BP神经网络和灰色系统预测模型在深基坑地表沉降中的应用

软基沉降的bp神经网络和灰色系统联合预测——使用bp神经网络插值方法对灰色数据进行了预处理，进而建立了预测软基沉降量的bp神经网络和灰色系统联合模型。实例分析表明，该模型短期沉降预测结果的最大相对误差小于2，最终沉降预测结果的相对偏差小于5，且灰色...

根据盾构施工引起地表沉降的具体问题,结合广州地铁三号线某区间地质资料,建立了地表沉降预测的bp神经网络模型,并对网络进行了训练和测试,测试结果表明,利用神经网络进行盾构隧道施工的地表沉降预测是可行的,可用于工程实践。

基于灰色bp神经网络组合模型的基坑变形预测研究——为了使得基坑变形预测在“少样本”、“贫信息”的情况下依然能够得出精度较高的结果，在传统的灰色gm(1，1)模型和bp神经网络模型的基础上，进行了灰色bp神经网络组合模型的研究。通过总结2传统模型的原理和算...

提出一种采用bp神经网络算法来预测深基坑沉降的方法,结合具体工程实例,构建了预测深基坑周边地表沉降具体bp神经网络模型,预测结果表明,该模型有较高的预测精度,可作为预测沉降的一种新方法。

本文采用bp神经网络预测模型,通过在matlab软件建模,并对实际工程项目的支护结构顶水平位移的监测数据进行分析,预测其后的监测数据,结果表明bp神经网络拟合效果优越,仿真性强,具有很强的泛化能力,能够对实际工程的支护结构顶水平位移进行有效预测.

深基坑开挖引起的周边地表变形预测是一个复杂非线性问题,引起地表沉降的影响因素很多,各因素之间呈高度的非线性关系。传统的基坑用边地表沉降变形预测方法存在着一定的局限性,其预测精度有待提高,而人工神经网络是一种多元非线性动力学系统,可以灵活方便地对多成因的复杂未知系统进行高度建模,实现全面考虑各种主要影响因素的深基坑周边地表沉降变形预测。本文介绍了误差反向传播(bp)网络模型的结构、学习过程及其算法的改进,径向基函数(rbf)网络模型的结构及其学习过程;分析了影响深基坑开挖周边土体沉降变形的主要影响因素;以25个基坑工程的地表沉降实测资料为训练样本,建立了11个输入影响因素的bp神经网络模型和rbf神经网络模型,通过对样本的学习训练过程及对5个检验样本的预测精度,说明了人工神经网络用于预测基坑周边地表沉降的可行性和准确性。

针对基坑变形预测中信息的灰色性和数据的非线性性,提出用灰色神经网络预测基坑变形的新方法。用一桩锚联合支护体系实例进行了预测研究,得到支护体系的不同预测模型的组合预测值。研究结果表明:灰色神经网络预测误差比gm(1,1)预测模型小;与bp预测模型相比,前期误差大,后期误差小。在基坑变形监测中,为了更准确地预测基坑变形,可以采用灰色神经网络预测与bp预测相结合的方法进行预测。

为了分析深基坑的沉降规律,以某实际工程为例,利用bp神经网络对该工程的深基坑沉降数据进行拟合和预测分析,采用c语言编写程序进行预测。结果表明,利用bp神经网络方法的预测结果合理,误差在允许范围内,满足工程要求,并且对类似的工程施工具有指导作用。

以bp人工神经网络模型为基础,建立预测模型,以小区某栋建筑物1期～8期的沉降观测数据为输入数据和输出数据,对网络模型进行训练,并对9期～12期实际观测值与预测值进行了比较,结果比较理想,从而验证了采用bp人工神经网络模型进行建筑物沉降的预测是可行的。

1.引言神经网络是一种信息处理系统,它由大量而简单的处理单元(神经元)广泛的相连接而形成复杂系统,它通过学习来解决问题,基坑沉降的预测是一项难以通过理论分析出影响因素与沉降结果映射关系的工作,而这项工作如果交

为了预测高速公路路基最终沉降量,首先依据影响软土路基沉降的因素选取参数建立了bp神经网络预测最终沉降量模型.结合成都-南充高速公路沉降实测资料及其它文献中大量路基沉降资料,利用bp神经网络预测了其各自最终沉降量.通过检验样本验证,预测精度较高,能够满足实际需要.并对bp神经网络在公路建设中的应用提出了一些注意事项.

通过分析城市深基坑沉降量时间序列的非线性动力学系统,认为该时间序列具有混沌特性.在此基础上,通过相空间重构的方法建立了用于城市深基坑沉降量预测的混沌神经网络模型;并利用此模型对上海某深基坑沉降量进行了预测,取得了较为满意的预测效果.

地铰施工段地表沉降预测是地铁施工及周边建筑物安全评价的基础。结合某工程实例，运用logistic模型分析了适用于基境地表沉降变形监测的动态预测模型，对模型的预测结果进行了分析和检验。从而验证了谊模型应用在地铁车站基坑变形监测中的可行性。基坑用边地表沉降监测结果表明。基坑开挖会遗成一定范围的地表沉降，对此提出相应的保护措施。

bp神经网络在基坑变形预测分析中的应用——本文提出了基坑变形预测与分析的bp神经网络方法，建立了基坑变形预测分析的模型，应用matlab语言编制计算程序进行计算并与实际工程监测值进行比较，从而验证了神经网络在基坑变形预测分析中的可行性、有效性。　　

在对某基坑工程采用bp神经网络模型预测基坑开挖引起地表变形的分析中,考虑到现有模型可能会遇到预测结果跳不出训练样本以及训练时间较长的问题,提出采用matlab中的mapminmax函数进行归一化处理,并基于牛顿法、共轭梯度法和l-m法三种数值优化方法对bp网络训练算法进行了改进.研究结果表明:与常用的基于梯度下降原则相比,改进后的bp神经网络在训练时间和预测误差方面均有明显的优势,采用l-m法的神经网络在训练样本时的迭代次数最少为74次,采用共轭梯度法的预测结果与实测结果的误差最大为2.4％,而采用牛顿法神经网络的预测值则比较均衡,预测结果相对最佳.

借助人工神经网络模型,建立了可依据现场量测信息对软基路堤沉降量随时间而发展的过程进行动态预报的分析方法。其要点是:建立公路软基沉降预测的神经网络结构,并将前期沉降观测值作为样本,通过神经网络结构的训练寻求沉降及其主要影响因素的内在关系,据以预测后期沉降量

建筑物沉降的因素多种多样，因此，采用变形监测技术对沉降量进行监测，利用精度较高的预测模型进行沉降量预测预警很有意义。为了提高建筑物变形监测的精度以及变形监测预警的准确性，针对gm（1，1）模型和rbf神经网络进行分析，提出灰色rbf神经网络模型。通过对某建筑物的沉降监测数据进行实例计算，结果显示灰色rbf神经网络模型具有较高的预测精度。

结合某桩锚支护深基坑工程,针对不同工况,利用监测数据作为输入建立bp神经网络模型,预测桩体水平位移.结果表明,不同工况下的预测精度不同,桩体位移较大时预测精度较高,位移较小时预测精度较差;对于工况变化时位移曲线的变化趋势,预测结果的适应性良好;bp神经网络预测桩体水平位移具有较高的可行性和可靠性.

根据辽宁地区桥梁承载力下降检测资料,应用灰色系统理论对在役桥梁劣化趋势进行分析,提出以时间与状态得分为等间隔初始序列,推导出桥梁劣化预测模型按指数分布表达式,并对检测序列进行分析验证,为桥梁劣化预测提供参考。

在城市地下工程建设中,深基坑开挖引起的周围地表土沉降问题越来越受到人们的重视。地表沉降将引起邻近建、构筑物破坏,从而造成经济损失。因此,预测基坑周围土体未来一段时间的沉降,对及时采取治理措施具有重要意义。文章针对gm(1,1)模型地面沉降预测精度较低的问题,利用神经网络对灰色预测模型进行组合,生成灰色神经网络模型,并进行预测分析,结果表明,利用灰色神经网络模型预测的沉降值,比单独的灰色gm(1,1)模型预测的沉降值具有更高的精度。

bp神经网络融合预报在深基坑监测中的应用——针对多传感器采集的多种变形信息，提出了利用bp人工神经网络的方法进行数据融合处理，以达到对变形体变形状况更加准确预报的目的。通过bp神经网络训练精确得到各种观测值权重，避免了人为主观因素的影响。利用该方法...

灰色gm(1,1)预测模型,要求样本数据少,具有原理简单、运算方便、短期预测精度高、可检验等优点,在负荷预测中得到了广泛应用,但是也有其局限性。当数据灰度越大,预测精度越差,且不太适合经济长期后推若干年的预测,在一定程度上是由模型中的参数α造成的,为此引入向量θ,建立残差gm(1,1,θ)模型,利用蚁群优化算法对其进行求解,同时应用神经网络对其预测残差进行优化。实证分析表明,与传统的预测方法相比,大大提高了预测精度,该方法具有一定的实用价值。