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。     

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。     

基坑施工变形的时间序列预报问题

本文在分析灰色系统与人工神经网络基本原理的基础上,结合前人研究成果和实例分析,指出灰色系统用于预测基坑变形存在的若干问题,认为灰色系统不宜用于地下连续墙的水平位移预测,在其他变形预测中也要慎用。建立了基坑变形时间序列预测的神经网络模型,并用实例进行了论证。实例研究结果表明：神经网络是解决基坑变形时间序列预报的有效方法,在地下工程中具有非常好的应用前景。     

基于长自回归残差法的时序分析在大坝变形监测与预报中的应用

本文主要研究了时间序列分析在大坝变形监测与预报中的应用。突出分析了ARMA模型的优点。分别利用最小二乘估计法和长自回归模型残差法进行坝体形变的分析和预报;通过对不同阶数ARMA模型在实际应用中的比较分析,确定出一种精度相对高、原理简单的方法进行建模,从而进行形变的分析和预报。     

基于贝叶斯理论的水文干旱预测

以1960—2010年的潘家口水库流域的入库径流序列,计算得到12个时间尺度的水文干旱指数SRI序列。基于水文干旱指数SRI时间序列,分别采用传统的极大似然法和改进的贝叶斯方法构建时间序列模型ARMA,并对比基于极大似然法和贝叶斯方法构建的两种ARMA模型的模拟和预测精度。结果表明,基于贝叶斯方法构建的模型在模拟和预测期的模拟效果较优。随着预测期的延长,两种模型的模拟精度均呈现降低趋势。     

滑坡时间预报的非平稳时间序列方法研究

本文基于边坡变形破坏的特点,对位移观测数据进行统计分析,利用非平稳时间序列理论就位移观测值建立模型进而作出预报。通过实例验证,该理论方法在边坡变形破坏时间预报中是有效可行的。     

基于多算法参数优化与SVR模型的白水河滑坡位移预测

滑坡预测对于减轻地质灾害的危害十分重要,但对科学研究却很有挑战性。基于变形特征和位移监测数据,建立了三峡库区白水河滑坡的时间序列加法模型。在模型中,累计位移分为3个部分:趋势、周期和随机项,解释了由内部因素（地质环境,重力等）、外部因素（降雨,水库水位等）、随机因素（不确定性）共同作用的影响。在对位移数据进行统计分析后,提出了一个3次多项式模型对趋势项进行学习,并利用多算法寻优的支持向量回归机（SVR）模型对周期项进行训练与预测。结果表明,在预测精度上,基于时间序列与遗传算法-支持向量回归机（GA-SVR）耦合的位移预测模型要明显优于网格寻优（GS）以及粒子群算法（PSO）优化的支持向量回归机模型。因此,GA-SVR模型在滑坡位移预测方面可以得到较好的应用。在“阶跃型”滑坡位移预测中,GA-SVR将具有广阔的应用前景。     

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。     

雷州半岛年降水量序列分析及预测模型

采用了雷州半岛徐闻气象站年降水量(1957～2002年)的时间序列资料,运用时间序列分析建模方法,对序列提取趋势项和周期项,并用自回归-滑动平均混合模型拟合剩余序列,然后再对年降水量序列进行预测。分析结果证明,建立的时间序列预测模型,具有较高的预报精度,其预测的结果可以用作雷州半岛旱情预报和防治的参考依据。     

大坝安全诊断的混沌优化神经网络模型

为了提高大坝变形的预测精度,采用小波变换和分形理论对大坝位移观测数据的非线性动力学特性进行了分析,揭示了其具有低维混沌动力特性,这为大坝变形预测模型的建立提供了理论依据和先验知识。基于低维混沌动力特性,设计了能捕获大坝位移观测数据全局动力特性,兼具神经网络模型结构优化和动力机制时新的混沌优化神经网络大坝变形预测模型。在工程实例中,由多个度量指标组成量化评价体系,对模型预测性能进行综合评价,结果表明,所建模型比传统BP神经网络和ARMA模型具有更高的预测精度。     

基于非平稳时间序列分析的滑坡变形预测

滑坡的位移监测资料通常可用来预测滑坡的变形发展趋势,位移的发展反映了滑坡的变形过程.为了预测在现有条件持续情况下的滑坡变形趋势,将滑坡位移监测数据视为非平稳时间序列,应用时间序列分析方法,建立了滑坡变形趋势的预测模型.以三峡库区秭归县白水河滑坡为例,通过对变形预警区监测点位移实测时间序列的分析,取监测点ZG93和XD-04为代表,建立了时间序列预测模型,从第17个月开始向前做6步预测,分析预测曲线与实测曲线之间的关系,并计算预测误差,结果显示除个别数据点之外,预测误差均在±9%以内,曲线吻合较好,说明所建模型效果良好,从而为判断白水河滑坡未来的变形发展趋势提供了可靠的理论依据.     

基于ARMA模型的隧道位移时间序列分析

在新奥法隧道施工中,隧道位移监测对于评价围岩稳定性和支护结构合理性起重要作用。目前大都采用AR模型对隧道位移进行时间序列分析,避开了非线性估计,致使拟合精度和模型实用性较差。为此,介绍了具有较高预测精度和较好适用条件的ARMA模型及其常用参数估计方法,基于其参数非线性估计带来的不便性,提出一种ARMA模型参数估计近似线性方法,把残差用Taylor级数一阶展开,将非线性估计线性化,用线性最小二乘法估计参数最终值。用该方法对重庆市大足县南环二路南山隧道位移监测数据进行时间序列建模分析,预测与实测值吻合较好,证明了该方法的实用性。     

高填方边坡失稳时间预测的实用模型

建立一种准确可靠的方法来预测高填方边坡因蠕变破坏而发生滑坡的时间是困难的,但对防止财产和生命损失又至关重要。在总结高填方土质边坡蠕变破坏过程中的位移、速度特征的基础上,通过改进Saito模型的应变率公式,提出了基于改进人工蜂群算法的滑坡中短期预测的实用模型。将进入加速变形阶段后的滑坡位移时间序列作为输入,通过人工蜂群算法反演实用模型参数后输出预测的滑坡时间。以3个高填方滑坡为实例,应用滑坡位移监测点的测量数据,验证了该方法在滑坡时间预测上的准确性和可靠性。同时,将该方法预测的滑坡时间结果与传统的Saito系列模型预测的滑坡时间结果进行了比较。结果表明,在通过滑坡位移的时间序列进行滑坡时间预测时,所提出的实用模型比两种Saito模型更准确可靠。     

基于时间序列与混合核函数SA-SVR的滑坡位移预测模型研究

本文针对阶跃型滑坡变形定量预测困难,提出一种基于时间序列分解与混合核函数SA-SVR的滑坡位移预测模型.首先基于时间序列分解原理,反复使用指数平滑法将滑坡累积位移分解为趋势项位移和周期项位移,使分解后的趋势项位移较平滑且能保证周期项位移的预测精度.同时针对多项式预测容易过拟合造成预测值偏离真实值的问题,采用K-flod...     

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。     

基于时间序列分析法的滑坡变形特征研究

应用时间序列分析方法建立滑坡位移ARIMA预报模型。采用差分平稳,自回归AR模型和移动平均MA模型对滑坡位移进行预测,得到了该滑坡监测点TP1的预报模型为ARIMA(2,2,1),然后分析对比实测与预测位移–时间曲线之间的关系。计算结果能够较好地体现出滑坡在外界诱发因素作用下位移的发展变化趋势,说明所建滑坡位移预测预报模型效果较好,在滑坡位移预测中是有效可行的。     

速度倒数法滑坡预警模型流变试验研究

滑坡失稳的预测预报研究是地质工程领域中的一项重要课题,准确地确定预测预报理论模型的参数是实际应用中的难点。在实际滑坡监测中通常可以观察到位移曲线呈现阶梯形,这些阶梯形位移变化点就是滑坡的变形突变点。为研究滑坡变形突变点的变形特征,进行了不同荷载作用下的天然试样以及不同荷载、不同含水率作用下的浸水试样的流变试验,得到了累计位移-时间曲线以及变形速度-时间曲线。依据秦四清的锁固段理论以及速度倒数法滑坡预警模型对试验结果进行分析。研究结果表明：荷载和含水率的变化对模型参数没有影响,模型参数是关于材料属性的函数;变形过程中突变点的变形特征与破坏时的变形特征相似,并且速度倒数法预警模型在突变点和破坏点确定的模型参数基本一致。因此,滑坡监测曲线中早期位移突变点确定的模型参数可以用于确定滑坡破坏时的预警模型。     

滑坡变形组合预测方法的研究

为了预测边坡变形大小,以便及时采取防治措施,通过取不同的迟滞时间对原始监测数据进行相空间重置获得新的数据序列,再以这些新的数据序列为基础,采用预测残差平方和最小的线性优化方法,将ARMA时间序列法和GM（1,1）灰色理论的预测结果进行组合,对某矿的边坡变形量进行滚动组合预测。对不同方法的预测精度和预测残差的标准差进行了对比分析,结果对比表明,组合预测较单项预测方法残差标准差明显减小,且相空间重置后的组合预测结果提高了直接预测的平均预测精度,这为边坡变形趋势的预测与防灾预警提供了可靠的方法。     

基于BP神经网络与模糊控制的深基坑开挖侧向变形分析

利用实际工程深基坑开挖过程中坑壁侧向位移的实测资料,采用人工神经网络方法,建立了非线性人工神经网络模型,从而对深基坑开挖过程中坑壁侧向位移进行了预测。再通过模糊控制器对二维的复杂基坑问题进行施工控制。研究成果为软土地区深大基坑开挖过程中的施工控制和施工预报提供了新的思路。     

滑坡位移非线性时间序列预测模型研究

从分析滑坡位移的实际变化情况和滑坡位移演变规律的角度出发,将滑坡位移分解为受其自身地质结构属性控制的趋势项位移分量和由外界环境因素影响的周期项位移分量。采用经验模态分解法对滑坡位移趋势项和周期项进行非线性时间序列的分解;在此基础上采用标准GM(1,1)灰色模型、滚动GM(1,1)灰色模型和灰色马尔科夫模型分别对滑坡位移的趋势项和周期项进行预测,将预测结果进行叠加运算,即可得到滑坡位移的预测值。以三峡库区白水河滑坡的位移变化情况为例,通过分析对比滑坡位移的实测值与预测值之间的位移-时间关系曲线,可以很好地预测出滑坡位移的发展变化趋势。这说明对滑坡位移进行时间序列分解,有助于提高滑坡位移的预测精度,并可有效应用于滑坡位移预测的工程实例中。