共查询到20条相似文献,搜索用时 15 毫秒
1.
2.
针对复合地基沉降特点以及高层建筑沉降预测的重要性,本文分析了BP与RBF预测模型的优势,结合实际工程施工及工后沉降预测数据,进行CFG复合地基沉降预测。结果表明,BP与RBF预测结果达到0.1 mm级,RBF在此工程实例中的沉降预测比BP更具有优越性。 相似文献
3.
4.
高层建筑物的地基沉降量是高层建筑物安全的一个重要指标,根据已有的观测数据对未来的沉降量进行观测可以有效预防灾害的发生。由于沉降量是一个复杂的非线性过程,采用非线性预测方法是一种可行有效的方法。本文将最小二乘支持向量机应用于高层建筑物地基沉降量的预测,对参数分别用交叉验证和遗传算法进行了优化。经过实例验证,最小二乘支持向量机应用于沉降量的预测是可行的,并且遗传算法优化的最小二乘支持向量机的预测沉降量精度更优。 相似文献
5.
锦绣馨园地基沉降监测和预测 总被引:4,自引:0,他引:4
沉降量是建筑物施工期间及竣工后地基变形的一个重要指标.结合工程实例,详细介绍高层建筑地基沉降变形监测方法和注意事项,并采用指数曲线3点法预测最终沉降量. 相似文献
6.
《测绘与空间地理信息》2020,(6)
研究软土的沉降特点,监测和采集整个地基的沉降数据,并根据实测资料对最终沉降量进行合理的预测,对工程建设和保证工程质量都具有重要的意义。双曲线模型计算过程中,不涉及土体的各项物力和力学性质参数,能够适用于各种工程地质条件,计算过程简单快捷,广泛应用于各种工程项目的最终沉降预测。 相似文献
7.
8.
针对地基沉降机理复杂及随机性特点,结合马尔可夫链理论,本文建立了一种马尔可夫链改进的MMF沉降预测模型。首先采用部分实测沉降数据,利用CurveExpert软件拟合MMF模型;然后根据MMF模型预测相对误差大小,并按照马尔可夫理论划分状态区间,构建状态转移概率矩阵,预测下一个沉降量所处的状态,从而得到了马尔可夫链改进的MMF预测值;最后将本文模型应用于深圳滨海大道市政工程软土路基沉降预测中,并对模型的预测效果进行精度分析。结果表明,马尔可夫链改进的MMF模型的预测精度较单一的MMF有明显提高,建模方法合理,可用于类似的工程预测。 相似文献
9.
10.
11.
软基的最终沉降量是计算软基固结度的关键参数。通过分析堆载预压期间软基的监测数据可推算最终沉降量,从而可确定卸载的时间节点。结合实际工程项目,分别利用双曲线法和灰色模型法进行最终沉降量推算,对结果进行分析,发现单一方法进行沉降预测可靠性不高。在此基础上,对这两种方法进行优化组合以预测最终沉降量,综合考虑多种随机因素影响,减小预测结果偶然性,研究结果表明,在对预测方法进行合理组合后,其预测结果明显优于单一方法,且推算的最终沉降量准确度较高。 相似文献
12.
预测工后软土地基沉降 总被引:2,自引:0,他引:2
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。 相似文献
13.
在变形监测过程中,获取监测资料以后,通过对高层建筑物观测资料进行研究分析,可以掌握地基随时间的沉降规律,预测其下一步的变形趋势,并为可能发生的变形做好必要的准备,减少因非预计沉降带来的损失。灰色模型分析法是一种常用的数据处理及预测分析方法,本文在简单介绍了灰色模型分析法的基础上,利用灰色模型分析法预测了变形监测数据,并得出了有益结论。 相似文献
14.
15.
16.
灰色预测在建筑物沉降变形分析中的应用 总被引:42,自引:11,他引:31
本文将灰色系统理论的GM(1,1)模型应用于建筑物沉降变形数据分析,结合南宁市民生广场沉降观测实例,进行沉降预测结果的分析和检验,充分证实了在建筑物沉降变形分析中应用灰色预测方法的可行性。 相似文献
17.
软土强度较低,压缩性较高,承载力较差,软土地基要经过有效措施妥善处理,以保证后续工程的承载力及安全稳定。基于舟山某真空-堆载结合预压法处理软土地基工程,现场对孔隙水压力、土体分层沉降、深层土体水平位移、地下水位、以及地表沉降等项目进行监测,以及时对现场工作进行管理调整,并对其中一片区块的监测结果进行整理并分析,得出以下主要结论:土体水平位移随着真空抽气进行越来越大,且浅层土体较深层土体位移大;地表及各深度土层在抽真空施工开始时发生沉降,且前期沉降速度较快,施工后期趋于平稳;地表及各深度土层沉降较为协调,土体未发生不均匀沉降,总体来说真空-堆载结合预压法处理软土地基取得明显效果。 相似文献
18.
19.
为了提高建筑物沉降变形预测精度,最大限度地减少监测数据中非变形噪声分量对预测结果的影响,本文在Elman神经网络模型的基础上引入奇异谱分析方法,构建新的SSA-Elman神经网络模型。首先利用SSA方法提取沉降监测数据中的趋势分量与周期分量,剔除噪声分量,提高监测数据信噪比;其次通过Elman神经网络模型分别对趋势分量、周期分量进行预测,得到对应分量预测结果;最后重构趋势分量与周期分量预测结果得到最终预测结果。通过实测建筑物沉降数据分别对Elman神经网络模型与SSA-Elman神经网络模型进行建模与预测,结果表明,SSA-Elman神经网络模型的预测精度更高,更适应长周期预测。 相似文献