三次指数平滑法在基坑地表沉降变形分析中的应用

根据某地铁车站基坑施工过程中地表沉降监测的实测资料,应用三次平滑指数法进行沉降变形的预测,充分证实了在地表沉降变形分析中该预测法的可行性;研究结果表明:在现有地铁车站基坑地表沉降14期观测数据参与建模条件下,三次指数平滑法与时间序列ARIMA(1,1,1)模型相比,其均方误差MSE较小,模型的预测值与吻合较好,平均残差值为-0.010 1,平均相对误差为-0.219 0,确保了地铁车站的正常施工及安全使用,为后续工程建设提供保障。     

基于优化支持向量机及极限学习机的滑坡变形趋势研究

受地质环境及多种诱发因素的影响,滑坡变形包含了多层次的信息,通过单一预测模型难以准确、有效地判断滑坡变形趋势.因此,建立多方法集合的系统模型十分必要.首先,利用小波去噪对滑坡变形序列进行去噪处理,将滑坡变形分解为趋势项和误差项,采用PSO-SVM模型对滑坡变形的趋势项进行预测,利用ELM神经网络进行误差修正,两者结果叠加即得到滑坡的变形预测值;其次,利用秩相关系数检验对滑坡的变形趋势进行判断,以验证前法预测结果的准确性,并探讨该方法在滑坡变形趋势判断中的适用性.经实例检验,得出:该预测模型的预测值与实测值基本相符,且较单一预测模型具有更高的预测精度;同时,秩相关系数检验的结果与预测结果相符,验证了变形预测结果的准确性及该方法在滑坡变形趋势判断中的适用性.     

基于小波去噪和神经网络的建筑工程沉降变形预测模型

为了提高建筑工程沉降变形预测的准确性,设计了基于小波去噪和神经网络的建筑工程沉降变形预测模型。首先采集建筑工程沉降变形相关数据,并采用小波去噪消除噪声对建模过程带来的干扰;然后采用神经网络对去噪后的数据进行建模,构建建筑工程沉降变形预测模型;最后通过建筑工程沉降变形预测实验对预测模型的性能进行了测试。测试结果表明,该模型的建筑工程沉降变形预测值与实际值吻合得较好,沉降变形预测结果优于其他模型。     

基于GCN-GRU组合模型的基坑周边管线沉降预测

为提高基坑变形预测结果的准确性，在传统的单点时间序列预测基础上，引入监测数据的空间特征对预测方法进行改进.基于图卷积神经网络(graph convolutional network, GCN)和门控循环单元(gate recurrent unit, GRU),构建一种能捕获数据时空关联性的变形预测模型GCN-GRU,并将其应用于上海某基坑周边管线沉降的变形预测.结果表明，相比于GRU时间序列预测模型，考虑了空间关联性的GCN-GRU模型在单步预测中的均方根误差(root mean square error, RMSE)和平均绝对百分比误差(mean absolute percentage error, MAPE)分别降低了27.3%和25.0%,多步预测中的RMSE和MAPE降低了37.2%和37.3%,预测结果准确性较高.该方法可为同类基坑工程周边管线沉降变形预测提供参考.     

改进灰色时序模型在建筑物变形监测中的应用

建筑物变形监测数据中存在着随机干扰和不确定性因素,而单一的数学模型预测结果精度较低,制约了变形预测的准确性。针对这一问题,文中采用了一种自适应Kalman滤波的灰色时序组合预测模型。首先,通过自适应Kalman滤波算法对原始数据进行去噪处理,动态的去除数据内部的随机干扰误差;然后,将灰色模型(GM模型)与时间序列分析模型(AR模型)相结合,得到拟合时间序列中的沉降量趋势项和沉降量随机时间序列剩余项,生成一种非线性组合模型;最后,对变形监测数据进行整理预测,并将该预测模型应用于建筑变形工程实例中,与GM(1,1)预测模型、GM(1,1)-AR预测模型通过平均残差、残差的方差和后验差比值进行对比分析。结果表明:该模型后验差比值可达到0.045 1,所得数据结果明显减小,预测精度显著提高,结果更加准确可靠。     

一种基于小波分析理论的灰色预测方法

提出一种基于小波分析理论的灰色预测方法．该方法通过小波分解将非平稳时间序列分解到多个尺度上以减少序列的随机性，然后建立灰色预测模型对分解后的时间序列分别进行预测，从而得到原始时间序列的预测值．并通过对上证指数的预测，结果表明该方法预测效果良好，优于一般灰色预测方法．     

软土基坑周围地表沉降估算

随着地下空间开发利用规模的加大,基坑工程的数量越来越多,基坑工程问题也越来越多,因此在软土地区由基坑开挖引起的地表沉降越来越受到人们的重视.本文通过上海地区基坑工程实例,在分析总结基坑周围地表沉降变形计算方法的基础上,采用Peck法按指数曲线拟合得出基坑周围地表沉降变形,同时将支护结构变形诱发的地表沉降与实测沉降进行比较.结果表明,该法对基坑周围地表沉降的预测和周围环境的损害预防具有一定的实用性和可靠性,对以后的工程有一定的借鉴意义.     

串联式组合模型在基坑监测中的应用

在传统模型基础上提出串联式组合模型,选择灰色模型对基坑监测数据的趋势项进行拟合,时间序列模型对监测数据的随机项进行拟合,发挥两者自身的特点,进行有机地组合预测分析。通过工程实例预测结果分析表明:串联式组合模型不仅能够预测出基坑的变形趋势,而且相对于时间序列模型、灰色模型有着较好的预测精度,体现出将串联式灰色时间序列组合模型应用于基坑监测的合理性和有效性。     

基于时序分解和SSA-LSTM-Attention模型的尾矿坝位移预测

针对尾矿坝位移变形的动态特性和传统预测模型在进行尾矿坝位移预测中的不足,提出了一种基于时序分解和麻雀搜索算法-长短时记忆-注意力机制(sparrow search algorithm-long short-term memory-attention mechanism, SSA-LSTM-Attention)模型的尾矿坝位移预测方法。首先,通过改进的自适应噪声完备集合经验模态分解算法(improved complete ensemble empirical mode decomposition with adaptive noise, ICEEMDAN)将尾矿坝位移监测数据进行分解为趋势项和波动项;其次,一方面采用高斯拟合方法对趋势项进行拟合预测,另一方面通过灰色关联度进行波动项相关影响因子筛选,并将注意力机制与LSTM相结合,建立了基于注意力机制及LSTM的波动项位移预测模型,同时利用SSA对该模型的超参数寻优;最后,将趋势项与波动项叠加得到总的位移预测值。以攀西地区尾矿库为例对模型性能进行了验证,并与反向传播(back propagation, BP)、LSTM、LSTM-Atte...     

TPGM(1,1)预测模型在基坑变形中的应用研究

依据深基坑周边地表沉降监测信息,运用灰色理论的方法,对基坑周边地表沉降发展变化规律进行合理的预测可以有效的确保基坑施工期间变形安全和正常使用要求。针对传统的GM(1,1)和DGM(1,1)模型本身数学结构的不足,提出采用TPGM(1,1)预测模型对基坑周边地表沉降进行预测。结合工程实例计算表明,在TPGM(1,1)模型中,利用已知监测数据预测未来一段时间内的基坑周边地表沉降能获得更加精确的预测结果。该研究成果能为动态信息化施工以及施工阶段的基坑灾害评估、预警提供有力指导。