非等时序灰色模型的隧道变形预测研究

为提高灰色系统模型对非等时距隧道变形预测的预测精度，运用非等时距GM（1，1）模型对隧道围岩变形进行预测，利用Matlab7．1平台编写了隧道围压变形预测程序，结合张涿高速隧道围岩收敛变形实测数据，进行了变形预测及误差分析，结果表明预测值与实测值比较吻合，非等时距GM（1，1）模型可以应用于施工进度指导及安全系数评判。     

线性一非线性GM模型在地下工程围岩变形模拟预测中的应用

灰色系统理论在岩土工程领域的许多方面已得到广泛的应用，并取得了一系列成果，但在地下工程中的应用成果尚少。具体应用实践表明，线性DGM（2，1）模型、非线性Verhulst模型模拟预测地下工程围岩变形比一般回归分析效果好。DGM（2，1）和Verhulst模型不仅具有较高的精度，而且可方便地预测出围岩变形的最终位移，为地下工程信息化设计、施工提供更加准确的信息。     

GM（1，1）模型预测变形局限性研究

将灰色系统理论GM（1,1）模型应用于路基工程进行变形预测,结合一工程实例阐述了该理论应用条件、建模方法,精度处理方法等,从预测结果和实测结果进行对比分析,指出了应用该理论对预测路基变形的局限性,对于开展路基变形的中长期预测,应慎用GM（1,1）模型。     

优化的多变量变步长灰色模型及其在路基沉降预测中的应用

传统的单变量或等步长灰色预测模型,未考虑监测点间的系统关联性和实际沉降观测周期,往往具有非等间距的特点,不足以反映路基沉降变形的实际规律。在综合考虑实际工况中断面沉降点间相关性及不等时距观测的基础上,建立路基沉降预测的优化NMGM（1,n）模型。工程实例分析表明,优化的模型与建模工况相适应,具有良好的拟合及预测精度,能够满足工程实际应用需要。     

铝合金焊接结构塑性变形及断裂失效预测方法

铝合金焊接接头力学性能不均匀加大了焊接结构变形及开裂失效预测的难度。通过特殊样件拉伸试验，结合有限元反求方法获得了铝合金焊接接头焊缝、热影响区局部材料参数，建立从细观损伤力学角度预测铝合金焊接结构变形开裂的GTN（Gurson-Tvergaard-Needlemen）损伤模型。将焊接接头按照材料性能差异进行分区，构建精细有限元模型，采用Ls-dyna 软件结合GTN损伤模型对铝合金拼焊薄壁梁结构轴向压溃变形及开裂失效进行了预测，预测结果与试验吻合很好，验证了该方法的有效性。     

汽车安全碰撞仿真的材料断裂卡片对比研究

为研究不同硬化和断裂模型对汽车材料仿真精度的影响，设计并进行了DP590板材在多种应力状态下的材料级别力学试验。根据试验结果标定了路德维克（Ludwik）、斯威夫特（Swift）、沃斯（Voce）、霍克特-谢尔比（H-S）、斯威夫特-霍克特谢尔比（S-HS）5种硬化模型和修正摩尔库仑（MMC）、损伤起始和演化模型（DIEM）、约翰逊-库克（J-C）3种断裂模型。使用上述模型进行了试样级仿真和防撞梁落锤试验及仿真。对比结果表明，S-HS硬化模型和MMC断裂模型对于材料的变形行为和断裂行为的预测结果最精确。结合其他研究成果，推荐使用S-HS硬化模型结合MMC断裂模型预测高强钢板材塑性变形和断裂行为。     

基于神经网络实现的改进灰色组合预测及应用

针对GM（1，1）模型预测精度差的问题，采用马尔可夫链、残差数据正数化等多种方法修正残差．按等维新息的思路建立多个改进型GM（1，1）模型，并提出了基于神经网络实现的改进型灰色组合预测模型及预测算法。仿真分析表明，通过该模型可以寻求到多个改进型GM（1，1）模型预测值的最佳组合。     

基于GM（1，1）模型的高速公路边坡变形预测

基于边坡变形监测信息具有一定的灰色特征,应用灰色系统理论的原理和方法,建立了边坡变形预测等步长与非等步长GM（1,1）预测模型。采用GM（1,1）模型对衡桂高速公路某典型边坡段测斜管监测变形监测数据进行预测,预测结果与实测结果较为一致,表明了本文建立的灰色预测模型具有较好的可行性和适用性。     

改进的GM（1，1）模型在变形预测中的应用

研究GM（1,1）模型的理论发现,模型的背景值序列、边值条件和残差的改进能提高模型的模拟预测精度。利用MATLAB软件编制不同背景值和边界条件下的模型优选程序,通过工程实例表明,改进的GM（1,1）模型模拟预测精度较高,适合其在变形预测中应用。     

基于Bayes-LSTM的公路隧道围岩变形预测方法研究

在公路隧道施工过程中,围岩的稳定性对隧道施工的影响较大。因此公路隧道围岩变形的监控量测与准确预测是保障隧道施工安全的关键。针对当前隧道围岩变形的预测精度较低以及泛化能力较差等问题,该文提出一种基于贝叶斯（Bayes）优化长短期记忆网络（LSTM）的方法,该方法首先对拱顶沉降和周边收敛的原始监测数据进行预处理,而后构建公路隧道拱顶沉降与周边收敛的初始LSTM模型,并利用Bayes优化模型中的超参数,最终得出预测结果。利用该模型对某公路隧道拱顶沉降和周边收敛进行预测,将预测结果以均方根误差为评价指标与神经网络（CNN）和支持向量回归（SVR）进行对比。预测拱顶沉降时,Bayes-LSTM模型的平均预测精度相较于CNN与SVR模型分别提高了1.0与1.26;预测周边收敛时,Bayes-LSTM模型平均精度相较于CNN与SVR分别提高了0.3与0.32。表明Bayes-LSTM模型的预测精度较高,同时其能在训练模型过程中对历史信息进行判断和取舍,极大地提高了时序数据处理的效率,为公路隧道围岩变形预测提供了新的思路和探索。