改进BP神经网络在软土地基沉降量中的应用

利用神经网络强大的非线性映射能力,提出了一种基于BP神经网络模型的软土地基沉降量的预测方法,对不同情况下软土路基沉降量进行合理地预测,实例检验证明,该方法收敛速度快,预测的可靠性高。     

基于BP神经网络的静压桩承载力时间效应预测

基于珠海软土地区3根PHC管桩隔时复压试验数据,采用BP神经网络建立了静压桩承载力时间效应的BP神经网络模型来预测静压桩的长期承载力。在建模过程中将桩长、桩截面积、土体摩擦角、土体变形模量、渗透系数、最终压桩力及休止期等与静压桩承载力密切相关的7个参数引入到输入层,用Visual Basic语言编制了以最终压桩力和休止期为主要输入因素的计算程序,程序可以对比显示计算和实测曲线。在样本训练和学习过程中,任意选取2根桩的试验数据来预测第3根桩的长期承载力。通过对施工现场工程桩的试算,预测结果与实测值较为吻合,表明提出的BP神经网络模型用于预测静压桩长期承载力是切实可行的。     

小波神经网络在软基沉降组合预测中的应用

将小波神经网络组合预测模型引入软土路基沉降预测中。把5组不同形式的s型增长模型单项预测结果作为小波网络的输入向量,将代表相应时刻的实际值作为小波网络的输出,对软基沉降序列进行非线性组合预测。预测结果表明,小波网络组合预测的结果比各单项模型预测的结果都好,与BP神经网络相比,小波网络的收敛速度更快,预测精度更高,模型的泛化能力更强。     

基于BP神经网络预测复合盐侵蚀后混凝土的相对动弹性模量

为了预测复合盐侵蚀后混凝土的相对动弹性模量,在分析BP神经网络原理的基础上,提出用BP神经网络模拟混凝土相对动弹性模量变化率与复合盐溶液质量分数、侵蚀时间之间关系的方法。根据侵蚀试验的实际工况,分别建立了三维输入向量,一维输出向量的BP神经网络模型,通过39组试验,验证了模型的可靠性与精确性。结果表明:实测结果与预测结果相吻合,并且平均误差百分比为2.08%,该BP神经网络模型能较准确地快速预测侵蚀后混凝土的相对动弹性模量变化率。     

基于拌和生产数据的BP神经网络混凝土抗压强度预测

为解决混凝土生产中抗压强度试验周期长及工程管理存在滞后性的问题,提出了一种基于混凝土拌和生产实时监控数据的BP神经网络混凝土抗压强度预测模型。以混凝土拌和生产中的8项物料生产称重数据和5项生产配比数据作为预测输入变量,建立200组混凝土拌和站生产监控数据和对应的抗压强度试验数据样本集,按照6∶2∶2比例划分为训练集、验证集和测试集;分别以C40配比混凝土拌和生产的8项物料称重数据和全部13项数据作为输入变量,进行混凝土28 d抗压强度预测,将预测结果与实际试验结果进行比较,验证所提出BP神经网络模型的预测效果。结果表明：所提出的BP神经网络混凝土强度预测模型能较好地实时预测混凝土28 d抗压强度,且相对误差优于利用7 d抗压强度试验数据估算值;8项物料称重数据作为输入变量的BP神经网络预测模型预测精度更好,平均绝对百分比误差为0.82%,均方根误差为0.52 MPa;利用不同拌和站C20配比、C30配比混凝土拌和生产监控数据对8项输入变量BP神经网络混凝土抗压强度预测模型进行适应性验证可知,其预测平均绝对误差均在0.5 MPa之内,平均绝对百分比误差均小于2%,与C40配比预测误差一致...     

土工格栅处理软土路基沉降量的BP神经网络预测

目前,土工格栅处理软土路基沉降量的预测多采用指数曲线和双曲线延伸法,其结果不够理想,采用BP神经网络逼近非线性插值方法构建等时距时间序列数据,同时建立相应的时间响应函数,预测其沉降量.计算实例表明,BP神经网络模型沉降预测结果比较准确,其最终沉降预测结果具有一定的工程应用价值.     

粗粒土BP神经网络本构模型研究

为了描述具有应力应变关系非线性和剪胀性的粗粒土本构特性,利用改进的BP神经网络算法,通过优选网络结构和对粗粒土的大型三轴固结排水剪试验数据样本学习,建立了一个以平均主应力p和广义剪应力q作为网络输入向量、以体应变εv和剪应变εs作为网络输出向量的粗粒土BP神经网络本构模型。利用此模型对粗粒土的应力应变关系进行了预测,整体预测结果的最大误差均在10%内。预测表明本神经网络模型具有良好的预测精度和适用性。     

邻近建筑物边坡稳定性预测研究

以青岛市黄岛区淮河西路道路工程为依托,通过理论分析、现场试验等方法,综合分析了造成边坡失稳现象的主要因素,提出了适用于邻近建筑物边坡稳定性预测的应用方法。通过试验结果与实际耦合对比,验证利用BP神经网络来预测边坡稳定性的可行性。针对边坡稳定性预测过程中BP神经网络计算速度低等问题,对其进行三方面的综合改进以降低模型在计算过程中产生的误差,有效提高模型预测结果的准确可靠性。     

BP神经网络在某深基坑工程监测中的应用研究

采用BP神经网络模型对某深基坑工程的变形进行了预测,通过与实测数据的对比分析表明:BP神经网络模型在深基坑工程监测中具有良好的容错性,在围护桩顶竖向及水平位移、围护桩深层水平位移、锚索内力预测方面具有较高的准确度,与实际内力及变形情况较为吻合;BP神经网络模型在地下水位预测中的准确度较低、数据结果离散性较大,不能充分反映水位变化的实际情况;BP神经网络模型在进行短期预测时准确率高,预测曲线与实测数据曲线吻合性较好;在进行锚索内力监测时,当传感器不能及时采集数据的情况下,BP神经网络能发挥预测准确数据的作用;BP神经网络模型隐含层数的选取对预测结果的准确性有一定的影响。     

基于神经网络的SMA本构模型研究

形状记忆合金(Shape Memory Alloy,简称SMA)是一种新型智能合金材料,具有广泛的工程实用价值。基于不同的理论,许多学者提出一系列SMA本构模型。本文利用BP(Back Propagation)神经网络拟合拉伸试验所得数据,得到基于BP网络的SMA本构模型。通过选择试验可测得数据作为输入数据,简化了数据输入及计算复杂度,提高了本构模型的准确性及适用性。结果表明,训练成型的神经网络本构模型,能够以较小的误差(1%)对试验结果进行拟合,并继续在此误差范围内预测有一定数据波动的SMA材料,具备良好的模拟、泛化能力。     

软土工程性质与微观结构关系的神经网络模型

软土的工程性质很大程度上取决于它的内部结构。通过对广州南沙地区软土的物理力学试验获取了土的物理力学性质指标,利用扫描电镜分析和图像处理技术获取了软土的微观结构参数。运用Matlab神经网络工具箱编程,建立了软土工程性质指标与微观结构参数的RBF神经网络模型。通过两个分析模型(模型Ⅰ和模型Ⅱ)的实例研究表明,RBF网络模型具有结构简单,计算速度快,精度高,泛化能力强、性能稳定的优点。该方法可以作为软土宏微观关系建模的有效途径和软土微观结构试验的有效补充,可为软土工程可靠性分析和软基处理设计提供参考依据。     

基于递归神经网络的基坑工程变形多步预测方法研究

针对深基坑系统的复杂的非线性及基坑工程变形多步预测的重要性 ,将人工神经网络技术引入其中。分析了用BP网络进行多步预测时存在的不足 ,提出了基于递归神经网络的基坑工程变形多步预测模型。通过一软土深基坑工程变形多步预测实例的分析 ,论证了递归神经网络用于基坑工程变形多步预测的可靠性和实用性。该方法有效可行 ,在其他领域的多步预测中同样具有广阔的应用前景。     

高速公路沉降预测神经网络法应用研究

提出了改进的BP神经网络模型 ,把它应用到软基高速公路的沉降预测中 ,提出了两种构造神经网络训练样本基本思路 ,并分别进行了计算和对比 ,指出了各自的优、缺点。结果表明改进的BP网络模型比较稳健、收敛快 ,而且根据时间与对应的沉降量形成的样本训练的网络预测出的沉降误差小、精度高。     

考虑剪胀的土的非线性本构关系神经网络模型

土的本构关系相当复杂,受诸多因素影响,这给土的本构关系模型的建立带来很大困难。提出了土非线性本构关系神经网络模型。该模型考虑了p对剪应变和q对体应变的影响,可有效地反映土的剪缩或剪胀现象,同时建模方便,直接利用试验结果对网络进行训练来确定模型参数。此外,将该模型纳入了有限元程序,通过对一基础沉降计算证实了该模型的有效性。     

组合预测模型在建筑结构寿命预测中的应用研究

着重对BP神经网络模型和组合预测模型进行了介绍,以“误差之平方和最小”作为最优准则,利用组合预测模型对回归模型和BP神经网络模型进行优化,通过对某混凝土结构剩余寿命的实例分析,检验了这些模型的可行性、可靠性。     

裂隙岩体渗透特性反演分析

 提出裂隙连通率与连通系数的近似转换方法;采用该转换方法,建立含单组裂隙岩体的等效渗透张量;基于有限单元法,建立一套单孔定向压水试验数值模拟方法,并进行大量数值试验;以数值试验结果作为BP神经网络的训练样本,结合定向压水试验实测资料,提出反演裂隙岩体渗透特性(等效渗透张量)的方法,并通过工程实例验证该方法的可靠性。     

国际工程索赔中神经网络的应用

针对传统BP算法的缺陷,提出了一种采用L-M算法来加快收敛速度改进的BP神经网络,建立了基于LMBP神经网络的非线性系统,并利用该网络模型来预测工程索赔出现的可能性,并通过具体的仿真以及实践结果验证了LMBP网络的有效性,为承包商的工程索赔管理提出了一个新途径。     

城市污水排放量预测模型研究

采用多元线性回归和BP人工神经网络两种方法分别建立城市污水排放量的预测模型，并进行实例计算验证。通过比较分析，发现BP神经网络的非线性映射能力能够更好地反映城市污水量与多个自变量间的复杂关系，具有较高的模拟精度且应用简便。