灰色BP神经网络组合模型在地铁沉降监测中的应用

地铁路基沉降监测是变形监测中的一项重要内容,关系到交通运营的安全问题。为准确对地铁沉降进行预测,在灰色GM(1,1)模型及BP神经网络模型的理论知识的基础上,利用某地地铁沉降监测数据,采用灰色BP神经网络组合模型对地铁监测数据进行预测。通过监测数据和预测数据的对比分析,得出组合模型对地铁沉降数据预测较为准确、精度较高的结论。     

深基坑施工变形预测与控制方法研究

结合广州地铁某换乘车站深基坑工程,分别采用5种计算模型对深基坑施工引起的周边地表沉降进行了预测分析,与实测沉降值对比后发现:灰色GM(1,1)模型、灰色马尔科夫链模型和BP人工神经网络的短期预测结果比较可靠,但其长期预测结果精度不够,而经过残差修正后的灰色模型能够明显的提高预测精度,具有一定的工程实用价值;并结合具体工程实例提出了深基坑施工变形控制的基本方法。     

基于灰色理论对排桩围护结构顶部水平位移的分析

首先分析现阶段深基坑开挖工程的难点,提出随着信息化的发展,预测基坑变形具有重要性。运用基于灰色理论GM(1,1)模型,对佛山橡树湾基坑排桩围护的顶部累计水平位移数据进行分析,预测变形趋势。结果表明,使用灰色理论GM(1,1)能够较好预测基坑排桩围护的变形。并且对灰色理论预测基坑变形作了系统归纳,为实际工程提供指导意义。     

改进灰色BP神经网络模型在建筑物沉降监测中的应用

建筑物的变形是由于多种复杂因素的影响,文章针对该影响以及单一预测模型精度不高的问题,建立了基于灰色模型和BP神经网络模型的组合预测模型。并采用复化梯形求积法对灰色模型的背景值改进,构建基于改进的组合预测模型。结合改进的灰色GM(1,1)BP神经网络组合模型对马鞍山市的某建筑物的沉降进行预测。通过对比可以看出,改进的灰色BP神经网络预测精度最高,其拟合程度更加接于实测值,可更好地适用于实际工程的中长期预测。     

基于灰色理论的深基坑支护变形分析

介绍了灰色理论的基本原理,结合工程实例,建立了灰色GM(1,1)模型及其改进模型,分析预测了工程深基坑支护变形规律,结果表明,通过该理论得出的预测值满足精度要求,具有较高的工程参考价值。     

GM(1,1)模型基坑结构变形预测应用研究

动态设计和信息化施工使得基坑结构变形预测意义重大,本文结合工程实践对GM(1,1)模型在基坑支护结构变形预测进行应用研究.工程应用结果显示灰色预测理论在深基坑结构变形预测方面具有较好的稳定性,GM(1,1)预测的深基坑地面水平位移、沉降与实际监测结果比较接近,GM(1,1)模型预测方法有效可行.灰色系统GM(1,1)基坑变形预测模型可作为基坑支护结构变形预测的参考工具.     

网络基坑沉降预测模型的结构探讨

针对深基坑开挖施工过程中多种因素引起的沉降变形具有较强随机性特点 ,用BP神经网络替代灰色CM (1,1)模型 ,可有效改善了施工工程中深基坑沉降变形值的预测精度 ,并对BP神经网络结构形式进行了探讨     

基于灰色神经网络模型的基坑开挖引发周边地面沉降预测分析

在城市地下工程建设中,深基坑开挖引起的周围地表土沉降问题越来越受到人们的重视。地表沉降将引起邻近建、构筑物破坏,从而造成经济损失。因此,预测基坑周围土体未来一段时间的沉降,对及时采取治理措施具有重要意义。文章针对GM(1,1)模型地面沉降预测精度较低的问题,利用神经网络对灰色预测模型进行组合,生成灰色神经网络模型,并进行预测分析,结果表明,利用灰色神经网络模型预测的沉降值,比单独的灰色GM(1,1)模型预测的沉降值具有更高的精度。     

灰色组合模型在坝体水平位移预测中的应用

在灰色预测的基础上,引入BP神经网络模型,建立了GM（1,1）和BP神经网络组合模型,分别运用GM（1,1）模型、BP神经网络模型和它们的组合模型三种模型对坝体的非线性水平位移进行了分析,对比发现此组合模型兼有灰色预测和BP神经网络预测的优点,模型既克服了原始数据少的缺点,也增强了预测的自适应性,证明了组合模型的预测精度较高,可以应用于坝体水平位移的预测。     

灰色理论在深基坑施工变形预测中的应用研究

由于深基坑工程数量激增,施工造成的坍塌等事故屡屡发生,所以深基坑施工中的变形预测非常重要。采用灰色理论建立适当的模型,并将该模型应用到实际工程中,得出以下的结论:(1)灰色GM(1,1)模型、等步距及非等步距GM(1,1)模型的建模条件;(2)将灰色理论应用到工程实例中,所取得的结果较为理想,可以进一步在类似工程中推广使用;(3)由于等步距灰色模型与非等距模型相比误差小很多,因而较易推广于实际工程中,同时,在实测值和预测变形精度上,非等步距灰色模型均较滞后,应当谨慎应用。     

灰色理论在深基坑支挡结构变形预测中应用

根据深基坑支挡结构水平位移监测信息,应用灰色系统的原理和方法,对基坑的变形发展变化进行预测是一种有效手段,对深基坑工程的设计和施工具有非常重要的意义。预测中灰色模型的建立以等时距原始数据为前提,结合苏州某地铁车站的基坑开挖工程,通过灰色理论中的GM(1,1)模型对基坑开挖所引起的支挡结构的水平位移进行了预测,其预测结果与监测结果接近。结果表明,在GM(1,1)模型中,利用初期水平位移实测值来预测未来一定时间内的支挡结构的水平位移值能够获得比较准确的预测结果,并且其预测模型可以应用于动态设计和信息化施工。     

地铁深基坑沉降监测数据特点分析与预测

为明确地铁深基坑开挖引起的地表沉降变形规律,结合施工过程,依据D 市Z 地铁站第29-48 期深基坑沉降监测数据,分析出深基坑地面沉降变形的普遍特点。同时,利用灰色GM（1,1）模型,对两个典型沉降点的监测数据依据不同的施工阶段进行预测。结果表明,灰色GM（1,1）模型在深基坑的沉降预测中比较可靠,且分阶段预测精度更高。可见,深基坑的沉降变形特点与开挖施工过程密切相关,在预测时结合施工进度,能提高预测精度。该研究为日后地铁深基坑沉降监测数据分析与预测提供参考。     

基于灰色神经网络模型的基坑变形预测研究

结合灰色GM(1,1)模型和BP神经网络模型各自的优缺点,建立了灰色神经网络组合模型,并采用该模型对实际的监测数据进行处理和分析.结果表明,灰色神经网络充分发挥了灰色模型和神经网络模型的优势,取得了较好的预测精度,能够满足实际应用的需要.     

基于灰色理论的软土地区深基坑变形预测研究

鉴于深基坑变形监测具有影响因素的不确定性、灰色性等特征,利用灰色系统理论方法对基坑的变形发展趋势进行预测具有重要的实际应用价值。考虑昆明软土地区深基坑工程变形特点,建立深基坑监测变形的灰色系统GM(1,1)预测模型,并进行了工程实例分析。研究表明,此方法客观准确、操作简便,具有一定的实际应用价值,可为相关工程提供参考借鉴。     

基于灰色RBF组合模型的城市用水量预测

为解决城市用水量预测中单一方法预测精度不高的问题,建立了灰色径向基（RBF）神经网络组合模型。对比实验结果表明,灰色GM（1,1）模型、RBF神经网络模型和灰色RBF神经网络组合模型的平均相对误差分别为2．1222％,1．2562％和0．6821％。与灰色GM（1,1）模型和RBF神经网络相比,灰色RBF神经网络组合模型充分发挥了灰色系统的贫乏数据建模和RBF神经网络的高度非线性映射能力的双重优势,具有较高的预测精度,更适合用于城市用水量预测。     

灰色GM模型在地铁车站深基坑变形预测中的应用

介绍了灰色GM模型的基本原理及计算过程.以某地铁站深基坑工程为背景,根据测得的数据,采用GM(1,1)模型对基坑围护桩变形及基坑周围土体沉降进行预测.将预测值与实测值对比分析可知:采用GM(1,1)模型得到的预测值很好的拟合了实测值,预测精度高,利用GM(1,1)模型对围护桩进行变形及基坑周围土体沉降进行预测是可行的....     

汉十高铁线下工程沉降预测新陈代谢GM-BP组合模型研究

提出了一种新陈代谢GM(1,1)模型与BP神经网络模型的组合预测模型,给出了组合模型的基本思路,通过BP神经网络计算而来的误差预测值对新陈代谢GM(1,1)模型的预测值进行改正,并将新陈代谢GM-BP组合预测模型应用到新建铁路武汉至十堰铁路、孝感至十堰段的高铁陆地桥墩沉降预测中,结果表明:新陈代谢GM-BP组合预测模型较现有的新陈代谢GM(1,1)模型具有较高的精度。     

基于灰色理论的基坑支护结构变形预测

基坑的变形具有复杂性、不确定性的特点,具有灰色系统的特性。运用灰色系统理论对基坑支护结构的变形发展进行预测,以某深基坑工程为例,建立深基坑变形监测的灰色系统GM(1,1)预测模型,编写实用的Matlab程序,根据实际工程的监测数据,分别对深基坑的变形进行短期和中长期预测。研究分析表明:预测模型可靠度高,预测结果与实际监测结果很接近。这种方法客观准确操作简单,具有较高的实际应用价值,可为类似工程提供参考借鉴。     

基于遗传神经网络的非等时距加权灰色线性组合模型在变形监测中的应用

针对非等时距以及BP神经网络会陷入局部极小值的问题,本文提出了基于非等时距加权灰色组合GA-BP模型的新方法。首先对原始变形监测数据采用非等时距的加权灰色组合线性模型处理,然后利用处理后的数据求出残差进而建立GA-BP神经网络模型进行残差修正。通过对比非等时距GM(1,1)以及非等时距加权灰色线性组合模型的结果,发现基于非等加权灰色线性组合GA-BP神经网络模型可以有效地提高模型精度,具有一定的应用价值。     

基于EMD的GM-LSSVM在变形预测中的应用

针对变形呈非线性、随机性变化特征,提出了一种基于经验模态分解(EMD)的灰色最小二乘支持向量机(GM-LSSVM)变形预测模型。该模型首先采用EMD有效分离出隐含在变形序列中的非线性高频成分和低频成分;然后根据各分量特点构建了高频LSSVM预测模型和低频GM(1,1)预测模型,最后叠加各分量预测值得到预测结果。经理论分析和算例表明,并与灰色GM(1,1)、BP神经网络和LSSVM对比分析。结果表明,EMD能够有效分离变形序列的不同频率成分,本文方法具有较强的预测精度,均方根误差为0.40 mm,在变形预测中具有一定的实用价值。