建筑物沉降数据分析的灰色预测方法

本文将灰色系统理论的GM（1，1）模型应用于建筑物沉降观测，并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法的可行性。     

基于RBF神经网络的建筑物沉降预测

采用RBF神经网络的建模方法对建筑物的沉降进行了预测,并利用桂林市某在建农贸市场附近建筑物上的一个监测点连续3个多月的监测数据进行计算分析。实践表明,该模型预测精度相对较高,有很好的实际应用价值。     

基于神经网络的建筑物沉降原因分析

在我们应用回归方法对建筑物沉降原因分析及沉降趋势的预测中，由于实际情况的复杂性及主观认识的局限性，这样所得的结果含有较多的人为因素，可能会与实际情况有所差异。针对这种情况，讨论了应用神经网络方法来发现和验证引起建筑物沉降的因素及对沉降趋势的预测。实例表明，该方法能取得较好的效果。     

傅里叶级数残差修正的TDGM(1,1)模型预测基坑地表沉降

基坑地表沉降预测是城市化进程中的难点问题,由于地表沉降的影响因素众多,使用单一模型预测难度较大.提出一种基于傅里叶级数残差修正的TDGM(1,1)模型(线性时变参数离散灰色模型),利用TDGM(1,1)模型对前期沉降数据进行建模,得到初始预测值和残差后,利用傅里叶级数对残差进行修正,以此修正预测结果.分析对比2组实验,...     

曲线回归分析在高层建筑物沉降预测中的应用

在建高层建筑物的沉降监测是安全施工的一项重要内容。本文通过对华融天禾城2号楼的沉降观测数据,运用双曲线回归模型进行沉降预测以及对模型中的参数作显著性检验。实际研究表明,该方法可以运用于高层建筑物的沉降预测,而且应用效果良好。     

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。     

时间序列分析的修正预测在建筑物沉降 监测中的应用

时间序列分析是一种动态的数据处理方法,广泛应用于数据处理中。变形监测是一种延续性的数据收集过程,本文通过介绍时间序列分析方法,验证其在建筑物沉降监测中的适用性。变形监测的最终目的是为了预测,保证工程的安全进行。针对预测步长越长精度越低的问题,进一步地,在获取新数据之后,利用原预测值进行修正预测,在尽量少的增加工作量的基础上,充分利用新获得数据较好的提高了预测精度。     

神经网络在建筑物沉降分析中的应用

建筑物沉降的诱因与沉降量之间有一个复杂的非线性相关性,应用回归法对这种复杂的相关性进行分析有较大的局限性.人工神经网络是由许多神经元组成的大规模非线性系统,具有较强的动态处理能力,能对简单的非线性函数进行多次复合,来实现一个复杂的非线性函数.神经网络这些特性满足建筑物沉降分析的需求.实例表明,应用神经网络BP算法可以对建筑物沉降原因进行更客观的分析,对沉降趋势预测效果也较好.     

多项式曲线拟合与AR模型在沉降预测中的应用

将多项式曲线拟合和AR(p)模型应用到地表沉降预测实例中。通过实测沉降数据与预测数据的对比分析,从而对两种模型预测的准确性进行比较,实验表明两种模型在沉降预测中具有很好的适用性。     

改进的新陈代谢GM(1,1)模型在建筑物沉降预测中的应用

对新陈代谢GM(1,1)模型所采用的灰色预测方法进行了改进,运用新的代数递推方程替代了原始的灰色微分方程,并利用某建筑物的沉降观测数据进行了预测与分析,结果表明,改进后的新陈代谢GM(1,1)模型的预测精度得到了显著提高。     

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。     

开采沉陷时序预测技术

叙述了时间序列分析的基本理论，分析了矿山开采沉陷观测数据的特点，提出了基于时间序列分析的开采沉陷预计技术，建立了开采沉陷的时序预计模型。用该模型可以对采动地表移动变形进行预测，预测结果分析表明用时间序列分析的方法能够很好的解决开采沉陷的动态预测问题。地表移动变形的相对预测误差在5％左右，与传统的预测方法相比，预测精度可以提高5％－15％，最后还提出了这一预测方法所存在的问题和今后的解决办法。     

基于时间序列分析的变形预报

研究了利用时间序列分析方法进行变形预报。首先叙述了变形观测数据预处理、时间序列平稳性检验、模型的选用和检验;然后针对一组实测数据,利用多项式提取趋势项,分析回归残差,建立了AR(2)预报模型,并利用模型进行了预报;最后将预报结果与实测数据比较,证明了预报模型的有效性。     

基于卫星双向时间频率传递进行钟差预报的方法研究

用多项式拟合、谱分析、改进的AR模型三种方法对由卫星双向时间频率传递得出的钟差时间序列进行了拟合和预报分析。为了抵制钟差时间序列中异常值的影响,引入了“抗差等价权”,利用卫星双向时间频率传递得到的1 d的钟差,按不同采样率、不同时间跨度进行计算分析。结果表明,抗差估计的预报精度明显高于最小二乘估计;平滑值的预报精度高于采样值;由于钟差时间序列中有明显的周期变化,多项式进行钟差预报的精度不可靠;用谱分析进行钟差预报的精度不高,但可以发现钟差时间序列中的主要周期变化;改进的AR模型预报精度最高,预报6 h钟差的RMS在1 ns左右。     

基于Logistic和Gompertz曲线模型拟合的建筑物沉降分析

重大工程建设一般会有定期的沉降和变形监测,本研究利用具有规律变化的Logistic和Gompertz曲线模型进行拟合,并以某大型发电厂为研究对象,利用近15年的监测数据,建立预测模型并进行精度评估。研究结果表明,若监测数据具有一定程度的稳定性,并对计算时监测数据进行合理取舍,对采取的全区、分区平均值或单一点高度值的检测数据,运用Logistic和Gompertz曲线模型来预测大型建筑物的沉降情况是可行的。     

BP与RBF在复合地基沉降预测中的比较分析

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。     

应用时间序列方法作大坝变形预报

本文首先介绍时序分析的三个基本模型——ARMA模型、AR模型和MA模型,以及各模型的统计性质。然后以某大坝1715廊道的激光视准线观测位移值(已利用倒垂观测把相对位移化为绝对位移)为例,着重叙述大坝变形分析的建模过程,得到了一个AR(2)模型并对大坝变形作了预报,结果具有相当好的预报精度。从而说明,时序分析法将是大坝变形分析的一个有力工具。     

基于Logistic模型的单点下沉预测应用研究

岩层与地表移动具有一定的规律,由于Knothe时间函数虽然可以预计地表下沉,但在预计中有描述地表下沉速度的不足,并且其函数复杂.研究矿区单点动态下沉过程对于地表建筑物的保护具有重要意义,本文采用Logistic模型拟合下沉曲线,得到了预计方程,结果表明预计精度较高.Logistic模型参数少,函数相对简单,计算结果表明...     

基于AR（p）的卡尔曼滤波在GPS变形监测中的应用

由于AR（p）模型结构比较简单且计算比较方便,在变形分析中,目前常采用此模型建立变形模型。然而单纯的AR模型把模型参数作为定值,变形数据拟合误差及变形预测误差可能会比较大。介绍了将卡尔曼滤波引入AR模型,利用观测数据建立AR模型,即建立观测方程;以AR模型的参数为状态向量建立状态方程。从而形成动态系统的卡尔曼滤波函数模型,动态计算出AR模型的参数以便预测。此方法快速、实时,且占有较少内存,充分利用了AR模型和卡尔曼滤波二者的优点。