基于BP神经网络-马尔科夫链模型的隧道围岩位移预测

在隧道工程施工中,围岩位移预测起着很重要的作用。将BP神经网络-马尔科夫链模型引入到隧道围岩位移预测中来,通过对训练样本的学习,利用BP神经网络实现了对位移时间序列的滚动预测,同时得到了实测值与预测值的相对误差;在此基础上利用马尔科夫链对相对误差进行修正,有效地提高了预测结果的精度。并将该模型应用于某公路隧道拱顶下沉位移时序预测中,结果表明该模型具有精度高、科学可靠的特点,为隧道围岩变形的预测提供了新的途径。     

基于改进型BP神经网络马尔科夫模型的区域需水量预测

为提高需水量预测的精确度,应用了一种BP神经网络与马尔科夫相结合的预测模型,介绍了它的基本原理及算法,并给出了该模型建立的具体过程,最后该模型被应用于需水量预测工作中,计算证明取得了较好的效果。     

改进的灰色马尔科夫模型在大坝变形预测中的应用

针对灰色模型在建模过程中受到随机扰动影响这一问题,利用马尔科夫模型预测波动性数据准确的优势,对灰色模型进行改进,并应用于大坝变形预测计算与分析。结果表明,改进的灰色马尔科夫模型对存在扰动数据的大坝变形预测中,可以获得较好的预测效果,提高预测精度。     

大坝变形监控的逐步回归马尔科夫模型

常规逐步回归模型具有建模简单,能表示自变量和因变量的显式函数关系和使用广泛等优点,但逐步回归模型在因变量测值波动比较大时拟合和预报误差大,而马尔科夫链模型具有适应大波动的优点,为此将逐步回归与马尔科夫模型相结合,提出一种高精度的变形预报模型.在介绍逐步回归模型和马尔科夫预报模型概念的基础上,利用某大坝的实测资料进行建模分析.实践表明,变形预报值能很好地吻合了实测结果,表明该模型可以用于大坝安全监控.     

基于新维BP神经网络-马尔科夫链模型的大坝沉降预测

基于组合预测思想,结合BP神经网络和马尔科夫链2种预测方法,构建了一种新维BP神经网络-马尔科夫链大坝沉降预测模型。通过对训练样本的学习,利用新维改进的BP神经网络算法实现了对沉降位移时间序列的滚动预测。在此基础上,借助马尔科夫链模型对其随机扰动误差进行修正,有效地提高了预测结果的精度。将构建的组合模型应用于长洲大坝船闸控制楼沉降位移时序预测中,研究结果表明该模型预测精度较高、可靠性好,提高了模型的中长期预测能力,为大坝沉降预测提供了一种有效的新方法。     

基于GACO-BP-MC的大坝变形监控模型

建立相应的安全监控模型来分析大坝变形监测资料对保障大坝服役安全意义重大。BP神经网络模型在此方面得到了广泛应用,但采用蚁群算法(ACO)对BP神经网络参数寻优时存在因初期搜索完全随机导致收敛速度慢的问题。将具有快速随机的全局搜索能力的遗传算法(GA)引入蚁群算法中,利用遗传算法指导生成初始信息素分布,再由蚁群算法正反馈寻得最优解来训练BP神经网络,从而得到大坝变形预测值,2种算法优势互补,缩短了蚁群算法的搜索时间并避免陷入局部最优点。在此基础上,为进一步提高预测精度,采用马尔科夫链(MC)对预测结果进行改进,由此建立了应用于大坝变形监控的GACO-BP-MC模型。工程实例分析表明,该模型在参数优化方面具有较快的寻优速率,且具有较高的拟合和预报能力。     

基于BP神经网络-加权马尔科夫模型的泄水闸水平位移预测

针对传统变形统计模型和BP神经网络模型对水工建筑物变形预测精度欠佳的问题,建立了BP神经网络-加权马尔科夫模型。首先,采用均值－均方差法对BP神经网络模型拟合的相对误差序列进行状态分类,并检验状态序列的马氏性。然后计算各阶自相关系数和转移权重,利用加权和最大概率值预测未来的随机状态。最后以王甫洲水利枢纽泄水闸11^#闸墩测点水平位移实测数据为例,分析比较逐步回归统计模型、BP神经网络模型和BP神经网络-加权马尔科夫模型的预测效果。结果表明：相比于逐步回归统计模型和BP神经网络模型,BP神经网络－加权马尔科夫模型的预测精度更高,说明BP神经网络-加权马尔科夫模型较为可靠。     

基于灰色模型的基坑变形预测评价

基坑开挖施工必然会引起基坑以及支护结构的变形稳定问题,采用灰色系统预测理论建立了深基坑变形的非等时距GM(1,1)预测模型,利用某工程实例的实际监测数据对基坑各阶段的变形进行预测,通过对预测成果与实际值的对比分析,对应用灰色模型预测基坑变形给予了评价。     

灰色—马尔科夫模型在南俄5水电站大坝变形预测中的应用研究

利用灰色—马尔科夫模型对南俄5水电站大坝变形进行预测分析研究,利用数据分组技术进一步提高了灰色—马尔科夫模型预测变形的精度。以南俄5水电站大坝表面水平位移观测值为样本,将大致能够拟合为指数函数曲线的数据分为一组,然后分别考虑不分组和分组两种情况预测其未来值。经过计算对比后发现合理的分组可以使预测值的相对误差缩小到11%以内,精度较之前有了明显的提高。由此表明,利用灰色—马尔科夫模型并结合适当的数据分组技术对大坝变形的预测有较好的效果。     

加权马尔科夫链模型在水库含沙量预测中的应用研究

本文用加权马尔科夫链模型预测水库含沙量,结合水库实测入库含沙量数据,分析加权马尔科夫链模型在水库含沙量预测精度。研究结果表明:加权马尔科夫链模型适用于水库含沙量的预测,在年尺度上预测值和实测值之间的相对误差在14.47%~19.25%,过程拟合系数0.7以上;在小时尺度上预测值和实测值之间的相对误差低于15%,过程拟合系数可达到0.65以上,预测精度符合入库含沙量预测规范的要求。研究成果对于水库含沙量预测方法提高参考价值。     

加权马尔科夫链对汛期降水量的预测

根据碧流河水库坝址以上1958至2002年汛期的流域平均降水量,利用加权马尔科夫链法对2003—2005年汛期降水量进行预测,与实测结果相比,3年汛期降水量均在预测允许范围之内,计算方法简便,预测结果较准确,对水库调度有着重要意义。     

模糊马尔科夫链预测模型在桂江流域径流预测中的应用

在马尔科夫链预测时需要把研究对象划分为不同的状态,而状态划分具有模糊性.提出了一种基于模糊的马尔科夫链预测模型,介绍了建模的方法和步骤,给出了模糊马尔科夫链的概率计算公式.将模型应用于桂江流域年径流预测分析,结果表明,预测与实际情况一致.     

土岩组合地区基坑变形的预测方法研究

对影响土岩组合地区基坑变形的主要因素进行了分析,并采用人工智能——BP神经网络的方法对土岩组合地区基坑的变形进行了预测研究。基于已有的研究资料,分析和总结了影响基坑变形的主要因素;建立了BP神经网络预测模型;借助MATLAB语言进行编程,利用训练稳定的网络模型,预测了基坑土岩组合地区基坑的最大侧移量。经与实测值比较,预测精度可满足工程的需要。该预测研究可对土岩组合地区基坑的设计与施工提供一定的参考。更多还原     

灰色模型在基坑支护变形预测中的有效应用

在采用GM(1,1)模型预测基坑支护变形,通过选取恰当的原始数据序列,并进行残差修正,能得到精度很高的预测结果。并对此进行了实际工程的算例分析,计算过程中采用了方便快捷的EXCEL方法。     

加权马尔科夫链在济南市降水量预测中的应用

依据济南市1960—2014年的降水量资料,采用均方差分级法对年降水量进行分级,将其分为枯水年、偏枯年、平水年、偏丰年、丰水年5个状态,同时验证此序列满足马尔科夫要求。在此基础上,以规范化的各阶自相关系数为权重,建立了适用于济南市年降水量的加权马尔科夫链预测模型,并根据模糊集理论中的级别特征值对降水量进行了预测。结果表明:12015年、2016年济南市的降水量状态均为平水年,年降水量分别为691.21、645.28 mm;2济南市年降水量处于偏枯年及平水年状态的可能性比较大,其重现期分别为5.38、2.34 a。     

突发水污染风险的马尔科夫链贝叶斯网络预测

突发水污染事故诱因众多且不确定,为预测此类不确定性因素进而进行防控,提前做好风险预防具有较大的经济意义。通过研究突发水污染事故风险因素、马尔科夫链和贝叶斯网络方法,根据现场调研获取的指标因素,提出马尔科夫链和贝叶斯网络相结合的突发水污染风险预测新方法,从纵、横两方面预测突发水污染事故发生的概率,弥补仅用马尔科夫链不能预测上层指标的不足,并为突发水污染事故的预防提供参考依据。实例分析结果表明:人为因素、机械设备因素和环境因素诱发黄河流域突发水污染事故的概率分别为52%、29%、12%,人为、机械设备和环境三方面应重点关注的风险因素分别是违规操作、管道破裂和自然灾害。     

GNNM(1,1)与GM(1,1)在深基坑变形预测中的应用

将灰色神经网络模型GNNM(1,1)应用于深基坑变形预测中,并与灰色GM(1,1)模型进行比较,以江苏某长江公路大桥南汊桥南锚锭深基坑为例进行实例分析,结果表明这种方法是可行的,能够准确地预测深基坑变形。     

基于多变量灰色预测模型的深基坑变形预测

利用MATLAB语言编程,实现多变量灰色预测模型的建模和预测,并运用于某地铁站深基坑工程的变形预测中。同时通过与传统的GM(1,1)模型预测结构进行比较,结果表明,多变量灰色预测精度较之传统方法有了较大的提高,因此较为适合用于深基坑的变形预测。