基于RBF神经网络隧道围岩变形预测研究

采用RBF人工神经网络,建立非线性人工神经网络模型,根据隧道监控量测位移监测资料,对隧道开挖过程中周边位移进行预测,研究结果表明:采用RBF神经网络进行隧道位移预测,其预测精度高、可靠性好,研究成果为隧道掘进过程中的施工控制和预测预报提供一种有效方法。     

一种改进的高铁桥沉降变形预报方法研究

鉴于传统BP神经网络在高铁桥沉降变形预报中随机性强、收敛速度慢、易陷入局部极值等缺点,本文引入了顾及邻域粒子群影响的改进粒子群算法(IPSO)优化BP神经网络,建立IPSO_BP的高铁桥台沉降变形预报模型,组合模型的预报结果与高铁沉降变形评估方法—Asaoka进行比较,结果表明:基于改进的粒子群优化BP神经网络模型较高铁桥传统BP预报模型收敛速度更快,预报精度更高;预报评估结果与Asaoka方法预报的结果相符,证明了IPSO_BP模型的可靠性和实用性。     

灰色理论和BP神经网络理论在地铁深基坑变形预测方面的应用

地铁深基坑变形是影响地铁建设的重要问题之一。针对地铁深基坑变形众多影响因素所具有的不确定性、模糊性以及深基坑变形的非线性特点,基于灰色系统理论和人工神经网络理论,分别采用灰色GM(1,1)模型、BP神经网络模型和灰色-BP神经网络组合模型对某地铁深基坑地表土体沉降进行预测分析,并将预测数据与实测数据进行对比,得出各模型预测精度。工程实例分析表明,灰色GM(1,1)模型预测精度最低,BP神经网络模型次之,灰色-BP神经网络组合模型由于集合了灰色GM(1,1)模型和BP神经网络模型的优点,预测精度最高,满足工程应用要求,对安全施工具有一定的指导作用。     

基于RBF神经网络的混杂纤维混凝土强度预测

针对混杂纤维混凝土强度受多种因素影响,强度与各影响因素之间关系为复杂的非线性问题,通过人工神经网络的自适应、自学习和非线性映射,可以找到以影响因素为输入变量、以混杂纤维混凝土强度为输出变量之间的非线性关系,在文献试验实测值的基础上采用MATLAB神经网络工具箱建立了四个三层RBF和BP神经网络模型,采用所建立的RBF和BP神经网络对混杂纤维混凝土的抗拉强度和抗折强度分别进行预测,并将各自的预测值和实测值进行了对比分析。结果表明:RBF神经网络预测值与试验实测值吻合良好,较之BP神经网络有更高的强度预测能力,该方法可行且预测精度满足工程需要,为工程上研究混杂纤维混凝土强度提供了新方法。     

某工程升船机及临时船闸BP网络模型的建立与分析研究

阐述用BP神经网络对某工程升船机及临时船闸高边坡变形监测数据分析的建模方法和实现过程;对经典BP神经网络和单参数BP神经网络进行了比较分析,建立变形动态预报模型,进行拟合和预报,结果表现出良好的自适应性（self-Adaptive）和鲁棒性。     

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。     

预报模型在GPS测沉降中的应用

变形监测一定程度上可以预测沉降发展趋势,本文采用灰色模型和神经网络的建模理论,介绍了GPS测沉降数据的预报处理流程,并利用上海市CORS网的数据分析GPS沉降预报,运用模型对GPS测沉降数据进行预测,最后利用中误差理论对精度进行评定,得出了灰色模型和神经网络模型在GPS沉降数据预报方面精度是可靠、精确的结论,从本文数据看神经网络预测的精度比灰色模型预测精度更符合实际。     

混凝土氯离子扩散系数的RBF神经网络预测模型

提出了一种基于RBF神经网络的氯离子扩散系数预测模型,将RBF网络模型预测的结果与另外三种不同输入的RBF模型、BP网络模型的预测结果以及实测结果进行了对比分析,结果表明,RBF神经网络模型相对其他输入指标体系模型的预测精度有所提高,且能满足工程的需要,可以作为氯离子扩散系数预测的一种新的有效的方法。     

基于ALSTM模型的基坑周边建筑物沉降预测

中短期基坑沉降监测序列具有非线性和数据量小的特点,导致常规预测模型很难获取准确的预测结果。针对传统模型未考虑到历史时刻沉降情况对未来沉降量具有不同影响的缺点,本文采用ALSTM(Attention LSTM)预测模型,并以某大厦基坑工程变形监测的数据为例进行验证。实验结果表明,相比LSTM、支持向量回归和BP神经网络模型,ALSTM模型能够取得更加准确的预测结果,适用于短期和中短期两种情况下的沉降变形预测。     

CAST工艺的BP和RBF人工神经网络仿真模型

将误差反向传播前馈(BP)神经网络模型和径向基函数(RBF)神经网络模型应用到CAST工艺中,并采用多输入、双输出神经网络模拟处理过程中各变量之间的关系和预测出水水质.误差分析结果表明,训练阶段RBF神经网络模型的拟合精度比BP神经网络模型的高,但两者的预测精度相差不大;测试阶段BP神经网络模型和RBF神经网络模型预测出水COD的平均相对误差分别为6.35%、6.80%,预测出水TN的平均相对误差分别为7.19%、5.49%,均在8%以下,这说明两种神经网络模型均可用于模拟CAST污水处理工艺各变量之间的关系和预测出水水质,为污水厂的运行管理提供了理论依据.