新陈代谢模型在建筑物沉降预测中的应用研究

针对建筑物的沉降问题,在现有的数据基础上,建立新陈代谢GM(1,1)模型来预测建筑物的沉降量,并通过实例与传统灰色模型进行对比.结果表明,优化后的GM(1,1)模型能更好地预测建筑物的沉降发展趋势,具有较强的实用性.     

GPS和灰色模型在变形监测中的应用

GPS定位技术具有诸多优点能够满足现代变形监测的需求。变形预测是一个影响因素很复杂的过程,灰色系统对于建模数据量要求比较低,能够有效克服回归分析等统计分析方法的不足,非常适合小样本的短期预测。以"川气东送管道南京扬子石化末站监测项目"中场地形变观测为例,简述GPS及灰色GM(1,1)模型在具体工程项目上的应用,且达到了满意的效果。     

基于新陈代谢的PGM(1,1)模型在建筑物变形监测中的应用

针对目前灰色理论模型在变形监测中的应用,本文分析了PGM(1,1)模型中的参数及其求解的方法;对于建模时前期观测值对后期预测值的影响,引入新陈代谢理论,通过整体最小二乘求解得到模型的背景值。结合高层建筑物沉降监测的实例进行计算分析,结果表明,基于新陈代谢的PGM(1,1)模型相比于传统的GM(1,1)模型,在建筑物沉降预测方面具有较好的效果。     

回归分析与灰色理论在建筑物沉降变形分析中的应用

沉降监测的数据分析与预计在工程建设中具有决策辅助作用。选择合理的预测模型进行沉降预计,可以提高预计精度。结合工程实例,对焦作市×××项目8号楼进行沉降监测,分别用回归分析模型和灰色理论GM(1,1)模型进行数据处理,从而说明两种模型各自适用的环境条件和优缺点,预计效果令人满意。     

马尔科夫理论的优化灰色模型预测建模

针对GM(1,1)模型易受建模数据随机扰动影响,且模型稳定性较差的问题,该文提出了基于马尔科夫(Markov)理论的GM(1,1)预测优化模型。首先,通过最小二乘原理选取GM(1,1)模型的最优初值,利用指数函数法构造新的背景值,同时利用正化残差序列法进一步修正残差。然后,将优化的GM(1,1)模型和马尔科夫理论有机结合,进一步对优化的GM(1,1)模型进行改进,构建了优化的灰色马尔科夫预测模型。最后,以某建筑物的变形实测数据为基础,进行了传统GM(1,1)预测模型、优化的GM(1,1)预测模型和优化的灰色马尔科夫预测模型的实例计算比较,结果表明:优化的灰色马尔科夫预测模型的拟合精度和预测精度优于传统GM(1,1)预测模型和优化的GM(1,1)预测模型,且适用性更强,稳定性更好。     

一种监测基坑变形的灰色时序组合模型研究

灰色GM(1,1)模型运算简单,但缺点是精度不够;时间序列模型能计算大量的数据,但是运算过程比较复杂。本文以宿迁某基坑为例,对水平位移量进行检测,利用灰色和时间序列组成的新模型,以前几期数据作为原始数据对后几期数据进行预测,得出组合模型的精度比单一的灰色预测模型精度高,组合模型更适合基坑监测。     

改进的GM(1,1)模型在大坝变形预测中的应用

针对大坝安全监测数据存在贫信息、小样本的问题,通过对原始数据、初始值以及背景值进行优化改进传统的GM(1,1)模型。以某大坝实测径向水平位移数据为例,分别用改进前后的模型进行预测,并与实测值进行对比。验证改进的GM(1,1)模型的优越性与有效性,相对于传统GM(1,1)模型,其预测精度更高。     

GM(1,1)模型在深基坑变形预测中的应用

为研究基坑工程的变形规律,合理预测基坑未来的变形趋势,针对基坑工程变形中存在的各种变形因素复杂、变形大小不确定等情形,采用灰色系统理论建立基坑变形分析模型,结合工程实例,通过GM(1,1)模型群的建立确定最佳预测模型,然后在最佳模型基础上分别建立全数据模型、新信息模型、自动更新三种模型;预测结果表明应用灰色模型进行基坑工程变形分析的可行性和可靠性,为基坑工程的变形分析和安全性诊断提供了可靠的理论依据和科学的分析方法。     

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。     

基于新陈代谢GM(1,1)模型的益阳城市化水平分析

以益阳市2001年-2010年城市化水平数据为依据,运用灰色系统理论,建立了GM(1,1)和新陈代谢GM(1,1)预测模型;并运用不同方法对2种模型的精度进行了检验,结果表明,新陈代谢GM(1,1)模型优于常规GM(1,1)模型,其精度更高。应用新陈代谢GM(1,1)模型,对益阳市城市化水平未来10年进行预测,其结果符合益阳市城市化的实际情况。     

基于残差改正的动态GM(1,1)模型在公路边坡变形监测中的应用

本文针对传统的GM(1,1)模型的不足,对模型进行了改进,建立了基于残差改正的动态GM(1,1)模型,并将其利用到公路边坡变形监测的数据处理当中。经过预测值与实际观测值比较,证明其在长期预测中具有明显优势。     

卡尔曼滤波算法的灰色理论模型在变形监测中的应用

本文针对灰色理论模型在建模过程中受到随机扰动影响这一问题,提出了利用卡尔曼滤波处理建模数据的方法.经过实例检验,证明基于滤波算法的灰色理论模型在一定程度上可以提高预测值的精度,更好地反映了观测目标的变形趋势,在变形监测中具有一定的优势.     

K-GM（1，1）模型在岩体变形监测中的应用

传统GM （1,1）模型存在着长期预测效果差、模型精度不高等问题,卡尔曼滤波能够排除建模过程中随机干扰因素,滤波值能够反映更真实的数据情况。为了能更好地提高变形监测的预测精度,基于传统GM （1,1）模型和卡尔曼滤波,提出K‐GM （1,1）模型,利用该模型对岩体变形监测数据进行建模预测,并与传统GM （1,1）模型预测结果进行对比分析,结果表明,K‐GM （1,1）模型具有较高的预测精度,可作为变形监测的一种新方法。     

建筑物沉降监测中的改进灰色模型

针对传统非等间距GM(1,1)模型在建筑物沉降监测中预测精度不够高的问题,提出了一种新的非等间距GM(1,1)建模方法。此法基于初始条件改进及把灰色微分方程的白化方程中的灰导数用离散形式进行表示的改进相结合、提高非等间距GM(1,1)模型的建模精度。结合桂林市某广场的集商用、住房于一体的高层建筑的沉降变形监测实例,将本模型的沉降预测的结果同文献中另一非等间距GM(1,1)改进方法进行对比分析和检验,充分验证了建筑物沉降变形分析预报中本模型方法的可行性和优越性,对进一步促进非等间距GM(1,1)模型在沉降变形预测中的应用起到了积极的作用。     

基于震荡序列的灰色预测模型在边坡沉降监测中的应用

公路边坡由于施工的影响,监测点时升时降,累计沉降量是震荡序列。本文采用三种模型对累计沉降量进行预测。结果表明GM(1,1)和DGM(1,1)预测曲线并不能反映实测值曲线走势,预测值与实测值的偏离程度较大,预测精度较低。SDGM(1,1)模型无论在与实测值曲线走势、与实测值接近程度还是在残差平方和或者平均相对误差上精度要高于其他两种模型,在P,C值上,SDGM(1,1)模型实现"级"的跳跃,是一个非常理想的预测模型。     

反向灰色模型的初值优化在道路沉降中应用

针对灰色GM(1,1)模型预测单调递减数据会出现不合理计算误差的问题,建立反向灰色GOM(1,1)模型,利用遗传算法改进x(1)(n)的初始值范围,求出最佳初始值x替换x(0)(1)作为模型初始条件。通过选取高速公路地面沉降数据进行实例计算,证实优化后模型的有效性。     

基于原始序列的灰色预测模型

针对原始序列平滑处理和用直线斜率代替t=k+1/2时刻导数两方面的问题,该文在分析GM(1,1)建模过程和原理的基础上,应用中心逼近原理,提出了基于原始序列的灰色预测模型OGM(1,1)。对于严格呈指数增长趋势的原始序列,通过平滑处理使其更利于建模,再通过累减获得新的初始序列,建立OGM(1,1)模型。通过对高增长、低增长和缓慢递减3种类型实测数据序列验证分析,比较GM(1,1)、PGM(1,1)和OGM(1,1)3种模型在变形监测数据处理中的拟合和预测结果,结果表明OGM(1,1)模型拟合效果更好、预测精度更高。     

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。