融合人工智能算法的铁路路基沉降预测方法

首先利用三阶多项式拟合、GM(1,1)和BP神经网络等算法构建了铁路路基沉降单预测模型；然后基于误差法和熵值法，以合肥地铁4号线盾构隧道下穿既有铁路的监测数据为基础，融合三阶多项式拟合、GM(1,1)和BP神经网络构建了组合预测模型，实现铁路路基沉降的分阶段预测；最后，利用平均绝对误差、均方误差和平均绝对百分比误差评价模型精度。结果表明：基于误差法和熵值法的组合预测模型能显著提高预测精度，预测相对误差均小于±5%，预测均方根误差均小于±0.1 mm，验证了提出的组合预测模型的有效性。     

基于序贯平差的沉降预测模型高效更新方法

沉降预测对于保证工程建筑物的正常使用寿命和安全性具有重要意义，而沉降预测模型更新又是其中的重要环节。针对沉降预测模型传统更新方法效率低、历史数据依赖性强的问题，用序贯平差取代传统最小二乘间接平差，得到一种新的模型更新方法。该方法能够大幅度减小数据的计算量与存储量，显著提升算法效率，并提高模型更新的可靠性。同时，配合该方法的特性，推导出新的相关系数递推算法用于模型评价。利用沪苏通长江公铁大桥的工程沉降数据进行算例验证，对比分析两种方法的更新过程与成果。结果表明：新方法正确高效，具备较好的实用价值，可广泛应用于铁路、公路、桥梁等工程中。     

改进灰色模型在地基沉降变形的预测应用研究*

沉降变形监测与预测是施工的重要环节，然而因为成本及监测点破坏等客观情况，沉降数据往往出现不完整或时间间隔不固定的问题，导致预测精度的下降。本文针对普通灰色预测模型的局限性进行了改进，并结合某码头项目深厚软黏土层的沉降监测数据，对其进行了验证，结果表明：1）改进与普通灰色预测模型的相关系数R2均大于0.9，平均误差率都小于15%。2）相较于普通灰色预测模型，改进灰色预测模型预测曲线的中后段更贴近沉降监测数据，模型整体精度较高，证明了新模型的优越性。3）S17预测精度最差，可能由于沉降数据过少，且初始时间间隔较大。建议沉降监测应在成本范围内尽量频繁和完整。     

高速铁路车站岔区高填方路基沉降组合预测研究

为确定高速铁路车站岔区高填方路基工后沉降是否满足铺设无砟轨道要求，结合现场监测沉降数据，采用三种单项模型(V模型、D模型和H模型)对沉降进行预测；利用最优组合原理建立邓英尔-双曲线组合模型(D-H模型)、邓英尔-灰色费尔哈斯组合模型(D-V模型)、双曲线-灰色费尔哈斯组合模型(H-V模型)3种两模型组合模型和1种三模型组合模型(D-H-V模型)。进一步探讨各预测模型的适用性和可靠性，引入5个精度评价指标，对各模型预测效果进行评价，预测效果优劣顺序为：三模型组合模型>两模型组合模型>邓英尔模型>灰色Verhulst模型>双曲线模型。用各断面的最优模型预测工后沉降，各断面工后沉降均满足铺设无砟轨道要求。