基于多元分析的地铁车站深基坑形变规律研究

鉴于深基坑变形监测中观测数据相互关联影响,结合地下管线与桩体位移等形变数据,将多元线性回归模型与灰色模型GM(1,N)应用于深基坑形变数据预测。本文根据深基坑监测基础数据进行多种形变数据的规律性分析;应用两种分析模型预测了五种基坑形变数据,将预测结果与实测值进行对比分析。结果表明,基坑监测设计合理,开挖期间形变不大、较稳定;比较两种模型,随时间生成动态参数的GM(1,N)模型具有更小的残差,能较好地预测基坑变形规律,可以用于相关项目的实施与数据分析。     

改进后灰色神经网络及短期基坑沉降预测研究

在短期基坑沉降监测中,由于数据量少且呈非线性变化,沉降模型很难准确建立。灰色GM(1,1)对数据少、趋势性强、波动小的数据有较高的预测精度,但不能模拟复杂的非线性函数;BP神经网络可以对非线性数据进行学习训练,具有自学习、自适应能力;通过将GM(1,1)与BP神经网络组合,并优化网络部分的学习率、权值和阈值等,建立一种改进的灰色神经网络模型,该模型具有对非线性数据自学习、自适应能力和预测精度更高等优点。通过某基坑沉降监测分析,验证改进的灰色神经网络模型预测精度更高,适合短期建模,具有很好的实用性。     

灰色线性组合模型在基坑监测中的运用

本文论述了灰色系统理论在深基坑沉降数据处理中的运用,在运用过程当中,分别采用了GM（1,1）模型和灰色线性组合模型两种方法对数据序列进行拟合和预测。并得出了灰色线性组合模型在基坑沉降预测中比GM（1,1）更精确可靠的结论。     

灰色模型在深基坑变形监测中的应用研究

随着城市建设的快速发展,对地下空间的利用需求急剧增长,引发的深基坑工程事故也随之增加。因此,对施工过程进行全方位的监测和变形预测分析,及时、准确地反馈基坑变形动态,对工程安全起着至关重要的作用。本文叙述了变形监测灰色GM模型预测方法,并以重庆越洋广场监测项目为例,分析基于小波变换前后的预测效果和精度水平。结果表明,灰色模型能够达到较好的应用效果。     

非等间距WGM-AR模型在基坑周边建筑物沉降预测中的应用

非等间距GM（1,1）模型在不等时间间隔序列的趋势分析和预测方面具有重要作用,在此基础上,提出一种基于非等间距加权GM（1,1）模型和自回归AR（p）模型相结合的非等间距加权灰色自回归模型（非等间距WGM-AR模型）.将基坑周边建筑物沉降监测数据视为具有确定趋势的非等时间序列,对序列进行平滑处理,利用非等间距加权GM（1,1）模型提取该时序中的确定性趋势项,用自回归AR（p）模型分析生成的等间距序列中的随机项,并采用内插法得到沉降监测序列的随机项.将组合模型与非等间距GM（1,1）模型计算结果对比分析,结果表明,组合模型具有更高的预测精度,在基坑周边建筑物沉降预测中具有较高的应用价值.     

灰色-小波神经网络支持下对地铁工程沉降变形的预测

变形监测是安全化工程施工和管理的重要内容,贯穿于项目的设计、施工和运行,对监测的沉降数据进行处理,并预测沉降量,提前对工程作出安全预警,有很重要的实际意义。本文基于GM(1,1)灰色模型、小波分析和神经网络结合的相关理论,借助Matlab软件编程,建立了灰色-小波神经网络变形预测网络模型。结合工程实例,将建立的变形预测网络模型应用于累积沉降量观测数据,结果表明组合模型具有很稳定的预测效果,比单独的GM(1,1)灰色模型预测准确度高,且训练样本越多,预测越符合实际情况。     

基于灰色模型的建筑物沉降预测研究

由于非等间隔GM(1,1)灰色模型对于处理数据量小且表达信息不确定的数据具有优越性,因此广泛应用于石油天然气勘探、机床故障诊断、电力负荷预测、大坝安全监测等领域。基于非等间隔GM(1,1)灰色模型理论,利用某小区建筑物沉降观测的实测数据,建立了适合该小区建筑物沉降预测的灰色模型。通过对比理论预测值和实测值,并进行模型对应的精度评定分析,结果表明,此模型适用于该建筑物沉降预测分析的研究。     

径向基神经网络在沉降预测中的应用

针对大型建筑物的沉降监测存在较多的不等时间间隔沉降监测数据,现有模型需要对此类数据进行等间隔处理后建立沉降预测模型的现状,该文采用无需对监测数据进行等间隔预处理的径向基神经网络对沉降监测数据建立沉降预测。通过对西安某大厦基坑开挖对地表和周围建筑物影响的沉降监测数据进行实例分析,并与非等间隔灰色GM(1,1)预测模型进行对比,利用模型评价指标评价预测模型精度。结果表明:采用径向基神经网络建立预测模型处理过程简便,其预测精度优于非等间隔灰色GM(1,1)预测模型。     

修正指数曲线法与灰色模型和BP神经网络预测在建筑物沉降中的对比分析

变形监测在建筑物施工和运营管理方面是一个至关重要的环节,变形监测的预测模型有很多。选取适当的变形监测预测模型对于预测建筑物的变形尤为重要。本文运用灰色模型GM(1,1)、BP神经网络和曲线拟合中的修正指数曲线对一幢大楼13期的沉降观测数据进行分析。利用前12期沉降观测数据构建预测模型来预测第13期沉降观测的数据,将预测的结果与实际测量的结果进行比较,得出这三种模型预测的精度。结果表明:在这一幢大楼的沉降观测预测中,修正指数曲线法预测的精度要比灰色模型GM(1,1)和BP神经网络预测的精度高。     

基于PSInSAR的水溶矿区沉降预测

针对水溶矿区地表沉降监测与预测中传统大地测量监测手段所获结果空间分辨率较低的问题,利用PSInSAR进行了水溶矿区地表沉降监测;基于PSInSAR监测结果,分别采用GM(1,1)灰色模型、BP神经网络模型和多项式拟合模型进行沉降预测;以均方误差和相关系数为精度的衡量标准,将预测结果与实际结果进行对比,分析了3种模型的预测精度。结果表明,针对某水溶性矿山,基于PSInSAR数据构建的GM(1,1)灰色模型预测精度最高,可通过该方法为矿区的开采提供良好的高空间分辨率的短期预测。     

基于EMD方法的组合预测模型在建筑物基坑沉降监测中的应用

为了对建筑物基坑沉降进行准确预报,在传统的时间序列预测模型的基础上,提出了一种基于经验模态分解（EMD）方法的差分灰色神经网络-AR模型。该模型充分结合EMD方法在信号自适应分解中的优势,通过EMD方法将监测数据分为不同频段的分量,使用差分灰色神经网络模型对序列更为稳定的低频分量进行预测,消除了由于灰色预测模型预测残差不稳定导致预测结果精度较低的问题;使用AR时间序列模型对稳定性较低的高频分量进行预测,重构由不同模型预测得到的结果,得到最终预测结果。将灰色GM(1.1)模型、差分灰色神经网络模型与本文提出的组合模型应用于某在建建筑物基坑沉降预测中,试验结果表明相比于灰色GM(1.1)模型与差分灰色神经网络模型,本文提出的组合模型预测精度更高,可以有效预报建筑物基坑沉降,在实际工程中有较高的推广价值。     

GM-BP 组合预测模型在基坑沉降分析中的应用

为提高变形预测的精度,采用GM(1,1)与BP神经网络组合模型进行预测。灰色GM(1,1)模型使用方便,在样本数据较少的情况下能够取得不错的预测效果,但对预测序列存在规律性波动或突变时的预测能力不强;而神经网络模型建模过程相对复杂,需要较多的训练样本,但对于数据存在规律性波动和突变时有很好的预测能力。组合模型融合两者优点,将其应用于基坑沉降数据预测,结果表明,该模型预测精度优于传统的单一预测模型。     

基于优化GM(1,1)模型的基坑位移监测数据预测方法

针对GM(1,1)模型预测结果精度低的问题,提出原始序列卡尔曼滤波处理的优化模型方法,结合指数函数构造背景值,进行灰色模型预测分析。结合苏州站综合楼基坑沉降监测结果,探讨了GM(1,1)模型原始序列的选择,分析了优化GM(1,1)模型的精度,验证了优化模型在提高预测精度上的可行性。     

遗传算法的灰色神经网络在基坑变形中的应用

针对基坑施工安全和能够快速地发现基坑变形的问题,该文提出用遗传算法的灰色神经网络对基坑沉降观测数据进行处理,并预测变形大小。实例数据表明,通过预测变形值与实际变形值进行比较,可知遗传算法的灰色神经网络模型的收敛速度较快,训练时间较短,预测精度较高,能满足工程精度的要求。通过与GM(1,1),BP神经网络模型和灰色系统和神经网络的组合模型进行比较,本模型是最优的。     

GM(1,1)模型在高铁软土路基沉降监测中的应用

依托哈齐铁路客运专线沉降观测项目,利用灰色模型GM(1,1)对软土路基沉降进行定量分析预测,探讨了该沉降过程的动态变化规律。与实测数据对比表明,灰色模型GM(1,1)对该沉降趋势的符合度较高,精度能够满足要求。     

地下管线普查数据与专业数据融合模型研究

地下管线普查数据主要侧重管线的空间位置、空间关系等本体属性,而专业管线单位重点关注与管线安全相关的设施、环境等运维属性。为突破地下管线普查成果仅局限于城市规划等空间位置利用,本文结合管线运维数据,提出了一种地下管线普查数据与专业数据的融合模型,并以实例进行说明。实例结果说明模型能够对数据进行有效融合,可促进地下管线的挖掘与利用,充分发挥地下管线普查数据的效益。     

灰关联GM(1,N)模型在建筑物沉降分析中的应用

针对建筑物沉降变形中各监测点相互关联、相互影响的情形,可将灰色系统理论中的GM(1,N)模型引入到建筑物沉降分析中。本文利用灰度关联方法确定相关因子的关联度,建立GM(1,N)模型,并与回归分析、GM(1,1)模型比较。通过工程实例,得出灰关联GM(1,N)模型预测精度明显高于另外两种模型,验证了该模型在进行建筑物沉降分析预测中应用的可行性。     

灰色自记忆模型的高层建筑物沉降分析

针对GM(1,1)模型对非线性数据的沉降趋势及其波动特征无法进行准确地预测,而灰色残差模型和灰色马尔科夫模型又无法解决这个问题,提出了灰色自记忆预测模型。该模型利用了自记忆原理考虑过去和现在对未来的影响的记忆性特点,克服了GM(1,1)模型对初值比较敏感、预测精度低等局限性,提高了对波动性数据的预测能力。通过实例验证表明了灰色自记忆模型的可靠性和可行性。     

优化背景值的时变参数GM(1,1)在铁路沉降中的应用

针对传统的GM(1,1)模型在建筑(构筑)物形变和沉降预测中的灰色作用量恒定和背景值构造有偏差的缺陷,该文通过引入线性时间项的灰色作用量和广义加权构造最优背景值相结合的方法构建了优化背景值的时变参数GM(1,1)模型。以实际铁路沉降监测点的累计沉降监测数据为例,分别采用传统的GM(1,1)模型、时变参数GM(1,1)模型和优化背景值的时变参数GM(1,1)模型对观测数据进行了拟合和预测。结果表明,优化背景值的时变参数GM(1,1)模型的拟合和预测精度相比传统GM(1,1)模型和时变参数GM(1,1)模型有很大提高,适合于铁路沉降数据的监控和分析。研究结果可为铁路的沉降预测提供一定的参考价值。     

利用二次移动平均法的GM(1,1)模型和Kalman滤波在沉降监测应用中的比较分析

利用时间序列分析方法中的二次移动平均法提取出沉降监测序列中的趋势项,并在此基础上建立固定维数的动态GM(1,1)灰色模型进行沉降预测,同时利用Kalman滤波方法进行沉降预测,结合实际算例结果表明,这两种模型均能够较好地进行预测,证明了这两种预测模型均具有一定的可行性和有效性,并对两种预测模型在沉降监测预报中的应用进行了比较和分析。