小波变换和BP神经网络模型在沉降变形 监测中的应用研究

变形预测在预报工程险情方面起着关键性的作用,针对施工中需及时、准确地预测变形的问题,本文利用小波变换原理对监测数据进行降噪处理,并采用BP神经网络分析不同训练样本下的预测效果和精度水平。实验结果表明:基于小波消噪后的BP网络模型,以连续的近期观测数据作为训练样本,对下期变形预测精度高,效果好,相对误差很小。因此,小波变换和BP神经网络模型在沉降变形监测工程中能作为预测研究与应用的参考。     

修正指数曲线法与灰色模型和BP神经网络预测在建筑物沉降中的对比分析

变形监测在建筑物施工和运营管理方面是一个至关重要的环节,变形监测的预测模型有很多。选取适当的变形监测预测模型对于预测建筑物的变形尤为重要。本文运用灰色模型GM(1,1)、BP神经网络和曲线拟合中的修正指数曲线对一幢大楼13期的沉降观测数据进行分析。利用前12期沉降观测数据构建预测模型来预测第13期沉降观测的数据,将预测的结果与实际测量的结果进行比较,得出这三种模型预测的精度。结果表明:在这一幢大楼的沉降观测预测中,修正指数曲线法预测的精度要比灰色模型GM(1,1)和BP神经网络预测的精度高。     

一种基于PSO-BP神经网络的建筑物沉降预测模型

为更好地预测建筑物沉降,该文使用粒子群优化(PSO)算法BP神经网络进行建筑物沉降预测。利用PSO算法修正BP神经网络的初始权重和阀值,优化BP神经网络机构及算法全局收敛性,建立基于PSO-BP预测模型。将所建立的预测模型应用于实际案例,通过已有的监测数据,分别进行传统BP神经网络预测和PSO-BP神经网络预测,对预测的结果进行对比,结果表明,基于PSO-BP神经网络的建筑物沉降预测结果明显优于传统BP神经网络预测模型。     

GM-ARMA-BP组合模型在建筑物沉降预测中的应用

针对建筑物变形监测中的沉降预测问题,本文结合灰色模型、时间序列模型和BP神经网络模型的优点,提出了GM-ARMA-BP组合模型进行沉降预测的方法,有效克服了单一模型稳定性差的缺点,并以某高层建筑沉降观测数据为样本,通过对这几种模型的沉降预测结果进行比较分析,结果表明:GMARMA-BP组合模型预测效果最好,精度较单一模型提高50%以上,并且具有一定的适用性。     

高速公路路基沉降预测的神经网络模型

软土地基的沉降控制是保证高速公路建设质量的一个关键技术.论文主要介绍了一个对高速公路路基沉降进行预测的神经网络模型.对神经网络的BP算法进行了改进,提高了BP算法的学习收敛速度和网络性能的稳定性.神经网络法预测路基沉降的难点之一是合适的训练样本构造问题,论文提出了新颖独特的“训练样本”构造方法,且应用效果良好.利用路基沉降量实测资料直接建模,采用BP网络计算的改进算法,可较为准确地预测大约4个月之后的沉降量,预测值与实测值吻合较好.     

基于灰色系统理论的高层建筑变形分析应用研究

简述了灰色系统理论及该理论在高层建筑沉降变形监测分析中的应用思路,详细叙述了灰色模型的建模过程[1].实例中,通过某高层建筑物4个监测点的6期观测数据,完成了模型参数的推导,建立了空间多点灰色预测模型.利用所建立的灰色模型对建筑物形变进行预测模拟,经模拟沉降值和实测数据的对比得出,该模型严密、可靠性好、精度高,该方法可用于建筑物变形的预测模拟.     

BP神经网络在高层建筑沉降预测中的应用

利用人工神经网络强大的非线性映射和学习能力,提出了基于BP人工神经网络的建筑物沉降预测方法。以某实例工程1期～12期的沉降观测数据为基础,建立网络模型,并对13期～l6期实际观测值与预测值进行了比较,结果比较理想,从而验证了改进的BP人工神经网络对建筑物的沉降预测是可行的,且具有广阔的工程应用价值。     

一种基于遗传算法优化的BP神经网络建筑物沉降预测模型

为提高建筑物基坑沉降预测精度,针对传统BP神经网络模型收敛速度慢和易陷入局部最小值的缺陷,利用遗传算法的全局寻优能力建立基于GA-BP神经网络的高精度建筑物基坑沉降预测模型。结合实际建筑物的基坑沉降监测数据,与传统BP神经网络预测模型进行对比,结果表明基于GA-BP神经网络的沉降预测精度更高。     

基于经验模态分解和BP神经网络的地铁沉降预测模型研究

地铁沉降是一个非线性的复杂过程,基于经验模态分解(EMD)和BP神经网络预测模型,建立了一种可供地铁沉降监测预测的EMD-BP神经网络预测模型。新建模型首先利用经验模态分解法对原始观测数据序列进行预处理,形成本征模态分量IMF,再根据每个IMF的变化特征,研究选择合适的参数构造BP神经网络,计算预测对应IMF,最后进行重构获得地铁沉降的预测结果。实验分析结果表明,EMD-BP神经网络模型预测精度和稳定性优于单一BP神经网络模型。     

基于BP神经网络的建筑物沉降预测模型研究

人工神经网络(ANN)是一个拥有高度非线性映射能力的计算模型,有较强的动态处理能力。在对其进行研究的基础上,利用MATLAB建立BP神经网络的建筑物沉降预测模型,指导建筑物的沉降预警工作。通过将建筑物沉降的实测数据和模型的预测数据进行对比分析,发现两者间的误差相对较小,预测模型能很好地反映建筑物沉降的发展趋势,对于建筑物沉降预警工作有着极其重要的意义。同时,研究结果也证明了BP神经网络预测模型具有较高的精确性和稳定性,可以在类似工程中加以应用。     

等维BP神经网络在沉降预报中的应用研究

为解决神经网络在沉降预报应用中的局限性,结合灰色理论等维信息策略和BP神经网络建模思想,利用数据序列本身构建训练样本,建立等维BP神经网络预报模型,并利用数学工具MATLAB编程实现,进行实际的变形预测,通过与灰色理论GM(1,1)模型的预报效果进行比较,表明该等维BP网络模型具有更高的预报精度,可以达到更好的预报效果。     

高层建筑沉降监测与灰色预测

高层建筑在施工期间,随着主体荷载的增加,必然造成主体不规则下沉。而建筑物的整体稳定性是确保建筑结构稳定的必要条件,其局部不均匀沉降可能导致建筑物发生倾斜。为了确保建筑物的正常施工及安全使用,对高层建筑进行沉降监测和变形趋势预测是非常必要的。因此,本次应用二级水准测量方法定期对某高层建筑进行沉降监测,对监测成果进行了细致分析,并用灰色系统理论对沉降趋势进行了预测。监测和预测结果表明,所建高层建筑沉降规律正常、稳定性良好,从而为类似条件下的高层建筑的安全施工与管理提供了重要参考依据。     

小波神经网络模型在高层建筑物沉降预测中应用研究

为了提高变形监测数据预测的精度与可靠性,以及提高人工神经网络预测方法的稳定性,尝试将小波分析与BP神经网络相结合的小波神经网络应用于高层建筑物沉降监测数据处理中。综合小波分析与神经网络算法的优点,将良好的时频局域化特性和神经网络理论的自学习功能相结合,建立高层建筑物的小波神经网络变形预测分析模型。通过实验数据对比分析,小波神经网络用于高层建筑物沉降预测数据处理中可以得到更好的预测效果,预测稳定性及预测精度较高。     

神经网络与灰色理论联合模型在地铁沉降预测中的应用

地铁路基的过量沉降或不均匀沉降将导致线路运营条件的恶化,乘客舒适度降低,甚至危及行车安全。因此对路基工程后期的沉降控制和预测随着运营速度的提高而愈加急迫。根据某段地铁线路路基的实际沉降观测数据,将神经网络与灰色系统进行串联型结合:即先利用BP神经网络插值方法将不等时距的实测沉降数据序列转化为等时距数据序列,进而利用转化的等时距沉降序列依据灰色GM(1,1)模型对荷载稳定时间内的路基沉降进行预测。实验结果表明,该方法具有较高预测精度。     

基于SSA的组合预测模型在建筑物基坑沉降监测中的应用

为了提高单一的BP(Back Propagation)神经网络模型在建筑物基坑沉降数据预测中的精度,本文将奇异谱分析(SSA,Singular Spectrum Analysis)与卡尔曼滤波(KF, Kalman Filter)引入预测模型中,构建基于SSA的KF-BP神经网络预测模型。该组合预测模型首先利用SSA将原始时间序列中的趋势项与周期项提取出来;其次通过KF-BP神经网络模型分别对趋势项与周期项进行预测;最后重构趋势项预测结果与周期项预测结果,得到最终预测结果。将本文提出的基于SSA的组合预测模型应用于建筑物基坑沉降监测数据预测中,结果表明,本文提出的预测模型较BP神经网络模型、KF-BP神经网络模型的整体预测精度更高,预测结果更加稳定。     

变权组合模型在沉降预测中的应用

为探讨变权组合预测模型在沉降预测中的应用,以某大楼实测等时距沉降观测数据为研究对象,根据实测建筑物沉降数据所呈现的规律性,选取Logistic和Gompertz曲线模型对实测沉降数据进行了拟合;求取曲线模型的参数后,建立预测模型并进行预测。在此基础上,利用最小二乘法原理建立变权组合预测模型。根据各模型的预测结果及其计算出的模型精度显示,变权组合预测模型的拟合精度比Logistic和Gompertz曲线的拟合精度高,更适合于作为建筑物的沉降预测模型。     

变权组合模型在沉降预测中的应用

为探讨变权组合预测模型在沉降预测中的应用,以某大楼实测等时距沉降观测数据为研究对象,根据实测建筑物沉降数据所呈现的规律性,选取Logistic和Gompertz曲线模型对实测沉降数据进行了拟合;求取曲线模型的参数后,建立预测模型并进行预测.在此基础上,利用最小二乘法原理建立变权组合预测模型.根据各模型的预测结果及其计算出的模型精度显示,变权组合预测模型的拟合精度比Logistic和Gompertz曲线的拟合精度高,更适合于作为建筑物的沉降预测模型.     

基于EMD和RBF神经网络的大坝形变预测

利用长期观测数据结合预测模型对大坝的形变趋势进行估计评价是大坝结构安全监测的必要内容。本文综合利用EMD和RBF神经网络，研究大坝变形时间序列中非线性周期信号变化的内在规律，使用西龙池L022号站4000期数据作为训练样本，对后续80期数据进行预测，并通过对预测结果与实测变形差值的统计分析评价本文方法的预测水平。结果表明，N、E、U 3个方向的RMSE分别为0.878 6、0.360 4和2.235 mm。与BP进行对比，RBF预测效果更好，受数据精度影响较小，MAE、RMSE较BP分别最高可提高63%、57%，且本文方法计算效率高，泛化能力强。     

基于改进指数平滑神经网络模型的大坝沉降预测

为了及时跟踪非线性化大坝沉降数据并长期预测,针对传统指数平滑方法的缺陷,将改进的指数平滑方法与BP神经网络模型相结合,研究了其在大坝沉降监测中的应用.通过控制全局和局部的目标函数形成改进的指数平滑方法,获得一组平滑预测值;再利用BP神经网络对平滑预测值和平滑预测值与观测值的误差序列进行训练;最后将下一步的误差序列和平滑...     

优化组合模型在建筑物基坑沉降预测中的应用

为了确保建筑物在建设过程中的安全,需要准确掌握建筑物基坑及周边的变形情况。针对建筑物基坑沉降变形预测问题,本文对单一的GM(1.1)模型与BP神经网络模型进行优化并构建组合预测模型。优化组合模型一方面解决了单一预测模型稳定性差、预测精度低的问题,另一方面提高了预测模型的适用性。将本文提出的组合预测模型应用于某在建建筑物基坑沉降变形预测中,结果表明,相较于单一的GM(1.1)模型与BP神经网络模型,本文提出的优化组合预测模型的预测精度与稳定性更高,证明了组合预测模型在建筑物基坑类沉降预测中的可靠性。