加权函数组合预测边坡变形模型的研究

边坡变形监测是边坡监测的主要内容之一,其变形预测问题是边坡工程中主要技术难题之一。考虑边坡位移变形预测模型的局限性,如神经网络预测方法需要大量的实测数据作为学习样本,灰色系统模型要求原始数据序列必须满足指数规律,且数据序列变化速度不能太快等。建立了边坡变形反向传播神经网络预测模型,同时给出了灰色GM(1,1)边坡预测模型。提出边坡的神经网络与灰色系统加权函数组合预测模型,采用动态规划解法,将原模型转化为多阶段决策问题,使组合预测误差的平方和最小,得到组合权重,这样得到的变形预测结果的精度将大大提高,弥补了单一方法的局限性,满足工程预测的需要。通过边坡实例加以验证,加权函数组合预测模型的预测结果精度有一定提高,能够与实际监测数据相吻合,达到准确预测的目的。     

基于灰色关联分析的遗传神经网络在水下爆破中质点峰值振动速度预测研究

水下爆破是一个复杂的、非线性的动态能量释放过程,其涉及到的影响因素众多。为了充分利用少量的实测数据,较准确地预测水下爆破质点峰值振动速度,引入灰色关联分析理论,并结合遗传神经网络较强的非线性映射优势和全局化的搜索能力,建立基于灰色关联分析的遗传神经网络模型(GRA-GA-BP)。该模型利用灰色关联分析理论,充分挖掘小样本潜在信息特征,较合理地确定了影响爆破振动速度的主要因素,解决了神经网络在多变量复杂系统中输入变量无法自动寻优的难题,从而增强了神经网络的适应能力和稳定性。采用该模型对广东台山核电站1期工程大襟岛水下爆破开挖质点峰值振动速度进行预测,并与传统的遗传神经网络及萨道夫斯基公式预测结果进行对比,发现GRA-GA-BP模型的预测值与实测值吻合更好,预测误差更稳定。研究方法可为小样本、多因素影响下类似工程质点峰值振动速度预测提供借鉴。     

联合多种数据驱动建模方法的滑坡位移预测研究

边坡位移是滑坡演化的宏观体现,分析并预测滑坡位移发展态势对于防灾减灾具有重要意义。由于滑坡位移曲线具有明显的非线性特征,单一模型往往难以刻画其非线性与复杂性。为发展一种普遍适用于滑坡位移的预测方法,提出了一种联合多种数据驱动模型的新方法。该方法根据时间序列分析理论,将滑坡位移序列分解为趋势项和周期项,趋势项采用并联型灰色神经网络处理,周期项则采用人工蜂群算法（ABC）优化后的极限学习机模型（ELM）处理,从而充分应用各种模型的优点。以三峡库区白水河和八字门滑坡为例,对位移数据进行分析处理后,灰色神经网络模型预测其趋势性位移,改进后的极限学习机模型对周期性位移进行训练及预测。结果表明:在预测精度上,优化后的极限学习机模型准确度高于极限学习机模型及小波神经网络等方法,提出的灰色神经网络与ABC-ELM的组合模型可作为实际工程的一个参考。     

基于灰色最小二乘支持向量机的边坡位移预测

利用边坡实测位移序列预测边坡未来时间的位移,可以有效地判断边坡的稳定性。在分析了灰色预测方法和最小二乘支持向量机各自的优缺点的基础上,提出了将二者相结合的一种新的预测模型--灰色最小二乘支持向量机预测模型。新模型既发挥了灰色预测方法中“累加生成”的优点,弱化了原始序列中随机扰动因素的影响,增强了数据的规律性,又充分利用了最小二乘支持向量机求解速度快、易于描述非线性关系的优良特性,避免了灰色预测方法及模型存在的理论缺陷。同时,采用遗传算法进行了模型的参数优化,通过2个工程实例说明灰色最小二乘支持向量机模型预测边坡位移的有效性,具有较高的精度。     

边坡位移预测的非线性组合模型及应用

通过边坡现场监测位移序列来预测未来时间边坡的位移,可以有效地评价和判断边坡的稳定性。多种非线性分析方法的组合可以有效提高预测精度,将灰色理论与投影寻踪回归各自的优缺点的基础上,提出了将二者相结合的一种新的预测模型--时序投影寻踪回归模型。新模型既发挥了灰色预测方法中“累加生成”的优点,弱化了原始序列中随机扰动因素的影响,增强了数据的规律性,又充分利用了投影寻踪回归方法易于描述非线性关系的优良特性,避免了灰色预测方法及模型存在的理论缺陷。同时,对模型的可靠性进行了验证。将文中提出的时序投影寻踪回归方法应用到 2 个工程实例,研究结果表明该模型预测值与实测值吻合较好,具有较高的精度,可为边坡位移的预测提供一条新的途径。     

灰色-进化神经网络模型在深埋隧道围岩变形预测中的应用

由于深埋隧道围岩的变形受到构造、应力场、地下水、开挖方式等复杂因素的综合影响,具有位移时间序列的单调增长的特殊性和非线性,运用响应成分模型将隧道围岩位移量分解成具有确定性的趋势项和具有不确定性的随机项。建立灰色–进化神经网络模型对趋势项和随机项进行预测,既结合GM（1,1）模型较好预测序列增长趋势的特点,又结合神经网络利用自适应实现网络总体误差最小的特点,进而解决了单一利用GM（1,1）模型时预测值的随机偏离量较大的问题,保证了预测的精度。将该模型应用于基于实测位移资料的堡镇隧道围岩水平收敛位移短期预测,较好地揭示了隧道围岩收敛位移演化的规律,为合理选取二次衬砌时机提供了参考。     

深井底板突水组合灰色物元判别系统及应用

深井底板突水预测是一个复杂的理论与技术问题,具有模糊性、灰色性和不相容性的特点。建立了深井底板突水的主控指标体系,通过灰色关联分析得到主控因素,应用熵值调整法确定了各主控因素在突水过程中的贡献权重。根据灰色物元分析理论,分别建立了线性灰色物元判别模型和最优灰色物元判别模型,采用VB6.0开发了深井底板突水组合灰色物元判别系统。该系统两种模块的并列运行和相互验证提高了判别结果的准确程度,使系统初步具备了受承压水威胁的深井工作面的危险度预测功能。应用该系统进行深井突水案例的模拟结果与实际情况比较吻合,这表明该系统对深井复杂条件下的矿井底板突水预测具有较好的应用价值。      

基于集对分析组合理论的全风化边坡位移预测研究

风化花岗岩边坡位移受多种不确定因素影响,其预测是一个复杂的不确定性问题。以平益高速某风化花岗岩边坡为研究对象,先利用少量位移监测数据建立五种单项预测模型,然后基于集对关系准则定量分析各单项模型预测值与实测值间的集对关系,并通过联系数确定组合权重系数,最终建立了关于边坡位移的组合预测模型,并将预测数据与实测数据进行了对比验证。研究表明,利用集对分析组合理论建立的模型实现了预测信息的优化组合,相对单项模型,组合模型的预测相对误差最大不超过20%,绝对误差平方SSE、标准误差SE等指标偏小,可为边坡动态施工管理提供更加可靠的依据。拓宽了集对分析组合理论的应用范围,也为解决其他类似工程的位移预测问题提供了思路。     

基于遗传算法和模糊神经网络的边坡稳定性评价

边坡工程是一个动态的、模糊的、开放的复杂非线性系统,传统的分析方法有时难以对复杂边坡的稳定性做出符合实际的评价。影响边坡稳定性的因素复杂且具有随机性和模糊性。由于神经网络方法不仅能考虑定量因素,而且能考虑定性因素的影响,因而神经网络方法适用于解决非确定性的边坡稳定性评价问题。综合考虑影响边坡稳定性的各方面因素,建立了基于遗传算法的模糊神经网络模型,并利用大量工程资料对网络进行训练和测试。预测结果表明,该模型的预测精度明显高于目前同类方法。     

改进灰色马尔科夫模型及其在水资源预测中的利用

这里首先对灰色系统理论GM(1,1)模型的算法进行改进,并将改进后的灰色模型与马尔科夫模型结合。通过对灰色系统预测数据的修正,既发挥了灰色系统预测精确的特点,又利用了马尔科夫模型对预测波动性数据准确的优势,对于在任何时间序列上展开的具有一定波动性的数据进行预测,精度更高。     

灰关联神经网络法及防洪堤边坡稳定性分析

灰关联分析神经网络方法首先是对防洪堤边坡稳定性影响因素进行灰关联分析,得出各因素影响程度的大小排序,然后建立该工程的神经网络模型,选择灰关联分析得到的优势因子作为样本输入以及关联度作为网络权值确定的一个因素,利用大量南宁市防洪堤边坡工程实例对网络进行训练学习,最后用训练成功的网络对工程进行预测。预测的结果与实际情况进行对比表明,这个方法能够满足南宁市防洪堤边坡稳定性预测的要求。     

基于GM(1,1)优化模型的岩石边坡变形预报

岩石边坡系统是一典型灰色系统，其变形发展过程可以用灰色预测模型完成。尽管传统GM（1，1）模型预测有很多成功的实例，但是也存在一些预测偏差过大的情况，必须对其进行优化。逐步迭代法GM（1，1）模型不仅收敛速度快，而且与原始数据库序列的凹凸性保护一致。利用自编的计算程序对马步坎边坡预测测点G1沉降和开裂进行预测分析，结果表明逐步迭代法GM（1，1）优化模型计算精度较传统GM（1，1）模型和背景构造法GM（1，1）优化模型高，较好地反映了岩石边坡的变形趋势。     

考虑环境变量作用的滑坡变形动态灰色-进化神经网络预测研究

滑坡变形预测对于指导灾害的预防工作、保护人民的生命和财产安全具有重大实用价值。从系统论观点出发,结合岩土体流变理论和时序分析原理,在深入研究影响滑坡变形的主控环境变量基础上,将位移时序分解为趋势项和偏离项。采用灰色系统模型提取位移时序趋势项,结合遗传算法和人工神经网络建立起进化神经网络模型,逼近主控环境变量与位移偏离项之间的非线性关系。根据蠕变阶段和变形对环境变量响应情况,实时调整模型,建立起滑坡变形预测的动态灰色-进化神经网络（GM-ENN）模型。将此预测思路和方法应用于三峡库区某滑坡变形预测研究中,证实了模型的有效性和实用性,显示了动态预测的重要性。     

模糊神经网络在矿震预测中的应用

矿震同天然地震一样会给矿山生产及人身安全等带来重大灾难。也是目前尚不能准确预测的矿山灾害现象之一。根据现有的研究成果可知，矿震是一个多输入、多干扰、单输出的复杂系统。由于干扰项的存在，使利用建模、神经网络等手段对系统进行预测时会导致很大误差。模糊神经网络系统在建立对象输入、输出关系时与传统数学方法不同。即可以建立在无模型基础上，并利用其较强的学习训练特性，自动获取对象的输入、输出关系表达；可以将专家的评价语言作为系统的干扰项引入。这在一定程度上缓解了人为因素对预测结果的影响，且平滑了观测数据的随机性。文章利用改进的模糊神经网络及抚顺老虎台矿的矿震资料，对矿震最大震级的预测方法进行了探索。‘初步探讨了改进的模糊神经网络在矿震预测中的应用。得出在运用模糊神经网络进行预测时，为减小预测误差，应综合多种因素并提高专家评判语言的精确度的结论。指出在建立矿震系统预测模型时，利用干扰项将人为因素引入系统是必需的。通过实际应用证明其可行性。     

山区公路路基边坡地质灾害远程监测预报系统开发及应用

针对山区公路路基边坡点状分布、数量较多、规模相对较小且易受人类活动和环境变化影响的特点,确立了以位移和降雨量为主的监测原则,基于GPRS技术,集成触发式位移计、容栅式雨量计、数据采集传输模块和太阳能供电装置,形成了经济、节能、高效的单体边坡远程监测硬件系统。采用Visual C++网络编程技术,以SQL Server2005为数据库平台,开发了地质灾害远程监测预报软件系统,实现了数据的远程实时接收和可视化分析管理。由于公路边坡变形破坏模式多样,系统还集成了多种时间预测模型,建立了边坡变形预报模型库。通过在常吉高速公路的安装运行,系统成功地进行远程实时监控,保障了极端天气下公路的安全运营。     

非线性位移时间序列进化神经网络建模的适应性研究

探讨了非线性位移时间序列建模的进化神经网络方法及其可用性,主要包括进化参数如群体规模、突变变异率和蠕变变异率、随机数种子和个体的选择策略对进化神经网络模型性能的影响。结果表明,对于给定的问题,只要遗传参数取值合理,就可以获得理想的效果。     

湛江组灰色黏土空间展布规律研究

分布于湛江地区的湛江组灰色黏土因其特有的强结构性在实际工程中产生一系列岩土工程问题,20世纪80年代已为国内众学者所关注。由于湛江组地层在雷州半岛区域内,具有不同沉积环境而表现出不同空间展布规律,实际工程中难以掌握其分布特性。根据现场地质调查资料,结合雷州半岛的地形地貌、地质构造以及湛江组地层的沉积环境,在雷州半岛布置27个钻孔进行地质钻探取样。不同区域典型地层剖面图说明,灰色黏土在不同的沉积环境有着不同沉积韵律、埋藏深度、地层厚度等,分布具有区域性,根据层顶埋深及地层厚度分析灰色黏土的结构性对实际工程的影响。同时,根据钻孔地层数据,利用基础 GIS软件平台MAPGIS构建湛江组结构性黏土空间展布规律三维地质模型,全面展示出灰色黏土在雷州半岛的整个展布规律,实现灰色黏土空间展布的可视化,最后简单地介绍该模型的基本应用。     

安阳矿区煤与瓦斯突出预测模型的建立与应用

利用灰色关联分析法确定控制矿井煤与瓦斯突出的主导因素,根据人工神经网络建立煤与瓦斯突出危险性预测的系统结构,在此基础上,选用突出矿井的15个煤与瓦斯突出实例作为学习样本对网络进行训练,最后运用3个煤与瓦斯突出实例作为预测样本对所建模型进行验证。结果表明利用灰色理论—神经网络方法建立的预测模型能够满足煤与瓦斯突出预测的要求。通过分析和计算安阳矿区煤层的开采深度、地质构造(尤其是断层)与突出危险程度关系密切,在煤与瓦斯突出的预测、防治工作中可以作为首选指标来考虑。     

基于T-S模型的模糊神经网络在边坡稳定评价中的应用

受地质、工程等众多因素的影响,岩土质边坡稳定性具有未确知性、随机性、模糊性、可变性等特点,很难用简单的力学、数学模型描述。提出了用基于Takagi-Sugeno模型的模糊神经网络来对边坡稳定性进行评价,该模型同时兼具神经网络和模糊逻辑二者的优点,既可以比较容易地处理模糊性的实际问题,又具有较好的学习能力。将此模型与BP神经网络模型同时应用于80个实际边坡样本进行训练和预测,结果表明该模型具有预测精度更高、收敛速度更快、预测结果与实际结果吻合度更高的特点