变形预测模型在地铁保护区监测中的应用

结合某地铁保护区隧道监测工程,对沉降数据进行了分析及建模预测,以掌握其变形规律并预测变形趋势。由于单一预测模型存在弊端,较难达到预测要求,所以将灰色预测模型与时间序列模型进行组合,并将新陈代谢的思想引入组合模型进行建模预测。结果表明,新陈代谢灰色-时序组合模型预测结果可靠,具有较高应用价值。     

组合预测模型在基坑变形监测中的应用

现今常见的变形监测数据处理方法有GM(1,1)模型、BP神经网络模型和径向基神经网络模型(RBF),本文分别采用GM(1,1)模型和RBF网络模型对基坑结构的水平位移量进行预测,并且采用基于方差倒数法的组合模型对上述两种单一模型预测值进行组合,以达到改善预测精度的效果。实验结果表明,组合模型的预测精度和可靠性优于单一模型,说明了该模型的可行性。     

地铁施工段地表沉降组合预测模型研究

为解决地铁施工段地表沉降随机波动较大对预测模型造成扰动的问题,提出了一种组合预测模型。首先利用Mallat算法对沉降序列进行分解和重构,分解并重构出非平稳时间序列中的平滑分量和细节分量;然后,对平滑分量用灰色模型进行拟合与初步预测,对细节分量则引入马尔可夫模型进行预测;最后,将各模型的预测结果进行叠加,从而得到原始沉降序列的预测值。该方法能充分拟合平滑分量数据,而且可避免对细节分量的过拟合,防止随机波动较大值造成模型的整体偏离。通过实例验算得出该模型具有很好的预测精度。     

变权组合预测模型在大坝沉降监测中的应用

为探讨变权组合预测模型在变形监测中的应用,以监测某大坝沉降量为实例,研究基于线性回归预测模型和灰色模型GM(1,1)的变权组合。通过预测该大坝坝内沉降量,比较两种单一预测模型和变权组合预测模型的预测误差平方和,证明变权组合预测模型在沉降预测中具有更好的预测精度。     

基于SSA的组合预测模型在建筑物基坑沉降监测中的应用

为了提高单一的BP(Back Propagation)神经网络模型在建筑物基坑沉降数据预测中的精度,本文将奇异谱分析(SSA,Singular Spectrum Analysis)与卡尔曼滤波(KF, Kalman Filter)引入预测模型中,构建基于SSA的KF-BP神经网络预测模型。该组合预测模型首先利用SSA将原始时间序列中的趋势项与周期项提取出来;其次通过KF-BP神经网络模型分别对趋势项与周期项进行预测;最后重构趋势项预测结果与周期项预测结果,得到最终预测结果。将本文提出的基于SSA的组合预测模型应用于建筑物基坑沉降监测数据预测中,结果表明,本文提出的预测模型较BP神经网络模型、KF-BP神经网络模型的整体预测精度更高,预测结果更加稳定。     

基于EMD方法的组合预测模型在建筑物基坑沉降监测中的应用

为了对建筑物基坑沉降进行准确预报,在传统的时间序列预测模型的基础上,提出了一种基于经验模态分解（EMD）方法的差分灰色神经网络-AR模型。该模型充分结合EMD方法在信号自适应分解中的优势,通过EMD方法将监测数据分为不同频段的分量,使用差分灰色神经网络模型对序列更为稳定的低频分量进行预测,消除了由于灰色预测模型预测残差不稳定导致预测结果精度较低的问题;使用AR时间序列模型对稳定性较低的高频分量进行预测,重构由不同模型预测得到的结果,得到最终预测结果。将灰色GM(1.1)模型、差分灰色神经网络模型与本文提出的组合模型应用于某在建建筑物基坑沉降预测中,试验结果表明相比于灰色GM(1.1)模型与差分灰色神经网络模型,本文提出的组合模型预测精度更高,可以有效预报建筑物基坑沉降,在实际工程中有较高的推广价值。     

基于曲线拟合的AR模型在地铁施工监测中的应用

在地铁施工过程中,进行实时监测、数据分析与预报可以为施工安全提供保障。AR模型可用于对监测数据进行分析与预报,且具有一定的精度。文章在曲线拟合的基础上,计算得到原始观测数据与拟合数据之间的残差序列,代替由差分法计算得到的残差序列,从而建立改进的AR模型,并通过地铁施工监测实例对AR模型与改进的AR模型的预测结果精度进行验证。结果表明:改进的AR模型较AR模型预测结果精度更为准确、可靠。     

组合预测模型在矿区沉降预测中的应用

为了准确掌握矿山开采面上部地表的沉降变化规律,预测沉降发展趋势,提出一种双曲线法与三点法的组合预测模型进行矿区沉降预测的方法。结合矿山沉降观测实例,采用单一的双曲线法、三点法以及两者的组合预测方法对沉降数据进行预测分析,对比其预测精度。结果表明,组合预测模型能够满足矿区沉降预测的精度要求,且预测精度优于单一预测方法。     

城市地铁施工中的变形监测

本文针对地铁施工中,附近管线及建(构)筑物所产生的变形,结合上海地铁7号盾构施工监测,提出在地铁施工的同时,进行精密变形监测的有关技术和实现的技术方法,并在实际中取得了理想的结果。     

回归预测模型在隧道监测中的应用分析

比较了三种常用的回归曲线函数方程,计算了方程与数据之间的相关性,得到了能反映工程实际的最佳曲线。     

灰色系统预测模型在沉降监测中的应用

在深入研究和分析灰色系统预测模型的基础上,用Matlab软件编写了灰色系统模型用于沉降监测数据处理的程序。通过对某建筑物沉降项目的数据处理,得出较高的预测精度,证明了灰色系统预测模型在沉降监测应用中的可行性和可靠性。     

灰色二阶预测模型在变形监测中的应用

本文根据灰色理论中的数列预测理论,针对建筑物的沉降,建立了灰色二阶预测模型GM(2,1),给出GM(2,1)模型精确求解方法,并以某建筑物沉降数据为例验证了该模型的精度比GM(1,1)模型精度高,且简单易行,因而具有一定的实用价值。     

动态灰色预测模型在变形监测中的应用

在分析灰色模型的基础上,研究了灰数递补和新陈代谢2种动态灰色模型,并结合工程实例分析验证动态灰色模型的应用。2种模型的预测精度表明,动态灰色模型理论正确,精度合格,完全能够满足工程需要。     

相关性的组合预测模型在开采沉陷中的应用

针对当前开采沉陷不同阶段的单点沉陷变形预计精度不高的问题,该文首次从基于相关性的组合预测模型的思想出发,建立了面向沉陷不同阶段的基于相关系数的组合预测模型。实例验证结果表明,基于相关系数的组合预测模型在开采沉陷预测中的应用克服了单一模型的局限性,能够有效利用不同单一模型的信息,有较高的精度和可信度;能够满足不同阶段的开采沉陷预测,更适用于对沉陷变形数据要求高的场合。     

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。     

盾构法地铁隧道施工中的形变监测

本文介绍了盾构法地铁隧道施工中的各种形变,并提出了相对应的监测方法。     

水准测量在地铁隧道沉降监测中的应用

目前,水准测量是传递高程精度最高的方法。地铁隧道沉降监测数据的获取还是通过水准测量的手段,地铁沉降监测的步骤主要有地面控制网测量、高程导入站台工作点、隧道中监测点的测量三个部分。本文主要介绍水准测量在地铁沉降监测中的应用、监测点的埋设、控制网的建立、数据质量检查、沉降数据分析,通过沉降监测了解地铁隧道病害情况,为沉降防治提供数据支持。     

水准测量在地铁隧道沉降监测中的应用

目前水准测量是高程传递精度最高的方法,地铁隧道沉降监测主要数据的获取还是依靠水准测量的手段,地铁沉降监测的步骤主要有地面控制网测量,高程导入站台工作点,隧道中监测点的测量三个部分,本文主要介绍水准测量在地铁沉降监测中的应用,监测点的埋设,控制网的建立,数据质量检查,沉降数据分析,通过沉降监测了解地铁隧道病害情况,为沉降防治提供数据支持。     

灰色RBF在地铁沉降监测中的应用

随着城市发展,致使地铁沉降的因素越来越多,地铁沉降监测越来越重要。对此,本文基于灰色模型和RBF神经网络预测模型,对两者融合方法进行了研究。通过对某城市地铁沉降监测数据进行预报和分析,证明了灰色RBF神经网络模型预测精度优于单一模型预测精度,组合模型避免了灰色模型线性补偿的弊端、增加了数据利用率、增强了算法的鲁棒性,预报结果更加准确。     

自动化应急监测在哈尔滨地铁中的应用

地铁运营过程中,隧道结构突发变形、渗漏、裂痕等事故,针对事故建立应急监测系统,对地铁运营安全有非常重要的意义。哈尔滨市勘察测绘研究院通过哈尔滨地铁1号线哈工大站台结构渗漏事故案例,详细介绍了应急监测系统建立、监测仪器设备的选择、监测方法及数据分析等。基于应急监测要保证数据实时传输、反应速度快等特点,采用全自动监测方法,通过5个月的实地监测,为保证地铁安全运行提供了有力的数据支持,证明了此方法适用于地铁应急监测。