基于灰色系统的桥梁长期变形预测研究

针对大跨径预应力混凝土箱梁桥长期变形影响因素众多,影响机理不明确,计算理论不完善的现状,基于灰色预测理论,以虎门大桥辅航道桥的实测挠度数据为基础,建立桥梁长期变形预测系统,计算结果表明:只要对原始数据作合理的处理,预测系统计算得出的数据精度完全能够满足工程需求,这为桥梁长期变形控制提供了一种依据.     

基于BP神经网络的基坑变形预测

基坑工程施工中,需要根据现场实际情况、周围环境、建筑安全等级等对变形进行严格控制。通过对基坑实测变形数据进行整理和分析,对未来变形量作出预测,保证基坑安全。结合BP神经网络的高度非线性映射能力,提出了一种基于BP神经网络的基坑变形时间序列预测方法。在基坑开挖过程中,采取滚动预测的方法,不断利用前期已有实测数据建模预测后期变形量,以实现信息化施工和动态控制。实例分析表明,BP神经网络模型具有较高的预测精度,并能获得满意的预测结果。     

基于动态递归神经网络的地连墙安全预测

对于深基坑开挖时地连墙的安全状态做到及时掌控和预测,是基坑工程的重要内容。通过对深基坑测斜数据的地连墙弯矩反分析,得出地连墙的内力发展状况;基于动态递归神经网络基本原理,预测地连墙水平位移和内力的下一步发展趋势。据此,提出了一套掌握深基坑地连墙变形和内力安全状况,并预测以后安全走势的实用方法。研究发现,该预测方法能够在施工时,从变形和内力两个方面及时了解深基坑地连墙的安全状态,在一定程度上节省基坑监测开支。     

基于BP神经网络学习模型对桥梁变形数据处理研究

桥梁的变形预测对桥梁的安全性能研究具有重大意义。利用神经网络的自主学习能力,建立了BP神经网络学习模型,对已测得实际数据进行学习处理,修正权值,预测未来数据变化。结合MATLAB8.0软件进行了程序流程图设计与程序实现。以杭州湾跨海大桥为例,选取前10期检测数据作为学习样本,选取后5期检测数据作为预测期望值,与传统GM模型进行对比,证明了BP学习模型的可靠性与高精度,可以用来对大桥的变形量进行良好的预测。     

基于模糊神经网络的PC桥梁使用性能预测

目前,桥梁预防性养护理念已得到广泛应用.为找到PC桥梁合适的养护时机以更好地进行养护决策,需要对PC桥梁使用性能进行预测.将PC桥梁使用性能分解为若干个指标,采用模糊神经网络法对这些指标数据进行运算,并以上滩大桥为例进行桥梁使用性能预测.结果 表明,发现实测值与预测值之间最大相对误差在5％以内,满足精度要求.研究结果证...     

基于BP神经网络基坑支护结构变形预测研究

为了精确的预测佛山某建筑基坑变形情况,提出了一种BP神经网络多数据纵向预报方法,选取前三次的多个测点数据进行预处理,然后再对BP神经网络分析、训练、测试,并分析隐含层数对预测精度的影响,通过对比试算确定隐含层数目,最终达到能够高精度预测基坑支护结构水平位移和沉降。结果表明:所提出的方法可以精确地预测基坑变形,对工程建设具有一定的参考价值。     

基于BP神经网络的高速公路地基变形的预测

介绍并举实例说明人工神经网络这种数学工具可以以任意精度逼近任意非线性曲线,且具有容错性和联想记忆功能,利用基于人工神经网络和反向传播理论的分析方法,对软土地基变形进行预测具有较大的优越性。     

基于灰色BP神经网络组合模型的基坑变形预测研究

为了使得基坑变形预测在“少样本”“贫信息”的情况下依然能够得出精度较高的结果,在传统的灰色GM(1,1)模型和BP神经网络模型的基础上,进行了灰色BP神经网络组合模型的研究。通过总结2传统模型的原理和算法,归纳各自的优缺点,分析2模型在本质原理上的关系,提出了构建组合模型的方法。利用广州市轨道交通三号线燕塘站的监测数据,对灰色GM(1,1)模型、BP神经网络模型和灰色BP神经网络组合模型分别进行了检验,肯定了组合模型的优越性。     

基于松散型小波神经网络的某隧道仰坡变形趋势研究

针对某隧道洞口仰坡的稳定性问题,首先选取松散型小波神经网络对仰坡的沉降变形进行预测,再利用秩相关系数检验和Mann-Kendall检验对仰坡的变形趋势进行判断;结果表明:不同小波函数的去噪效果不一致,其中监测点#5采用db4小波的去噪效果最好,而监测点#6则是采用db7小波的去噪效果最好;另外,秩相关系数检验和Mann-Kendall检验在仰坡变形趋势的判断中具有很好的一致性,均得出两监测点的变形趋势是往减小方向发展,仰坡变形趋于稳定,可以安全地进行后期施工。     

基于小波去噪和神经网络的滑坡变形组合预测研究

基于滑坡的变形监测数据,首先探讨了小波去噪过程中各参数对去噪效果的影响规律,选取最优的小波去噪数据作为趋势项序列和误差项序列的分解依据,再利用BP神经网络和RBF神经网络对两序列进行预测,并与传统预测进行对比分析,最后对组合预测的效果进行探讨研究。结果表明:在滑坡变形数据的去噪过程中,以采用sym 4小波函数、固定式阈值、硬阈值选取阈值和7层小波分解时的去噪效果最好,并由后期预测结果可知其分项预测的效果要优于传统单项预测的效果,且线性组合预测对误差精度的提高有限,而非线性组合预测对误差精度的提高较大。通过上述研究,为滑坡的变形组合预测研究提供了一种良好的方法。     

基于神经网络的桥梁施工控制研究

将神经网络方法结合Matlab用于处理大跨度预应力混凝土连续梁挢施工控制中的箱粱线形控制的误差预测和调整。由于受诸多因素影响,标高的实测值与理论计算值有一定的差异,只有通过前期预测和后期调整相结合,才能保证成桥实际状态同设计要求一致。神经网络可利用实测样本的自学习达到到此目的。应用实例表明神经网络法的预测精度高,这对同类桥梁的施工控制具有一定指导意义。     

通渝隧道围岩变形的神经网络预测

隧道新奥法施工中，常以围岩变形量作为评判围岩稳定性和支护结构经济合理性的重要指标。公路隧道围岩变形量是随时间而变化的数据序列，因而可以建立一些实时跟踪预测模型和方法。根据通渝隧道围岩拱顶下沉位移变形的特性，采用神经网络技术来预测其变形量，结果表明该方法简易、有效。     

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。     

交通流量的递归神经网络实时预测模型研究

智能交通系统是目前世界上公认的解决城市交通拥堵问题的有效措施,实时、准确的交通流量预测是智能交通系统实现的关键技术之一。提出一种基于递归神经网络的交通流量实时预测模型,这种预测模型通过联系单元对神经网络的输出进行反馈,因而具备动态记忆能力,可以实现对交通流量的快速、准确预测。应用实例验证了所提出的递归神经网络预测模型的有效性。     

BP神经网络在基坑变形预测中的应用研究

结合某桩锚支护深基坑工程,针对不同工况,利用监测数据作为输入建立BP神经网络模型,预测桩体水平位移。结果表明,不同工况下的预测精度不同,桩体位移较大时预测精度较高,位移较小时预测精度较差;对于工况变化时位移曲线的变化趋势,预测结果的适应性良好;BP神经网络预测桩体水平位移具有较高的可行性和可靠性。     

基于小波神经网络的隧道变形预测模型研究

针对单一模型在隧道变形预测上精度不高的问题,提出了一种基于小波分析理论的神经网络模型,该模型克服了BP神经网络模型存在的收敛速度慢、结构设计盲目、易陷入局部极小点的缺陷,通过将该模型与时间序列模型、Levenberg-Marquardt法BP神经网络模型、遗传神经网络模型预测的结果比较,可以看出小波神经网络在隧道的变形预测中网络结构更简单、收敛速度更快、预测精度更高。     

基于遗传神经网络的交通流量预测研究

针对BP神经网络用于交通流量预测时存在的不足,采用遗传算法优化BP神经网络初始权值的方法来提高BP网络的性能.应用改进前后的BP神经网络模型对长沙市具体路段的交通流量进行预测,通过预测结果对比,发现经遗传算法改进后的BP神经网络在降低预测平均误差的同时,迭代次数也比标准BP神经网络大大减少.     

基于机器学习的基坑变形预测研究

为确定施工现场深基坑沉降变形值,结合3种机器学习算法,建立沉降量与相关因素之间的非映射关系,并以上海某基坑为例对沉降量进行预测。结果表明,相比支持向量机和决策树算法,随机森林算法具有较高的预测精度,其拟合优度R²和均方根误差RMSE分别为0.96、1.13,能很好地预测基坑变形量;内摩擦角对基坑沉降的影响最显著,土层渗透系数的影响较小。     

BP神经网络算法预测路基边坡滑坡变形的应用研究

为了准确掌握降雨量与路基边坡滑坡变形之间的关系,在对金温货线铁路K135+900～K136+400滑坡区域降雨量及路基边坡滑坡变形进行长达3年监测的基础上,采用BP神经网络算法,以前期累计降雨量和累计变形进行样本训练,建立网络关系,并以实测数据加以验证,模型能够对降雨条件下的变形演化发展做出较为准确的预测.研究成果已作...     

基于神经网络的交通事故预测

提出了交通事故预测的新方法－改进型BP神经网络，运用该网络对我国交通事故进行了预测分析。