考虑实测数据新旧程度的工后沉降单项模型预测方法

工后沉降预测是建筑物地基或路基安全性与加固维护方案决策的重要依据。因此,为了获得更加合理而简单实用的单项模型工后沉降预测方法,本文针对实测沉降数据新旧程度对地基沉降预测效果的影响,引入新鲜度函数,对单项预测模型沉降计算值与实测值之间的误差描述方法进行改进,从而建立出单项预测模型拟合分析的新型目标误差函数,并在此基础上,提出了基于实测沉降曲线的拟合分析确定地基单项沉降预测模型参数的新方法,进而提出了反映实测沉降数据新旧程度影响的单项模型工后地基沉降预测新方法。它既不失传统单项模型沉降预测方法简单实用的特点,还能明显改善地基沉降预测的效果。     

软土地基沉降曲线拟合的Logistic—Gompertz叠加曲线模型应用研究

为了提高软土地基沉降模型的拟合精度,通过对实测数据的分析,研究了软土地基沉降发展规律。在前人研究的基础上将Logistic预测模型和Gompertz预测模型进行叠加,建立了地基沉降历时曲线的Logistic-Gompertz叠加曲线模型,并给出模型的求解方式。通过工程实例讨论了新模型的拟合效果,对比计算结果表明所建立的新模型拟合精度不仅比Logistic模型和Gompertz模型要高,而且可靠性也优于各个单一的模型。新模型具有一定的科学性和适用性,是一种分析地基沉降观测资料的有效方法。     

一种预测地基沉降的新模型

本文提出预测地基沉降的变速率指数迭代预测模型,并对该模型的原理进行了讨论。选用实例计算取得较好的拟合预测结果。     

修正的威布尔模型在沉降预测中的应用研究

地基沉降预测一直是岩土工程中的一个热门问题。针对传统的指数曲线预测模型存在的不足,对其进行了分析与改进,提出了更具有一般性的威布尔曲线模型,并通过工程实例验证了该模型的合理性与准确性。发现所提出的模型对路基沉降的预测结果精度高,具有一定的参考和使用价值,最后指出了需进一步研究的问题。     

基于饱和曲线法的地基沉降全过程预测

针对S形沉降时程特征,提出了饱和曲线预测模型。首先,证明了该模型与S形沉降曲线的特点是相吻合的,包括有界性、单调递增性、存在反弯点,同时考察了模型中各参数改变对结果的影响; 其次,阐述了待定参数的获取方法和沉降预测步骤; 最后,通过多个工程实例对沉降预测模型的合理性进行了研究。算例表明,饱和曲线预测模型可以有效地用于加载全过程的沉降预测,具有适应性较广、精度较高、稳定性好的特点。与双曲线法、指数曲线法、星野法、生长曲线法相比而言,本文提出的沉降预测模型可靠性较高,具有一定的工程价值和应用前景。     

采动覆岩分布式光纤感测模型试验及沉降预测方法研究

煤层采动覆岩沉降提前于地表,可作为地表稳定性的预警指标。针对煤层开采引起的覆岩沉降预测问题,采用分布式光纤感测技术,通过制作大柳塔煤矿采动覆岩相似材料试验模型,研究了煤层开采引起的覆岩变形特征,基于灰色理论和Knothe时间函数,建立了基于实测应变的采动覆岩沉降预测模型,探讨了预测精度,并取得了如下研究成果:有关分布式光纤感测技术的覆岩应变分布,准确反映了垮落带和导水裂缝带的发育特征,基于GM(1,1)模型和新陈代谢模型的覆岩沉降预测精度较好但限于短期预测;当相对残差最大值与相对残差和均取最小值时,Knothe时间函数中获得较为准确的参数c值和τ值并提高了预测精度,建立了大柳塔煤层覆岩动态沉降预测模型的表达式,其预测模型适用于覆岩沉降的前期阶段和后期阶段。     

基于遗传算法与Weibull模型的软土地基沉降预测

根据软土地基的物理力学性质,普遍认为其沉降过程近似为反"S"形曲线。为了研究软土地基沉降过程以及预测最终的沉降量,本文运用这一结论,综合考虑了软土地基沉降的阶段性发展与生物成长模型的数学性质,选用了适应性较高的Weibull成长曲线模型,利用遗传算法在处理岩土类多参数以及非线性问题上的独特优势,通过对3个不同地区具有代表性的软土地基所选工程实例的沉降观测数据进行拟合。结果表明:软土地基经过加载后其沉降发展一般会经历一个类似于生物成长规律的发生、发展、逐步稳定的三个阶段,且反"S"形的成长模型能够反映其沉降的阶段性;采用Weibull模型能够根据反弯点的位置来判断对应时刻所处的沉降阶段,有利于控制施工以及加载过程;运用遗传算法能够很好地解决非线性岩土工程反分析问题,以残差平方和作为目标函数,根据残差值分析可知,用遗传算法得到的Weibull软土地基沉降模型具有较高的精度。     

路基沉降预测的Usher模型应用研究

基于线性或近似线性加载情况下路基沉降过程和Usher曲线,将广泛用于经济和资源预测的Usher模型应用于路基沉降预测。对Usher模型微分方程式的分析表明,目前用于沉降预测的Logistic模型和Gompertz模型是Usher模型的两种简化形式,但Usher模型对于实际情况具有更强的适应性。阐述了Usher模型参数的计算方法,并结合某工程实例进行了计算分析,对比结果说明Usher模型用于沉降预测的效果较好,且比Logistic模型和Gompertz模型具有更高的预测精度,可供工程应用参考。     

含分数阶的灰色模型及其在地基沉降预测中的应用

基于灰色理论建立的传统沉降预测模型均为整数阶,存在不连续、与实测数据差异较大的缺陷。鉴于此,本文以灰色模型为研究对象,通过改变模型中的整数阶微分为分数阶微分来改进灰色模型的预测效果。本模型与传统模型的最大区别在于增加了分数阶阶次的识别,首先结合灰色理论得到无输入的常微分方程;接着对其引入输入项,并将常微分方程做变换得到含分数阶的微分方程;最后将该模型与实测数据进行对比,且与传统灰色理论沉降预测模型进行误差计算,发现本文建立的沉降预测模型可以较好地预测地基沉降。     

软土地基工后沉降预测模型的研究

预测工后沉降是高速公路所要解决的主要问题之一。指数曲线法和双曲线法是以往常用的分析方法。但实践表明,前者推算的结果常常偏小,而后者推算的结果又常常偏大。文中提出了一种反映沉降速率与沉降半立方非线性关系的双曲型曲线预测模型。理论分析和实例预测结果表明,该模型的预测值更接近实测值,预测结果的可靠度更高。     

基于双曲线法的分级填筑路堤沉降预测

在软土地基上修筑路堤多采用分级施工的方法。基于传统双曲线沉降预测法基础上,提出一种软土地基上路堤分级施工情况下沉降预测的新模型,该模型考虑了土体变形的非线性特性和固结性质随荷载的变化,将沉降拟合方程中的待定参数在2个不同荷载级中分别确定。利用有较长预压期的前一级实测沉降,确定与土的固结性质有关的参数,待预测沉降荷载级的最终沉降量由该级较短预压期内实测沉降确定。通过工程实例验证了所建议模型的适用性。     

软土路基沉降实时建模动态预测

在路基填筑施工过程中,用多项式与时间序列AR组合模型预测其沉降变形发展。根据沉降观测值,采用统计分析方法识别和建立多项式预测模型,预测在某时期沉降趋势值;用平稳时间序列分析方法建立随机部分模型,并预测沉降随机部分值,二者之和即为某时期沉降预测值。随着新观测数据的不断加入,及时修改预测模型参数值,达到实时预测之目的。工程实例研究表明：组合模型预测值明显优于单一趋势模型预测值。组合模型一步预测误差绝对值大多数情况下小于5 mm。预测步数越多,预测误差则越大。     

Using and Improving Neural Network Models for Ground Settlement Prediction

Earth-fill structures such as embankments, which are constructed for the preservation of land and infrastructure, show significant amount of settlement during and after construction in lowland areas with soft grounds. Settlements are often still predicted with large uncertainty and frequently observational methods are applied using settlement monitoring results in the early stage after construction to predict the long term settlement. Most of these methods require a significant amount of measurements to enable accurate predictions. In this paper, an artificial neural network model for settlement prediction is evaluated and improved using measurement records from a test embankment in The Netherlands. Based on a learning pattern that focuses on convergence of the settlement rate, the basic model predicted settlements which were in good agreement with the measurements, when the amount of measured data used as teach data for the model exceeded a degree of consolidation of 69 %. For lower amounts of teach data the accuracy of settlement prediction was limited. To improve the accuracy of settlement prediction, it is proposed to add short-term predicted values that satisfy predefined statistical criteria of low coefficient of variance or low standard deviation to the teach data, after which the model is allowed to relearn and repredict the settlement. This procedure is repeated until all predicted values satisfy the criterion. Using the improved network model resulted in significantly better predictions. Predicted settlements were in good agreement with the measurements, even when only the measurements up to a consolidation stage of 35 % were used as initial teach data.     

Prediction of long-term settlements of subway tunnel in the soft soil area

Nowadays, the issue of predicting soil settlement has gradually become an important research area. The theory of predicting soil settlement under static load is comparatively mature, while the method of predicting soil settlement under dynamic loading is still at the exploratory stage. This paper aimed to find a suitable model to satisfy the prediction of long-term settlements of subway tunnel. The settlement monitoring data of Subway Line 1 in Shanghai were taken as the case. In this paper, current nonlinear prediction methods of settlement were summarized. The fitting method was introduced and applied in the settlement data of Shanghai subway tunnel; correlation coefficient r of the fitting results can keep a high level in most cases, illustrating the validity of segmentation simulation. Two kinds of prediction methods and its utilizing methods were introduced in this paper, i.e., Grey Model (1, 1) and Auto-Regressive and Moving Average Model (n, m). The settlement trend of Subway Line 1 in Shanghai was predicted by GM (1, 1) and ARMA (n, m) model. The results show that ARMA (n, m) model is more precise than the GM (1, 1). As a new method in settlement prediction field, ARMA (n, m) model is prospective in the future.     

基于RBF神经网络的软基短期沉降预测研究

RBF(radial basis function)神经网络是一类比较优越的前向式多层神经网络,比传统的BP网络有较快的收敛速度.以深圳湾西部通道填海软基沉降的预测分析为例,探讨采用RBF神经网络解决这一问题的方法.采用插值方法构建时间间隔统一的时间序列数据并进行归一化处理,在此基础上建立了沉降变形时间序列的RBF神经网络模型,通过训练网络模型来预测沉降量.计算实例表明,模型具有运算速度快、预测精度高的特点,是一种具有应用前景的软基预测新方法.     

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     

增加曲线模型在路基沉降预测中的应用研究

增加曲线模型自身的特点，决定了它能很好地拟合一级荷载下的地基沉降．时问曲线，这已得到了验证。将其引入到多级填土荷载下的软土路基沉降的预测中，提出了相应的预测数学模型，并通过工程实例予以验证。其结果表明：与传统的针对多级荷载的指数曲线模型以及双曲线模型相比，该模型的理论更为充分，其预测结果也更接近实际，具有一定的工程实用价值。     

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。     

基于Weibull曲线的软基沉降预测模型分析

结合软基沉降机理,提出用Weibull模型预测软基沉降全过程。该预测模型参数意义较为明确,可以反映加载速度等因素的影响,克服了其它两种成长模型反弯点处沉降值与最终沉降相对不变的缺点。在利用其它模型预测时,只有初步判断实测样本反弯点的位置才能较科学的选择有效样本和相应模型进行预测。Weibull模型可以充分利用沉降观测样本,具有广泛的适应性,指数模型是它的一种退化形式。它不但可以预测线性加载的软基沉降,而且可以预测一次加载或近似一次加载的软基沉降。工程实例的实测和计算比较说明该模型是可靠的。     

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。