小波神经网络在大坝变形预报中的应用

大坝变形统计模型以回归模型为主,建立变形量与自变量间的线性关系。神经网络变形预报模型可以反映监测量与效应量间的非线性关系,建立准确的变形预测模型。建立基于逐步回归模型和小波神经网络的大坝变形预报模型,通过对比两种模型,验证了相比逐步回归,小波神经网络模型在拟合和预测上均有着更好的表现。     

小波神经网络在大坝变形监测中的应用

本文就小波神经网络的模型建立的方法进行了介绍,通过编制MATLAB小波神经网络程序,用一组变形监测实数据对变形结果进行了仿真试验,仿真的结果精度很高,能够用于变形分析预报.     

改进的边坡岩体稳定性预测模型研究

由于边坡岩体的结构与物理力学性质表现出宏观和微观上的不连续性和高度的非线性等特点,其稳定性受地质因素和工程因素等的综合影响,这些因素大部分具有随机性、模糊性、可变性等不确定性特点,因此,边坡工程是不确定的、非线性的、动态开放性的复杂大系统,传统分析方法往往难以准确地描述这种复杂的非线性特征,因而对大型复杂边坡的稳定性进行准确预测预报尚存在一定的困难。提出了基于模拟退火交替迭代算法神经网络的边坡安全系数预测方法,在相同的初始条件下,用该方法和经典网络进行了比较,得出前者的优越性和有效性。在综合分析边坡岩体变形失稳破坏模式及其影响因素的基础上,采用了表征边坡岩体稳定性分析的复合指标为预测模型的影响因子。并利用该方法对收集到的水电工程边坡实例进行学习,对未学习过的边坡实例进行推广预测,取得了较好的效果,其预测精度明显优于经典算法BP神经网络。由此说明所提出的预测模型能够快速、准确地获取不同方案下的边坡安全系数,为选择经济合理的边坡设计方案提供了新的思路。     

灰色预测在某边坡变形监测中的应用

边坡灾害是危害最为严重的主要地质灾害之一,近年来随着建筑群体的日益扩大,边坡工程也成为许多建筑物不可或缺的一部分,为了减少边坡灾害对人民生命财产安全造成的损失,必须及时对边坡灾害进行变形监测和预报.文中以某黄土边坡为例 ,详细地讨论了灰色预测模型的基本内容和GOM动态灰色预测模型的建模过程, 并成功地将其应用于某黄土边...     

基于小波神经网络的CPI数据预测计算模型

针对影响CPI经济序列数据预测的各因素之间的非线性问题,探讨利用神经网络的自学习能力和小波变换的局部化性质,采用了MATLAB强大的运算功能,建立了基于小波神经网络的CPI预测模型。对CPI序列进行了离散小波分解,并重构得到了尺度序列和每层的细节序列,仿真结果表明整个系统具有较强的逼近和容错能力,以及较快的收敛速度和良好的预报效果,为CPI数据预测提供了一种计算方法。     

镇江烈士陵园边坡地质灾害远程监测预警预报系统开发及应用

以镇江烈士陵园西侧一边坡为研究对象,确定降雨量以及坡体位移为监测内容,用翻斗式雨量计对降雨量进行监测,基于GNSS技术的实时变形监测系统,通过分布在边坡的GPS设备,实时在线全自动监测边坡位移的变化,形成了高效、节能的边坡监测硬件系统;利用Visual C++网络编程技术,以SQL Server2005为后台数据库,自主开发了镇江市烈士陵园边坡地质灾害远程预警预报系统,实现数据的远程实时接收存储,为管理部门及时了解现场监测结果和快速决策提供了强有力软件支持;系统建立了降雨量统计预警模型,并集成了多种时间预测模型,形成了变形预测模型库,通过选取合适的预报模型,为边坡预警预报的可靠性提供有力保证;结合本项目当前监测数据,系统给出该边坡处于安全状态。     

锦屏一级水电站左岸边坡稳定综合预报研究

 在总结国内外有关滑(边)坡预测预报成果的基础上,对其适用性及使用条件进行深入研究。针对锦屏一级水电站左岸高边坡的边坡类型、边坡特征、变形特点和变形机制,在监测成果的基础上,对其进行综合预报,空间上判断左岸拱肩边坡由断层F5,f42–9、深部裂缝SL44–1及煌斑岩脉X互相组合,形成可能边坡失稳块体的边界条件、楔型体滑移失稳模式;时间上采用统计模型及非线性模型多种方法联合预报,根据边坡变形时序曲线的形态及变形速率指出：边坡目前处在缓慢蠕动至匀速变形阶段,变形速率小于0.05 mm/d。设计出适合锦屏一级水电站边坡的综合预测预报模型,初步给定边坡4项预警临界值,为边坡开挖工作的顺利开展提供科学的依据。     

基于时间序列的神经网络建模及边坡位移预测

边坡系统是一个影响因素众多、非常复杂的非线性系统,使得作为边坡内部力学现象外部表现的边坡变形同样具有很强的非线性特征,而神经网络所具有的高度鲁棒性、学习和联想记忆功能及数据挖掘等特性,对诸如存在内在联系的单时间序列的边坡位移预测有着较大的优势.以此为出发点,通过对单时间序列特点的分析,构造了基于单时间序列的神经网络预测模型,并以渝黔高速公路某边坡位移实际监测数据为例进行了计算.研究结果表明,通过挖掘边坡位移序列中的隐含信息,运用单时间序列BP神经网络进行边坡位移预测是完全可行的,预测平均误差仅为2.72%,预测结果与实际情况吻合度较高.最后通过与传统灰色理论预测方法进行对比发现,该方法预测效果明显提高,预测误差平均降低了近8倍.     

边坡可靠性分析的蚁群小波神经网络研究

边坡系统本身的各种参量是不确定的和随机的,在其演化过程中,表现出复杂的非线性行为。故针对边坡工程可靠性分析中存在的问题,根据能够全局优化的蚁群算法原理,提出一种适用于估计岩土体边坡可靠性的蚁群小波神经网络,构造了边坡可靠性指标预测的蚁群小波神经网络模型。预测结果表明,该模型用于边坡可靠性分析是可行的,对保证边坡安全具有借鉴意义。     

京珠高速K108边坡软弱夹层流变参数的智能反演

岩土体的流变特性是影响边坡变形及稳定性的重要因素,对边坡进行稳定性评价、结合变形监测资料对边坡进行预警预报,都有必要考虑岩土体的流变效应。本文以京珠高速K108边坡为研究对象,采用粘弹塑性数值方法建立该边坡的计算模型,通过大量的数值分析获得神经网络的训练样本,由人工神经网络的非线性映射功能建立岩土体流变位移与待反演参数之间的特征关系,将实测位移代入训练好的神经网络进行反分析得到软弱夹层的流变参数,通过后验差的方法验证了反演结果的合理性,得到的结果可用于后续的边坡稳定分析及预警。     

位移反分析的APSO-WNN模型研究及应用

用改进粒子群优化算法对小波神经网络进行优化，从而提出改进粒子群算法优化小波神经网络模型（APSO-WNN）。该模型具有小波变换的良好时频局域化性质、良好时域和频域分辨能力及传统神经网络的自学习功能；同时用改进的粒子群优化法进行全局最优搜索，快速收敛到全局最优解，使其具有良好的逼近能力、容错能力和较强的鲁棒性。因此，该计算模型适合解决具有复杂非线性和模糊性特点的岩土工程问题。为证明该模型的优越性，同时将该计算模型与传统遗传算法神经网络用于三峡船闸高边坡4种介质弹性模量的位移反分析计算，结果表明不论是优化精度还是收敛时间，该算法都较遗传算法有明显提高。最后利用APSO-WNN反演的弹性模量参数进行测点位移预测，预测表明各个测点的计算位移值与监测值吻合较好，说明该模型在岩土工程位移反分析中具有良好的实际应用价值。     

基于RBF神经网络的边坡稳定性预测

RBF神经网络具有极强的非线性映射能力,精度高。本文基于RBF神经网络原理,采用自组织选取中心法,建立基于RBF神经网络的边坡稳定性预测模型,并选取大量边坡工程数据作为学习训练和预测样本,利用该模型进行学习和预测。研究结果表明,在处理边坡稳定性预测问题中,该方法具有很好的适应性和较高的精度。     

边坡位移预测的RBF神经网络方法

利用边坡实测位移序列来预测边坡未来时间的位移,可以有效地判断边坡的稳定性。由于神经网络可以通过对样本的反复学习来反映边坡复杂的非线性演化关系,其预测效果要优于传统的预测方法。RBF神经网络作为一种性能良好的前馈网络,具有更好的逼近能力和全局最优特性。以边坡位移时间序列为基础,采用RBF神经网络建立边坡位移预测模型,通过最近邻聚类学习算法实现边坡位移预测,具有结构简单、学习速度快、预测精度高的特点,网络的外推能力也较强。通过2个工程实例说明边坡位移预测的RBF神经网络方法的有效性。     

基于小波分析与支持向量机的地铁隧道沉降预测

根据地铁隧道监测点沉降变化中非线性、不确定、时变性的特点,建立了基于小波分析的支持向量机预测模型。首先运用小波分析将监测点沉降序列分解为低频近似分量和高频细节分量,然后对各分量分别进行支持向量机预测,最后将各分量预测结果进行小波重构得到监测点的沉降预测曲线。预测结果表明,在相同样本数和短周期预测条件下,Wavelet—SVM模型的预测精度优于BP神经网络方法。对地铁沉降监测提前进行预警预报有一定的参考价值。     

模糊神经网络在大坝变形预报中的应用

将模糊理论和神经网络相结合 ,建立了基于神经的模糊系统的大坝安全监控模型 ,并针对某一大坝变形水平位移实测数据进行分析 ,计算结果表明 ,其拟合和预报精度优于常规统计模型。     

基于径向基神经网络的边坡稳定性评估方法

在现有研究的基础上,引入径向基神经网络理论,提出了边坡稳定性的径向基神经网络预测方法。以土体重度、内摩擦角、粘聚力、锚固段长度等为输入参数,边坡稳定性系数为输出参数,建立精确RBFNN神经网络模型,对边坡稳定性进行了预测,结果表明：用训练成熟的径向基神经网络进行仿真,避免了诸多人为因素的影响,提高了结果的精度,使得计算高效、结果更加准确。     

基于LS-SVM对耐高温滤料过滤效率的预测研究

本文主要研究利用最小二乘支持向量机的方法预测耐高温高效滤料在不同测试条件下过滤效率的变化。笔者采用最小二乘支持向量机的方法,以Matlab作为软件平台,利用lssvmlab工具箱对于滤料测试的实验数据进行学习,以气体温度、气体流速,上游发尘浓度为输入,滤料过滤效率为输出训练算法,预测不同测试条件下滤料的过滤效率,并且与RBF神经网络的预测结果进行比较。实例分析表明,与基于RBF神经网络的耐高温滤料过滤效率模型相比,基于最小二乘支持向量机的过滤效率模型具有更高的精度,更强的鲁棒性,并且速度更快。     

基于相空间重构与神经网络耦合的岩溶泉流量预测模型

岩溶水系统是受水文、地质、地形地貌、植被、人类活动等多种因素影响的非线性动力系统。本文利用重构相空间与神经网络,建立重构相空间与神经网络耦合的泉流量预测模型;通过对黑龙洞泉域泉流量的预测可知,所建立的耦合模型精度高。     

神经网络模型在边坡坍塌预测中的应用

尝试建立了在区域降水条件下,选取蒸发量和降雨量作为评价参数,预测边坡坍塌强度的神经网络模型,实例的计算和验证表明,用人工神经网络的方法来预测在降水条件下边坡的坍塌强度是可行的。     

基于BP神经网络改进算法在地铁隧道施工中的沉降预测

为使地铁隧道在施工中沉降监测数据具有一定的预见性,分别采用了BP神经网络改进算法的预测模型、传统BP神经网络预模型以及基于时间序列的三次指数平滑法预测模型对地铁隧道施工中的沉降监测数据进行了预测。对其预测结果进行分析,得出了BP神经网络改进算法模型预测精度优于传统BP神经网络模型以及基于时间序列的三次指数平滑法模型预测精度的结论。