灰色新陈代谢GM(1,1)模型在高速公路滑坡中的变形预测研究

传统GM(1,1)模型用于预测时,该模型在初始的少量数据中,才能充分利用有限的数据反映系统的发展变化,越往后监测,该模型的预测精度就越弱。而在实际应用中,必须不断考虑那些随时间相继进入系统的扰动或驱动因素,随时将每一个新得到的数据置入系统中,建立新信息GM(1,1)模型进行动态预测。因此,针对传统GM(1,1)模型存在的不足,文章建立了灰色新陈代谢GM(1,1)滑坡预测模型,并利用该模型对巴达高速公路滑坡位移变形进行了预测。结果表明,灰色新陈代谢GM(1,1)模型精度较高,预测误差较小,有很好的工程应用价值。     

基于灰色理论的变形智能预测模型库研究

针对传统GM(1,1)模型在变形预测中精度不高和适应性不强的问题,将传统GM(1,1)模型从多个角度进行改进,并将传统模型及其改进模型进行集成,建立了预测模型库。利用灰色评价模型对模型库的预测结果进行评价,从而实现智能预测,并利用编程语言对模型库和评价模型进行了程序实现。最后利用盘古山钨矿变形数据对该模型库进行检验,结果表明,该模型库能根据不同特点数据,智能化地得到最佳预测结果,具有重要的应用价值     

灰色GM(1,1)模型最优维数的研究

灰色GM(1,1)模型的维数对模型的预测精度有很大的影响,本文通过自编的FORTRAN程序,在合适的范围内对GM(1,1)模型的维数进行自动优化,通过对宁波市地面沉降数据的计算分析,得到了C和P的定性关系,确定了优化的评价标准,维数最优化后的模型能反映预测数列变化幅度的大小。     

基于灰色支持向量机残差修正模型的地面沉降量预测

沉降现象在各地区普遍发生,地面沉降量预测越来越受到重视。本文通过结合灰色(GM(1,1))预测模型和支持向量机(SVM)模型各自的优点,建立灰色支持向量机(GM(1,1)-SVM)残差修正模型,在突出时间序列发展趋势影响的同时降低序列中异常值的消极作用。以某高层建筑的18次地面沉降量数据为实例,检验GM(1,1)-SVM模型的预测效果。结果表明:相对单一的GM(1,1)沉降量预测模型,GM(1,1)-SVM模型相对误差小,预测精度高,对地面沉降量预测有一定指导意义。     

改进GM(1,1)模型在路基沉降预测中的应用

GM(1,1)模型是沉降预测中应用较为广泛的模型之一,在实际应用当中发现其预测效果有时候较差甚至完全失效。为此从传统GM(1,1)预测模型建模原理出发,分析存在的理论缺陷,指出在形成预测公式时规定 , 0.5为已知条件是不合理的,应当根据实际情况选用其他数据。通过引入平均斜率来计算 序列,并利用MATLAB程序进行数据处理,寻找最合适的 以及最佳维数区。某高速公路实测沉降数据计算表明,新方法有满意的拟合和预测效果,为提高建模精度提供了新的途径。     

路面状况与造价的灰色预测研究

路面使用性能预测是路面管理活动中技术经济分析不可缺少的内容。为了提高路面状况预测精度,体现路面衰变的发展,应用灰色状态马尔科夫模型对路面使用性能进行预测。研究表明,该模型在数据较少的情况下,可以提高预测精度,实现动态预测,从而把有限的资金分配到最需要采取措施并能取得最佳经济效果的路段上,合理利用建设资金。应用GM(1,N)模型对路面寿命周期各费用的发展趋势进行预测,实现造价的主动控制和寿命周期费用最少。     

BP神经网络-灰色系统联合模型预测软基沉降量

目前软基沉降预测多采用指数曲线和双曲线延伸法,其结果不够理想,神经网络在此方面的运用也存在一定的局限,虽然GM(1,1)模型在软基沉降预测领域已得到运用,但在已有的案例中所使用的等时距模型都没有明确说明所采用的插值方法。以深圳湾西部通道填海软基沉降预测分析为例,建立BP神经网络-灰色系统联合模型来探讨解决这一问题的方法。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,在此基础上建立沉降变形时间序列的GM模型,并建立相应的时间响应函数,预测沉降量。计算实例表明,该模型短期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参考价值。     

改进的GM(1,1)模型在滑坡变形预测中的应用

为了提高GM(1,1)模型在滑坡变形预测中的预测精度和普遍适用性,论文首先分析了GM(1,1)模型的数学特点,并根据建模机理所存在的固有缺陷探讨了几种合理实用的改进方法。在此基础上,结合呈对数型曲线的链子崖危岩体变形监测数据和呈指数型曲线的黄龙西村滑坡变形监测数据,分别了建立了传统GM(1,1)、无偏GM(1,1)、中心逼近式GM(1,1)、重构背景值的GM(1,1)和灰色神经网络组合等预测模型。预测结果表明:针对不同数学特点的滑坡变形数据,特定改进的GM(1,1)模型较传统模型预测精度更高,适用性更强。     

运用GM（1，1）模型预测高填土河堤的沉降研究

采用灰色理论中的GM( 1 ,1 )模型对修河高填土河堤分别在填土期和静载期的沉降量进行了预测 ,通过同实测值的比较 ,证明灰色理论运用于高填土工程中的沉降预测是可行的 ,在实际运用中应不断代入最新的实测数据 ,以便获得更准确的结果     

灰色理论在矿井涌水量预测中的应用

运用灰色理论建立煤矿涌水量预测的GM (1,1)模型,在某矿井太原组工作面涌水量资料的基础上,通过增加观测频率和数据密度的方法对模型进行修正,使精度提高到96.26%。将模型预测值与实际数据比较,证明所建立模型较为可靠。结合其实际的水文地质条件及排水能力,设定该工作面的上灾变阈值为15 m3/min,得出工作面的涌水量大小、灾变时间和数值的预测值,为工作面安全开采和监管提供了数据支持。      

灰色理论在快速法载荷试验数据处理中的应用

探讨了灰色理论方法在快速法载荷试验数据处理中的应用,并运用此理论对快速载荷试验各级荷载下的t-s曲线及总体的P-S曲线进行预测,以得到荷载作用下与慢速法一致的稳定沉降量。用VB语言编制了实用计算程序,通过对实例计算,得到的预测值与稳定沉降进行对比,证明了该法对于两种曲线的预测是可行的。同时评价了GM(1,1)以及等维灰数递补GM(1,1)两种模型对于远距离预测的精度。算例表明,对于P-S曲线的外推预测,最好只进行2～3级,外推级别较多时,精度不高,若应用于远距离预测,必须对模型作进一步改进。     

灰色GM(1,1)模型在汶川县泥石流活动趋势预测中的应用

泥石流的发生是一个动态变化的过程,灾变时间及活动强度具有明显的非线性特征,认识和掌握泥石流发生、发展规律,对未来泥石流活动趋势进行预测,是地质灾害防灾减灾与宏观规划防灾预案工作的基础。本文以四川省汶川县1960~2010年50a的泥石流灾情数据作为原始数据序列,建立灰色GM(1,1)灾变预测模型,采用2011~2019年9a泥石流灾情数据来验证模型预测精度。为了提高预测精度,采用傅里叶变换修正误差残值。经计算GM(1,1)模型的预测结果相对误差为3.582%,傅里叶变换误差修正后相对误差为0.073%,预测结果与实际发生年份一致,并预测未来一段时间汶川县将于2033年或2034年、2051年或2052年发生大规模群发性泥石流。     

因子型油气田开发预测增长模型

本文基于b^t^c因子型模型，提出了一种参数少、易于求解各类开发指标的新型b^t^c参数因子型增长模型。推导出了开发速度、采出程度、无量纲开法速度、最终采收率等油气开发指标的数学关系式。其待定系数由3个系数采用幂函数拟合法求取。对萨马特洛油田进行了实例计算，其预测曲线与实际曲线符合较好。表明该模型不可作为油气田指标预测。     

高路堤沉降变形预测模型研究

以某高等级公路高69 m路堤的沉降资料为研究样本,采用经修正了的非匀速填土和非等步长沉降观测时间的 GM（1,1）灰色理论预测模型进行高路堤工后最终沉降量预测,与等比级数曲线模型预测结果对比,认为这两种预测模型都能很好地预测高路堤工后最终沉降量,且灰色预测模型较等比级数曲线预测模型能更好地反映高路堤不均匀沉降趋势。同时认为考虑了沉降观测时间非等步长性和路堤填土速度不均匀性的灰色预测模型,其预测结果更符合高路堤沉降变形趋势,可进一步的研究、推广和应用。     

中心逼近式灰色GM(1,1)模型在滑坡变形预测中的应用

黄龙西村滑坡位于甘肃天水,属黄土高势能滑坡,滑体体积3.9105m3,基底为花岗闪长岩。为了提高滑坡灰色GM(1,1)模型的预测精度,采用一种改变背景值的方法--中心逼近式灰色GM(1,1)模型。通过黄龙西村滑坡实例验证分析,结果表明中心逼近式灰色GM(1,1)模型的预测值与该滑坡实际监测值十分接近,且其残差平方和及平均误差百分比明显比传统灰色GM(1,1)模型的残差平方和及平均误差百分比小,具有较高的预测精度。同时,可通过调整模型中参数m的取值,使中心逼近式灰色GM(1,1)模型具有更高的预测精度。经计算,当m=6时,中心逼近式灰色GM(1,1)模型的预测精度比传统灰色GM(1,1)模型提高了5.34%。     

典型曲线法在山东龙口软岩煤矿区开采沉陷预测中的应用

为丰富矿区开采沉陷的预计方法,提高预测的精度,在综合大量文献的基础上,提出了典型曲线法。典型曲线法避免了由理论模型的假设和简化而造成预计公式的误差,提高了预计的精度,通过开发预计程序,方便了数据的处理,实现了典型曲线法沉陷预计的电算化。以山东龙口软岩矿区为例,详细介绍了典型曲线的建立和应用方法,预计结果和实测最大下沉值的绝对偏差为9mm,相对误差为1.1%。     

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。      

Prediction of daily suspended sediment load using wavelet and neurofuzzy combined model

This study investigated the prediction of suspended sediment load in a gauging station in the USA by neuro-fuzzy, conjunction of wavelet analysis and neuro-fuzzy as well as conventional sediment rating curve models. In the proposed wavelet analysis and neuro-fuzzy model, observed time series of river discharge and suspended sediment load were decomposed at different scales by wavelet analysis. Then, total effective time series of discharge and suspended sediment load were imposed as inputs to the neuro-fuzzy model for prediction of suspended sediment load in one day ahead. Results showed that the wavelet analysis and neuro-fuzzy model performance was better in prediction rather than the neuro-fuzzy and sediment rating curve models. The wavelet analysis and neuro-fuzzy model produced reasonable predictions for the extreme values. Furthermore, the cumulative suspended sediment load estimated by this technique was closer to the actual data than the others one. Also, the model could be employed to simulate hysteresis phenomenon, while sediment rating curve method is incapable in this event.