基于SBAS-InSAR和改进BP神经网络的城市地面沉降预测

针对现有城市地面沉降预测方法过度依赖沉降数据、模型单一等问题,以云南省昆明市主城区为研究对象,从多时序多因子角度提出一种改进BP神经网络在城市地面沉降中的预测方法。首先,利用SBAS-InSAR技术获取主城区地面沉降监测值,然后通过SPSSAU软件中的灰色关联分析和因子分析选取主城区地面沉降的影响因子,并将其与获取的沉降监测值从多因子多时序角度构建GA-BP和PSO-BP预测模型,最后,得出最优的预测模型并进行预测性能验证。实验结果表明：利用SBAS-InSAR能有效监测城市地面沉降;GA-BP算法相比PSO-BP算法在城市地面沉降预测中性能更好、精度更高;该方法可对长时间、大范围城市地面沉降预测和对某一沉降点多期沉降趋势进行预测。该方法可作为城市地面沉降预测的有效手段,为政府部门决策提供了一种高效快速的方法。     

基于SFLA-GRNN模型的基坑地表最大沉降预测

为可靠预测基坑周边地表沉降的发展趋势,提出了一种基于混合蛙跳算法和广义回归神经网络模型的基坑地表最大沉降预测模型（SFLA-GRNN模型）。首先,在沉降机制分析并初选输入变量集的基础上,利用灰色相关度分析对模型输入、输出变量的相关性进行量化,并剔除与输出变量相关性明显偏小的输入变量;其次,利用混合蛙跳算法（SFLA）对广义回归神经网络模型（GRNN）的平滑因子进行优化确定,减少人为因素对模型精度和泛化能力的不良影响;最后,利用筛选得到的输入变量集建立基坑地表最大沉降预测的广义回归神经网络模型。实例应用及对比计算结果表明,基于灰色相关度的输入变量筛选和基于混合蛙跳算法的平滑因子优化均能够有效提高广义回归神经网络模型的精度和泛化能力,以上结论可为类似变形预测提供参考。     

地铁施工引发地面沉降的BP神经网络预测分析

针对沈阳地铁一号线重工街站至启工街站区间隧道开挖引发地面沉降变形的问题,利用现场实测的地表沉降变形数据建立BP神经网络模型,并进行网络训练与预测。预测结果表明,时间序列神经网络模型能够很好地表达地面沉降监测数据序列间的非线性关系。利用BP神经网络建立的预测模型,所得预测值与实测值拟合很好,是预测地铁施工引发地面沉降变形的一种有效方法,能为沈阳地铁隧道的设计及施工提供科学合理的依据。     

深基坑施工变形预测VAR建模与应用分析

在实际施工过程中,基坑变形发展与多种因素有关,很难用力学模型进行定量分析,而根据已有的监测数据建立模型预测未来一段时间内的变形发展趋势,进而对当前施工方案进行评价、调整,方法更可靠。首先,分析深基坑施工实际监测数据的发展规律,由经济预向量自回归测VAR模型（vector auto regression,VAR）建立基坑施工变形预测VAR模型,并结合监测数据进行模型精度评价和预测比分析。根据分析结果,模型精度排序为：VAR模型＞新陈代谢模型＞神经网络模型＞GM(1, 1)模型,模型预测比排序为：VAR模型＞新陈代谢模型＞神经网络模型＞GM(1, 1)模型。     

灰色线性回归组合模型在北京地面沉降分层预测中的应用

灰色系统理论GM(1,1)模型,应用于地面沉降模拟和预测中只能分析数据的指数变化规律。对于地面沉降发展过程中,存在的线性关系不能有效地反映。本文利用灰色组合模型中的第一类灰色组合模型即GM(1,1)与线性回归模型相融合。选取北京东部某地面沉降监测站2004～2012年的分层监测数据建立模型,计算出各监测层位沉降的数学模型,并以此预测各监测层位地面沉降量。结果表明：利用灰色线性回归组合模型在对地面沉降进行分层模拟和预测是可行的。在已有数据的基础上,利用数学模型进行沉降模拟时,两种模型的精度均很高,但通过模型预测未来一年沉降量时,灰色线性回归组合模型的精度,要远高于普通均值GM(1,1)模型。     

基于PSO-BP神经网络的导水裂隙带高度预测

导水裂隙带高度是西部矿区保水采煤的理论依据和关键参数。近年来,BP神经网络广泛应用于导水裂隙带高度预测,但BP神经网络存在收敛速度慢、易陷入局部极小等问题。为提高导水裂隙带高度预测的准确性,利用粒子群优化算法(PSO)对BP神经网络的权值和阈值进行优化,建立基于PSO-BP神经网络的导水裂隙带高度预测模型。选择开采厚度、开采深度、工作面倾斜长度、煤层倾角、覆岩结构特征为导水裂隙带高度主要影响因素,选取22例导水裂隙带高度实测数据对PSO-BP神经网络进行训练,将训练后的PSO-BP神经网络对2例测试样本的预测结果与实际值进行对比,并与BP神经网络预测模型及经验公式预测结果进行对比。结果表明:PSO-BP神经网络预测模型的平均相对误差为1.55%;BP神经网络预测模型的平均相对误差为4.8%,经验公式的最小相对误差为9.4%,PSO-BP神经网络预测精度明显优于BP神经网络和经验公式,且绝对误差和相对误差变化较稳定,可以有效预测导水裂隙带高度。      

基坑施工时地面沉降的分析与估算

在基坑施工阶段为了基坑和周边设施的安全,须对基坑周边地面沉降监测作总体性分析。提出用三次样条曲线拟合法获得地面沉降函数,然后比较函数的相似性,建立地面沉降网络,由此可求得地面各点的沉降值,从而克服测点的局限性,达到对基坑周边地面沉降进行全面分析的目的。     

对济南地区基坑降水引起既有地基沉降的认识

结合工程经验,对基坑降水引起的周边既有建筑地基沉降的影响因素进行了总结,针对采用分层总和法估算降水引起地基沉降公式中,对应附加应力段的压缩系数取值不准问题,提出了采用基于地层应力历史的降水引起周边地基沉降的估算方法,并结合工程实例对降水引起地基沉降进行了预测。     

广州南沙区地面沉降分布特征及成因

广州南沙区地面沉降已经影响到城市发展和人民生命财产安全,为了制定科学有效的措施防止地面沉降进一步发展,文中基于InSAR监测数据和水准监测数据,总结分析了地面沉降分布特征,地表形变多为小范围的、局部地区的剧烈沉降。在此基础上,针对6个沉降严重区域,采用机理模型定量估算了各因素引起的地面沉降量及所占比重,得可压缩土层引起的沉降量为34.43～96.97 mm/a,所占比重在37.07%～75.67%,地下水水位和地面荷载的最大影响比重分别为26.28%和52.40%。并且通过研究分析地面沉降主要因素及影响程度,为科学防治该地区地面沉降提供科学依据。     

基于混沌神经网络理论的城市地面沉降量预测模型

通过分析城市地面沉降量时间序列的非线性动力学系统,认为该时间序列具有混沌特性。在此基础上,通过相空间重构的方法建立了用于城市地面沉降量预测的混沌神经网络模型;并利用此模型对高桥地面沉降量进行了预测,并和实际监测沉降量进行了比较,最大绝对预测误差为1. 7,预测的平均误差为0. 0833,研究结果表明,应用混沌神经网络模型进行城市沉降预测是可行、精确的。     

基于粒子群优化神经网络算法的深基坑变形预测方法

深基坑变形预测是进行施工参数调整和确保深基坑施工安全的重要手段,而如何对其变形进行有效、准确的预测是一个有待解决的技术难题。采用粒子群优化算法对神经网络模型的初始权值和阈值进行优化,并将已有的变形监测数据作为神经网络的输入参数,建立了基于粒子群优化神经网络算法的深基坑变形预测方法。将形成的方法应用于长春市火车站北广场深基坑开挖监测工程中。结果表明：8号水平位移测点预测结果的均方根误差为3.78%,平均百分比误差为5.48%;9号地面沉降点预测结果的均方根误差为5.62%,平均百分比误差为3.23%。经验证,本文方法预测深基坑开挖过程中的变形具有较高的可信度。     

基于Stacking模型融合的深基坑地面沉降预测

为了提高机器学习对深基坑地面沉降的预测能力,本文提出了一种基于Stacking集成学习方式的多模型融合的地面沉降预测方法,并以深圳某深基坑为例,采用斯皮尔曼相关性系数对基坑地面沉降的影响因子进行筛选;运用筛选后的8个影响因子建立Stacking深基坑地面沉降预测模型,以验证该方法的适用性。结果表明：Stacking预测模型的平均绝对误差为0.34、平均绝对误差百分比为2.22%,均方根误差为0.13,相较于传统基模型（随机森林、支持向量机和人工神经网络）,Stacking预测模型的平均绝对误差、平均绝对误差百分比和均方根误差值皆为最小。     

深基坑施工时地表沉降预测的时序-投影寻踪回归模型

为了保证施工的正常进行、实现信息化施工,必须对基坑实际监测数据进行分析与预测。现有的趋势时间序列分析方法很难满足实际施工中高度非线性问题的拟合,预测误差较大。基于这点考虑,以天津某工程基坑施工地表沉降观测序列为例,在对原始数据进行分析的基础上,提出既可以考虑趋势时间序列,又具有高度非线性拟合性能的时序-投影寻踪回归模型。首先,通过比较分析几种时间序列方法的逼近误差和预测误差,寻求出一种逼近较好的时间序列预测方法。然后,将预测得到的时间序列和观测数据相结合,采用投影寻踪回归方法拟合。应用结果表明,该模型逼近性能良好,预测误差小,可为深基坑位移沉降的动态预测提供一条较好的途径,对基坑动态设计与信息化施工等方面具有重要的参考价值。     

小波分析和RBF神经网络在地基沉降预测中的应用研究

地基沉降是一种危害很大的环境灾害。地基沉降的监测数据经常受降雨及工程施工等诸多外界因素的干扰,故而在沉降曲线中存在许多数据突变点。为此,提出基于小波分析与RBF神经网络相结合的新的地基沉降预测方法,首先采用小波分析对对原始监测数据进行数据去噪处理,进而得到反映实际变化的地基沉降曲线,然后采用径向基函数（RBF）神经网络方法对其进行预测,为工程设计提供依据。最后结合工程实例分析,通过多种小波去噪与预测结果的对比研究,表明3次B样条小波的去噪及预测效果最好,与实测值能较好地吻合,具有较好的工程应用前景。     

公路软基沉降预测的支持向量机模型

提出了基于支持向量机（SVM）模型对公路软基沉降进行预测的一种新方法,工程实例预测结果表明,在同样的训练均方误差下,SVM模型预测能力要优于BP神经网络模型,同时该模型能够综合利用分级加载过程中的沉降观测数据作为训练样本集,比仅依靠预压期内部分实测沉降数据的双曲线法更能反映地基土的变形趋势。因此,将建立的SVM模型应用于公路软基沉降预测能够更准确地反映实际沉降过程     

极限学习机模型在季冻区深基坑地表沉降预测中的应用

针对传统数据驱动模型存在收敛速度慢、过度拟合等问题,提出了基于极限学习机算法的基坑地表沉降预测方法。结合季冻区地铁车站基坑的特点,提取基坑开挖时间、开挖深度、围护桩顶位移、围护桩内力、支撑轴力及地表温度等特征信息,建立极限学习机回归预测模型,选用实例数据进行算例分析,并将其与传统回归预测模型进行对比,实验结果表明,极限学习机模型收敛速度快,泛化能力强,其预测精度优于传统预测模型,且在学习速度方面优势明显,对深基坑安全监控有一定的实用价值。     

基坑开挖引起周围管线位移分析

为探讨深基坑开挖对周围管线位移的影响,明确管线位移轨迹模式,以南京江东软件城深基坑工程为背景,对管线位移实际监测数据进行分析。首先介绍该基坑工程的设计、施工和监测方案;在此基础上结合施工过程,分析周围4根管线竖向沉降和水平位移发展规律,并探讨二者之间的关系,揭示管线位移轨迹。由分析可知,竖向沉降先于水平位移发生,随基坑施工的开展,竖向和水平位移同步增大;在基坑第二道支撑施工后,竖向沉降出现平台,水平位移明显减小;地下室底板施工后,变形趋于稳定。距离基坑侧壁垂直距离较近的管线位移轨迹为三次多项式曲线,距离基坑侧壁较远的管线沿直线状向坑脚移动。     

建筑物超载对深基坑周边地表沉降影响分析

结合理论推导和对工程实测数据的整理分析,对天然场地和存在邻近建筑物时2种情况下的墙后地表沉降形态进行了对比分析,采用上海软土地区墙后地表沉降经验公式,对存在建筑物超载情况下的地表沉降曲线进行了良好的拟合,直观地表示出地表沉降槽的大小及形状、墙后最大沉降点的位置等。结果表明,邻近建筑物的存在能显著改变天然场地的地表沉降曲线形态,是否考虑建筑物存在的影响,将影响到对基坑及周边环境安全状态进行正确的评价和预测。