岩溶塌陷预测的高斯过程机器学习模型

为研究在多种复杂影响因素下岩溶塌陷如何准确预测,针对现有方法的局限性,建立了一种基于高斯过程机器学习的岩溶塌陷预测模型.该模型通过对少量学习样本的学习,就可以建立岩溶塌陷与其影响因素之间的复杂非线性映射关系.将模型应用于工程实例,研究结果表明,岩溶塌陷预测的高斯过程机器学习模型是科学可行的,具有预测精度高、适用性强、参...     

深基坑降水的双层结构模型及有限元计算

基于不同水文地质层水流运动特征的差异,考虑到土层降水-固结过程中渗透系数和贮水系数随土层物理力学参数的非线性变化,对基坑降水过程中的地下水流计算,提出了可同时求出各分层地下水位的双层结构数学模型及有限元计算方法．润扬长江公路大桥南锚基坑工程降水计算表明．双层结构模型为深基坑降水与沉降的非线性耦合计算,基坑土体变形预测、控制,工程施工和设计提供了新的计算分析途经．     

基于高斯过程机器学习的冲击地压危险性预测

针对多种复杂影响因素条件下,如何有效预测冲击地压危险性这一类复杂的模式识别问题,提出一种基于高斯过程机器学习的冲击地压危险性预测新模型,通过对少量训练样本的学习,能很好地建立冲击地压危险性与其影响因素的非线性映射关系.算例结果表明,该模型科学可行、容易实现且预测精度高,具有良好的工程应用前景.     

采用小波变换和高斯过程的肌电信号模型预测

根据表面肌电信号的生物电信号特点,采用小波变换和高斯过程建模的方法对表面肌电信号进行建模和预测.对非线性的表面肌电信号利用拟合能力强大的高斯过程进行建模,预测效果较好,但所需运算时间长.针对其运算时间长的缺点进行改进,将预处理后的表面肌电信号小波分解,对分解后的系数高斯建模,然后重构.实验结果表明:该改进方法在响应时间和预测误差方面效果明显.     

基于高斯过程的点匹配方法

针对点匹配问题,在已知两个点集对应关系的情况下,通过高斯过程回归计算两个点集的空间几何变换模型.首先,给定高斯过程的协方差函数,通过对训练样本的学习计算协方差函数中的未知参数,得到后验的高斯过程.然后,根据后验的高斯过程预测测试样本的目标值,完成函数映射.该方法在空间几何变换模型的非线性映射能力与问题求解复杂度之间折衷,是一个基于训练样本的自动学习过程.仿真结果表明:该方法具有较好的非线性映射能力,并且只需较少的运算时间.     

基于灰色理论的基坑变形预测预报系统研究

基坑工程是部分信息已知、部分信息未知的灰色系统,利用其具有的灰色特征,建立基于灰色模型的GM(1,1)的基坑变形预测预报系统,并采用Fortran语言编程对其建模过程、模型预测精度检验及模型修正进行全过程实现.工程应用表明,建立的基坑变形预测预报系统具有较好的适用性和较高的精度,对指导基坑信息化施工具有一定的指导作用.     

圆弧破坏型岩质边坡安全系数快速估计的高斯过程模型

高斯过程是新近发展起来的一种新的机器学习方法,对处理复杂非线性问题具有良好的适应性.针对边坡非线性系统的复杂性,为实现边坡安全快速设计和稳定性评价的工程实践要求,在高斯过程回归模型的基础上,提出了一种圆弧破坏型岩质边坡安全系数估计的高斯过程模型.该模型不必建立复杂的力学计算模型,而是利用高斯过程的自学习功能,通过对工程实例先验知识进行学习,建立圆弧破坏型岩质边坡安全系数与其各种影响因素之间的非线性映射关系,然后利用贝叶斯推理规则估计边坡安全系数.工程实例研究的结果表明,该模型是可行的,可以快速准确地给出具有概率意义的圆弧破坏型岩质边坡安全系数.     

基于MSPM的故障诊断技术研究现状与展望

首先,阐述基于主元分析(PCA)模型、偏最小二乘法(PLS)模型和独立分量分析(ICA)模型的统计过程监控方法的基本思想及应用情况,并综述各种方法的研究现状及发展趋势.其次,介绍将传统统计过程监控技术与故障预测技术相结合,并实现基于多元统计过程监控(MSPM)的故障预测的方法及其研究成果.最后,分别就多元故障预测技术中出现的非高斯、非线性、多模态、概率分布、间歇过程的故障预测和应用验证等6个难点问题进行讨论.     

基于等压差充电时间的锂离子电池寿命预测

针对锂离子电池寿命在线预测时直接测量困难及容量再生的现象,提出一种基于等压差充电时间和改进高斯过程回归模型的电池寿命预测方法.建立了具备不确定性表达能力的高斯过程回归模型,并采用组合核函数与粒子群算法进行了模型优化.在恒流充电过程中提取等压差充电时间参数,将其作为健康因子建立了广义线性回归模型,通过预测等压差充电时间进行电池容量估计与寿命预测,根据电池充放电循环数据进行实验验证.结果表明:基于等压差充电时间的高斯过程回归模型预测方法可以预测容量非线性退化轨迹,具备较高的锂离子电池寿命预测精度及在线预测能力.     

基于参数优化动态GPR的反应釜出料浓度预测

由于釜式反应器内的反应过程是动态过程,故采用静态非线性映射建立预测模型时存在预测精度低和模型泛化能力差等问题.针对上述问题,提出一种基于参数优化的动态高斯过程回归模型预测连续反应釜出料浓度.根据贝叶斯信息准则确定模型阶次,构建动态输入.采用粒子群优化算法对高斯过程回归协方差参数进行优化,以提高模型的预测精度.实验结果表明,该方法能够有效提高模型的预测准确度和泛化能力.     

基于改进MSD法的软土深基坑支护侧移规律

软土地层中建造大型深基坑工程时往往面临着较大的风险和挑战,支护结构易发生变形且难以预测.对已有的可动强度设计(mobilizable strength design,MSD)理论进行总结,引入围护结构的弯曲应变能和内支撑的压缩弹性势能,完善基坑变形过程中的能量守恒体系,改进MSD法计算公式,并以济南黄河隧道北岸盾构工作井基坑工程为依托,对软土地层深基坑连续墙的变形进行预测,同时利用有限元分析法进行预测,并将预测结果与现场监测数据进行详细的分析比对,论证改进MSD法+有限元分析法预测体系的可靠性,分析误差来源,提出降低误差的措施,供类似工程参考.     

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。     

基于开挖方法对深基坑变形的分析与施工优化

为研究开挖方式对深基坑变形分析与施工优化,采用有限元软件FLAC3D对上海某深基坑开挖进行模拟.通过改变开挖方式,在数值计算中设置若干种工况,研究开挖过程中的基坑围护结构位移变化、地表沉降.研究结果表明:3种不同的开挖方法对于基坑变形的控制能力依次是台阶式退挖、跳挖、竖向顺序分层开挖.在采用了新的开挖方式后,基坑周边的最大沉降值也由之前的10 mm左右减小到8 mm左右,基坑围护结构最大水平位移由原来的45 mm减小到40 mm,说明新的开挖方式有效的控制了深基坑变形.     

基于误差分级迭代法的基坑变形预测

BP(back propagation)神经网络算法在变形预测方面存在收敛速度慢、学习效率低、容易陷入局部最小值等问题,直接影响预测结果的精准性,利用误差分级迭代法优化的神经网络能够更好地降低误差,提升预测性能.通过对比分析误差分级迭代法与BP神经网络的优势,建立误差分级迭代法模型并编制误差分级迭代法变形预测程序.采用基坑工程实测数据,经过误差分级迭代法优化后神经网络的最大误差为0.96％,与径向基神经网络预测精度相比提高3.5％,利用误差分级迭代法预测基坑变形结果其精准性较高,具有一定的实用价值.     

近接既有结构深大基坑隆起变形控制——以天津地铁5号线思源道站接建地下空间工程为例

现行基坑支护规范抗隆起主要验算支护结构的稳定,无法满足拓建工程对基坑隆起变形的严格要求。从力学平衡和刚度控制的角度,阐明了深大基坑隆起的力学机理和隆起荷载的计算方法,提出了控制基坑隆起的新途径。研究表明：基坑隆起荷载与支护结构的入土深度、基坑深度、基坑宽度、土体内摩擦角和土体重度等因素有关;将基坑隆起问题转化为坑底加固土层的平衡问题,可以作为拓建工程基坑隆起控制的计算方法;坑底土体刚性加固和抗拔桩是控制基坑隆起变形的重要措施,坑底加固和抗拔桩应在基坑开挖前实施。     

深基坑支护结构选型决策的Fisher判别分析模型

针对传统的深基坑结构选型评价方法存在的问题,应用统计学理论并遵循“安全、经济、合理”的原则,选取了10个实测指标作为影响深基坑支护方案选型的判别因子,建立深基坑支护结构选型的Fisher判别分析模型 (FDA)。利用国内64组深基坑支护实例作为学习样本进行训练和检验,对水泥土重力式、土钉墙、桩锚、桩撑、地下连续墙等5种深基坑支护方案进行优选,并利用回代估计法对FDA模型进行检验。经过训练后的模型回判估计的误判率为14.1%。对另外10组待判样本进行测试,正确率100%。此外利用该模型对某市新世界中心工程深基坑支护结构选型进行决策,结果与实际情况符合较好,说明该模型在研究深基坑支护结构选型中具有良好的实用性和有效性,可为解决深基坑支护结构型式的优化选择提供一种新思路。     

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。     

深大基坑自动化监测及智能预警平台

针对深大基坑人工监测中监测不及时、监测数据精度低、监测数据少等问题,以武汉某基坑工程为依托,利用自动化监测与采集设备获得了基坑变形、受力等监测数据,利用前端开发工具Visual Studio Code和后端开发工具IntelliJ构建了深基坑自动化监测与智能预警云平台。研究结果表明,支护桩最大水平位移在0.4倍支护桩长位置处,地表沉降随基坑开挖深度增加而增大,支撑轴力随基坑开挖深度增加而线性增大且轴力增长速率随后续支撑施加而降低。深大基坑自动化监测及智能预警平台实现了基坑施工全过程中自动化监测、智能动态预测与风险评估。