变权重组合模型在路基沉降预测中的应用

通过对软土路基沉降发展规律及其沉降曲线特点的深入研究,结合4种单项软土路基沉降预测模型提供不同的有价值预测信息的特点,引进重组合预测思想,在单项预测模型的基础上提出了路基沉降变权重组合预测方法,工程实例分析表明,利用该模型与方法得到的预测曲线与实测曲线吻合良好,能够满足工程要求,此外,变权重组合预测模型比其它单项模型具有明显的优越性,为软土路基沉降发展预测提供了一种有效而实用的方法.     

终端区4D飞行轨迹预测与冲突预警

为提升终端区飞行轨迹预测精度,实现航空器短时冲突预警,建立一种基于孪生支持向量回归的终端区4D飞行轨迹预测模型。对历史飞行轨迹应用重采样算法,降低轨迹数据规模;利用墨卡托投影将轨迹点经度、纬度与高度化为x-y-z坐标,采用孪生支持向量回归算法学习预测模型,实现短时航空器飞行轨迹动态预测;计算两架航空器水平、垂直距离,建立航空器冲突预警指示函数;对孪生支持向量回归算法进行超参数灵敏度分析,分析各超参数对模型预测效果的影响。根据机场真实数据进行仿真实验,证明：基于孪生支持向量回归的4D飞行轨迹预测模型能够准确捕捉航空器运动趋势,且泛化能力强;所提模型x-y-z坐标预测均方根误差是BP神经网络预测结果的32%,35%和61%,单次预测计算用时减少约0.13 s。     

数字孪生驱动的预应力钢结构安全智能控制方法

针对预应力钢结构力学参数实时变化导致安全性能分析与预测精度不足，无法实现结构的智能化安全控制，本文提出了数字孪生驱动的预应力钢结构安全智能控制方法．通过考虑结构安全状态的时空演化，形成基于数字孪生的安全智能控制框架，并将安全控制分为性能分析与预测两个方面．在控制框架的驱动下，研究了孪生模型的搭建机制并通过三维激光扫描技术和加权平均法修正模型提高保真性．基于三维激光扫描技术修正模型中关键节点坐标，有效降低了由施工误差导致的模型仿真误差．通过加权平均法综合考虑拉索的各个节点索力，修正模型中的构件尺寸，有效降低了因材料缺陷导致的模型仿真误差．依托孪生模型，精准获取表征结构安全的力学参数，为结构的安全分析与预测提供了数据支撑．融合D-S证据理论分析结构的安全状况，找到结构体系中最关键的受力构件及力学参数变化程度最高的节点．在结构安全性能预测过程中，建立数字孪生与随机森林的融合机理，分析各类因素对结构安全性能的影响程度并调整关键影响因素，预测结构的安全性能，最终形成结构安全控制机制．通过给出结构安全维护措施，有效地保证了结构的安全性．以轮辐式索桁架为研究对象，进行了方法的应用，验证了数字孪生在结...     

基于SBAS-InSAR和PSO-BP神经网络算法的矿区地表沉降监测及预测

针对传统监测技术无法进行长时间矿区地表沉降监测以及现有预测模型过度依赖沉降数据、模型单一等问题,提出一种基于小基线集合成孔径雷达干涉(Small Baseline Subsets Interferometric Synthetic Aperture Radar,SBAS-InSAR)和粒子群优化-反向传播(Particle Swarm Optimization-Back Propagation,PSO-BP)神经网络算法的矿区地表沉降监测及预测模型.首先,利用SBAS-InSAR技术获取矿区地表沉降监测值;然后,选取矿区地表沉降的影响因子与获取的沉降监测值从多因子角度构建PSO-BP预测模型;最后,分析该方法的有效性和合理性.实验结果表明,利用SBAS-InSAR能有效监测矿区地表长时间沉降,随着训练样本的增加,PSO-BP预测值与SBAS-InSAR沉降值残差逐渐减少,算法收敛迭代加快,均方误差降低.与现有监测方法及预测模型的对比,证明了SBAS-InSAR在矿区地表长时间沉降监测中的优势以及PSO-BP模型在矿区地表沉降预测中的有效性和合理性,该方法可作为矿区地表长时间沉降监测和预测的有效手段.     

基于漂移度的地基沉降预测模型评价与组合策略

地基沉降与时间关系的曲线形式具有不确定性,难以用某一模型来模拟其沉降规律,鉴于组合模型可以有效提高预测效果,引入漂移度概念,并在考虑预测结果和实际结果相似度和差异度的基础上,借鉴支持度的公式形式,重新定义了漂移度计算公式,将其用于地基沉降预测模型预测效果比较中,同时基于漂移度建立了地基沉降预测模型的组合策略。实例分析验证了基于漂移度的地基组合预测模型的有效性。     

基于模型的数字孪生的认知突破与方法论创新

在新一代信息技术快速发展和广泛应用的背景下，数字孪生技术下的虚拟孪生模型，相较于以往的模型呈现出前所未有的特征与优势：能够实现对物理原型的多维多时空尺度刻画，能够基于算法和数据双驱动实现与物理原型之间的精准映射与虚实融合，能够在物理原型的全生命周期内实现动态重构与自主孪生。在“数字孪生五维模型”基础上描绘了一幅“基于模型的数字孪生图解”以对数字孪生模型的构建、运作与应用进行具体分析。数字孪生模型方法的应用是对人类以往认识世界方法的最新突破，由此也带来了人们认知方式与思维模式的转变。基于模型的数字孪生正是在“需求思维、模型思维、协同思维”的指导下，不断进行着模型构建与协同合作新方法的尝试，以期通过技术实现造福于人类社会。     

RBF神经网络优化灰线性回归模型预测建模

针对建筑物地基沉降的机理以及RBF(Radial Basis Function,径向基函数)神经网络能够有效描述不确定性问题和解决复杂非线性问题等特点,通过反复试验,优化设计,建立了RBF神经网络,并用该网络优化灰线性回归预测模型,建立RBF灰线性组合预测模型。通过工程实例,比较分析了单一灰色模型、灰线性回归模型、RBF优化的灰线性回归模型的预测精度。结果表明,RBF优化后的灰线性回归预测模型精度优于灰色模型、灰线性回归模型,预测中误差达到0.0014 mm。径向基神经网络优化后的灰线性模型能更好地反映建筑物沉降的总体趋势及规律。     

基于SBAS-InSAR和PSO-BP神经网络算法的矿区地表沉降监测及预测

针对传统监测技术无法进行长时间矿区地表沉降监测以及现有预测模型过度依赖沉降数据、模型单一等问题,提出一种基于小基线集合成孔径雷达干涉（Small Baseline Subsets Interferometric Synthetic Aperture Radar,SBAS-InSAR）和粒子群优化-反向传播（Particle Swarm Optimization -Back Propagation,PSO-BP）神经网络算法的矿区地表沉降监测及预测模型. 首先,利用SBAS-InSAR技术获取矿区地表沉降监测值;然后,选取矿区地表沉降的影响因子与获取的沉降监测值从多因子角度构建PSO-BP预测模型;最后,分析该方法的有效性和合理性. 实验结果表明,利用SBAS-InSAR能有效监测矿区地表长时间沉降,随着训练样本的增加,PSO-BP预测值与SBAS-InSAR沉降值残差逐渐减少,算法收敛迭代加快,均方误差降低. 与现有监测方法及预测模型的对比,证明了SBAS-InSAR在矿区地表长时间沉降监测中的优势以及PSO-BP模型在矿区地表沉降预测中的有效性和合理性,该方法可作为矿区地表长时间沉降监测和预测的有效手段.     

基于数字孪生的物流配送调度优化

为了实现对物流配送过程的远程运维,达到真正的物流配送实时状态透明化,提出基于数字孪生(digital twins,DT)的物流配送调度系统.基于数字孪生基本概念,构建了物流配送数字孪生五维结构模型及数字孪生驱动下的物流配送系统整体框架.考虑到实际配送中物资常常无法按时送达,建立带有软时间窗的数学模型,并设计相应的算法内核对数学模型进行求解.最后,结合实例利用Plant Simulation仿真软件建立与现实物流配送完全映射的3D模型,借助配送过程实时数据,实现对物理空间的精确模拟和优化仿真.通过与传统物流配送优化仿真方法对比,验证了基于数字孪生的物流配送调度优化方法能够有效解决配送过程中由车况或路况出现的扰动所带来的影响,实现更优的物流配送.     

隧道长期不均匀沉降预测的蚁群算法

利用上海地区地铁盾构隧道运营期的大量实测沉降资料,找出其长期不均匀沉降规律与蚁群算法思想的对应关系,提出了一种基于蚁群算法的隧道长期不均匀沉降的新预测模型.为了检验新模型的预测效果,运用预测与实测数据对比分析的方式,得出新预测模型的构建及完善思路.研究结果表明,该预测模型利用实测资料直接建模,避免了传统方法计算过程中各种人为因素的干扰,预测精度高,简便易行,适应性强,可供完善的空间也很广,可为今后隧道长期不均匀沉降的预测计算提供一种全新的思路.