动态预测软土路基沉降的神经网络模型研究

人工神经网络具有较强的非线性映射能力。本文介绍了神经网络BP算法的一些改进措施。这些措施可以提高BP算法的学习收敛速度,同时也可以提高BP网络性能的稳定性。为避免软土路基沉降传统计算方法中各种人为因素的干扰,本方法利用实测资料直接建模。基于改进的BP神经网络模型,建立了可依据现场量测信息对软基路堤沉降量随时间而发展的过程进行动态预报的分析方法。本文所建立的BP算法模型比较独特,利用该模型预测软土路基沉降精度高,预测结果的稳定性好。     

基于神经网络的高速公路软基沉降分析

简述了高速公路软基沉降观测的目的和意义。介绍了工后沉降的预测方法。其后，简述了BP神经网络的基本概念。论文提出了基于神经网络的高速公路工后沉降预报方法。结合江苏省某高速公路现场监测资料，进行了实例分析，说明此方法是可行的和有效的。它对提高高速公路建设质量具有十分重要的现实意义。     

一种基于PSO-BP神经网络的建筑物沉降预测模型

为更好地预测建筑物沉降,该文使用粒子群优化(PSO)算法BP神经网络进行建筑物沉降预测。利用PSO算法修正BP神经网络的初始权重和阀值,优化BP神经网络机构及算法全局收敛性,建立基于PSO-BP预测模型。将所建立的预测模型应用于实际案例,通过已有的监测数据,分别进行传统BP神经网络预测和PSO-BP神经网络预测,对预测的结果进行对比,结果表明,基于PSO-BP神经网络的建筑物沉降预测结果明显优于传统BP神经网络预测模型。     

基于改进的BP神经网络高层建筑物沉降规律分析

随着我国经济建设的不断发展,多层建筑物已经被高层和超高层建筑所替代。高层建筑物对单元地面所产生的压力骤然增加,建筑物自身所存在的荷载相应增加。本文主要利用数字水准仪对高层建筑H楼进行沉降观测,设置15个周期,主体施工阶段每2层观测一期数据,封顶之后观测了5期数据。取3个点作为实验分析数据,得出了沉降变化曲线。利用BP神经网络、改进BP神经网络,对沉降数据进行预测,取期间的沉降数据和期间累计沉降数据作为训练样本,根据两个沉降数据预测值的大小,选择合适的训练样本,提高预测精度。     

小波变换和BP神经网络模型在沉降变形 监测中的应用研究

变形预测在预报工程险情方面起着关键性的作用,针对施工中需及时、准确地预测变形的问题,本文利用小波变换原理对监测数据进行降噪处理,并采用BP神经网络分析不同训练样本下的预测效果和精度水平。实验结果表明:基于小波消噪后的BP网络模型,以连续的近期观测数据作为训练样本,对下期变形预测精度高,效果好,相对误差很小。因此,小波变换和BP神经网络模型在沉降变形监测工程中能作为预测研究与应用的参考。     

神经网络在建筑物沉降分析中的应用

建筑物沉降的诱因与沉降量之间有一个复杂的非线性相关性,应用回归法对这种复杂的相关性进行分析有较大的局限性.人工神经网络是由许多神经元组成的大规模非线性系统,具有较强的动态处理能力,能对简单的非线性函数进行多次复合,来实现一个复杂的非线性函数.神经网络这些特性满足建筑物沉降分析的需求.实例表明,应用神经网络BP算法可以对建筑物沉降原因进行更客观的分析,对沉降趋势预测效果也较好.     

小波神经网络模型在高铁路基沉降预测中的应用研究

为了提高变形监测数据预测的精度与可靠性,提高神经网络预测方法的稳定性,尝试将小波分析与BP神经网络相结合的小波神经网络应用于高铁路基处的沉降监测数据处理中。综合小波分析与神经网络算法的优点,建立松散型及紧致型小波神经网络预测分析模型。通过实验数据对比分析,验证了采用紧致型小波神经网络预测模型能够较好地用来处理路基的动态变形监测数据,预测稳定性及预测精度较高。     

等维BP神经网络在沉降预报中的应用研究

为解决神经网络在沉降预报应用中的局限性,结合灰色理论等维信息策略和BP神经网络建模思想,利用数据序列本身构建训练样本,建立等维BP神经网络预报模型,并利用数学工具MATLAB编程实现,进行实际的变形预测,通过与灰色理论GM(1,1)模型的预报效果进行比较,表明该等维BP网络模型具有更高的预报精度,可以达到更好的预报效果。     

小波神经网络在高铁路基变形分析中应用研究

路基是高速铁路的轨道基础,是整个线路结构中最为薄弱的环节,对线路的平顺性、稳定性特别敏感,加强对高铁路基的沉降变形分析是确保路基工程施工质量和保障运营安全的重要环节。引入小波神经网络组合模型应用到高铁路基的沉降变形分析中,通过工程实例分析表明,小波神经网络组合模型预测精度较BP神经网络模型高,在高铁路基的沉降变形分析中具有更好的优越性和应用效果。     

神经网络与灰色理论联合模型在地铁沉降预测中的应用

地铁路基的过量沉降或不均匀沉降将导致线路运营条件的恶化,乘客舒适度降低,甚至危及行车安全。因此对路基工程后期的沉降控制和预测随着运营速度的提高而愈加急迫。根据某段地铁线路路基的实际沉降观测数据,将神经网络与灰色系统进行串联型结合:即先利用BP神经网络插值方法将不等时距的实测沉降数据序列转化为等时距数据序列,进而利用转化的等时距沉降序列依据灰色GM(1,1)模型对荷载稳定时间内的路基沉降进行预测。实验结果表明,该方法具有较高预测精度。     

预测工后软土地基沉降

本文简要叙述沉降观测在软土地基施工中的重要性,并提出了基于神经网络的高速公路工后沉降预测方法。结合工程实例运用MATLAB工具箱函数建立网络模型,选择合适的训练函数,使其训练精度和速度达到最优化。     

遗传神经网络在大坝安全评价中的应用

利用神经网络方法评价大坝安全具有一定的优势,但传统大坝安全评价方法不能为神经网络模型提供合适的学习样本。文中引入安全度值的概念,为神经网络提供可量化的学习样本,并针对BP神经网络收敛速度慢、稳定性差、易陷入局部极小等问题,利用遗传算法进行改进,提出基于遗传神经网络的大坝安全评价方法。工程实例表明,评价方法合理、可行。     

变形分析的神经网络技术应用实例

大型工程施工过程中的变形监测、分析与预报极为重要。变形分析建模的方法很多,神经网络技术的应用是其中之一。文中结合某深基坑工程的监测资料和工作经验,运用神经网络BP算法进行预测分析。简述BP神经网络的基本概念,介绍基坑变形分析的BP神经网络的具体模型结构,将神经网络方法预报结果与实测数据对比效果较好。该成果对生产实践具有参考价值。     

面向MATLAB转换GPS高程的神经网络方法

GPS高程转换是GPS应用的关键问题之一。本文介绍了MATLAB中的BP神经网络工具箱常用函数以及实现步骤,设计了转换GPS高程的三种方案,利用MATLAB开发工具实现了BP神经网络转换GPS高程的方法。实例计算表明,采用合适的训练函数,选用好的网络结构,利用BP神经网络方法可以取得比二次多项式曲面拟合法更高的转换精度。     

基于改进BP神经网络的GPS高程拟合方法

BP神经网络用于GPS高程拟合时存在收敛速度慢,受初始值选取影响大和易陷入局部极大值的问题。本文提出一种改进的BP神经网络高程拟合方法,将模拟退火算法(Simulated Annealing,SA)引入BP神经网络模型,利用模拟退火算法的全局寻优能力对BP神经网络的初始值进行选择,同时优化神经网络的各层神经元之间的连接权值和阈值,提高BP神经网络拟合法的拟合精度、收敛速度和推广泛化能力。最后结合实际算例对所提方法的拟合性能进行验证,结果表明利用模拟退火算法改进的BP神经网络进行高程拟合是可行且有效的,拟合结果优于传统BP神经网络法。     

神经网络专家系统在大坝变形预测中的应用

探讨了将人工神经网络专家系统用于大坝变形预测的方法，给出了系统功能结构框图，并对各模块的功能进行了分析。     

基于粒子群优化神经网络的概率积分法预计参数的确定

为有效确定概率积分法预计参数,提高预计值的精度。将粒子群优化(PSO)算法和BP神经网络进行融合,采用改进的混合粒子群优化算法优化神经网络的权值和阈值。在分析概率积分法参数与地质采矿条件之间关系的基础上,建立了基于PSO优化BP神经网络的概率积分法预计参数的优化选择模型。以我国典型的地表移动观测站资料为例,将计算结果与实际值进行了对比分析,并与文献[1]中改进BP算法进行了比较。结果表明,PSO-BP神经网络方法用于概率积分法预计参数的选取是可行的,收敛速度更快,计算精度更高。     

GPS跨河水准拟合方法研究与工程实践

提出了一种GPS跨河水准拟合方法,即由GPS大地高差用BP神经网络方法拟合得到的高程异常差,求跨河点间的正常高差,并给出了利用MATLAB语言实现拟合方法的步骤。工程实例计算表明,在选用较好的神经网络结构,适合的训练函数的条件下,采用输入点的坐标差、大地高差,输出高程异常差的BP神经网络设计来进行GPS跨河点间的正常高差计算,可以达到较好的精度。