意函数,与神经网络相比具有小样本、全局优化和泛化性能好的优点。本文结合铜黄高速公路富溪连拱隧道的施工变形监测,采用遗传算法来优化支持向量回归算法的模型参数,形成GA-SVR算法,建立起了连拱隧道变形预测的GA-SVR智能模型。采用此模型对富溪隧道后继开挖的监测时间点进行变形预测,并与GA-BP模型对比可以看出本文所建立的GA-SVR智能模型具有极高的预测精度,完全可用于连拱隧道施工期的变形预测,也为类似工程提供了借鉴。 相似文献