高路堤自身沉降研究综述

随着高速公路建设速度的加快,各种问题也随之出现,其中高路堤沉降问题是影响公路行车安全的一个重要方面。影响高路堤沉降的有路基填料的选择、施工过程中含水量的控制、压实方式等多方面,准确的预测高路堤自身工后沉降,对于公路修筑方式、填料方式等施工工艺起控制性作用。本文对高路堤沉降的计算,模型等方面综述了其研究情况。对高速公路工后沉降研究具有重要的参考意义。     

路堤沉降计算中邓肯-张模型参数修正初探

有限单元法是计算路堤沉降常见的数值计算方法,其中土体模型参数的真实性是该法计算结果高精度的保证。首先,针对邓肯-张非线性模型中各参数对沉降影响的程度进行了分析,找到了灵敏度较大的5个参数。然后,利用人工神经网络技术,结合前期沉降实测资料,提出了一种反馈修正K,G这两个主要参数的思路。计算表明：此种修正法是可行的,且依据修正后参数的沉降计算结果更准确,在工程实践中有一定的参考价值。     

路堤沉降预测的Gompertz模型应用研究

高速公路路堤填筑过程可近似地看为一个线性加载的过程。笔者从土体应力-应变关系出发,证明了在线性加载或近似线性加载情况下,路堤沉降-时间曲线呈反“S”型特征,并由此建立了Gompertz沉降-时间预测模型,其中3个参数a、b和c可以通过SAS程序求解得到。多个工程实例的应用证明了该模型在路堤沉降预测中的合理性和实用性。     

Asaoka法对路堤沉降越级预测初探

Asaoka法可很好地根据有限次沉降观测结果推算建筑物的最终沉降,但遗憾的是其只能基于本级荷载下沉降观测记录对本级荷载下最终沉降进行预测。本文针对多级填土下的路堤沉降问题,探讨了如何利用该法进行越级预测的思路,给出了该法图解中每级荷载下沉降数据对应的直线在纵坐标轴上截距与路堤高度之间的近似关系。最后,结合工程实例,根据某级荷载下沉降记录对下一级最终沉降作了预测,所得的结果精度还是令人满意的。     

滑动线性回归模型预测路堤沉降初探

在路堤沉降预测中,线性模型是应用最为广泛的模型之一。但是随着观测信息的丰富,常规的线性模型的不足凸现,影响了模型的精度,为了克服常规模型的缺点提出了滑动线性回归模型。滑动线性回归模型要求参与建模的数据个数保持不变,新观测的数据取代旧有的数据,从而获得了新的模型参数,通过实例验证,得到了理想的结果。     

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。     

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。     

神经网络原理在单桩沉降预测中的应用

神经网络计算法是模拟人体经络系统活动机理来对客观事物进行科学研究的新方法。系统介绍了用神经网络法预测单桩沉降的方法，为应用神经网络原理解决工程领域中的难题作了一次新的尝试。根据Ｈ．Ｇ．Ｐｏｕｌｏｓ等人的线性弹性理论，应用ＥＢＰ神经网络计算原理，结合概率论的分析方法，建立了在竖向荷载作用下用桩长径比预测单桩沉降的神经网络模型。总结和分析了珠江三角洲地区大量的单桩沉降测试材料，通过单桩沉降的预测值与实     

不同加载方式下路堤沉降性状与预测模型研究

从考虑土体流变的本构关系出发 ,证明了瞬时加载、线性或者近似线性加载和分级加载情况下路堤沉降的性状 ,提出了从数学上能满足各自变形特征的预测模型 ,工程实例分析表明了在不同条件下采用不同模型的合理性和实用性     

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.     

应用遗传-神经网络方法预测软土路基沉降

理论方法预测软土地基沉降与实际存在较大的差距,使得预测结果很难达到设计要求,不利于指导施工。将现有的理论方法同现场观测信息相结合,对软土地基变形作出更为准确的预测,有利于指导和控制工程施工。采用遗传算法和BP最优化法相结合的算法来训练网络,用遗传算法来优化BP神经网络中权值;用龚帕斯曲线来分解沉降时序,通过沉降趋势线偏移量来训练网络。采用这种方法预测软土路基沉降取得了较好的应用效果。     

软基沉降的BP神经网络和灰色系统联合预测

使用BP神经网络插值方法对灰色数据进行了预处理,进而建立了预测软基沉降量的BP神经网络和灰色系统联合模型.实例分析表明,该模型短期沉降预测结果的最大相对误差小于2%,最终沉降预测结果的相对偏差小于5%,且灰色预测时取后期沉降瘦导颇算结果准确度高于取前期沉降数据的计算结果准确度.     

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。     

西北地区高填方地基沉降的预测模型研究及分析

沉降变形一直都是困扰填方工程的关键问题,原始地基中存在的湿陷性黄土与粉质黏土会导致沉降增大以及不均匀沉降等现象的发生.因此,做好工程的沉降监测和工后预测,对于保障高填方地基的稳定性至关重要.笔者以西北某机场迁建工程中高填方沉降监测数据作为依据,分别应用双曲线、对数和指数拟合曲线对填方地基的沉降进行预测、分析与对比,总结...     

盾构施工地面长期沉降的神经网络预测

基于逆传播人工神经网络方法，建立了盾构施工地面长期沉降的非线性预测模型，建立了沉降与诸多影响因素：所处位置、时间、上覆土性参数及盾构施工参数等的关系模型。通过在上海地铁2号线龙东路一中央公园站区间资料的验证，发现与实际比较吻合。     

基于BP神经网络方法的矿井涌水量预测

鉴于矿井涌水威胁煤矿安全生产及其影响因素的复杂性,提出基于BP神经网络的矿井涌水量预测方法.在充分分析新安煤矿＋25m开采水平的涌水影响因素的基础上,选取大气降水、采空区面积和底板构造断裂和采动裂隙三个影响因子,建立了非线性人工神经网络预测模型,对＋25m开采水平的正常涌水量进行了预计.其结果和实际观测数据能够较好地相吻合,表明采用人工神经网络预计矿井涌水量是可行的.     

未确知测度BP神经网络模型在黑河流域水质预测中的应用

水质预测是水环境规划、评价和管理的重要依据,对促进水资源可持续利用及生态发展具有重要意义。针对水质预测中各项因子的不确定性,基于未确知测度理论(unascertained measure,UM),采用改变网络初值的方法,对BP神经网络加以改进,并利用黑河流域莺落峡水文站1998~2011年的水质监测资料进行分析和预测。以挥发酚为参考序列,用灰色关联方法分析参考序列与其他因子的关联度,并最终确定BP网络的输入节点为CODmn、DO、SO42-、Cr6+以及挥发酚,输出节点为挥发酚,从而建立UMBP模型。分析结果表明,UM-BP预测模型比标准的BP神经网络模型具有更高的预测精度。因此,该模型应用于黑河流域水质预测是可行的。     

改进灰色模型对路基沉降预测的应用研究

讨论了灰色系统理论在路基沉降预测中的应用,并对等间隔的灰色模型GM（1,1）进行了改进,建立了任意间隔的非时序改进灰色模型。通过具体工程实践,给出了两种模型对路基沉降量预测结果与实测结果的比较,结果表明改进灰色模型的预测沉降量与实际沉降量更接近,精度更高,更能满足工程需要。