基于ICEEMD-ICA准则进行数据处理的基坑变形组合预测研究

为确保基坑变形的高精度预测，基于基坑现场变形监测成果，先利用ICEEMD-ICA准则进行数据处理，即将变形数据分解为趋势项和随机项，再通过ISFLA-RVM-GRNN模型实现其组合预测。最后，再引入若干传统预测模型进行类似预测，通过预测结果对比，验证本文组合预测思路的合理性。实例分析表明：ICEEMD-ICA准则能实现基坑变形数据的合理分解，其分解能力要优于传统分解模型，且在5个监测点的预测结果中，ISFLA-RVM-GRNN模型的预测精度较高，预测结果的平均相对误差间于1.97%～2.07%。经外推预测，得基坑变形趋于稳定方向发展。同时，通过不同模型预测结果的对比性验证，得出ISFLA-RVM-GRNN模型相较传统预测模型具有更优的预测效果，验证了其构建思路是合理有效的。     

基于小波智能模型的地铁车站基坑变形时序预测分析

软土地区的地铁车站基坑工程,因其地质条件和施工环境复杂,施工过程受到施工自身及诸多外界因素的干扰,其变形真实数据难以获取,无法准确判定基坑后期变形,施工事故风险控制难度大,极大影响着基坑工程自身及其周边环境安全。基于小波变换和Elman网络的数据分析与动态预测原理,构建一种小波智能的基坑变形时序预测模型(简称WEPM),应用于武汉地铁车站基坑工程预测,通过不断地对历史实测数据进行小波分解去噪,提取基坑变形真实数据,利用小波智能模型实现基坑变形的超前滚动式预测。分析结果表明,提出的小波网络预测模型具有泛化能力强、预测精度高的特点,能对不同条件下基坑变形进行时序预测分析,该模型可为未来武汉基坑工程的变形预测、施工安全与施工事故防范提供依据。     

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LSSVM-ARMA模型的基坑变形时间序列预测

如何准确预测和控制基坑变形是基坑工程的一个难点,提出了一种基于小波变换、粒子群优化的最小二乘支持向量机（PSO-LSSVM）和自回归移动平均模型（ARMA）的基坑变形时间序列预测方法。首先,利用小波变换将基坑变形时间序列分解和重构为2个子序列--趋势时间序列和随机时间序列,在该基础上,采用PSO-LSSVM模型与ARMA模型分别预测趋势时间序列与随机时间序列未来值,将2个子序列的预测值求和作为最终预测结果。最后,将该方法应用于昆明某基坑工程的深层水平位移预测,不断地利用前期工况的最新实测数据建模,对后期工况未来变形量进行滚动预测,获得了令人满意的结果。     

考虑变形机制的边坡稳定预测模型

选择开挖卸荷、爆破振动、岩体流变以及降雨作为影响边坡施工期变形的4个主要因素,深入分析不同影响因素对边坡变形的作用机制,结合边坡位移实测资料,建立了考虑变形机制的边坡稳定预测模型。在弹性理论的简化下推导边坡回弹变形公式计算开挖卸荷分量,基于Burger模型的蠕变本构方程计算流变分量,采用已有的经验公式计算爆破分量和降雨分量;综合4个变形分量形成考虑变形机制的边坡稳定预测模型,该模型可体现各影响因素对边坡变形的作用和相关程度,更加科学合理地解释边坡变形产生的力学机制。通过对锦屏一级水电站左岸边坡外观测点TP5变形监测资料的统计回归分析表明：相对于传统的统计模型,该模型的回归方程显著,方差比和复相关系数较大,预测误差较小,具有工程应用价值。     

加权函数组合预测边坡变形模型的研究

边坡变形监测是边坡监测的主要内容之一,其变形预测问题是边坡工程中主要技术难题之一。考虑边坡位移变形预测模型的局限性,如神经网络预测方法需要大量的实测数据作为学习样本,灰色系统模型要求原始数据序列必须满足指数规律,且数据序列变化速度不能太快等。建立了边坡变形反向传播神经网络预测模型,同时给出了灰色GM(1,1)边坡预测模型。提出边坡的神经网络与灰色系统加权函数组合预测模型,采用动态规划解法,将原模型转化为多阶段决策问题,使组合预测误差的平方和最小,得到组合权重,这样得到的变形预测结果的精度将大大提高,弥补了单一方法的局限性,满足工程预测的需要。通过边坡实例加以验证,加权函数组合预测模型的预测结果精度有一定提高,能够与实际监测数据相吻合,达到准确预测的目的。     

改进的GM(1,1)模型在滑坡变形预测中的应用

为了提高GM(1,1)模型在滑坡变形预测中的预测精度和普遍适用性,论文首先分析了GM(1,1)模型的数学特点,并根据建模机理所存在的固有缺陷探讨了几种合理实用的改进方法。在此基础上,结合呈对数型曲线的链子崖危岩体变形监测数据和呈指数型曲线的黄龙西村滑坡变形监测数据,分别了建立了传统GM(1,1)、无偏GM(1,1)、中心逼近式GM(1,1)、重构背景值的GM(1,1)和灰色神经网络组合等预测模型。预测结果表明:针对不同数学特点的滑坡变形数据,特定改进的GM(1,1)模型较传统模型预测精度更高,适用性更强。     

基于小波变换和GALSSVM的边坡位移预测

边坡变形是一个受多种因素综合作用的复杂非线性动力学演化过程,用现有的物理模型来解决边坡变形的预测问题有很大难度。大量的研究工作表明,用实测的边坡位移时间序列来预测边坡未来变形更为准确,而将多种方法组合起来进行预测成为研究的主要趋势。在此基础上,建立了一种基于小波变换和进化最小二乘支持向量机(GALSSVM)的边坡位移预测模型。首先利用小波变换将边坡时间序列分解为低频分量和高频分量,然后利用互信息法和伪近邻法得到各分量的时间延迟和嵌入维数并进行相空间重构,再根据各个相空间的特点建立相应的GALSSVM预测模型,最后把各分量的预测结果进行小波重构,重构后的结果即为最终的边坡位移预测结果。对丹巴滑坡预测研究表明,这种新的预测模型具有较高的预测精度,可以应用于实际工程     

Treatment Effects of Tunnel Entrance Collapse Section Based on Field Monitoring Results北大核心CSCD

为评价隧道洞口塌方段的安全性,基于累计变形预测和变形速率趋势分析模型,结合工程实例,研究隧道洞口塌方段的处理效果。实例分析表明：在累计变形预测方面,GA-VMD模型在隧道变形数据的信息分解过程中具有明显的优越性,可利用其将隧道变形数据分解为趋势项和误差项,且通过组合预测能有效保证预测精度,得出累计变形的后期仍具一定增加趋势,但增加速率相对较小;在变形速率趋势分析方面,变形速率具下降趋势,且随时间持续,下降趋势更为显著。综合对比两者结果,隧道变形无明显增加趋势,并趋于稳定方向发展,说明塌方处理措施是合理有效的,为其防治效果评价提供了理论依据。     

小波变换的在形变监测数据处理中的应用研究

由于受各种因素的影响,变形观测数据可能包含各种各样的误差与变形信息,但仅从这些数据表面上,不能反映形变的任何信息,所以,必须通过对监测数据进行综合处理分析,才能有效地提取变形信息,发现变形规律。本文利用小波多尺度分解,结合变形监测实例,从数据去噪方面对小波变换在GPS变形监测数据处理中的应用进行了研究。通过对处理结果做了详细分析,利用小波变换的多分辨率特性,实现了GPS动态监测数据的滤波、变形特征信息的提取以及不同变形频率的分离,有效的求解变形的非线性系统问题,验证了基于小波理论的GPS变形监测数据处理方法的可行性与有效性。     

混沌序列WA-ELM耦合模型在滑坡位移预测中的应用

针对滑坡位移序列的混沌特性和传统时间序列预测模型的不足,提出了一种基于混沌时间序列的小波分解-极限学习机(WA-ELM)滑坡位移预测模型。该模型以滑坡位移序列混沌特性分析为基础,应用小波分析将位移序列分解为具有不同频率特征的分量,对各特征分量分别进行相空间重构并应用极限学习机进行预测,最后将各特征分量预测值叠加,得到原始位移序列的预测值。以三峡库区八字门滑坡为例,并与小波分析-支持向量机(WA-SVM)以及单独ELM模型进行对比研究。结果表明,基于混沌时间序列的WA-ELM模型预测精度较高且具有较好的通用性与稳定性,是一种有效的滑坡位移预测方法。     

基于EMD-Prophet模型的GPS坐标时间序列预测

GPS坐标时间序列中蕴含着丰富地球物理信息,但观测数据中的噪声会导致时间序列的有偏估计,因此准确的提取信号有助于进一步的数据分析与应用。本文建立一种利用经验模态分解（Empirical Mode Decomposition,EMD）与Prophet相结合的预测模型,该方法通过EMD分解为多个分量,再对低频分量与残差分量重构后的数据建立Prophet模型进行预测,同时验证了EMD各高频分量对预测精度的影响。实验结果表明,EMD可得到干净的坐标时间序列,从而有效提升Prophet模型的预测精度。     

基于最优加权组合模型及高斯－牛顿法的滑坡变形预测研究

在对最优加权组合理论和高斯－牛顿法优化非线性模型参数的方法研究的基础上,依托于洒勒山滑坡的实际变形监测资料,建立了该滑坡变形预测的3个非线性预测模型:指数模型、Verhulst模型和灰色GM（1,1）模型;利用最优加权组合理论建立了洒勒山滑坡的最优加权组合预测模型,并运用高斯－牛顿法对各单一模型和组合模型的参数进行了优化。通过对比分析得出:组合模型的预测精度高于任何单一模型的预测精度;参数优化后各单一模型的预测精度都有不同程度的提高;参数优化后的组合模型预测精度是最高的。因此,综合运用最优组合理论和高斯－牛顿法处理滑坡预测预报模型,是提高滑坡预测预报精度的行之有效的方法。     

混沌序列WA-VOLTERRA耦合模型在月降水量预测中的应用

由于月降水量时间序列含有大量噪声, 并表现出明显的混沌特性, 现有预测模型均存在一定程度的不足.基于混沌理论的小波分析-VOLTERRA级数自适应(WA-VOLTERRA)耦合预测模型, 在对月降水量时间序列进行混沌特性识别的基础上, 先用小波分析对月降水序列进行时频分解, 再分别对各频率分量进行相空间重构并用3阶VOLTERRA级数自适应模型建模预测, 最后综合得到原始序列的预测值.以相近区域杭州市和南通市的月降水序列为例, 并通过与小波分析-支持向量机(WA-SVM)模型进行比较, 发现该模型具有较强的适用性和更高的预测精度.      

龙潭隧道围岩收敛变形灰色系统预测模型

基于龙潭隧道开挖过程中的围岩收敛变形资料,通过对具有一定随机离散性和波动性的位移-时间顺序的数据列进行累加处理,建立了GM(1,1)灰色预报模型,预测了围岩收敛变形的未来趋势,并对预测位移进行一次累减,得到位移速率预测公式,预测围岩收敛趋于稳定的时间。两个断面的预测值和实测值的比较结果表明所建预测模型可取得比较好的效果。     

基于ABC-GRNN组合模型的露天矿边坡变形预测

准确预测露天矿边坡变形是有效实现边坡临灾预警的重要保证,针对传统边坡变形预测方法无法表征和综合分析边坡变形受多种因素的影响,提出一种露天矿边坡变形的人工蜂群(ABC)算法优化广义回归网络(GRNN)组合预测模型(ABC-GRNN)。在此预测模型中,综合考虑了影响露天矿边坡变形的5个因素：开采扰动、降雨量、降雨持续时间、温度以及湿度。以山西中煤平朔安家岭露天矿为例,通过遗传算法改进BP神经网络(GA-BPNN)、支持向量机(SVM)等人工智能算法与实测变形数据进行预测效果对比分析。结果表明：ABC算法能够快速帮助GRNN寻优获取合适的传递参数,并对变形进行有效的预测。ABC-GRNN组合预测模型,将预测结果的平均绝对误差292.9 mm、平均绝对百分比误差0.691 3%及均方根误差338.9 mm分别降低到25 mm、0.043 3%和29.5 mm,说明该模型具有更高的预测精度;ABC-GRNN模型比其他模型收敛速度快,只经过7步的迭代,即可得到最小的均方误差。与其他预测模型相比较,本文模型的预测精度更高、泛化能力更强、收敛速度更快,有较高的实用价值。     

极限学习机模型在季冻区深基坑地表沉降预测中的应用

针对传统数据驱动模型存在收敛速度慢、过度拟合等问题,提出了基于极限学习机算法的基坑地表沉降预测方法。结合季冻区地铁车站基坑的特点,提取基坑开挖时间、开挖深度、围护桩顶位移、围护桩内力、支撑轴力及地表温度等特征信息,建立极限学习机回归预测模型,选用实例数据进行算例分析,并将其与传统回归预测模型进行对比,实验结果表明,极限学习机模型收敛速度快,泛化能力强,其预测精度优于传统预测模型,且在学习速度方面优势明显,对深基坑安全监控有一定的实用价值。     

基于变形数据分解处理的基坑危险性潜势分级研究

为合理评价基坑在施工过程中的危险性潜势等级,以武汉洪山地铁站基坑变形监测成果为基础,通过改良的互补集成经验模态分解进行变形数据的分解处理,利用基坑变形的极限位移值和预警值构建相对判据,根据变形预测和M-K分析构建绝对量判据和趋势判据,以此进行基坑变形潜势分级。结合危险性分级结果和变形潜势分级结果,提出基坑安全施工的措施建议。实例分析表明：在变形数据的分解处理过程中,MCE-EMD模型较传统分解模型的优越性明显,所得评价指标g值为2.837,具有合理分解基坑变形数据的能力。在危险性分级过程中,危险性在现状分级条件下的相对判据指标Fr的变化范围为：0.58~0.72,预警等级处于Ⅰ~Ⅱ级;危险性在最终分级条件下的相对判据指标Fr的变化范围为：0.66~0.81,预警等级处于Ⅱ~Ⅲ级。在变形潜势分级过程中,绝对量判据和趋势判据条件下的潜势等级存在一定差异,且最终潜势等级的变化范围为Ⅰ~Ⅱ级。对比两类分级成果,按照不利原则,确定现状条件下的基坑危险性潜势等级相对较低,为Ⅱ级;但随着时间持续,危险性潜势等级具有升高的趋势,可升高至Ⅲ级。因此,有必要加强监测频率,以备不测。     

基于粒子群-变分模态分解、非线性自回归神经网络与门控循环单元的滑坡位移动态预测模型研究

以三峡库区八字门阶跃型滑坡为例,针对静态机器学习模型在周期项位移预测中的不足以及高频随机项位移预测困难等问题,提出了一种新的滑坡位移预测方法。基于时间序列分解思想,采用粒子群算法（PSO）对变分模态分解（VMD）进行参数寻优,并将位移时间序列分解为趋势项、周期项和随机项。趋势项主要受滑坡内部因素影响,采用傅里叶曲线进行拟合预测;周期项由外部因素导致,基于格兰杰因果检验进行成因分析,并引入一种对时间序列历史状态具有较高敏感性的非线性自回归神经网络（NARX）进行预测;随机项频率较高且影响因素无法判定,采用一维门控循环单元（GRU）进行预测。最后将各分量预测位移进行叠加重构,实现滑坡累计位移的预测。结果表明,提出的（PSO-VMD）-NARX-GRU滑坡位移动态预测模型精度较高,且各位移分量预测精度明显高于静态模型中BP神经网络、支持向量机（SVM）和传统自回归模型ARIMA,可为阶跃型滑坡位移预测提供参考。     

基于灰色理论的变形智能预测模型库研究

针对传统GM(1,1)模型在变形预测中精度不高和适应性不强的问题,将传统GM(1,1)模型从多个角度进行改进,并将传统模型及其改进模型进行集成,建立了预测模型库。利用灰色评价模型对模型库的预测结果进行评价,从而实现智能预测,并利用编程语言对模型库和评价模型进行了程序实现。最后利用盘古山钨矿变形数据对该模型库进行检验,结果表明,该模型库能根据不同特点数据,智能化地得到最佳预测结果,具有重要的应用价值