BP神经网络在围岩变形预测中的应用

利用神经网络，建立了围岩变形预测的BP神经网络模型，采用围岩变形的实测数据对网络进行了训练，以此训练好的BP神经网络对围岩变形进行了预测。预测结果表明，该模型具有很高的预测精度，为预测围岩变形提供了一种新的方法。     

隧道围岩应力时序的神经网络预测模型

围岩应力是影响隧道稳定性的根本因素,掌握隧道围岩应力的变化发展趋势,是准确判断隧道稳定性的前提.针对隧道围岩应力变化难以准确预测的问题,作者在分析了隧道围岩应力变化规律和主要影响因素的基础上,采用BP神经网络建立了隧道围岩应力时序的神经网络预测模型.模型在綦万高速公路观音岩隧道施工中成功应用,结果表明采用神经网络预测隧道围岩应力时序是可行的,其使用简便,预测准确.     

改进一维卷积神经网络的隧道围岩收敛变形分级预测

隧道围岩收敛变化是认识围岩和支护结构动态作用及其时空演变机理的前提,变形分级准确预测是对围岩稳定性和支护结构有效性评估的重要基础.本文提出了改进一维卷积和支持向量机融合深度网络的隧道收敛变形分级预报模型.根据围岩变形的主要影响因素和特征类型,选取强度应力比、隧道埋深、隧道等效直径、支护刚度和岩体质量指标,建立了变形等级的识别框架.收集了159组国内外经典的隧道收敛变形实例数据,采用全局均值池化层和支持向量机改进传统卷积神经网络中全连接层和Softmax层进行等级分类,利用改进的一维卷积神经网络自动提取隧道变形的隐含典型特征.运用衰减学习率和Dropout正则化深度学习训练技巧,防止模型出现过拟合.与其他方法的结果对比,证明了该方法有着更好的准确率和鲁棒性,模型完全利用数据驱动实现有限数据集的深层复杂且微妙关系学习.应用于多雄拉公路隧道的围岩收敛变形分级预测,预测结果与现场实际一致,进一步验证了方法的准确性和适用性.研究结果有利于提高隧道收敛变形预测的理论水平和可靠性,为类似工程提供参考.     

饱和粘土本构关系的神经网络模型

基于不同应力中径下饱和粘土的三轴试验和反问题理论，提出了用改进BP神经网络和径向基函数（RBF）神经网络这两种方法来建立粘土的本构模型。实例分析表明，两种模型对具体本构关系都能够很好逼近和预测，比较起来，径向基函数神经网络模型的稳定性好，且逼近速度快，而改进BP神经网络稳定性好，但逼近速度过慢。     

应用改进BP神经网络进行用水量预测

针对工业用水量的特点，建立了改进的BP神经网络用水量预测模型，采用遗传算法对BP神经网络权系进行优化改进，改进的BP神经网络算法预测结果好于灰色理论预测和BP算法预测。以本溪市某供水厂用水量数据对改进的BP神经网络模型进行训练并预测，将其预测结果与灰色理论预测和BP神经网络预测结果进行比较分析，得出该方法用于供水系统用水量预测误差较小，同时克服了其他两种算法的缺陷。     

IWOA和BP神经网络的压缩机故障检测算法

针对压缩机故障难以检测与分类的问题,传统的方法是采用BP神经网络的检测方法,利用从压缩机语音信号中提取的识别特征来预测压缩机故障类型,该方法具有良好的可行性,但是BP神经网络容易陷入局部最优值的情况,从而导致了预测精度较低和稳定性较差的问题。因此,本文提出了改进的鲸鱼优化算法(IWOA)和BP神经网络的模型,首先通过优化WOA中的搜索猎物被执行的概率和包围猎物向最优个体聚集的过程,从而提高了IWOA的全局搜索能力和收敛速度,其次将IWOA对BP神经网络的权值和阀值进行深度寻优,从而提高了BP神经网络的预测精度和稳定性,最后将该模型运用到压缩机故障检测实验中。实验结果表明,与其他模型相比,证明了IWOA和BP神经网络提高了预测精度,且具有良好的稳定性。     

大跨平屋盖结构风压分布特性的神经网络模型

影响大跨平屋盖结构风荷载分布特性的因素很复杂，且具有不确定性，仅靠风洞试验难以完整的描述其风荷载分布的整体特性，针对这种情况，本文中提出用改进的BP神经网络和模糊神经网络两种方法来建立反映大跨平屋盖结构风压分布特性的模型，并用试验数据进行了验证．结果表明，这两种模型都能很好的逼近和预测大跨平屋盖结构风压分布的特性，相比之下，改进的BP神经网络稳定性较好，但逼近速度慢，精度也不高；而模糊神经网络由于结合了模糊系统和神经网络的优点，其稳定性好，逼近速度快，且精度高，这表明模糊神经网络方法是预测大跨平屋盖结构风压分布特性的有效途径，在结构风工程中具有广阔的应用前景。     

基于神经网络的空调负荷混沌优化预测

从空调负荷预测的目的出发，详细介绍了一种基于神经网络的混沌优化方法，对误差函数及搜索方法作了适当的改进，建立了一个混沌神经网络模型。并用此改进的模型对一实例进行了空调负荷预测，结果表明该方法简便、足够准确可靠。     

多变量经济混沌时序的小波神经网络预测

提出了一种改进的小波神经网络，通过对C—D生产系统模型和财产管理模型中产生的经济增长混沌时序，进行多变量混沌时序的相空间重构，并采用改进的小波神经网络进行预测，证明其短期预测效果优于其他方法，说明该方法可以应用到经济增长混沌系统的预测中．     

GA优化灰色神经网络的煤矿瓦斯浓度预测

针对神经网络在煤矿瓦斯浓度预测中存在缺少大量实时数据和难以精确建模的问题,建立一种遗传算法优化灰色神经网络模型。采用灰色预测少数据模型理论和神经网络的自学习能力构建改进的瓦斯浓度预测模型,并利用遗传算法对该模型的初始权值和阈值进行优化。结果表明,遗传算法优化灰色神经网络模型较传统模型提高了瓦斯浓度的预测精度和速度。该研究为预防瓦斯事故的发生提供了有益参考。     

北固山隧道施工力学特征及围岩变形控制

基于ANSYS软件,采用有限元法和BP神经网络建立数值分析模型,并确定围岩的力学参数.首先,考虑隧道开挖的空间效应,并分析围岩的位移场和应力场.然后,阐述围岩和边坡的破坏机理,从而进一步表明围岩的牵引作用对边坡和隧道稳定性的重要性.最后,应用所得破坏机理对北固山隧道围岩变形进行分析.结果表明:考虑边坡稳定性和围岩变形的技术方案是合理、有效的.     

ART1神经网络在隧道围岩分类中的应用

将自适应共振理论(ART)神经网络模型用于隧道围岩分类,改进了ART1神经网络的工作过程,通过自适应的学习记忆过程,建立了分类模型,有效地避免了人为主观因素的干扰.利用川藏公路二郎山隧道围岩分类样本对模型进行检验,结果表明,ART1神经网络模型性能良好,对隧道围岩分类的精度较高,是一种值得推广和应用的围岩智能分类方法.     

BP神经网络技术与Geo-Studio对比分析隧道围岩应变并预测

隧道新奥法施工中,围岩应变是评判围岩稳定性和施工组织的经济合理性的重要指标。根据监控实测资料,针对围岩应变随时间的变化,采用人工神经网络技术建立实时跟踪预测模型,通过将预测结果与实测数据对比,并结合有限元数值模拟结果分析,发现三者吻合得较好,能够对围岩的进一步变形做出合理预测。     

地质突变条件下基于组合模型的围岩等级和TBM掘进参数预测

为了提高硬岩隧道掘进机(TBM)施工的安全性和智能化,基于TBM掘进数据,提出了一种将双向长短期记忆(BiLSTM)网络与支持向量机回归(SVR)算法相结合的可以同时进行围岩等级和TBM掘进参数预测的组合模型(BiLSTM-SVR模型)。实例验证结果表明:BiLSTM-SVR模型对围岩等级的预测准确度较高,均方根误差均小于0.026 5、平均绝对百分比误差均小于0.95%;BiLSTM-SVR掘进参数预测中,推力和扭矩的预测准确度最高,净掘进速度和开挖比能的预测准确度最低;BiLSTM-SVR模型比BiLSTM模型和SVR模型的掘进参数预测准确度有较大的提高,因此进行单一模型的组合可以有效提高模型预测的准确度和鲁棒性。     

基于人工神经网络的井泉滑坡稳定性

针对组成边坡的地质条件、岩土体物理力学性质等因素的不确定性、模糊性特点,为了解决准确预测边坡稳定程度的问题,利用人工神经网络技术,在边坡稳定性评价方面进行了探索,建立了一种把人为因素降到最低程度、融定量与定性指标于一体的边坡稳定性综合评价模型,并应用该模型对井泉滑坡工程实例进行了分析。分析结果表明:该模型对井泉滑坡的安全系数与边坡状态判断准确,与实际情况吻合。该模型在边坡稳定性评价方面具有重要的工程应用。     

ANFIS在水电站地下厂房围岩变形预测中应用

针对目前应用人工神经网络(ANN)方法预测地下洞室围岩变形时间序列的缺陷,提出一种将神经元网络和模糊逻辑有机结合的新型模糊推理系统——ANFIS(adaptive-network-based fuzzy inference systems),该系统采用反向传播算法和最小二乘法的混合算法分别调整前提参数和结论参数,充分地利用了神经网络的学习能力和模糊逻辑的表达能力,实现了回归模型的自适应调整.通过龙滩电站的实例应用可以发现,ANFIS预测系统较传统ANN方法具有简单、快速以及预测精度高等特点.     

福州大腹山隧洞围岩位移的非线性时序分析

以福州大腹山隧洞为例 ,在分析其工程地质条件的基础上 ,对隧洞围岩位移监控量测数据建立了非线性时间序列分析模型 .所建模型可用于预测隧洞围岩位移的未来变化 ,评价围岩的稳定性     

小净距2扩4隧道变形规律的BP小波神经预测

以泉厦高速扩建工程大帽山隧道为例,通过周边位移和拱顶沉降的监测数据对小净距扩挖隧道的围岩变形规律进行分析.研究表明:小净距2扩4隧道具有和其他隧道不同的变形规律.在此基础上将小波函数引入BP神经网络建立BP小波神经网络模型,对特大断面超小净距隧道2扩4时围岩变形进行预测,并将预测结果与BP神经网络的预测结果进行对比.结果表明:BP小波神经网络模型收敛快、精度高,优于BP神经网络模型,预测的精度达10%以内,满足工程精度要求.     

基于Bayesian多分支岩石可钻性值估计

针对智能优化控制过程中岩石可钻性参数估计存在非实时性和模型泛化能力差的问题,采用两层结构建立基于Bayesian多分支岩石可钻性估计模型。通过Bayesian分类器实现岩性分类以提高可钻性模型样本数据的相关性,细化可钻性估计模型;采用改进双链量子遗传算法优化的BPNN结构,根据不同的岩石类型建立相应的岩石可钻性IDCQGA_BPNN估计模型。结果表明,该方法通过算法优化网络模型增强了模型的泛化能力,加快了参数的估计速度和估计精度,能够满足智能优化控制过程中岩石可钻性参数估计的实时性需求。