最优组合预测模型在高填方体沉降中的应用研究

针对Logistic和Gompertz路堤沉降预测模型对于高填方土体后期沉降量预测精度较差的问题,该文基于Logistic和Gompertz预测模型的共性和个性,在充分考虑二者各自优势和特定局限性的基础上,对二者进行了最优化组合。以组合模型的最小对数误差平方和为目标函数求解最优加权系数,进而推导出最优加权几何平均组合预测模型,以提高高填方土体沉降预测精度的置信度。通过各预测模型对实际高填方土体工程的实测沉降数据进行拟合分析,验证最优组合预测模型在高填方土体沉降预测中的可行性。结果表明：最优组合预测模型的精度及可靠性均优于任一单一模型,适应性更强,尤其当监测时间超过曲线拐点后,几乎接近实测值。组合预测模型能够适用于多个模型优化组合,可涵盖各单一模型的优劣势,只要在权重比不出现负值的情况下,可大幅度的提高沉降预测精度。因而此组合预测模型可作为高填方土体后期沉降预测的一种有效方法。     

灰色-Gompertz组合模型在软土路基沉降预测中的应用

针对单一灰色预测模型或Gompertz预测模型的局限性和可靠性差的缺陷,基于灰色模型和Gompertz曲线,根据最优加权组合原理,以误差平方和最小为最优组合标准,构建出1种新的软土路基沉降组合预测模型,对某沿海高速公路软土路基的沉降变形进行预测分析。工程实例验证表明,新构建的组合预测模型较单一的灰色预测模型或Gompertz预测模型有效消除了系统误差,提高了拟合精度,避免了单一模型偏大或偏小的预测趋势,具有更强的环境适应性,是路基沉降预测的1种有效分析方法,同时将新模型的预测数值应用于改进施工进度及地基处理方法的后期评价,取得了良好效果。     

加权几何平均法在桥梁墩台沉降预测中的应用

高速铁路线路修建过程中需要对线下构筑物进行沉降观测和沉降评估,由于高速铁路桥梁墩台沉降测量数据具有沉降量级较小,数值波动变化大的特性,所以单一预测模型不能很好的预测沉降量。本文结合Logistic模型和Gompertz模型的特点,应用加权几何平均法构造一个新的组合模型,使用该组合预测模型对桥梁墩台沉降进行预测,并对新模型进行精度评定。结合工程实例可得:组合预测模型拟合度高于前面两种模型,具有工程实用价值。     

复合地基全过程沉降预测

通过对观测数据分析发现复合地基沉降会经历发生、发展和成熟后达到一定极限过程,其全过程沉降曲线与S形成长曲线类似。选取Logistic和Gompertz曲线模型拟合实测数据,利用Origin软件拟合得到模型参数。在此基础上,以组合模型的误差平方和最小为目标函数来确定最优加权系数,建立加权组合预测模型,求得加权系数,进而求得组合模型预测值。计算结果表明,加权组合模型能吸收不同单一预测模型的优点,其预测精度比单一模型更高,是预测复合地基全过程沉降的一种有效方法。     

开挖降水条件下基坑周围建筑物沉降预测研究

利用Gompertz曲线模型、灰色理论模型和BP神经网络模型等单一预测模型对基坑周围建筑物沉降进行预测,之后将结果与三者优化组合模型的预测结果进行比较分析,结果表明：单一模型预测结果的精度比三者优化组合模型的精度较低,而其中通过最优加权法组合的模型预测精度最高。     

基于组合预测模型的城市道路深厚软基最终沉降分析

为较为准确地预测软土路基的沉降量,综合利用单一预测模型中的优点建立了组合预测模型,并结合某袋装砂井处理的软基沉降观测结果,对各预测模型的精度进行了分析.通过分析发现单一预测模型的误差较大,而组合模型的预测精度较高,误差控制在10%以内,最后采用组合模型对该软基的最终沉降进行了预测.     

深基坑施工变形预测与控制方法研究

结合广州地铁某换乘车站深基坑工程,分别采用5种计算模型对深基坑施工引起的周边地表沉降进行了预测分析,与实测沉降值对比后发现:灰色GM(1,1)模型、灰色马尔科夫链模型和BP人工神经网络的短期预测结果比较可靠,但其长期预测结果精度不够,而经过残差修正后的灰色模型能够明显的提高预测精度,具有一定的工程实用价值;并结合具体工程实例提出了深基坑施工变形控制的基本方法。     

新息自适应混合卡尔曼滤波算法构建地表沉降预测模型

为解决矿区地表沉降变形预测的问题,提高预测模型的精度,提出了基于自回归综合移动平均模型(Autoregressive Integrated Moving Average model,ARIMA)的新息自适应卡尔曼滤波(Innovation Adaptive Kalman Filter,IAKF)与组合神经网络相结合的混合预测模型。首先,针对沉降变形监测序列的非平稳性与复杂性等特点,ARIMA模型能够将原始数列平稳化,以此构建地表下沉的预测模型,并作为新息自适应卡尔曼滤波的状态方程。然后,将集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、粒子群优化算法(Particle Swarm Optimization,PSO)和BP神经网络结合,构建EEMD-PSO-BP神经网络的组合网络模型,将组合神经网络的沉降预测结果作为观测值引入到卡尔曼滤波观测方程中,以建立混合预测模型。最后针对噪声方差Q与R选取的问题,利用新息自适应卡尔曼滤波估计出噪声方差的协方差阵。混合预测模型能有效减小单一预测机制造成的同一性质误差的累积,将基于ARIMA的新息自适应卡尔曼滤波、EEMD-PSO-BP神经网络模型与混合滤波模型的精度进行对比,新息自适应混合卡尔曼滤波预测模型的均方根误差降低至0. 3194mm,相对百分误差降到1. 42%。实验结果表明,混合滤波模型的各项预测结果要优于传统预测模型,精度相比较传统的预测模型有较大的改善。     

地铁车站施工过程中地表沉降的NARXNN时间序列预测模型

准确预测地铁车站开挖过程中的地表沉降已成为城市地下工程风险控制的重点和难点。针对传统时间序列预测模型预测时的单一线性和忽略施工因素影响的静态局限性,提出了带外部输入的非线性自回归神经网络(NARXNN)时间序列预测模型。该模型本身具有延迟单元和反馈结构,且通过引入施工影响因子作为外部输入的一部分,可以非线性动态地考虑地铁车站施工过程。运用NARXNN时间序列预测模型对北京地铁六号线北海北站开挖过程的地表沉降进行预测,结果表明:(1)与传统的ARMA时间序列预测模型相比,NARXNN时间序列预测模型适应性更好、准确性更高;(2)通过引入施工影响因子,NARXNN时间序列预测模型能够准确预测沉降历时曲线突变点处的变化趋势;(3)可以通过引入多组施工影响因子或优化施工影响因子的取值方法来进一步提高NARXNN时间序列预测模型的预测精度。     

基于灰色理论的地铁沉降预测研究

在灰色理论的基础上与多项式相结合建立新的长期预测模型,将新模型与原有的指数模型应用到乌鲁木齐地区特有卵石地质条件下地铁车站深基坑沉降预测中,并对两种模型的预测结果进行比较,预测结果显示新模型的预测精度优于指数模型,可更好地拟合沉降曲线的变化规律。该新建模型可为乌鲁木齐地区同类基坑的沉降预测工作提供借鉴,对减少资源浪费具有一定意义。     

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。     

改进灰色BP神经网络模型在建筑物沉降监测中的应用

建筑物的变形是由于多种复杂因素的影响,文章针对该影响以及单一预测模型精度不高的问题,建立了基于灰色模型和BP神经网络模型的组合预测模型。并采用复化梯形求积法对灰色模型的背景值改进,构建基于改进的组合预测模型。结合改进的灰色GM(1,1)BP神经网络组合模型对马鞍山市的某建筑物的沉降进行预测。通过对比可以看出,改进的灰色BP神经网络预测精度最高,其拟合程度更加接于实测值,可更好地适用于实际工程的中长期预测。     

基于随机森林-支持向量机隧道盾构引起建筑物沉降研究

在地下工程盾构施工过程中,准确快速预测地铁盾构施工引起的建筑物沉降对地铁盾构施工安全评估起着至关重要的作用。本文将基于随机森林-支持向量机(RF-SVM)算法引入预测地铁盾构施工引起的建筑物沉降中,构建建筑物变形影响因素指标体系,利用随机森林算法对特征变量进行重要性评价,用五折交叉验证法对特征变量进行筛选,选取隧道埋深、建筑物完好程度、相对水平位置、覆跨比、弹性模量、推进速度共6个特征作为最优的特征变量集,建立RF-SVM训练模型,得出不同变量的敏感度,用训练模型对测试集进行预测,与人工神经网络模型、未进行特征变量筛选的支持向量机预测模型对比计算,比较均方根误差,说明RFSVM预测结果最为接近实际值,精度最高。所提出的RF-SVM预测模型为实现建筑物变形预测提供了一种有效的工具。     

基于加权组合模型的沉降预测讨论

地表沉降是一种渐变性地质灾害,可以预测其发展趋势。本文分析讨论灰色系统理论预测模型及指数平滑法预测模型的基础上,提出了对灰色GM（1,1）模型和指数平滑模型进行加权组合得出新的模型来预测地表沉降预测的方法。     

路基沉降的组合模型预测研究

基于路基沉降具有趋势性变化和随机变化的特点，建立了一个组合模型，采用Gompertz增长模型预测沉降的趋势项部分，AR模型预测沉降的随机项部分，二者之和作为总的沉降预测值，通过实例计算表明，组合预测模型能提高路基沉降量的短期预测精度，具有一定的应用价值。     

基于GWO-ELM模型的深基坑开挖变形预测研究

为有效控制和预测深基坑开挖引起的周围地表沉降变形,以保定市汽车科技产业园深基坑工程为依托,使用MIDAS GTS NX软件对实际基坑工程施工过程进行模拟,并将实际值与模拟值进行对比,验证模型的准确性。并且使用灰狼优化算法(GWO)优化了极限学习机(ELM)神经网络中的输入权重和隐藏层阈值,建立了GWO-ELM深基坑开挖变形预测模型。以有限元模型中土钉数量、开挖深度、周围建筑物沉降等因素作为预测模型的输入因子,以有限元模型中监测点DB-2地表沉降作为预测模型的输出因子。将GWO-ELM模型预测值与ELM模型预测值对比分析。结果表明：通过有限元软件提取地表沉降等数据,可以对深基坑地表沉降实现超前预测;使用灰狼优化算法对极限学习机神经网络中输入权重和阈值优化,可以提高预测模型精度;经过实际工程验证,GWO-ELM模型平均绝对误差为0.261 45,均方误差为0.312 58,R²为0.987 25,均优于ELM模型。     

基于灰色组合模型的基坑周边建筑物沉降预测

伴随着地下空间工程大量兴建,在基坑开挖阶段,定期观测周边建筑物沉降,分析预测其未来的沉降变化规律、发展趋势,对保证建筑物与人民生命财产安全具有重要意义。为科学合理预测基坑周边建筑物沉降值,在综合常用灰色预测模型,即Verhulst模型、GM(1,1)模型和SCGM(1,1)_c模型优点的基础上,建立灰色组合模型,通过挖掘各单一模型的有效信息,优化拟合结果,从而对基坑周边建筑物的沉降值进行有效预测。实例应用表明:灰色组合模型的预测值与观测数据的拟合结果优于单一预测模型,其预测精度明显提升,沉降预测值更为可靠,可为采取相应的预防或处理措施提供科学决策依据。     

基于TCN与SVM组合模型的建筑沉降预测

针对基坑周边建筑沉降序列随时间和因其他影响因素呈现的非平稳性变化特征,提出一种基于TCN与SVM的短期沉降组合预测方法。该方法利用串联组合的方式,将沉降序列看作自相关的时间序列和受外界影响的非线性部分的组合,再利用TCN与SVM模型对两部分分别进行预测,最后将两部分叠加后得到沉降数据预测结果。结果表明,TCN-SVM组合预测模型能够很好地跟踪建筑沉降变化,其预测精度比单一SVM模型提高10%～20%,可有效提高短期建筑沉降预测精度。     

地铁深基坑沉降监测数据特点分析与预测

为明确地铁深基坑开挖引起的地表沉降变形规律,结合施工过程,依据D 市Z 地铁站第29-48 期深基坑沉降监测数据,分析出深基坑地面沉降变形的普遍特点。同时,利用灰色GM（1,1）模型,对两个典型沉降点的监测数据依据不同的施工阶段进行预测。结果表明,灰色GM（1,1）模型在深基坑的沉降预测中比较可靠,且分阶段预测精度更高。可见,深基坑的沉降变形特点与开挖施工过程密切相关,在预测时结合施工进度,能提高预测精度。该研究为日后地铁深基坑沉降监测数据分析与预测提供参考。     

混沌局域法与神经网络组合供水量预测

城市供水量是非线性、非平稳时间序列,组合预测模型能获得更高精度预测结果。通过深入分析混沌局域法与神经网络预测模型特点,提出了一种新的组合预测模型。首先,应用混沌局域法对城市日供水量进行初预测,然后,应用神经网络对预测结果进行修正。由于所提出的组合模型利用了混沌局域法及神经网络进行优势互补,能同时提高预测精度与计算效率。为验证所提出组合预测模型的可行性,采用某市7a实测供水量数据,对混沌局域法、BPNN、RBF及GRNN神经网络4种单一预测模型及相应的3种组合模型预测精度进行定量分析,结果表明,组合预测模型精度都高于对应单一预测模型,混沌局域法与GRNN神经网络组合模型预测精度最高,且运算时间远低于单一神经网络模型运算时间。