基于重标极差法和神经网络的隧道变形趋势判断

为准确、科学及全面地对隧道变形进行趋势判断和预测分析,将隧道的变形过程划分为中期阶段和长期阶段,利用R/S分析对其位移序列和速率序列进行趋势判断研究,再利用PSO-BP神经网络对各阶段的变形进行预测,将预测结果与R/S分析结果进行对比,验证两者的一致性。利用两个工程实例进行检验,得出各序列的Hurst指数均大于0.5,说明各序列均具有持续变形的长期性,且位移序列的趋势性均大于速率序列的趋势性;同时,变形预测结果也显示隧道后期变形将持续增加,验证了R/S分析的准确性。     

基于灰色-进化支持向量机的围岩变形预测

现场监测获得的围岩变形信息,从宏观上反映了洞室的力学性态变化.考虑到位移单调增长的特殊性,根据位移分解原理,采用灰色系统提取位移趋势,用基于粒子群优化算法的支持向量机预测其随机项,从而提出了一种位移预测的新方法.利用这种非线性智能预测方法,滚动预测围岩变形量,以便及时发现异常情况、调整和优化施工步序,维护洞室的稳定性.将该方法用于锦屏一级水电站工程洞室变形预测,结果表明,该方法具有科学可靠、实时性的优点,具有广泛的应用前景.     

基于支持向量机的水电机组状态趋势预测研究

趋势预测是水电机组状态监测与故障诊断系统中的重要内容之一,对保障机组安全稳定运行具有重要意义。针对水电机组振动的非线性、非平稳特性,提出将最小二乘支持向量机应用于水电机组振动状态趋势预测;并将该算法应用于某水电机组振动序列峰峰值的预测,与BP神经网络的预测结果的对比表明：最小二乘支持向量机算法更适合于水电机组状态趋势预测分析。     

组合预测及R/S分析在基坑变形趋势判断中的应用研究

在基坑的现代化信息施工过程中,通过建立有效的预测模型,对基坑的变形趋势进行准确的预测,能有效地指导施工,避免工程事故的发生。为实现这一目的,首先,采用GM(1,1)、支持向量机和BP神经网络模型对基坑的变形进行单项预测,并建立了基坑的定权和非定权组合预测模型;其次,利用R/S分析,对基坑的变形趋势进行判断,以验证基坑变形预测的有效性。结果表明:通过组合预测,有效地提高了预测结果的精度及稳定性,其中以BP神经网络组合预测的效果最优,实测值与预测值之间能较好地吻合;同时,基坑具有持续变形的趋势,变形将进一步增加,且在后期的稳定性具有减弱的趋势,与预测的结果一致。通过研究,验证了组合预测及R/S分析在基坑变形趋势判断中的有效性,这为基坑变形预测及趋势判断提供了一种新的思路。     

基于最小二乘支持向量机的大坝变形预测模型

变形是对大坝结构性态和安全状况最直接、可靠的反映,是大坝安全监测的重点项目之一.大坝变形具有较强的非线性特点,传统的预测方法有时精度不高.建立在统计学习理论和结构风险最小原理基础上的支持向量机算法能较好地解决小样本、非线性、高维数等问题.文章引入标准支持向量机的一种扩展——最小二乘支持向量机,参照传统逐步回归统计模型建...     

基于支持向量机的混凝土强度预测

支持向量机是建立在统计学理论之上的机器学习技术。提出了混凝土28 d抗压强度预测的一种新方法,即支持向量机回归方法。该方法根据有限的学习样本,建立了各种影响因素和混凝土抗压强度之间的一种非线性映射,可以对混凝土强度进行预测。以实际样本数据进行训练,并对测试样本进行了预测。预测结果表明,支持向量机方法有着良好的泛化能力,优于人工神经网络建模方法。     

人工免疫算法优化双支持向量机在拱坝变形预测中的应用

为了能够通过监测数据直观反映出坝体是否处于稳定运行状态,采用人工免疫算法优化的双支持向量机方法,对高拱坝变形数据进行了拟合预测分析,双支持向量机与标准支持向量机相比极大地提高了计算速度,在进行批量重复计算中计算效率明显提升。针对双支持向量机计算结果受参数影响较大且参数多的问题,引入人工免疫算法搜寻双支持向量机参数,人工免疫算法在遗传算法的基础上保留了一定数量的较优解,提升了算法的搜索效率。工程算例分析表明,参数对双支持向量机结果影响较大,通过人工免疫算法搜寻最优参数后,双支持向量机能够较好地拟合拱坝坝体变形数据,预测结果符合工程精度要求,最大误差仅为1 mm左右。     

基于果蝇优化算法的支持向量机径流预测

为了提高径流预测的精度和可靠性,将支持向量机应用到单因子月径流预测建模中。针对支持向量机模型参数的选择费时费力且效果差的问题,利用全局寻优的果蝇算法优化选择支持向量机的惩罚参数和核参数,提出了基于果蝇算法优化支持向量机参数的FOA-SVM预测模型,并利用新疆某站的月径流历史数据进行了仿真测试。结果表明:与GA-SVM模型和PSO-SVM模型相比,FOA-SVM模型能够提高径流预测的效率与精度。     

支持向量机模型在电站闸坝沉降变形预测中的应用

本文结合支持向量机模型,建立多元自回归方程对辽宁东部某电站闸坝沉降变形进行预测,并结合闸坝沉降变形监测点监测的沉降数据对模型进行验证。结果表明:支持向量机模型可用于电站闸坝沉降变形预测,模型预测的沉降值和监测点沉降监测值年尺度和月尺度的相对误差均在20%以内,预测沉降值和监测沉降值之间的绝对误差小于1.5mm,且支持向量机模型可准确预测闸坝沉降的变化趋势。研究成果对于闸坝除险加固中沉降预测提供较好的方法参考。     

基于蚁群算法优化支持向量机的边坡位移预测

由于复杂工程地质条件和环境因素的综合影响,边坡变形呈现复杂非线性演变特征。借助支持向量机(SVM)可有效解决小样本、高维数、非线性等问题的优点,对边坡实测位移进行数据挖掘,预测边坡变形趋势。为了避免人为选择支持向量机模型参数的盲目性,提高模型预测精度和泛化能力,引入改进的蚁群算法(ACO)对模型参数进行寻优,结合位移时序滚动预测方法,建立了适合边坡变形预测的ACO-SVM模型。将该模型应用于2个边坡的位移预测,研究结果表明,ACO-SVM预测精度高,模型建立正确。与遗传算法、粒子群算法优化SVM的预测结果相比,ACO-SVM模型预测精度更高,具有更强的泛化能力,预测结果更加合理,在边坡变形预测中具有一定的工程应用价值。     

基于改进GWO和SVM的大坝变形预测

建立准确可靠的大坝变形预测模型是大坝安全评价的重要内容,为此,将差分进化算法的交叉和变异算子引入灰狼优化算法(GWO),提出一种基于改进灰狼算法(MGWO)优化支持向量机(SVM)的大坝变形预测方法.通过差分进化算法丰富初始种群,提出改进灰狼优化算法(MGWO),并采用MGWO算法优化SVM的惩罚因子和核函数,建立基于...     

基于时间序列分析的滑坡变形动态预测研究

针对以往变形预测模型实用性不足的缺点,基于时间序列分析原理,结合系统论和岩土体流变理论,在深入研究影响滑坡变形的外界主控环境变量的基础上,采用移动平均法和多项式函数对位移时序的趋势项进行抽取和建模,用支持向量机建立起环境主控变量与位移偏离项之间的非线性关系,并根据变形对外界环境响应情况建立起动态预测模型。将此预测思路和方法应用于三峡库区某滑坡,通过实例研究表明：该预测思路和方法合理可行,不但具有较强的建模能力、且有较高的精度,可用于相关的工程实践之中。     

运营公路隧道的变形机理分析及危险性评价

为合理评价运营隧道的安全现状及危险性发展趋势,提出利用BP神经网络和V/S分析构建运营隧道的危险性预测模型。首先,基于运营隧道所处的环境条件,分析其变形机理;其次,根据相关安全等级划分标准,评价运营隧道的安全现状;最后,利用优化BP神经网络构建运营隧道的变形预测模型,再利用V/S分析判断运营隧道的危险性发展趋势,以实现运营隧道的危险性预测。以嬉野隧道为实例进行验证,结果表明:运营隧道的变形影响因素较多,主要包括渗水因素、空洞因素、衬砌劣化因素及长期应力作用因素等;隧道的安全现状等级为Ⅴ级,危险性高,且沉降变形判断得到的危险性等级要高于水平收敛判断得到的危险性等级;变形预测结果和危险性趋势分析结果具有较好的一致性,均得出该隧道的危险性将会进一步增加,验证了BP预测和V/S分析2种模型在运营隧道危险性预测中的适用性和可靠性。研究成果为公路隧道的后期运营提供一定的指导。     

基于遗传算法的支持向量机在径流中长期预报中的应用

支持向量机在径流中长期预报的应用中,普遍采用网格搜索法率定其参数,存在耗时较长、参数选取不当而导致预报精度低等问题,针对该问题提出了一种基于遗传算法的支持向量机模型,该模型结合遗传算法收敛速度快的特点对支持向量机参数进行优化选择,实现参数的全局自动化选取。应用乌江流域某电站的径流预报结果显示,相对于基于网格搜索参数寻优的支持向量机模型及神经网络模型,基于遗传算法参数寻优的支持向量机模型预报精度更高,泛化能力更强。更多还原     

龙滩导流洞开挖支护中大型机械设备的应用

作为“西电东送”标志性工程的龙滩水电站 ,能否在 2 0 0 3年 11月顺利截流 ,关键在于龙滩右岸导流洞开挖支护能否按期完成。介绍了大型机械设备在龙滩电站特大型洞室的开挖支护中的综合运用。大型机械设备的运用大大提高了工效 ,保证了安全 ,缩短了工期     

改进组合预测模型在铁路隧道变形预测中的应用

变形预测是隧道信息化施工的重要依据,能有效判断隧道围岩的稳定性。为此,在传统组合预测的基础上,提出了基于局部权值和整体权值的改进组合预测方法,该方法既不失传统组合预测的简单实用特点,还能反映样本数据至预测节点长度对组合权重的影响,实现了对传统组合预测的改进;同时,针对局部权值和整体权值的叠加问题,提出了累加叠加和累乘叠加的思路,有效考虑了局部和全局因素对组合权值的影响;最后,将改进后的组合预测模型应用于工程实例,以探讨其可行性及有效性。结果表明:该组合预测模型较传统组合预测模型具有更高的预测精度,预测结果的相对误差均<2%;同时,在局部权值和整体权值的叠加过程中,累乘叠加的效果要略优于累加叠加的效果,累乘叠加具有相对更高的精度和稳定性。研究成果可为铁路隧道的变形预测研究提供一种新的思路。     

小寨山隧道洞口段塌方成因分析及变形预测

为保证隧道洞口段的施工安全,在小寨山隧道洞口段塌方成因分析的基础上,利用尖点突变理论和PSO-ELM模型评价了隧道洞口段围岩的稳定性现状及其发展趋势;另外,根据洞口段塌方成因,对塌方处理措施进行了系统研究,并综合分析了处理效果,以评价各类处理措施的有效性。小寨山隧道洞口段塌方成因研究表明:洞口段的塌方成因主要是偏压原因和降雨原因,且突变分析过程的突变特征值均<0,得出隧道洞口段围岩处于不稳定状态,加之变形预测结果显示其后期变形仍将持续增加,进而隧道洞口段的稳定性趋于不利方向发展,有必要采取切实措施保证施工安全;同时,塌方处理措施应结合工程实际,先对各施工阶段和步骤进行针对性加固,再调整隧道支护所受的宏观应力状态,保证其受力平衡,且通过塌方处理,小寨山洞口段围岩变形处于可控范围内,验证了各类处理措施的有效性。     

基于LS-SVM模型的白水河滑坡台阶状位移预测

滑坡位移是滑坡变形破坏最直观的表现,滑坡位移预测成功与否对于判别滑坡的演化趋势至关重要。滑坡位移曲线是受多种影响因素共同作用的非平稳时间序列,以三峡库区白水河滑坡为例,利用HP滤波分析方法提取滑坡位移的趋势项,趋势项位移主要是由滑坡自身特征决定的,具有较明显的非线性递增特性,采用多项式对其进行拟合预测;周期项受多种诱发因子(滑坡演化阶段、季节性降雨、库水位升降等)影响,利用最小二乘支持向量机模型(LS-SVM)对其进行训练与预测。将趋势项和周期项拟合预测结果叠加即为累计位移预测值,结果表明在监测点ZG93和XD-04的预测中,LS-SVM模型均具备较高的评价精度,在台阶状位移特征的滑坡位移预测中具有较好的适应性。