面板坝中堆石流变对面板应力变形的影响分析

根据所选用的包括流变的堆石本构模型及其反分析得到的参数,以Cethana坝为对象进行三维流变有限元计算,从理论上分析了面板堆石流变对面板的应力和变形的影响,指出堆石的流变对面板的影响是趋于危险的。这种影响是不能忽略的。     

高边坡施工期变形预测遗传神经网络模型

基于BP网络存在的不足,将遗传算法引入到BP网络模型中,建立了高边坡施工期相邻层开挖暂停阶段变形预测遗传神经网络模型,对边坡时效变形进行预测,并对预测的结果进行检验,结果表明模型取得较好的预测效果,可供类似工程参考使用.     

基于小波神经网络的建筑工程沉降变形预测

变形监测是安全化、信息化工程建设和管理的重要内容,贯穿于建筑物设计、施工和运营整个过程.本文基于小波分析、BP神经网络、小波分析与神经网络结合的相关理论,借助MATLAB编程,建立了改进的BP神经网络、辅助式小波神经网络、嵌入式小波神经网络3种变形预测网络模型.结合工程实测数据,利用建立的3种模型,分别应用累积沉降和期间沉降不同模式数据进行预测.结果表明,两种小波神经网络组合模型的预测效果明显优于单一的BP神经网络模型,具有更高预测精度和更快的收敛速度,且训练样本数目越多,模型精度越高,预测效果越好.     

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。     

皮尔—遗传神经网络在预测深厚软基沉降中的应用

依托某高速公路应用塑料排水板堆载预压法处理深厚软基的工程实践．运用皮尔一遗传神经网络对其沉降观测结果进行了分析、预测．研究结果显示该方法预测精度高,说明这种方法对软土地基沉降的预测是有效的．     

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。     

基于小波SR-PSO-ELM的面板堆石坝沉降预测组合模型及应用

针对目前常规组合模型在残差序列信息挖掘上的不足,借助小波分析、逐步回归分析和粒子群算法对运行期沉降进行分层次预测,充分提取沉降观测中的非线性和不确定性信息,即利用小波去噪对观测数据进行处理,结合逐步回归模型(S R)对沉降变形的整体趋势层进行预测,并通过粒子群-极限学习机(PSO-ELM)对观测数据中的残差层进行第二层...     

基于RBF神经网络的软基沉降预测研究

将神经网络理论引入软基沉降预测领域．借助自控领域信号处理的思想，应用改进后的径向基函数神经网络的映射模式进行软基沉降的短期预测；软基沉降的长期预测实质上为基于神经网络的多维欧氏空间的曲面拟合问题，将地基压缩层从上到下分成若干段，每段的土性指标按段内各层土在段中的长度取加权平均作为系统的输入，将某个沉降模型的沉降曲线参数作为系统的输出，可以预测后期沉降曲线走势．实践表明，建立的基于RBF神经网络的软基沉降短期预测和长期预测模型是可行的，只要有足够多的训练样本，长期预测可以达到比较精确的预测效果．表5，参9．     

神经网络在高速公路软土地基沉降预测中的应用

简要介绍了高速公路软土地基的基本性质和对高速公路的主要影响,运用神经网络预测了软土地基的沉降,并计算出软土地基的沉降值。     

基于堆石体多重势面本构模型的混凝土面板坝应力变形分析

采用应力型多重势面模型模拟堆石体的本构关系.由于多重势面模型没有明确的屈服面,因此不存在传统意义上的加卸载判据.采用邓肯模型的加卸载准则对多重势面模型的加卸载进行判断,并依据弹塑性理论卸载时塑性刚度矩阵取为0.模型参数选择邓肯E-B模型的参数,利用自行开发的三维有限元法对金钟面板堆石坝进行应力变形分析,并与邓肯E-B模...     

夕昌水库混凝土面板堆石坝施工及运行期有限元仿真分析

为研究夕昌水库混凝土面板堆石坝内的应力应变分布规律,对该坝进行了施工及运行期的参数化有限元仿真。仿真结果表明:施工期和运行期的最大沉降量分别为28.9 cm和36.6 cm,发生于标准断面约1/2处;施工期和运行期两侧坝体产生的水平位移,由于水压力的平推作用差别较大;竣工期坝体标准断面第一主应力最大值分别为1.46 MPa和1.56 MPa,第三主应力最大值分别为0.51 MPa和0.62 MPa。仿真结果基本符合混凝土面板堆石坝施工及运行期的应力应变规律。     

基于经验模式分解与LM一BP神经网络的大坝变形预报模型

提出一种基于经验模式分解(EMD)与LM-BP神经网络相结合的模型进行大坝变形预报的方法.先利用EMD具有根据信号本身特征进行自适应分解的功能将变形时间序列分解为一系列不同尺度的固有模式分量IMF,再根据各个IMF的变化规律采用相匹配的LM-BP模型进行预报,最后对各分量的预报值进行叠加得到最终的变形预报结果.实例分析...     

用人工神经网络模型预测高填方地基工后沉降

以人工神经网络模型(多层BP模型)为研究手段,对九寨黄龙机场元山子沟104 m的高填方地基工后沉降变形特性进行深入研究.认为高填方地基工后沉降包括填筑过程中产生的部分瞬时沉降、加载结束后的主固结和次固结三部分,瞬时沉降速率最高可达20 cm/month,发展时间约为15～40天;主固结速率为0.3～3 cm/month,发展时间为8～14个月;次固结速率小于0.3 cm/month,发展时间为3～5年.且高填方地基最终沉降量为42～44 cm,竣工后半年(2003年4月)工后沉降量完成40%～50%,一年后(2004年4月)可完成70%～80%,两年后(2005年4月)可完成90%～95%.     

神经网络在成品油价格预测中的应用

列用BP神经网络和线性神经网络,进行了成品油价格的预测. 应用某炼油厂的两种原料油胜利原油和进口原油的价格、90#汽油的产量、销量、0#柴油的产量、销量共6个变量为输入矢量,预测了该炼油厂90#汽油和0#柴油这两种成品油的价格.     

基于灰色模型及其改进模型的土石坝沉降预测

考虑到土石坝沉降变形因素的复杂性以及GM （1,1）灰色模型基于贫信息数据所表现出来的优势,由大坝实测数据拟合构造GM （1,1）模型。为了进一步提高大坝沉降变形的预测精度,对原始GM （1,1）模型分别进行了考虑不同数据对预测结果有不同影响的加权改进和利用指数函数变换来提高原始数据光滑度的改进。实例应用表明,加权改进的GM （1,1）模型和函数变换改进的GM （1,1）模型的预测精度均优于原始GM （1,1）模型。     

人工神经网络在混凝土强度检测中的应用

建立混凝土测强换算关系是混凝土结构检测中经常面对的问题,然而要建立起检测物理量与混凝土强度之间的函数关系并非易事。本文利用神经网络方法建立了混凝土测强换算的BP网络模型,为混凝土结构无损检测中混凝土强度推定开辟了一条新途径。     

RCC坝热学参数人工神经网络反馈分析

基于人工神经网络的方法,建立了碾压混凝土坝施工期热学参数反馈分析模型．根据某碾压混凝土坝坝体温度观测资料,对碾压混凝土坝施工期热学参数进行反演,结果表明此法适用于解决这类复杂非线性问题．具有较好的稳定性和收敛性．反演结果满足工程需要．