基于BP神经网络的深基坑沉降预测

为了分析深基坑的沉降规律,以某实际工程为例,利用BP神经网络对该工程的深基坑沉降数据进行拟合和预测分析,采用C语言编写程序进行预测。结果表明,利用BP神经网络方法的预测结果合理,误差在允许范围内,满足工程要求,并且对类似的工程施工具有指导作用。     

基于改进遗传神经网络的地表沉降预测

为预测由隧道施工引起的地表沉降,提出了一种改进遗传神经网络模型.对遗传算法进行了改进,在锦标赛法的基础上,根据适应度递增顺序对每代种群进行排序,提出了"等级选择法".以用"等级选择法"作为选择算子的遗传算法确定了BP神经网络模型的初始值,建立了改进遗传神经网络模型.通过工程监测数据进行了验证,结果表明,改进遗传神经网络...     

基于小波降噪的深基坑地表沉降预测研究

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,采用MIDAS GTS NX有限元软件对基坑开挖过程进行模拟,并将实际值与模拟值进行对比,验证模型的准确性。对测点DB-1和DB-3采用不同降噪尺度进行降噪处理,选出合适的降噪尺度,以降噪后的测点DB-2监测数据作为径向基神经网络输入矢量,构建基于小波变换的RBF预测模型,以滚动预测方法对基坑测点DB-2沉降进行预测。结果表明：通过对监测数据多尺度分解,分离出监测数据中的真实信号与噪声信号,并对这些高频的噪声信号进行过滤,可以有效地达到降噪的目的;测得W-RBF模型的平均绝对误差为0.279 54、均方根误差为0.324 99、平均相对误差率为8.42%、最大误差为0.186 74 mm,R²为0.983 71,通过对比,均优于RBF模型;经过实际工程验证,经过小波降噪的RBF神经网络模型具有较高的精度,能够满足实际工程的需要。     

基于机器学习模型理论的基坑沉降预测研究

基坑开挖引起的地面沉降是基坑工程中需要注意的关键性问题,其具有出现区域广泛、发生灾害后果恶劣等特点。为了对基坑沉降进行准确有效的预测,以杭州市某基坑为工程背景,分别采用LSTM(Long Short Term Memory)神经网络和SVM(Support Vector Machines)对基坑沉降建立了预测模型,并通过预测任务评价指标和散点图误差线来检验模型的预测精度。研究结果表明：LSTM模型相比SVM模型表现出了更高的预测精度,更适用于基坑沉降的预测问题,并可为施工现场提供可靠的理论参考。     

基于小波分析的深基坑地表沉降预测研究

深基坑开挖必然引起地表沉降,地表沉降监测数据不可避免要受到施工及周边环境的干扰,使沉降数据真实性受到极大的影响。以武汉深基坑工程的大量监测数据为基础,提出一种小波分析法与径向基神经网络的混合建模方法,对深基坑地表变形进行沉降预测分析。首先运用小波分析对实测数据进行去噪处理,提取反映实际变化的沉降数据作为径向基神经网络输入的特征向量,构建小波网络W-RBF预测模型,采用滚动预测方法对地表沉降进行预测。工程应用结果表明,W-RBF模型预测性能,要优于带有噪声构造的原始数据预测结果,具有较高的预测精度,可满足深基坑工程的信息化施工要求。     

基于BP神经网络的偏压隧道拱顶沉降预测

采用BP神经网络,以香山隧道拱顶沉降监测数据为样本进行训练,得到了相应的学习曲线,并采用所建立的神经网络预测模型,对隧道拱顶沉降进行了预测,结果表明:建立的BP神经网络模型能够很好的描述既有训练样本曲线变化特征,且预测精度与既有监测数据相关,亦与预测长度有关,预测长度较长时预测结果可信度降低。     

神经网络和灰色系统模型在深基坑周边建筑物沉降预测中的应用

深基坑的开挖会对周边建筑物产生较大影响,因而基坑周边的建筑物的沉降观测及分析至关重要。本文分别采用神经网络和灰色系统两种模型对基坑周边的建筑物的沉降观测数据进行分析和预测,并与实际观测结果进行对比,结果表明两种模型均能达到较高的精度。     

基于神经网络模型的基坑沉降预测的研究

1.引言神经网络是一种信息处理系统,它由大量而简单的处理单元（神经元）广泛的相连接而形成复杂系统,它通过学习来解决问题,基坑沉降的预测是一项难以通过理论分析出影响因素与沉降结果映射关系的工作,而这项工作如果交     

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。     

一种基于t分布变异粒子群神经网络的路基沉降预测模型

针对已有的路基沉降预测模型精度较低的问题,在BP神经网络及粒子群算法的基础上,提出一种自适应t分布粒子群BP神经网络预测模型,提高路基沉降预测精度。     

基于BP网络的基坑周围地表沉降影响因素分析

深基坑开挖引起的周围地表沉降问题是一个复杂的非线性问题.利用BP网络处理复杂的、不确定的非线性问题的独特优势,成功建立了软土地区深基坑开挖引起的周围地表沉降的预测模型,并对其影响因素进行了定量分析,找出了主要影响因素并提出了相应的措施.     

用小波神经网络预测深基坑周围地表的沉降量

将小波神经网络应用于深基坑周围地表沉降的预测,提出了一种有效的预测方法,并构造了预测沉降的小波神经网络模型。预测结果表明,该方法收敛速度快、预测精度高,为预测深基坑周围地表沉降量的一种实用方法。     

深基坑支护结构变形预报

通过现场量测的深基坑围护结构变形信息资料,结合参数优化反分析技术及弹性地基梁有限元计算,建立了深基坑开挖中支护结构变形的预报方法。该方法可对深基坑开挖中支护结构变形做出评估,指导施工。     

深基坑工程位移预测的遗传神经网络耦合方法

岩土结构的位移都具有非线性动力学演化特征,针对目前采用的神经网络预测方法中存在的问题,用神经网络遗传算法耦合预测模型取代了传统的分析方法。详细介绍了建模过程,并用C语言加以实现,最后用实例论证了该方法用于基坑工程变形预测的可靠性和实用性。     

基于神经网络的基坑与紧邻桩变形相关预测

基于神经网络技术 ,建立深基坑墙体与其紧邻建筑 (构 )物之间变形相关性预测BP网络模型 ,以便根据深基坑紧邻桩基允许变形来控制深基坑墙体变形。本文最后用某紧邻高架桥的地铁车站深基坑实例进行分析 ,结果表明预测与实测结果基本吻合     

神经网络在深基坑工程变形预测中的应用研究

提出了深基坑变形预测的神经网络法,详细介绍了该方法的建模过程,并用MATLAB语言加以实现,最后用实例论证了神经网络方法用于基坑工程变形预测的可靠性和实用性．     

基于灰色马尔可夫链的深基坑沉降预测

深基坑工程是集岩土工程和结构工程于一体的复杂系统工程,影响因素众多,其位移变化具有较大的不确定性和很强的非线性动力学演化特征。因此,利用传统方法对其位移规律建立满意准确的数学模型非常困难。利用灰色GM(1,1)模型来体现其灰色性,用马尔可夫动态过程来反映系统受影响的随机性。工程实例表明,利用灰色马尔可夫链对深基坑沉降变形进行预测是可行的。     

深基坑支护桩周边建筑物沉降分析

运用基坑周边土层沉降计算法对扬州某基坑周边建筑沉降进行理论计算,并将计算和实测沉降值进行分析比较,指出了计算与沉降值存在偏差的原因。在对建筑物沉降监测数据进行深入研究的基础上,总结出影响基坑周边建筑沉降的因素。最后,结合沉降监测数据和影响因素,详尽的分析其影响基坑周边建筑物沉降。由此得出一些有实际工程意义的结论,对合理的基坑支护设计具有现实指导意义。     

神经网络方法在深基坑动态风险预测中的应用

以上海地区某复杂深基坑工程为分析对象,将现场监测数据与神经网络方法相结合,对施工监测当天以后第三次的监测数据做出预测.结合施工动态风险预测方法,按实测监测数据和预测变形数据分别计算出相应的风险等级.本文特点是将预测的变形数据转化为风险水平,可以使施工人员根据不同的风险水平制定相应的预防措施,从而为深基坑工程的施工安全预...     

采用Gompertz模型预测深基坑周边地表沉降

目前对深基坑周边地表进行预测的理论还很不成熟,该理论目前还处在研究阶段,规范上给出了相关监测标准,但没有提供相关预测方法,且各种规范给出的监测标准也不统一。已有文献中的预测方法主要是通过一些线性假设,结合参数进行预测的,是一种一步到位的预测方法,预测值的精度完全由参数的取值是否合理所决定,人为因素较大,且无法考虑工程的具体施工情况,在施工过程中无法进行调整。Gompertz模型是一种生长曲线,成反S型,常用于生产、商业领域。Gompertz的导数模型成抛物线型,与深基坑周边地表沉降的曲线相似。结合Gompertz模型,并对其进行求导,调整后、得出深基坑周边地表沉降公式δ(x)=ace(b-cx)exp(-e(b-cx))。该公式不需要最大侧移值作为预测条件,给出了利用该公式进行预测的计算步骤,参数的取值排除了人为的影响因素,更为合理。用工程实例验证得出该公式预测精度较高,是一种简单、实用的基坑周围地表沉降预测方法。