基坑支护结构水平变形预测的遗传神经网络方法

采用遗传算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络,先用遗传学习算法进行全局训练,再用BP算法进行精确训练。就遗传算法过程中的选择、变异进行了探索,提出了用BP网络训练产生变异的遗传算法。作为实例,将该方法应用于预测基坑支护结构水平变形中。结果表明,该方法有收敛速度较快、预测精度高等优点。     

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。     

基于遗传算法和BP神经网络的矿井涌水量预测

为避免BP神经网络极易陷人局部解的问题,针对遗传算法具有全局寻优的特点,提出了用遗传算法优化BP神经网络预测方法,并以刘桥二矿为例,对其矿井涌水量进行了预测。首先选取刘桥二矿区的2005年3月至2006年12月的矿井涌水量数据进行分析,然后使用遗传算法优化BP网络的初始权值和阈值,最后使用BP神经网络进行训练。将其成果与纯BP网络算法进行比较,结果表明：遗传算法优化BP神经网络的预测方法的预测精度高于纯BP网络算法,将其应用于矿井涌水量预测是有效可行的。     

竖向排水井地基工后沉降预测

预测工后沉降是排水固结预压加固软土地基的关键问题之一。根据等应变竖向排水井地基固结理论,提出了沉降曲线的近似计算方法。通过实测沉降资料与近似理论曲线的拟合,获得竖向排水井地基的最终沉降量和平均固结度,从而预估其工后沉降量。将该方法分别应用于真空预压和堆载预压处理的竖井地基,进行工后沉降预测,结果表明该方法是可行的     

基于灰色理论的真空堆载预压分层沉降预测

对真空堆载预压加固处理的软土地基,用灰色理论模型预测地基的分层沉降,结果表明：对于土层分布均匀的地基,verhulst模型能较准确地预测分层沉降,误差在10％以内。对于土层分布不均匀的地基,verhulst模型预测误差较大,进行残差修正,修正的verhulst模型能较准确地预测分层沉降。用不同点数预测地基的分层沉降,同实测沉降数据对比发现、对于土层均匀或不均匀的软土地基,在已知真空影响范围外土层的沉降时,灰色模型就能较准确地预测分层沉降。     

试论连云港海相软土路堤沉降规律

根据连云港至徐州高速公路连云港段60多个断面的现场实测沉降资料,分析了在路堤荷载作用下连云港海相软土的沉降和固结规律。实测数据表明,在路堤荷载作用下连云港海相软土地基的沉降曲线符合双曲线形式,故可采用双曲线法预测最终沉降。由此可以分析在不同施工期的地基沉降和固结特性,得到不同地基处理条件下路堤填筑期和预压期地基平均固结度与施工时间的关系。分析亦表明,粉喷桩加固能加速地基的固结速率。最后,针对沉降和固结理论计算中计算参数的难以合理确定的局限性,对现场实测沉降数据采用数理统计方法,提出了适用于连云港地区海相软土路堤沉降和固结估算经验公式。     

软土地基三维粘弹性反演分析与变形预测研究

针对无锡地区软土工程施工具有明显流变性的特点,运用粘弹性理论和反演分析方法,结合无锡市图书馆工程对其地基变形和粘弹性模型进行了研究,通过实测数据与计算值的对比来修正模型和计算参数;在此基础上对该工程的长期地基沉降进行了预测,取得了与实际较为吻合的结果,为本地区软土工程地基的长期变形预测提供了有效的方法和思路。     

软土路基大应变黏弹塑性正/反分析沉降预测对比

结合软土变形的大位移、大应变、渗透固结及依时性特点,采用黏弹塑（西原）模型模拟土骨架,建立了分析软土地基的大应变黏弹塑性有限元列式和迭代求解算法,并采用动态“生”“死”单元模拟路堤的施工过程,建立了软土路基双重非线性渗透固结分析模型,研制了相应的大型实用化有限元分析程序LSVEP。分别采用反分析所得参数和室内试验确定参数对路基地表沉降和地基深层沉降进行预测,并将所得结果和现场实测结果进行对比分析,结果表明：所建立的大应变黏弹塑性有限元分析方法正确;计算参数的准确选择对沉降预测精度影响很大;用反分析所得参数进行沉降预测的精度远高于正分析预测,是提高沉降预测精度的有效途径,可供类似工程借鉴。     

高速公路软土路基沉降量的人工神经网络预测

针对高速公路建设中广泛存在的软土路基最终沉降量预测这一迫切需要解决的技术难题,提出了改进的BP神经网络预测模型,并归纳出影响软土路基沉降量的主要因素.通过对模型的建立、训练和验证,以及与其他方法的对比表明,改进的BP神经网络模型在非线性建模方面具有泛化性强、计算精度高、操作简便的独特优势,具有广阔的工程应用前景.     

基于遗传算法的软土地基沉降预测

基于自然进化原理的遗传算法是一种解决岩土工程复杂非线性问题十分有前景的方法。对遗传算法中一些具有代表性的算法作了简要分析和评论。软土地基沉降受众多因素的影响,在时序上表现出复杂的非线性特征。针对一个加固纠偏工程的沉降预测问题,运用MATLAB编写遗传算法程序进行了预测分析。计算结果与实测资料基本一致,它在全局优化、非线性优化、多参数优化等方面表现出了传统算法无法比拟的优势。     

公路软基沉降函数干涉神经网络预测模型

建立了基于函数干涉神经网络的公路软基沉降预测模型。工程实例表明,所建议的模型外延性好,而且,可以由较短预压期内沉降观测资料预测远期沉降发展,与传统沉降预测模型相比具有显著的优越性,工程应用前景广阔。     

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。     

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.     

用扁铲侧胀试验计算软基处理工后沉降

准确预测软基工后沉降对评价软基处理方法、提高软基处理质量非常重要。Marchetti提出了运用扁铲侧胀试验计算砂和一般土的沉降公式。该试验具有准确快捷、对土扰动小的特点,但用于计算加载初期的结构性软土误差却较大。软基处理后沉降趋于稳定。利用处理后的扁铲侧胀试验数据,借鉴Marchetti公式,预测工后沉降。通过与其他几种常规计算方法的比较,表明该方法能更加准确地计算软基工后沉降。     

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     

基于改进BP算法的Elman网络在软基沉降预测中的应用

E lm an网络具有动态特性好,逼近速度快,精度高等特点,本文结合软基沉降的基本特征,建立了E lm an网络软基沉降预测模型。考虑到经典BP算法的缺陷,采用改进BP算法对网络进行训练学习。实例分析表明,本文所建立的E lm an网络模型具有一定的可靠性和实用性。     

软土地区工程性地面沉降预测的非等时距GM(1,1)模型

大规模城市建设诱发的工程性地面沉降已成为上海软土地区地面沉降新的制约因素。本文针对上海地区工程性地面沉降特点,运用灰色理论建立了非等时距GM(1,1)预测模型,并用工程实测数据进行检验,得到令人满意的预测结果。研究结果对预测和控制软土地区由建筑物群引起的地面沉降具有重要意义。     

神经网络技术在路堤沉降预测中应用探讨

针对传统的BP网络模型的不足，应用了改进的BP神经网络模型，把它应用到软基高速公路的路堤沉降预测中，提出了两种构造神经网络训练样本的思路，并分别进行了计算和对比，指出了各自的优、缺点。结果表明改进的BP网络模型比较稳健、收敛快，而且根据时间与对应的沉降量形成的样本训练的网络预测出的工后沉降误差小、精度高。     

基于土压盾构的城市地铁隧道构筑过程地表沉降规律

通过经验、理论分析和数值模拟等预测方法,并结合实测数据研究分析土压盾构施工引起的地表沉降问题.分析结果表明:预测方法估算的最大沉降值总高于实测的沉降值;Oteo方法的曲线形态更优化;当隧道埋深较浅时,Loganathan-Poulos、Sagaseta、Peck和Verruijt-Booker方法均过高估算了最大沉降量,且Loganathan-Poulos、Sagaseta和Verruijt-Booker方法给出的沉降槽偏宽;数值模拟方法比分析和经验方法更有效,可以有效模拟施工过程.根据研究结果,经验、理论分析和数值模拟方法具有一定的安全储备空间,可用于软土地层中土压盾构施工引起的地面沉降预测.      

Correction of soil parameters in calculation of embankment settlement using a BP network back-analysis model

Finite element method (FEM) have been widely used for the calculation of settlement of embankment on soft soils in the last decade. However, due to the complexity of construction, spatial inhomogeneity of soils, as well as sensitivity of numerical results to the variation of soil parameters, large discrepancy typically exists between numerical outputs and field observations. This paper presents a novel method, combining FEM and an improved back-propagation (BP) neural network, for correction of soil parameters in numerical prediction of embankment settlement. Duncan–Chang hyperbolic soil model is adopted with the sensitivity of eight constitutive parameters numerically investigated. The soil parameters with large sensitivity are identified, and together with the representative settlements, are used for the training of the improved BP neural network which, once established, generates correction factors of soil parameters for subsequent more accurate FEM forward predictions. It is demonstrated that the proposed numerical back-analysis framework is very efficient in practical engineering applications to calculate highway settlement.