基于进化神经网络混凝土大坝变形预测

根据丰满大坝多年变形观测数据,建立了基于进化神经网络混凝土大坝变形预测方法。经典的BP神经网络的缺陷在于收敛速度慢和泛化能力弱等特性。与普通的多元回归方法和传统的BP神经网络相比,采用遗传算法训练的人工神经网络预测模型预报大坝的变形具有精度高和全局收敛的特点。在丰满大坝工程实际应用表明,所建立的基于进化神经网络混凝土大坝变形预报方法与广泛采用的统计方法相比,可以显著提高大坝变形预报精度。     

混沌序列WA-ELM耦合模型在滑坡位移预测中的应用

针对滑坡位移序列的混沌特性和传统时间序列预测模型的不足,提出了一种基于混沌时间序列的小波分解-极限学习机(WA-ELM)滑坡位移预测模型。该模型以滑坡位移序列混沌特性分析为基础,应用小波分析将位移序列分解为具有不同频率特征的分量,对各特征分量分别进行相空间重构并应用极限学习机进行预测,最后将各特征分量预测值叠加,得到原始位移序列的预测值。以三峡库区八字门滑坡为例,并与小波分析-支持向量机(WA-SVM)以及单独ELM模型进行对比研究。结果表明,基于混沌时间序列的WA-ELM模型预测精度较高且具有较好的通用性与稳定性,是一种有效的滑坡位移预测方法。     

基坑变形在数据滤波处理条件下的组合预测研究

为合理评价基坑施工过程的变形规律,以其变形监测成果为基础,先通过双树复小波实现其变形数据的滤波处理,再通过GWO-RVM模型、Arima模型及混沌理论实现其分项组合预测。实例分析表明,双树复小波可将基坑变形数据有效分解为趋势项分量和误差项分量,并通过模型参数优化处理,可进一步提高分解效果,较传统小波具有更强的滤波能力;同时,各类分项预测模型在不同变形分量中的适用性也较强,所得组合预测结果的平均相对误差在2%左右,明显优于传统预测模型,验证了组合预测思路在基坑变形预测中的适用性,为基坑变形发展规律研究提供了一种新的思路。     

GM—BP串联组合预测模型在滑坡变形监测中的应用

为了提高滑坡的预测精度,通过对灰色GM（1,1）模型与BP神经网络模型各自优缺点及互补性的分析,建立了GM—BP串联组合预测模型。模型首先采用等维动态GM（1,1）模型进行初步预测,然后利用BP神经网络对初步预测的结果进行训练及仿真,通过数据的归一化处理,参数的判定选取,获得组合模型预测值。以茅坪滑坡为例,对位移进行了预测。通过数据的对比分析,发现GM—BP串联组合预测模型在短期预测精度上高于单一模型。     

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。     

基于滑坡监测数据的Elman神经网络动态预測

滑坡在我国是一种极为频发的地质灾害,且其积累位移监测曲线有着复杂的非线性特性,对此各研究者建立过许多预测模型,然而这些模型的预测精度不尽如人意。基于Elman神经网络可以任意精度逼近任意非线性函数的特征,并以sigmoid为方程的核函数,在选择隐含层数时用了试用法,通过“3δ”法及归一化工程实例滑坡累积位移数据,建立了Elman神经网络动态预测模型。基于该模型对多个监测点数据进行动态预测,结果表明该模型的预测结果与实测数据的吻合度较高,且平均误差为1.78%,预测精度较高,验证了Elman神经网络能够在预测滑坡灾害中发挥一定作用。     

遗传算法改进的BP神经网络在混沌径流时间序列预测中的应用

区别于传统的提取混沌时间序列饱和嵌入维数的方法,本文利用人工神经网络成功地对水库混沌径流时间序列的饱和嵌入维数进行了提取,计算了该时间序列里的最大Lyapunov指数,两种方法结果都证明了该时间序列的混沌性。并用遗传算法对BP神经网络进行了改进,利用该模型对三门峡水库混沌径流时间序列进行了预测。实例计算表明该方法解决了BP神经网络收敛速度慢和易于陷入极小值的问题,大大提高了BP神经网络的计算精度和收敛速度。无论在计算精度上还是在收敛次数上都优于没有改进的BP神经网络。     

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。     

基于滑坡监测数据的Elman神经网络动态预测

滑坡在我国是一种极为频发的地质灾害,且其积累位移监测曲线有着复杂的非线性特性,对此各研究者建立过许多预测模型,然而这些模型的预测精度不尽如人意。基于Elman神经网络可以任意精度逼近任意非线性函数的特征,并以sigmoid为方程的核函数,在选择隐含层数时用了试用法,通过"3δ"法及归一化工程实例滑坡累积位移数据,建立了Elman神经网络动态预测模型。基于该模型对多个监测点数据进行动态预测,结果表明该模型的预测结果与实测数据的吻合度较高,且平均误差为1.78%,预测精度较高,验证了Elman神经网络能够在预测滑坡灾害中发挥一定作用。      

混沌时间序列支持向量机模型及其在径流预测中应用

以重构相空间理论为基础,探讨了混沌时间序列的支持向量机预测模型建模的思路、特点及关键参数的选取。利用饱和关联维数法进行相空间重构,并运用改进小数据量法计算最大Lyapunov指数,对宜昌站月径流时间序列进行混沌特性识别。在运用混沌时间序列的支持向量机模型对月径流预测的应用中,引入了径向基核函数,简化了非线性问题的求解过程。实例表明,该模型能较好地处理复杂的水文序列,具有较高的泛化能力和很好的预测精度。     

基于人工神经网络的大坝变形分析与预报——以西津大坝27~#点的变形监测为例

以MATLAB语言为基础,应用BP神经网络、逐步回归分析进行西津大坝27#点的变形分析与预报研究.在此基础上,进一步提出了逐步回归BP神经网络组合的预报方法,并探讨了3种方法的预报结果.研究表明,BP神经网络用于大坝变形分析与预报是可行的,所提出的逐步回归BP神经网络组合法提高了变形影响因子选择的科学性,在预报效果上,优于前两种方法.     

基于差异进化算法的前馈神经网络在大坝变形监测中的应用

针对当前大坝安全监测中广泛采用的回归模型欠拟合的不足,提出了基于差异进化算法的前馈神经网络模型。差异进化算法是基于种群策略的全局优化搜索算法,具有应用简单、收敛快的优点。采用该法训练的神经网络可以有效避免常规BP(back propagation)神经网络收敛于局部极小点的缺陷。将提出的方法应用于某拱坝的变形监测,通过计算表明,应用DE(differential evotntion)神经网络模型预报大坝变形的精度比常规回归模型和BP神经网络模型均有所提高。     

大坝变形预测的ANFIS模型

大坝变形预报时,存在影响因素多且各因素之间的相互关系复杂,常规的变形预测方法难以满足大坝安全监控的要求。自适应神经模糊系统(ANFIS)兼备神经网络的自学习、自适应能力,以及模糊系统良好的知识表达性能。在系统分析大坝变形主要影响因素的基础上,以水库库水位、温度及时间效应为影响因子,建立基于自适应模糊神经系统的大坝变形预测模型,并以三峡二期围堰为例进行实证分析。研究表明,该模型计算简便,适用性强,精度高,为大坝变形预报提供了新的思路。     

高堆石坝瞬变-流变参数三维全过程联合反演方法及变形预测

利用反演分析得到的参数进行高面板坝的应力、变形分析来预测长期变形。由于堆石坝的施工过程和变形机制比较复杂,很难将瞬时变形和流变变形分开,因此,有必要对静力本构模型参数和流变模型参数进行综合反演。利用实测位移资料,以对堆石坝变形较敏感的静力本构模型和流变模型参数为待反演参数,采用基于粒子迁徙的粒子群算法和径向基函数神经网络构建参数反演平台,该方法克服了粒子群算法易陷入局部最优和早熟收敛的缺点,采用经过训练的神经网络来描述模型参数和位移之间的映射关系,节省了参数反演的计算时间。对水布垭高面板坝的反演结果表明,基于反演参数的沉降计算值与实测值吻合得很好,坝体变形在合理范围以内并趋于稳定。     

基于PSO-BP神经网络的基坑周边地面沉降预测方法研究

基坑工程施工过程中的周边地面沉降直接关系到周围建筑物的安全,本文根据上海前滩地区某基坑工程的历史监测数据、施工工况和周边地层参数等多源数据对基坑周边地面沉降进行监测和预测。以PSO-BP神经网络为基础,通过将基于时序和基于沉降影响因素的网络模型对比发现：二者预测结果误差较小且基于时序的神经网络预测精度更高,说明利用PSO-BP神经网络能够很好地对基坑周边地面沉降进行分析与预测。为了综合考虑时间效应和空间效应的影响,在基于沉降影响因素的预测模型的基础上加入历史监测数据作为模型输入层进行优化,结果表明：优化后的PSO-BP神经网络模型具有更小的相对误差范围和更高的预测精度,在基坑周边地面沉降预测中有很好的应用前景。     

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。     

大坝GPS整体变形监测研究

本文探讨大坝GPS整体变形监测问题，文章设想了GPS整体变形监测方案并论证了大坝GPS监测可能达到的精度，最后指出只要选用设备，观测环境和观测方案恰当。GPS监测可满足大坝监测精度要求，实现高精度大坝变形监测自动化。