基于粒子群优化神经网络算法的深基坑变形预测方法

深基坑变形预测是进行施工参数调整和确保深基坑施工安全的重要手段,而如何对其变形进行有效、准确的预测是一个有待解决的技术难题。采用粒子群优化算法对神经网络模型的初始权值和阈值进行优化,并将已有的变形监测数据作为神经网络的输入参数,建立了基于粒子群优化神经网络算法的深基坑变形预测方法。将形成的方法应用于长春市火车站北广场深基坑开挖监测工程中。结果表明：8号水平位移测点预测结果的均方根误差为3.78%,平均百分比误差为5.48%;9号地面沉降点预测结果的均方根误差为5.62%,平均百分比误差为3.23%。经验证,本文方法预测深基坑开挖过程中的变形具有较高的可信度。     

基于灰色-进化神经网络的滑坡变形预测研究

滑坡变形位移预测对滑坡灾害治理具有重要的意义。考虑到滑坡位移单调增长的特殊性，根据位移分解原理，采用灰色系统提取位移趋势，用基于免疫进化规划的新型进化神经网络模型逼近位移偏差，从而提出了1种滑坡位移预测的新型智能方法。并用新滩滑坡的实测位移预测研究证明了所提智能预测方法的有效性及可行性     

通渝隧道围岩变形的神经网络预测

隧道新奥法施工中 ,常以围岩变形量作为评判围岩稳定性和支护结构经济合理性的重要指标。公路隧道围岩变形量是随时间而变化的数据序列 ,因而可以建立一些实时跟踪预测模型和方法。根据通渝隧道围岩拱顶下沉位移变形的特性 ,采用神经网络技术来预测其变形量 ,结果表明该方法简易、有效     

基坑变形的灰色-时序动态预报方法

基坑变形是一个动态的相互依存的过程.在基坑开挖与施工过程中,可用灰色理论GM(1,1)与时间序列AR组合模型预测其变形发展.灰色模型预测发展趋势,时间序列预测其随机部分.根据某时间序列变形观测值分别建立灰色与时间序列预测模型,并随着新数据的加入适时修改模型参数.工程实例研究表明:用组合模型预测变形值,其误差大多数情况下小于5%;在数据较少或变形数据变化较大时,组合模型预测值明显优于单一模型预测值.但在数据较多且变化平稳时,用单一的灰色模型与灰色时间序列组合模型预测误差相差不大.预测步数越多,则预测精度越低.     

基于免疫RBF神经网络的深基坑施工变形预测

基坑工程由于受多种因素的影响,目前已成为岩土工程中的重点和难点。在基坑工程施工中,需要根据现场实际情况、周围环境、建筑安全等级等对变形进行严格控制。通过现场量测的深基坑围护结构变形信息资料,对实测数据进行整理和分析,利用神经网络对支护结构的变形作出预测,以保证基坑安全施工。研究了一种基于免疫识别原理的径向基函数神经网络学习算法,该算法将所识别的数据作为抗原,抗体为抗原的压缩映射并作为神经网络模型的隐层中心,采用最小二乘法确定权值,提高了RBF神经网络收敛速度和精度,将人工免疫RBF神经网络应用于时间序列预测中,工程实例计算证明了算法的有效性和可行性,为时间序列预测提供了一种新途径。     

岩体变形监测时序分析与动态建模

基于时序ARMA模型, 分析了岩体变形监测数据的动态建模及其预测的基本方法, 并用ARMA模型对板岩山危岩体监测数据进行建模及预测, 取得了较好的效果。     

利用BP神经网络进行水库滑坡变形预测

滑坡变形监测与预测是滑坡预警预报中一种非常重要的途径。文章首先简单介绍了神经网络的基本原理和学习算法,然后利用某水库滑坡24期的GPS地表位移监测数据及其诱发因素即水库水位、降雨等资料,采用BP神经网络模型对该水库滑坡变形进行建模,最后将6期水库水位、降雨等资料输入模型进行滑坡变形预测,结果表明预测结果与实测数据符合性好,总体上能较好反映变形趋势。     

BP神经网络在基坑变形预测分析中的应用

本文提出了基坑变形预测与分析的BP神经网络方法,建立了基坑变形预测分析的模型,应用MATLAB语言编制计算程序进行计算并与实际工程监测值进行比较,从而验证了神经网络在基坑变形预测分析中的可行性、有效性。     

长江三峡巴东县黄土坡前缘斜坡变形数据本构分析预测研究

应用数据本构分析方法,对三峡库区巴东县黄土坡前缘斜坡变形发展趋势进行了分析预测,阐明了数据本构分析预测对斜坡地质灾害的分析、防治意义     

基于PSO-SVM非线性时序模型的隧洞围岩变形预报

现场量测获得的围岩变形信息,从宏观上反映了地下洞室围岩-支护系统力学性态变化。为克服人工神经元网络方法过学习问题,提出了一种新的预测地下洞室围岩变形的粒子群支持向量机方法,用粒子群算法优化最小二乘支持向量机的参数,避免了人为选择参数的盲目性,提高了预测模型的训练速度和预测推广能力。利用这种非线性智能预测方法,基于监测数据滚动预测围岩变形,可以及时优化和调整施工步序,保证洞室的稳定性。将该方法用于清江水布垭电站地下厂房的围岩收敛变形预测,获得了令人满意的预测效果。     

人工神经网络在边坡滑移预测中的应用

利用一项实际边坡工程的多年实测滑移资料，基于人工神经网络方法，建立了非线性人工神经网络分析模型，从而能够较精确地对该边坡的滑移进行预测，通过本工程实际的应用实践，发现它可避开复杂的本构模型而成为解决岩土工程问题的新途径。     

边坡位移预测组合灰色神经网络方法

边坡位移的发展受地质条件、气候环境及人类活动等因素影响,变化趋势复杂,难以建立准确的经典数学模型对其进行全面描述。为了较准确地得到边坡位移数据,采用多模型信息融合技术对其进行预测。首先,将边坡这类影响因素复杂的系统作为一个灰色系统,分别采用GM(1,1)模型、Verhulst模型及DGM(2,1)模型对位移值进行预测;其次,考虑到神经网络的高速并行计算能力和类似人类思维活动的处理机制,利用神经网络方法对不同的灰色预测模型组合,生成灰色神经网络模型。通过反复训练、学习,自动调节,得出各模型在组合模型的合理权重,输出满意的结果。对比发现,利用组合灰色神经网络模型预测的位移值较单独的灰色模型预测的位移值具有更高的精度。     

基于BP神经网络的瓦斯含量预测

以淮南矿区潘一矿13-1煤层为研究对象,在分析勘探钻孔资料的基础上,确定了煤层埋深及厚度、顶底板岩性、地质构造和煤变质程度是影响煤层瓦斯含量的主要因素;使用BP神经网络方法建立了瓦斯含量预测模型;结合实际数据,对预测模型进行训练和检验。预测结果表明:该模型比使用多元线性回归预测能获得更高的精度,说明预测模型可靠。     

考虑环境变量作用的滑坡变形动态灰色-进化神经网络预测研究

滑坡变形预测对于指导灾害的预防工作、保护人民的生命和财产安全具有重大实用价值。从系统论观点出发,结合岩土体流变理论和时序分析原理,在深入研究影响滑坡变形的主控环境变量基础上,将位移时序分解为趋势项和偏离项。采用灰色系统模型提取位移时序趋势项,结合遗传算法和人工神经网络建立起进化神经网络模型,逼近主控环境变量与位移偏离项之间的非线性关系。根据蠕变阶段和变形对环境变量响应情况,实时调整模型,建立起滑坡变形预测的动态灰色-进化神经网络（GM-ENN）模型。将此预测思路和方法应用于三峡库区某滑坡变形预测研究中,证实了模型的有效性和实用性,显示了动态预测的重要性。     

有监督的人工神经网络油气预测

有监督的人工神经网络预测是20世纪90年代发展起来的一种新兴技术，由于它具有算法快、精度高的特点，在油气预测中得到广泛使用。本文介绍了该方法的原理及其与地震属性的关系，应用实际资料进行了计算，证明效果良好，是一种油气预测有利工具。     

隧道掘进爆破地震峰值神经网络预报研究

结合某抽水蓄能电站尾水隧道掘进爆破地面振动监测结果,建立了基于BP神经网络隧道掘进爆破振动速度峰值的预报模型。并对铁路运输安全进行预报,与现场实际较好地吻合。将神经网络模型预报的结果与传统方法(经验公式法)预报的结果相比,前者的预报结果有明显的改善。对于指导隧道掘进爆破设计,优化爆破参数,确保安全具有重要的意义。     

基于滑坡监测数据的Elman神经网络动态预测

滑坡在我国是一种极为频发的地质灾害,且其积累位移监测曲线有着复杂的非线性特性,对此各研究者建立过许多预测模型,然而这些模型的预测精度不尽如人意。基于Elman神经网络可以任意精度逼近任意非线性函数的特征,并以sigmoid为方程的核函数,在选择隐含层数时用了试用法,通过\     

基于AlexNet网络的二维找矿预测——以松桃—花垣地区沉积型锰矿为例

在大数据的时代背景下,地质大数据逐渐趋于复杂化的模式与其间的空间关联性为基于机器学习算法的矿产资源定量预测带来了更大的挑战。利用深度卷积网络算法优异的分析性能来提取不同成矿条件下多种二维要素图层的空间分布特征与关联性是一项非常有意义的探索性实验。以松桃—花垣地区沉积型锰矿为例,利用深度卷积神经网络模型AlexNet挖掘Mn元素、沉积相、大塘坡组出露、断裂及水系的空间分布与锰矿矿床的就位空间的耦合相关性,以及不同的控矿要素之间的相关性,以此训练出二维矿产预测分类模型。经过训练后,可以得到验证准确率88.89%,召回率为66.67%,损失值0.08的深度卷积神经网络分类模型。应用该模型对未知区进行二维成矿预测,共圈定出91、96、154、184号4个成矿远景区,其中91号和154号的区域含矿概率为1,96号含矿概率为0.5。由此可见,预测区具有很大概率存在尚未发现的矿床。