基于有限元-BP神经网络的地下连续墙变形预测

基于目前在基坑支护结构中应用广泛的变形预测方法,有限元法和BP神经网络,结合基坑工程特点,提出将有限元模型与BP神经网络相结合的基坑变形预测方法.以某实际建筑基坑为研究对象,利用有限元软件进行近似建模,使用MATLAB软件实现有限元模型与BP神经网络模型相结合的预测模型,对基坑地下连续墙水平位移值进行预测对比.结果表明,有限元-BP神经网络预测模型预测值与实测值最为吻合,预测精度优于单一的有限元或BP神经网络预测模型.     

基坑变形灰色人工神经网络预测模型及其应用

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。     

基于神经网络的沥青混合料抗剪强度预估方法

通过采用神经网络工具,探讨沥青混合料的抗剪强度预估方法．通过对比,采用不同输入参数,选定沥青类型、集料类型、空隙率、级配类型、公称粒径、油石比等六个影响因素作为输入参数．引入了误差分级迭代法进行网络学习训练,通过对比常规BP算法和误差分级迭代法,发现后者能有效减轻初始权值和阈值对训练和样本预测的影响,也能较好控制样本预测的误差．因此,建议采用基于误差分级迭代法的BP神经网络方法,预测沥青混合料的抗剪强度．     

贝叶斯正则化神经网络在深基坑变形预测的应用

针对传统BP神经网络在深基坑施工开挖变形的预测,基坑的安全性判定仅利用监测的最终数值而无法全面服务于深基坑工程,提出了一种遗传算法(Genetic Algorithm, GA)和贝叶斯正则化算法(Bayesian Regularization, BR)组合优化传统BP神经网络的预测模型,在优化预测模型中加入了影响深基坑安全稳定的客观因素及人为主观因素,进一步提高了BP神经网络全局优化能力以及泛化能力.研究结果表明：该组合优化方法对深基坑地表沉降和水平位移变形预测的平均相对误差分别为0.32%和0.59%,表现出较高的预测精度.该组合优化模型首次在深基坑变形领域验证了应用的可行性,为深基坑变形预测提供了新的思路和方法.     

基于最小二乘支持向量机回归的基坑变形预测

将最小二乘支持向量机回归用于基坑变形预测.根据基坑位移的实测时间序列资料,应用最小二乘支持向量机回归建立了基坑位移与时间的关系模型.研究结果表明,最小二乘支持向量机回归用于基坑变形预测,具有较高的预测精度.与通常采用的BP神经网络相比,该方法具有预测误差小、计算快速、所需数据少等优点.     

基于马尔科夫——灰色BP神经网络组合模型的深基坑变形预测研究

建立马尔科夫—灰色BP神经网络组合模型是为了更加科学合理预测深基坑压顶水平位移,提高预测精度.比较分析BP神经网络模型与串联式灰色BP模型的预测结果,建立马尔科夫链修正的灰色BP组合模型,以汕头市某花园酒店扩建工程的基坑压顶水平位移的实测数据为研究对象,通过比较模型预测结果与实际结果,检验其深基坑预测模型的精度.实例证明,经马尔科夫链改进的灰色BP神经网络组合模型的预测精度优于单一模型,更适合用于样本少、随机波动性大的深基坑变形预测.马尔科夫—灰色BP神经网络组合模型对深基坑压顶水平位移的预测不仅精度高,同时反映出数据序列发展变化的总体趋势和系统之间各状态的规律,为深基坑压顶水平位移预测提供了一种新方法.     

基于改进KNN与基坑参数对地连墙变形预测研究

搜集了苏州轨道交通建设中70个地铁深基坑的设计与监测数据,并通过相关性分析研究长宽比、开挖深度、宽深比、插入比、横撑竖向间距、横撑道数、地连墙厚度和施工方法 8个输入参数间,以及与地连墙变形间的相关性强弱关系.对比分析了BP神经网络(BPNN)、K近邻(KNN)及支撑向量机(SVM)等算法在苏州地区基坑地连墙变形预测中的适用性.最后采用Spearman相关系数对KNN中的欧式距离进行优化,建立了SpearmanKNN地铁深基坑地连墙变形的预测模型,并与传统KNN进行对比.结果表明:提出的预测模型预测精度提高了8.3%,且与现场实测值的误差在20%以内.研究结果为苏州地铁基坑地连墙的变形预测提供了新的思路和探索.     

遗传算法BP神经网络在变形监测中的研究

介绍了BP神经网络和遗传算法的概念和基本理论,详细阐述了遗传算法优化的BP神经网络和BP神经网络这两种神经网络模型,深入分析了两种模型在基坑水平位移监测的数据预报,指出了遗传算法优化的BP神经网络模型具有更好的预测效果.     

基于BP神经网络的地基压实度测量方法

组建BP神经网络检测地基压实度系统装置,利用灰度-梯度共生矩阵方法提取激光图像的特征值,用其训练BP神经网络模型,预测地基压实度.结果表明:BP神经网络经过4次学习后达到要求的误差,模型的输出值和目标值的相关系数为0.97699.BP神经网络检测方法与传统环刀法检测结果对比结果表明,平均绝对误差为0.049,平均相对误差为7.16％,BP神经网络检测方法可以用于检测地基压实度.     

基于优化BP神经网络算法的网络质量评价

针对现有的BP神经网络算法,提出了在变步长BP神经网络算法基础上的优化方案,并将其应用于网络质量评价当中.在优化方案中,对步长的上升和下降阶段分别采用不同策略进行优化.理论分析表明:优化后的算法能够克服传统算法权值收敛过慢,和变步长算法误差收敛中的震荡问题.仿真表明,优化后的算法会使神经网络的学习误差和网络质量分类的总体误差明显下降并大幅提高评价的准确性.优化算法较传统算法相比误差收敛过程更加稳定,且学习误差下降达9.64％,网络质量分类的总体误差下降达23.1％；优化算法的验证准确率在传统算法的基础上提高了19.65％,在变步长算法的基础上提高了9.88％.由此可见,优化算法在BP神经网络的预测精度方面起到了大幅度提高的作用.     

基于主成分分析与BP神经网络相结合的机床主轴热漂移误差建模

为提高数控机床热误差模型的预测精度,提出了将主成分分析与BP神经网络相结合的主轴热漂移误差的建模和预测方法.使用主成分分析法对多个温度变量进行降维处理或重新组合,将处理后所得较少的主成分变量作为样本输入BP神经网络进行训练而得到主轴热漂移误差模型,并与经过测点优化后以关键点温度作为输入的BP神经网络模型进行对比分析.结果表明：基于主成分分析与BP神经网络相结合的主轴热漂移误差模型的拟合精度较高,残差较小;由于BP神经网络的输入变量较少而使所提出的模型训练速度快、迭代次数少.     

基于IPSO-BP神经网络的坝基扬压力预测方法研究

针对坝基扬压力预测的传统BP神经网络模型初始权值和阈值随机性强、易陷入局部最优等局限,采用惯性权重动态调整的改进粒子群算法对BP网络的初始权值和阈值进行优化,建立了基于IPSO的BP神经网络坝基扬压力预测模型．通过算例验证算法的优越性及程序的准确性,并以某大坝多年扬压力监测数据进行工程实例应用,结果表明,IPSO—BP扬压力预测模型与传统BP模型相比,拟合相关系数大,统计误差小,预测精度更高．     

基于BP神经网络的电解加工精度预测模型

为精确地预测电解加工精度，采用了BP神经网络的方法进行建模．在分析影响加工精度主要因素的基础上，确定了BP神经网络模型的特征参数，并根据实际情况，确定了输入层和中间隐层的维数，从而确定了模型的结构．用试验参数对模型结构进行训练，最终建立了一个用于电解加工精度预测的BP神经网络模型．利用该模型进行的精度预测结果表明，该模型的预测误差可以控制在10％以内，具有很高的精度预测能力．     

基于主成分分析-BP神经网络的风电备件需求预测

风电机组具有结构复杂,运维困难,且长期处于恶劣的工作环境的特点。风电备件的需求预测有助于为风电场配备最合适的备件数,以确保风电场的平稳、高效运行。本文以某企业近五年的齿轮需求数据为例,应用主成分分析(PCA)降低几个影响因素的维度,得到复合变量,然后应用BP神经网络算法,构建预测模型;比较ARIMA模型、BP神经网络预测和PCA-BP神经网络预测的结果。表明：主成分分析法(PCA)能显著降低神经网络预测误差,预测的精度为93.94%,高于BP神经网络预测的88.39%和ARIMA模型的85.31%,所以PCA-BP神经网络模型的预测精度准确且有可靠结果,能够适用风机备件的需求预测。     

BP人工神经网络法研究PBDE_S类化合物的RRT

运用BP人工神经网络方法对PBDEs的相对保留时间(RRT)进行了QSPR研究.所建的BP人工神经网对PBDEs的RRT预测准确度非常高,网络训练误差几乎为0,网络回判MSE误差为0.003 9,明显低于逐步回归分析结果,独立检测集MSE误差为0.000 4,也很低,说明BP人工神经网具有较好的泛化能力.此方法得到的模型预测能力要优于逐步回归模型.     

基于ANN的深基坑变形预测方法研究(新修改)

城市地区深基坑工程愈来愈多,为了确保深基坑施工安全,对基坑进行监测和预测,实现信息化施工证明是有效的方法。国内外学者以往的研究大多侧重于基坑施工地面沉降预测方面,有关深基坑围护结构桩体整体水平位移变形的预测建模鲜有报道。结合某深基坑工程,以桩体水平位移实际监测数据为样本,建立BP神经网络时间窗口预测模型,采用MATLAB平台编写程序,预测围护结构桩体水平位移,预测值同监测值和设计计算值吻合,表明了该预测方法的可行性,研究结果可供同类工程项目参考借鉴。     

基于差值灰色RBF网络模型股票价格预测研究

针对RBF神经网络的预测精度受样本数据随机性影响较大,而灰色理论能弱化数据随机性的特点,提出了差值结合法将灰色GM(1,1)模型和RBF神经网络模型有效地结合起来,构建了差值灰色RBF网络预测模型。并利用此模型进行股票价格预测,实证结果表明:该模型预测稳定性较好,预测精度高,平均预测误差为0.68%,与BP神经网络和RBF神经网络相比具有更好的泛化能力和更高的预测精度,在股票预测中具有一定的实用价值。     

BP神经网络在基坑周边地表短期沉降预测中的应用

在对基坑的监测数据进行预测和分析中,现有的一部分方法很难满足实际施工中高度非线性问题的拟合,如指数法预测的沉降量往往偏小,双曲线法预测的沉降量往往偏大,而GM(1,1)对观测值的累加往往又不具有指数规律。考虑到这些局限,引用BP神经网络,以苏州地铁2号线某工程为例,结合历史的沉降监测值,对其基坑周边地表短期沉降进行预测。实践表明,该方法预测误差较小,为基坑周边地表沉降的预测提供了一种较好的途径,在基坑动态设计与信息化施工方面具有重要的参考价值。     

基于LM-BP和SVR的倾倒变形体变形预测

为了深入了解黄登水电站1号倾倒变形体的变形趋势,采用LM BP神经网络和SVR进行变形预测研究。基于倾倒变形体的实际变形监测资料,对位移、降雨、库水位、温度等资料进行分析,以库水位、降雨量、温度、时间作为输入参数,以位移变形作为输出参数,构建LM BP神经网络模型和SVR模型,对部分监测数据进行（先行学习）训练,对后续的监测数据进行验证预测,预测预报了研究测点的变形情况。分析结果表明,2个模型精度都比较高,LM BP神经网络模型的最大误差为2.53%,SVR模型的最大误差为4.35%,预测方法有效。     

基于Kalman滤波的ARIMA-NAR神经网络模型

深基坑变形监测在城市建设安全施工中显得越来越重要.鉴于监测数据不可避免地存在噪声及单个预测模型存在的预测残差问题,为提高基坑监测预测精度,以兰州市某深基坑监测中具有明显沉降的ZJ52为例,采取一种基于Kalman去噪的ARIMA-NAR神经网络组合模型进行预测分析.结果发现,经Kalman去噪后建立的ARIMA-NAR组合模型的预测结果的平均绝对误差、平均相对误差和残差方差分别为0.43、0.04、2.23 mm,预测结果均优于单一的ARIMA和NAR神经网络模型的预测结果,预测精度较好,其结果可为本项目的安全施工提供可靠指导.