用灰色模型预测边坡变形的新方法探讨

应用灰色GM（1，1）模型对边坡变形进行预测有时存在不能真实反映边坡动态变形的问题，在简述边坡变形一般规律的基础上，构造其解为二次多项式与指数项之和的微分方程，该方程的解可较好的用于边坡变形的预测，并用实例进行验证。     

改进的时间序列法用于边坡沉降分析与预测

运用数学模型或力学方法对变形监测数据进行分析与预测尤为必要,本文详细介绍了时间序列法中的差分自回归移动平均模型（ARIMA）、平稳性与白噪声检验、模型定阶与参数估计、模型检验与预测的过程,针对其预测的准确性会随着时间推移而降低的问题,提出了一种改进的时间序列法,通过建立一个动态的数据窗口,及时引入最新的数据信息更新计算模型参数,并对某轨道边坡工程的沉降监测数据进行了建模分析和对比预测。结果表明：改进后的方法提高了模型的预测精度,在实际工程中具有可行性和有效性。     

基于ARIMA-TGM组合模型的边坡变形预测

通过权系数将ARIMA模型和时变参数GM(1,1)模型结合形成ARIMA-TGM组合模型,针对边坡位移监测数据组成的时间序列,采用ARIMA模型、时变参数GM(1,1)模型和ARIMA-TGM组合模型进行分析预测,通过实验对比3种模型的预测精度,实验结果表明ARIMA-TGM组合模型的预测精度较单一预测模型有所提高,适用于边坡变形的分析预测,研究成果可为边坡的防灾减灾提供一定的技术参考。     

地铁结构变形预测的时间序列模型方法研究

本文根据南京地铁某区间隧道结构变形监测数据,分别采用回归分析方法和时间序列分析方法建立模型,对地铁结构变形进行预测。计算结果表明在该工程实例中,回归分析模型的预测精度约为±0.20mm,时间序列模型的预测精度约为±0.08mm,较回归分析模型提高了60%,能够较好的对地铁结构变形进行预测。     

利用SVM与ARIMA组合模型进行大坝变形预测

由于大坝位移时间序列数据受各种复杂因素的影响,具有非平稳和非线性等特征,因此,利用传统、单一的时间序列预测模型较难准确地描述大坝位移变形的复杂规律.综合考虑大坝位移时间序列非线性和线性特征,本文提出了一种SVM和ARIMA相结合的时间序列预测模型.将大坝变形的时间序列分为非线性部分和线性部分.针对非线性部分,利用SVM...     

综合运用非线性回归和时间序列分析研究边坡变形

边坡变形的复杂性决定了运用非线性回归模型很难准确解决边坡变形规律。本文将讨论综合运用非线性回归模型和时间序列分析的方法进行变形预报。即运用非线性模型和其他模型的有机结合和综合运用正确分析和解决边坡变形规律,同时利用时间序列分析方法解决边坡周期性变形规律,并通过某实测边坡上一系列监测点监测资料的分析和研究,证明该方法的可行性。     

基于VB的边坡变形监测信息系统的研制

结合边坡变形监测的研究与工程实践,利用ＶＢ５．０开发了边坡变形监测信息系统,系统集输入,计算,查询,打印报表,绘制曲线,变形分析,等功能于一体,为边坡变形监测资料处理和分析提供一种有效工具。     

BP模型在变形监测数据分析和预测中的应用

本文通过对BP网络模型的研究,建立BP神经网络预测模型,并使用VC++语言编程加以实现。将模型应用于东江大坝实测变形监测数据的分析和预测,对时间序列建模和以环境变量为自变量两种方法建模,发现这两种模型都可以很好的实现变形量的预测,且以自变量为因素所建立的模型预测精度更高。     

基于自适应 Kalman 滤波的边坡变形预测研究

研究Kalman滤波和自适应Kalman滤波算法,结合边坡监测点的运动模型将其应用于边坡变形监测动态数据变形预测。利用小湾水电站二号山梁高边坡GPS监测数据进行实验研究。结果表明,自适应Kalman滤波在边坡三维形变预测及变形速率估算方面有很好的预测结果。     

基于时间序列分析的桥梁变形监测预报研究

时间序列分析方法对短期建筑物变形预报具有较高的模型拟合及预报精度.本文从时间序列预测算法原理出发,阐述了使用此方法对所获得的桥梁变形监测数据进行模式识别、模型建立及预报的过程,并利用MATLAB实现了编程代码.通过对某桥梁变形监测预报的应用表明,该方法实用性较强,可以及早为桥梁变形做出预警,以避免或减少灾害的发生..     

基于小波去噪的地铁变形组合预测模型分析

对地铁监测数据建立相应的预测模型,对变形可进行前瞻性预测,从而保证地铁安全的施工和运营。本文以北京市地铁某基坑工程为研究对象,首先以某一监测点为例,利用小波分析对原始监测数据进行去噪处理;然后分别利用时间序列分析模型和BP神经网络模型对去噪后的数据进行建模分析,得到原数据的拟合值和对未来变形的预测值;最后利用同期Sentinel-1A卫星影像进行相干点时序InSAR处理,得到形变结果。通过分析两个模型的预测值与实际值,并与InSAR结果进行对比,验证了两个预测模型在地铁形变监测中应用的优劣性。     

基于小波神经网络的某边坡预测研究

边坡地表位移监测是滑坡安全监控中的重要内容,对监测资料进行及时、合理、有效的分析,获取滑坡变形规律和安全状况是滑坡监测的重要工作之一。文中将基于BP算法的小波神经网络预测模型引入变形监测预报中,对工程实例进行预测。结果表明小波神经网络预测可以取得良好的效果,且自适应预测能力较强。     

基于时序InSAR技术监测大桥历史形变

2019-06-14,河源市源城区东江大桥第三跨第二桥墩以及第四跨第三桥墩出现了垮塌,此次事故造成了人员伤亡和重大经济损失.为了分析此次灾害事故发生发展的成因,本研究获取了Sentinel-1A雷达卫星2018年12月至2019年6月的历史影像数据,基于时序InSAR技术手段处理得到了该监测时间段内的历史形变信息.研究...     

变形分析与预测模型中病态问题分析

本文对变形分析与预测模型中的线性回归分析法、时间序列分析模型、灰色系统分析模型中的病态问题进行了理论分析和数值模拟。通过对变形观测资料施加干扰噪声,采用最小二乘原理,得出了三种模型中每一个参数与干扰噪声的数值关系表达式。指出在变形解释和变形预测中,用这三种模型进行建模分析时必须先检查信息矩阵A=XTX的病态程度,采取有效方法减轻A=XTX的病态程度后方可使用这三种模型。     

基于时间序列分析的露天矿边坡沉降预测模型

结合小波分析在数据处理方面的优势,采用小波包去噪对露天矿边坡沉降数据进行去噪处理,再结合时间序列分析理论建立小波包-时间序列预测模型,从而对露天矿边坡进行变形分析预测。通过实验数据对比分析,结合小波包去噪与时间序列分析理论模型对露天矿边坡沉降数据进行预测,预测精度较高,能够对矿区边坡的沉降进行预测。     

基于中值滤波的灰色预测模型及其在大坝变形预测中的应用

在大坝变形监测中,当用GM(1,1)模型对稳定变化的变形数据序列进行预测时,效果较好。但是,影响坝体变形的因素多种多样,且处于动态变化之中,观测数据中将不可避免地存在着一些随机扰动,这些扰动使大坝的变形曲线发生异常波动。此时仅用GM(1,1)模型进行预测,其精度和可靠性就会下降。为此,本文提出一种基于中值滤波的GM预测模型,即先用中值滤波算法对发生波动的原始变形监测数据进行滤波处理,而后再建立GM模型进行灰色预测。实例证明,基于中值滤波的GM预测模型可以有效地提高大坝变形的预测精度。