基于时间序列与神经网络的软岩隧道变形预测模型及其应用

针对软岩隧道具有变形量大、变形分析困难和稳定性差等特点以及传统的变形分析方法过于单一和精度低等问题,分别运用时序分析和神经网络方法对软岩隧道变形进行了预测,以单个方法的预测结果为基础,结合IOWHA算子,根据各方法的预测精度计算出它们在组合模型中的权重,建立了组合预测模型.通过工程监测获取原始数据,运用组合预测方法得到相应的预测结果,并将其与单个方法的预测结果进行了对比分析.研究结果表明:新的组合预测方法能够综合时序分析和神经网络方法的优势,预测结果精度明显提高,该方法的应用对具体软岩隧道的稳定性评价及隧道工程的施工与维护具有一定的指导意义.     

软岩大变形隧道施工技术

就软岩大变形隧道施工技术进行研究,了解软岩大变形发展历程,并以具体工程案例分析软岩大变形隧道的变形特点及变形原因,最后阐述变形控制技术要求,从而更好地提高软岩大变形隧道的施工质量.     

高地应力软岩大变形隧道施工技术阐述

高地应力软岩隧道施工具有风险大、变形大、工期长等多项特点,因此在具体施工中,要做好相应的分析工作,从而确保工程的合理施工。     

软岩大变形隧道施工质量控制研究

软岩大变形主要是由深埋隧道高地应力、富水情况或通过断层破碎带所造成。本文通过分析江木拉隧道软岩大变形施工情况,发现软岩变形危害主要是初支开裂和剥落掉块;采取超前大管棚、增加锁脚、型钢支护、周边围岩注浆等支护加强措施,能减少隧道变形量及变形速率;结合超前地质预报、隧道设计文件及附近断面监控量测数据分析情况,及时调整隧道支护参数,能降低软岩对施工带来的不良影响。     

特长软岩公路隧道结构设计与稳定性分析

介绍了特长软岩公路篮家岩隧道结构设计过程,借助于有限元数值模拟方法,采用梁一弹簧模型模拟衬砌结构,进行了隧道结构的力学特性分析,通过对其二次衬砌进行受力计算及稳定性分析,阐述软岩隧道段设计思路及支护手段,验证可支护参数的合理性及可靠性。     

新建软岩偏压隧道病害整治施工技术

本文以清连一级公路１０７国道扩建工程六甲洞隧道为研究对象，通过病害原因分析，整治原则的确定以及信息化施工，成功地解决了新建软岩偏压隧道病害整治施工。     

侵入岩蚀变带软岩隧道大变形规律与稳定性研究

以安定隧道为工程背景,采用三维离散元方法对侵入蚀变岩破碎软弱围岩段隧道开挖大变形进行了数值模拟计算,分析了开挖进尺、台阶长度、台阶高度、裂隙密度等对隧道变形的影响规律,确定了台阶法施工时开挖参数的合理范围：开挖进尺为0.5～1.0 m、台阶长度为4～6 m、台阶高度为0.3H～0.4H。通过芬纳公式和卡斯特耐方程对隧道极限容许位移公式进行了修正,实践证明改进后的方法对隧道围岩稳定性判别更合理。     

用有限元模拟软岩蠕变对隧道结构的影响

选用适当的软岩蠕变模型，建立了软岩围岩隧道的有限元计算模型，并以某修建在软岩地段的公路隧道为例，分析了隧道锚杆和支护施工的时间对其变形和内力的影响．另外，该模型也可应用于其它软土地下工程．     

软岩大变形隧道施工技术探讨

基于兰渝铁路两水隧道的施工实例,分析了软岩隧道大变形的特点,归纳了控制软岩大变形的施工技术.     

软岩隧道开挖的数值模拟与研究

采用应力释放法对某软岩隧道开挖进行二维有限元模拟,计算参数．以及洞周围岩位移释放量与围岩应力释放量的变化关系,的依据。可得到不同荷载释放系数下隧道开挖后软岩隧道的多个从而为工程设计的精确性分析和施工的及时性提供合理     

基于混合自回归模型和神经网络的时间序列预测

在求出混合自回归时间序列模型的成分个数的基础上, 应用BP神经网络对时间序列进行了预测, 并对模型进行了数值模拟表明该预测模型的具有较高的精确度和广泛的应用前景.     

Intelligent direct analysis of physical and mechanical parameters of tunnel surrounding rock based on adaptive immunity algorithm and BP neural network

Because of complexity and non-predictability of the tunnel surrounding rock, the problem with the determination of the physical and, mechanical parameters of the surrounding rock has become a main obstacle to theoretical research and numerical analysis in tunnel engineering. During design, it is a frequent practice, therefore, to give recommended values by analog based on experience. It is a key point in current research to make use of the displacement back analytic method to comparatively accurately determine the parameters of the surrounding rock whereas artificial intelligence possesses an exceptionally strong capability of identifying, expressing and coping with such complex non-linear relationships. The parameters can be verified by searching the optimal network structure, using back analysis on measured data to search optimal parameters and performing direct computation of the obtained results. In the current paper, the direct analysis is performed with the biological emulation system and the software of Fast Lagrangian Analysis of Continua (FLAC3D. The high non-linearity, network reasoning and coupling ability of the neural network are employed. The output vector required of the training of the neural network is obtained with the numerical analysis software. And the overall space search is conducted by employing the Adaptive Immunity Algorithm. As a result, we are able to avoid the shortcoming that multiple parameters and optimized parameters are easy to fall into a local extremum. At the same time, the computing speed and efficiency are increased as well. Further, in the paper satisfactory conclusions are arrived at through the intelligent direct-back analysis on the monitored and measured data at the Erdaoya tunneling project. The results show that the physical and mechanical parameters obtained by the intelligent direct-back analysis proposed in the current paper have effectively unproved the recommended values in the original prospecting data. This is of practical significance to the appraisal of stability and informationization design of the surrounding rock.     

基于马尔可夫链与神经网络组合的路面使用性能预测

在分析路面使用性能影响因素的基础上,结合马尔可夫过程链预测与BP神经网络预测的优势,提出一种组合预测模型;探讨了模型组合形式及参数确定方法;结合河南某高速公路工程实测资料进行了实证分析。结果表明:通过预测模型的合理组合与参数的优选,能够有效地提高预测精度。     

�������ģ�͵������˼�ָ��������Ԥ��

分析原油价格对油轮运价指数的影响关系,并预测油轮运价指数发展变化趋势.本文通过Granger因果关联分析,原油价格是油轮运价指数的3阶Granger因.因此,建立了3阶ARCH模型对油轮运价指数进行了预测,预测精度在8%之内.根据油轮运价指数的自身非线性变化趋势,建立了三层BP神经网络模型预测油轮运价指数的发展趋势,精度在3%以内.为进一步提高模型的预测精度,结合ARCH预测模型和BP神经网络预测模型的特点,通过预测误差最小化模型,确定组合权重,建立了新的组合预测模型对未来油轮运价指数进行分析预测,模型的精度控制在2%以内,预测精度显著提高.此研究对油轮运价指数的预测提供了较好的方法.     

基于非线性主成分分析和GA-RBF的高速公路交通量预测方法

为了提高高速公路交通量的预测精度, 综合考虑高速公路交通量的高度非线性和受多因素影响的特征, 提出一种基于非线性主成分分析和GA-RBF神经网络(NPCA-GA-RBF) 的高速公路交通量预测方法; 确定了高速公路交通量的主要影响指标, 运用非线性主成分分析法降低高速公路交通量影响指标的维数及其相关性, 用少数主成分代替原有的多指标, 以简化神经网络结构; 利用GA优化RBF神经网络的参数, 进一步提高交通量的预测精度; 以普洱市某高速公路为例, 对交通量预测方法进行实例验证。分析结果表明: 2组试验GA-RBF和NPCA-GA-RBF方法的平均相对误差分别比RBF方法降低1.62%、3.53%和2.27%、3.32%, 说明GA优化RBF神经网络能提高RBF方法的交通量预测精度; 与GA-RBF方法相比, 2组试验NPCA-GA-RBF方法的平均相对误差分别降低了1.91%、1.05%, 其交通量预测值更接近实际交通量, 预测结果更为可靠, 表明非线性主成分分析法消除了指标的相关性, 进一步提高了交通量预测精度, 减少了交通量预测复杂度。可见, NPCA-GA-RBF方法具有更高的交通量预测精度, 能为高速公路的良好管理提供可靠的决策依据, 满足高速公路合理运营管理的客观需求。     

基于BP神经网络与D-S证据理论的路段平均速度融合方法

为精确估计路段平均速度, 提出了基于BP神经网络与D-S证据理论的路段平均速度融合方法。通过训练完成的BP神经网络估计概率密度函数值, 进而通过D-S证据理论进行数据融合, 整合了BP神经网络自学习的特点与D-S证据理论推理的能力。提出了融合方法的框架, 给出了具体的计算模型。利用京藏高速公路上的实测浮动车数据、微波检测器数据、车牌识别数据对融合方法进行了验证, 并分析了当微波检测器失效时融合方法的鲁棒性。分析结果表明: 融合数据的平均绝对误差百分率比仅使用浮动车数据或微波检测器数据分别提高了7.90%、20.72%, 融合方法能够得到较好的效果。微波检测器失效的情况下, 融合精度有所下降, 但融合数据的误差仍然小于仅使用浮动车数据的误差, 说明融合方法具有一定的鲁棒性。     

一个基于灰色神经网络组合的交通量预测模型应用研究

GM模型在预测中对历史数据作不同取舍时,其预测值并不相同,即这种预测结果将是一个预测值的区间,这就给预测人员的取舍带来一定困难。利用GM模型少数据建模和人工神经网络非线性逼近的优点把两种模型结合起来,用对历史数据作不同取舍的GM模型的预测值和纯神经网络的预测值作为组合神经网络的输入,由人工神经网络确定这些不同GM模型和纯BP网络的组合,实例验证得出更为准确的预测值,从而证明这一模型的可行性和有效性。     

西部红层软岩地质特性及其对路基结构稳定性的影响

红层软岩对于高等级公路建设影响较大.本文阐述了我国西部红层软岩的分布及其地质特性,描述了红层软岩的岩体结构特征和工程特性,包括变形特征、抗剪强度特征、水理性质和软岩夹层问题,在此基础上,进一步分析了红层软岩对公路路基结构形式和稳定性的影响,并提出了相关的处治措施.     

基于迁移学习和卷积神经网络的牵引电机轴承健康评估方法

针对牵引电机轴承健康评估中带标签的全寿命周期振动数据获取与可反映轴承性能退化趋势的健康指标构建困难的问题,提出了一种基于迁移学习和卷积神经网络的牵引电机轴承健康评估方法;采用迁移学习,以带标签的轴承全寿命周期数据集为源域数据,以综合试验台数据为目标域数据,构建数据集;采用欠采样与合成少数类过采样技术对全寿命周期数据集进行扩充与平衡,得到了卷积神经网络训练所需的有效样本数量;在时域和频域上提取描述轴承退化过程的特征,利用卷积神经网络,遵循轴承性能退化规律的浴缸曲线,对基本特征进行融合, 构造了健康评估指标。分析结果表明: 在电机轴承轴电流损伤的健康评估中,所提出的基于迁移学习和卷积神经网络的健康评估方法的准确率为98.17%,遵循直线型、二次函数型和抛物线型退化规律构建健康指标的方法的准确率分别为86.61%、89.56%、91.30%,因此,所提评估方法准确率最大,具有更佳的评估效果,并且实现专家知识与神经网络学习知识的结合,降低了故障特征维度,解决了健康指标构建困难的问题,通过跨设备迁移学习实现了牵引电机轴承的健康评估。