等维新息灰色模型在深基坑变形预测中的应用

分析了改进的等维新息灰色预测模型用于深基坑变形预测的合理性。应用深基坑实际变形监测资料,对其预测精度及可行性进行了验证。结果表明,等维新息灰色模型的预测精度较高,模型的预测结果基本上能满足要求。灰色预测模型的预测精度与监测的时间间隔是否固定、数据变化的规律性是否明显有关。当规律明显时预测精度较高,而当监测时间间隔波动大、数据有大的跳跃突变时,预测精度较低。     

基于插值指数平滑组合模型对深基坑沉降的预测研究

深基坑测量在较短周期内获得的观测数据所建立的预测模型,往往不能有效地体现出深基坑非线性变形的特点。通过对深基坑实测,本文提出先使用三次样条插值法,对原始观测数据做预处理,以凸显数据的非线性特点,再使用三次指数平滑法建立串联式组合预测模型,并对沉降趋势做预测。结果表明,这种串联式组合预测模型适用于基坑沉降变形的非线性特点,相比单一的指数平滑法建立的预测模型,提高了初值拟合精度,使预测精度更高。     

非负变权组合预测模型在建筑物沉降预测中的应用

为了克服建筑物变形预测中单一模型预测精度差、不稳定的问题,本文融合了适应性强、互补性好的自回归滑动模型、灰色模型和三次指数平滑法三种模型,基于误差平方和最小准则,采用滚动时间域的方式构建了非负变权组合预测模型。工程应用表明:非负变权组合预测模型的预测精度、可靠性优于三种单一预测模型、方差倒数组合预测模型以及等权组合预测模型。研究成果对建筑物沉降预测具有较好的参考价值。     

优化组合模型在建筑物基坑沉降预测中的应用

为了确保建筑物在建设过程中的安全,需要准确掌握建筑物基坑及周边的变形情况。针对建筑物基坑沉降变形预测问题,本文对单一的GM(1.1)模型与BP神经网络模型进行优化并构建组合预测模型。优化组合模型一方面解决了单一预测模型稳定性差、预测精度低的问题,另一方面提高了预测模型的适用性。将本文提出的组合预测模型应用于某在建建筑物基坑沉降变形预测中,结果表明,相较于单一的GM(1.1)模型与BP神经网络模型,本文提出的优化组合预测模型的预测精度与稳定性更高,证明了组合预测模型在建筑物基坑类沉降预测中的可靠性。     

基于时间序列的变形监测数据处理方法比较研究

本文首先对时间序列的一些基本原理进行介绍,详细阐述了简单移动平均法、加权移动平均法、趋势移动平均法等方法。结合实测的基坑测斜数据进行分析、预测,比较三种不同模型的预测精度,表明趋势移动平均法在基坑测斜数据处理中具有最好的拟合性。     

基坑回弹变形监测规律及预测研究

以北京某超大基坑为例,通过对基坑基底回弹变形进行严密监测,获取基坑基底的实际回弹变形结果,通过对回弹监测数据进行分析,总结基坑回弹变形规律;同时对基坑回弹变形预测进行初步探讨,利用关联度分析确定了基坑回弹变形的主要约束条件,再以实测回弹变形数据为基础建立回弹量对约束条件的回归方程,最后得到预测模型,通过与实测值对比发现预测结果较好,对该地区类似基坑回弹变形分析具有一定参考价值。     

基坑变形小波去噪及BP神经网络组合预测模型研究

以某市轨道交通1号线地铁站基坑观测数据为例,开展了小波及BP神经网络预测模型的研究。首先采用小波阈值去噪方式对纵向观测线实际观测数据进行去噪处理,依据信噪比最高以及均方根最小判别原则进行判别,实验表明,小波1层分解、软阈值方式、sym4小波基函数、rigrsure阈值原则、scal=sln为最佳组合方式。然后,给出基坑变形小波-BP神经网络组合预测模型。最后对小波去噪前后的数据进行BP神经网络预测模型预测处理并与小波变换神经网络预测模型预测数据进行对比分析,结果表明小波变换神经网络预测模型预测精度最高。     

基坑变形混沌特征识别与非线性预测模型研究

混沌理论特征识别是进行混沌时间序列分析和预测的前提。普通的线性数学算法已经无解决基坑变形所遇到的问题,为了研究基坑变形监测数据的非线性复杂问题,采用混沌非线性理论方法,首先求取基坑变形时间序列的延迟时间和嵌入维数,其次对基坑监测数据进行相空间重构,最后对比分析加权一阶局域预测模型以及RBF神经网络混沌预测模型的预测结果,实验表明RBF神经网络混沌预测模型预测精度最高,同时也说明了混沌预测模型更适合短期预测。最终证明了RBF神经网络混沌预测模型应用在基坑变形监测中的可行性与有效性。     

基于时间序列分析和灰色理论的建筑物沉降预测模型研究

基于时间序列分析方法建立建筑物沉降预测模型,其中通过二次移动平均法提取出沉降监测序列中的趋势项,并在此基础上采用灰色系统理论动态GM（1,1）模型进行趋势项预测。实际算例结果表明,该模型能够较好地预测沉降变化的发展趋势,并具有较高的预测精度,证明了该预测模型具有一定的可行性和有效性。     

变权组合模型在工程变形预测中的研究

随着变形预测在工程中的广泛应用,很多单一预测模型预测精度较低,因此,很多学者对组合预测模型进行探讨研究。本文主要研究定权和变权两种确定权重系数建立组合预测模型的方法,以灰色GM(1,1)模型和时间序列模型两种单一模型为基础建立定权组合预测模型和变权组合预测模型进行拟合预测,并通过实例验证分析,得出变权组合预测模型拟合预测精度高于定权组合预测模型拟合预测精度,得到了较好的拟合预测结果,从而可以更好地应用到工程变形预测当中。     

基坑水平变形预测技术

介绍用指数平滑模型与时序分析方法对基坑的水平变形预测技术,并随着新数据的加入适时修改平滑系数预测变形值。工程实例研究表明:该方法与单独指数平滑模型相比可使预测值与实际位移值之间的误差更小,与曲线拟合技术相比更加稳定。     

基于蚁群算法的组合预测在基坑沉降监测中的应用研究

运用曲线拟合、自回归法和指数平滑法对基坑变形监测数据进行初步预测,并利用蚁群算法将曲线拟合、自回归预测和指数平滑预测进行组合,实现最优权重的选取,完成组合模型的设计和实现.最后对某基坑监测数据预测和分析表明,基于蚁群算法的组合模型综合利用了单个模型的特点,预测结果比单一模型的预测精度有明显提高.     

基于列文伯格-马夸尔特算法(L-M算法)的矿山地表沉陷参数计算

在以概率积分法为基础进行开采沉陷预计时,矿区地表移动和变形参数的求取是至关重要的,本文介绍了采用列文伯格-马夸尔特算法(Levenberg-Marquardt,L-M)求取的地表移动和变形参数的曲线拟合方法,并利用工程实例验证了算法的准确性、可靠性、适用性。     

灰色系统与时间序列在高铁沉降变形中的应用

介绍了灰色系统GM(1,1)模型、时间序列二次指数平滑模型的基本原理,给出了模型精度评定的方法 ;用Matlab编程实现模型的建立并对高速铁路沉降变形进行了分析与预测,通过工程实例对比分析2种模型的预测效果。结果表明,时间序列二次指数平滑模型较适合短期或中期变形趋势呈线性或微小波形的变形分析与预测,而GM(1,1)模型对短期呈线性或指数分布趋势的变形有较好的效果;时间序列二次指数平滑模型的可靠性与准确度比GM(1,1)模型高。     

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Matlab的建筑基坑变形灰色系统分析预报与应用

在基坑变形监测领域,将GM（1,1）模型应用于变形量的分析预报较为普遍.根据灰色系统理论,通过设定参数,进行用于基坑变形分析预报的灰色预测模型Matlab程序设计,利用具体工程前数期的实测数据,预测建筑基坑后期累计位移变形量,通过与后期实测数据的对比分析表明,程序运行的准确度较高,能够满足基坑变形预测预报的精度要求.     

灰色模型中不同维度对模型精度的影响

灰色模型通过较少的数据就可以揭示变形监测数据序列的结构与规律,建立较理想的预测模型,合理地预测未来的发展趋势。但在建模时,选择不同维度的预测数据,模型的预测值也不同,即维度的选择影响着模型的预测精度。通过实际工程数据验证,灰色模型并不需要太多的数据序列就可以达到较好的预测结果。指出在进行灰色模型预测时,尽量选择离端点较近的数据序列来建模,这样的预测效果更为理想。     

一种马尔可夫的非等间距多点灰色预测模型

针对非等间距单点灰色预测模型在处理多点变形预测时,没有考虑点与点之间的关联性和它们之间的相互影响,而且容易受建模数据随机扰动性影响这一问题,该文提出了一种基于马尔可夫的非等间距多点灰色预测模型。首先,结合某基坑的变形实测数据,建立非等间距多点灰色预测模型和非等间距单点灰色预测模型,通过两种模型预测结果对比验证非等间距多点灰色预测模型在处理多点变形预测问题上的优越性,然后运用马尔可夫模型建立状态转移概率矩阵对预测结果进行修正,最后建立基于马尔可夫的非等间距多点灰色预测模型。结果表明,基于马尔可夫的非等间距多点灰色预测模型的拟合及预测精度更高,适应性更强,更符合实际变形情况,具有实际参考价值。     

利用Vondrak滤波优化Richards曲线的沉降预测方法

针对沉降预测模型的重要参数难以选取问题,考虑观测数据中含有噪声的影响,提出了利用Vondrak滤波优化Richards曲线的沉降预测方法。为了使预测值更加逼近实测值,选择以Richards曲线为基础模型进行改进,优化模型的沉降初始值和沉降极限值参数。利用Vondrak滤波对实测沉降数据进行平滑处理,减弱观测值中噪声的影响,为模型构建提供更加合理的参考数据。将Fminsearch函数计算结果作为参数迭代初始值,联合逐步回归分析法求得预测模型的最优参数。通过对比实验分析发现,改进方法的预测精度达到了±0.124 mm,与未加改进的预测方法相比,精度得到了较大提高。研究结果表明,利用Vondrak滤波优化的沉降预测方法能够提高精度,同时验证了改进方法的有效性。     

基于BP神经网络模型的基坑变形监测分析研究

基坑施工是各类大型地面及地下建筑的重要基础和前提,而随着基坑规模的不断扩大以及施工环境的日益复杂,对基坑各参数的监测和预测显得越来越重要。本文针对基坑变形预测的高精度要求,详细阐述了基坑变形的数据采集要求和预测机理,建立基于粒子群优化算法的改进BP神经网络预测模型,该模型与原始BP神经网络预测模型相比,在收敛速度和目标误差控制方面都实现了明显提升。同时,经过施工现场的实验检验,PSO-BP神经网络预测在预测精度方面,其相对误差和平均绝对百分比误差也明显降低,说明该优化模型有效提升了运算速度、预测精度,能够为安全施工提供有效支持,具备推广应用的价值。