Prediction of Concrete Faced Rock Fill Dams Settlements Using Genetic Programming Algorithm

In the present study a Genetic Programing model (GP) proposed for the prediction of relative crest settlement of concrete faced rock fill dams. To this end information of 30 large dams constructed in seven countries across the world is gathered with their reported settlements. The results showed that the GP model is able to estimate the dam settlement properly based on four properties, void ratio of dam’s body (e), height (H), vertical deformation modulus (Ev) and shape factor (Sc) of the dam. For verification of the model applicability, obtained results compared with other research methods such as Clements’s formula and the finite element model. The comparison showed that in all cases the GP model led to be more accurate than those of performed in literature. Also a proper compatibility between the GP model and the finite element model was perceived.

基于遗传算法的BP神经网络在轻质路基沉降预测中的应用

为更好地掌握轻质路基施工过程中的沉降变形情况,选取宁芜保通线部分轻质路基沉降监测数据,在BP(back propagation)神经网络模型的基础上,采用遗传算法对其进行优化,并将优化后的模型应用于轻质路基沉降预测。结果表明:遗传算法优化的BP神经网络在全局搜索能力和收敛能力方面具有明显优势;在轻质路基沉降预测任务中,多数预测结果的相对误差集中在更低的范围内,监测点1和监测点2预测结果的模型评价指标MAE、RMSE、MAPE分别为0.017 mm、0.021 mm、0.679%和0.013 mm、0.016 mm、1.395%,预测结果拟合程度高,误差小,模型泛化能力强。因此,遗传算法优化的BP神经网络的沉降预测模型具有可靠的预测效果与预测精度,在实际工程中可行性较高,可作为轻质路基沉降预测和预警的一种辅助手段。

基于粒子群算法优化最小二乘支持向量机在基坑施工过程中周围环境沉降预测研究

随着城市化进程的加快,越来越多的深基坑的周围环境日趋复杂,近年来预测模型在基坑施工过程中周围环境的沉降预测应用日益广泛,在预测精度方面取得了较为有效的成果,但模型的预测精度取决于参数选择,传统的参数选择往往基于试算法,该方法无确定的参数选择目标且计算体量过大。因此,本文提出一种基于粒子群优化算法来确定LSSVM参数的方法,计算结果表明通过PSO算法选择LSSVM参数,进而提高模型的预测精度和计算速度是切实可行的。

基于改进BP神经网络的大断面隧道地表沉降分析

文章针对青岛地铁特殊地质的地表沉降问题,以地铁4号线错埠岭站台施工阶段为研究案例,采用基于Midas的数值模拟与BP神经网络相结合的沉降预测方法,建立地表沉降预测模型。该模型改进BP神经网络模型收敛速度慢、易陷入局部极小点的不足,避免数值模拟误差较大、精度不准、可靠性低等因素对分析结果的影响。采用后检差检验法对模型拟合结果进行检验,得出具有较好拟合能力和泛化能力的BP神经网络模型。应用该模型对地铁隧道施工段进行沉降预测,分析结果与实测数据具有相似沉降趋势。

基于小波分析的地铁基坑沉降预测模型研究

为了提高地铁基坑沉降预测精度,准确把握地铁基坑沉降变形趋势,本文在支持向量机(Support Vector Machine,SVM)模型基础上引入小波分析与遗传算法(Genetic Algorithm,GA),提出了一种基于小波分析的GASVM预测模型。首先利用小波分析良好的去噪性能对原始观测数据进行去噪处理;其次使用遗传算法优化的SVM模型对去噪后数据进行建模与预测。以某地铁沉降监测数据为例进行相关实验,结果表明,在使用小波分析去噪时,在分解层数为1、Sym4小波基函数、阈值准则为rigrsure、scal=sln时的去噪效果最好。同时,相较于单一的SVM模型与基于小波分析的SVM模型,本文提出的基于小波分析的GASVM模型的预测精度更高,且预测精度不会随着预测期数的增加有较为明显的降低,具有较高的实际应用价值。

基于HGWO-SVR模型的竖向受荷斜坡桩基沉降预测

采用灰色关联分析深入研究了竖向荷载作用下斜坡桩基沉降的关键因素,各因素影响程度由大到小排序为:弹性模量>临坡距>斜坡坡度>内摩擦角>黏聚力>土体密度>土体泊松比>桩长>桩径。为优化支持向量回归(SVR)模型参数,引入差分进化,建立混合灰狼算法(HGWO),提出了一种新的HGWO-SVR模型。该模型与GWO-SVR和GS-SVR模型相比,表现出更显著的预测优势,整体预测精度高,误差较小。基于HGWO-SVR模型构建了斜坡桩基沉降的预测模型,并将其预测结果与已有沉降计算公式计算结果进行对比,结果表明,HGWO-SVR模型预测结果与公式计算结果最大误差为6.55%,验证了该模型在斜坡桩基沉降预测方面的可行性。

基于GA-SVM模型的软土路基沉降预测

为实现软土地质条件下公路路基的沉降预测,提出了一种基于遗传算法优化支持向量机的路基沉降预测模型。采用支持向量机算法构建了软土路基沉降预测的基本模型,用遗传算法对模型超参数进行了调优,以公路沉降观测点的监测数据为样本建立了GA-SVM的路基沉降预测模型。结果表明:遗传算法可以有效提高支持向量机对沉降数据的拟合精度;GA-SVM沉降预测模型对10个验证集样本的平均误差和均方根误差分别为0.001 5 mm、0.015 5 mm;未来10期观测点位的路基结构趋于稳定,稳定后的平均预测沉降量约为0.03 mm/d。

基于BP神经网络的隧道围岩参数反演分析

以张家口市东太平山隧道工程项目为背景,基于MIDAS软件建立有限元模型,利用退火算法优化GA-BP神经网络,设计正交试验并构建GASA-BP神经网络,通过隧道拱顶沉降、水平收敛和仰拱隆起3个参数的模拟值对围岩的弹性模量、黏聚力、内摩擦角进行反演分析。结果表明:使用GASA-BP神经网络反演所得到隧道拱顶沉降、水平收敛和仰拱隆起的模拟值,与实测值的最大相差分别为6.60%、19.80%、2.16%;与BP神经网络相比,GASA-BP神经网络整体反演精度更高,反演所得围岩参数精度处于合理区间,在此参数下建立的有限元模型可以对工程实际进行较好地模拟。

最优权组合预测法在路基沉降变形预测中的应用

文章以成熟的等间隔GM(1,1)灰色模型与BP神经网络模型为预测单模型,通过最优权算法分别计算出每个单模型的权重,构建组合预测模型。以某在建铁路工程路基沉降实测数据为例,分别建立了组合预测模型与两种单模型的预测结果比对。结果表明,在预测初期或末期,组合模型的预测精度各项指标均高于非等间隔灰色模型与BP神经网络模型,证明了最优权组合预测方法在路基沉降预测中的可行性与适用性。

基于GA-BP神经网络的软土路基运营期沉降预测

为了实现高速公路软土路基沉降的准确预测,采用遗传算法(GA)优化BP神经网络,研究3种输入对预测结果精度的影响.选取时间t以及其15 d前的沉降量S_(t-15)和平均沉降速率v_(t-15)为影响因素,在t、t-S_(t-15)、t-S_(t-15)-v_(t-15)三种输入下,分别取某高速公路软土路基运营期实测沉降数据的前50%、80%为训练集,余下原始数据为测试集,重复训练10次后取平均值作为输出值.采用决定系数(R^(2))来判别模型拟合度,均方根误差(RMSE)和平均绝对百分比误差(MAPE)作为模型性能的评价指标.结果表明:3种输入的R^(2)均大于0.99;训练集占原始数据的比例为50%时,t-S_(t-15)输入的预测误差最小,RMSE为1.31 mm,MAPE为4.71%;训练集占原始数据的比例为80%时,t-S_(t-15)-v_(t-15)输入的预测误差最小,RMSE为0.29 mm,MAPE为1.00%.t、t-S_(t-15)、t-S_(t-15)-v_(t-15)三种输入都可对路基沉降进行预测,其中t-S_(t-15)-v_(t-15)输入下取实测沉降数据的80%作为训练集时预测结果最精确.

基于改进的变权缓冲灰色模型在沉降预测中的应用

针对灰色模型在中后期沉降预测中的精度问题,提出了单、双权幂函数弱化缓冲算子,并结合变权背景值建立改进的变权缓冲GM(1,1)模型。证明了新算子能提高光滑性、缩小级比偏差,实现对原始沉降数据的预处理。对于模型中的权值采用以还原值与原始值平均相对误差最小为目标的粒子群优化算法确定。最后,以高填方机场地表沉降数据预测为例,验证所提改进模型的有效性。结果表明:新算子能够有效弱化沉降序列受到的冲击扰动影响,结合变权背景值能显著提高灰色模型在中后期沉降预测中的精度。此外,对新算子的权值进行限定后,可得到两种不同的变权弱化缓冲算子。

基于PSO-SVM的无砟轨道路基沉降病害识别

为了探究实时、准确的路基不均匀沉降识别方法,以CRTSⅠ双块式无砟轨道路基沉降病害为研究对象,建立车辆-轨道-路基垂向耦合动力学模型,讨论不同路基沉降状态下的车辆-轨道系统振动规律,选取路基沉降识别敏感特征,并基于粒子群优化支持向量机算法实现对无砟轨道路基沉降病害的有效识别。研究结果表明:钢轨及道床的垂向位移对路基沉降变化较为敏感,随沉降幅值的增大而增大,随沉降波长的增大而减小,而路基沉降对钢轨及道床垂向振动加速度影响较小,利用轨道结构振动响应判断路基沉降状态可行性较低。车体、转向架及轮对垂向振动加速度随着路基沉降幅值增大而增大,其中车体、转向架对路基沉降幅值变化相对敏感,而轮对相对不敏感。随着沉降波长增加,车体与转向架垂向振动加速度先增大后减小,车体对沉降波长的敏感程度远高于转向架,故可将车体垂向振动加速度作为识别敏感特征。车体垂向加速度振动信号对无砟轨道路基沉降波长的识别准确率高于对沉降幅值的识别准确率,其中沉降幅值为20 mm时的识别准确率为84.78%,表明算法在该工况下的识别性能相对较低,但仍能保证一定的准确率,而对于无沉降和不同沉降波长工况,算法识别准确率接近100%。研究成果证明了粒子群优化支持向量机算法可实现对无砟轨道路基沉降的有效识别。

考虑非共轴性的隧道开挖引起的地表沉降数值分析

为研究与主应力旋转密切相关的土体变形非共轴性对隧道工程数值变形分析结果的影响,采用考虑土体变形非共轴性的本构模型对隧道开挖引起地表沉降的问题开展有限元分析。首先,在考虑双曲硬化法则的Drucker-Prager模型中引入角点型非共轴流动法则构建非共轴模型;然后,推导该模型的半隐式应力更新算法的理论迭代格式,并编写相应的用户材料子程序UMAT,从而将该模型在ABAQUS/Standard分析模块中进行数值实现;最后,建立平面应变条件的隧道开挖有限元模型,分析考虑非共轴性的主应力旋转对隧道开挖的影响规律。分析结果表明:1)隧道开挖会在隧道腰部发展出2条交叉的塑性带,分析模型中非共轴塑性模量越小,塑性带延伸越远;2)随非共轴模量的减小,开挖面周围土体主应力旋转的区域和程度变大;3)本构模型的非共轴效应越强,隧道开挖引起的最大地表沉降值越大,地表沉降曲线的沉降槽越深;4)隧道收敛变形中,顶部和侧面向隧道内收敛变形的程度会随模型非共轴塑性模量的减小而增大。

一种高效浓密机尺寸估算法在充填尾砂浓缩中的应用

为预估某金属矿建设阶段井下充填高效浓密机及深锥浓密机的浓密面积及耙距,采用选矿流程试验产生的尾砂样品及相邻矿石性质相近矿山选矿流程尾砂作为浓密试验机的给矿样品,通过静态沉降试验,开展了尾砂自然沉降规律及絮凝沉降规律研究。研究确定了不同给入尾矿浆浓度条件下的尾矿沉降速度及底流浓度,从而优选出了最优絮凝剂添加量;并根据入料浓度30%、絮凝剂添加量20 g/t时的沉降曲线,建立了沉降数学模型,利用Kynch理论,结合C-C法及T-F法,预估该矿山需1台直径15 m、耙距210 kNm的高效浓密机及1台直径13 m、耙距650 kNm的深锥浓密机对尾砂浆进行浓密,以使充填尾砂达到似膏体状态。

基于ABC-BP神经网络的地铁盾构地表沉降预测

为研究地层参数和盾构掘进参数与地表沉降的非线性关联性,依托南京地铁6号线盾构区间,采用人工蜂群算法ABC优化BP神经网络,建立可预测地表沉降的ABC-BP神经网络模型。连续3个断面地表沉降预测结果表明:ABC-BP神经网络的预测精度和预测稳定性优于BP神经网络,且预测值与实测值一致;ABC-BP神经网络可较为准确地反映盾构机接近监测断面过程中的地表变形演变规律,最终实现地表变形控制的目的。提出了ABC-BP神经网络现场应用思路,构建了地层-掘进参数-沉降的关系,进而通过地层参数直接实现对盾构掘进参数和地表变形控制。

基于FA-ELM模型的隧道拱顶沉降预测研究

准确预测隧道拱顶沉降对隧道的安全施工至关重要。为了提高隧道拱顶沉降的预测精度,引入了萤火虫优化算法对极限学习机的权值和阈值进行优化,提出了一种基于萤火虫算法优化的极限学习机预测模型。将该模型运用于重庆轨道交通十号线南坪站至南滨路站隧道拱顶沉降中,并将模型预测值和实际监测值对比。结果表明,经过萤火虫算法的优化,预测模型的误差范围由0.85%~14.278%降低到0.308%~6.618%,平均误差由7.225%降低到3.788%。可见萤火虫算法优化的极限学习机模型具有更高的预测精度,该预测模型能够更好地运用到隧道拱顶沉降的预测中,以提高隧道施工的安全性。

基于数据融合的油水分离效果预测研究

面向油气田开发中油水分离效果的智能预测,在考虑分离器结构参数、采出液物性参数、来液流动参数基础上,基于分离器中油水分散液滴沉降动力学分析,采用数据融合方法将油水分离的特征参数与支持向量机算法相耦合,通过分离器样本数据的机器学习训练,建立了基于数据融合的油水分离效果预测方法,并开展了脱水温度、脱水时间、原油物性参数(密度、黏度、界面张力)等影响因素对预测分离效果的系列分析,以期为油气田地面采出液智能分离技术的发展提供理论支持和研究基础。

水闸围堰深层粉砂土中高压旋喷桩渗透监测研究

不同沉降高度下的高压旋喷桩渗透监测效果有较大差异,沉降高度越大,监测精度越差。为保证沉降高度较大时的渗透监测效果,设置渗透方程,结合沉降高度,建立高压旋喷桩渗透模型,设计渗透监测算法。对比不同沉降高度下3种监测方法的渗透系数,当沉降高度大于5m后,其他两种对比方法的监测结果均超出标准值,可见该方法能够在较大沉降高度下保证监测精度。

基于K-Means聚类算法的灌区人居景观特征研究分析——以世界灌溉工程遗产东风堰为例

名列首批世界灌溉工程遗产的东风堰,在过去360余年里,为夹江的农业发展、生态保护、人居环境改善产生了巨大效益。基于灌区人居景观体系理论、罗西类型学、皮尔逊相关性分析及K-Means聚类算法对东风堰灌区人居景观体系格局特征与发展现状进行研究。首先依据人居景观体系理论甄别出潜在三大研究要素“水系—农田—村落”,对相关数据筛选、清理和整合后,运用类型学理论和皮尔逊相关系数证明了三大要素的承载关系具有高度相关性和耦合性。进而,较为创新地运用计算机无监督学习K-Means聚类算法解析现代灌区人居景观体系:以灌区内的行政村(1)为基本单元,选择村域内水系数、灌溉农田面积和承载人口数为三组数据指标,对灌区“水系—农田—村落”景观体系的关系迭代计算归类,得到三类村落的聚类阈值。进一步量化村落聚类关系,运用景观生态学及图底关系理论分析各类村落异质性特征及验证其水资源安全及农业生产模式的合理性,并给出各类村落的人均拥水量评估标准建议,总结出灌区城乡建设应遵循“以水定产,以产定人”的规划原则,同时提出了不同水资源条件下的产业模式策略。为东风堰世界灌溉工程遗产传承提出保护建议、灌区村落未来发展提供相关参考值,并为其他同类型灌区的人居环境建设提供典例。

地基沉降工况下配电网杆塔应变实时监测及预警技术研究

针对配电网杆塔中出现的实时监测方地基的沉降现象,提出了新型的分析方法,设计了一种系统化的结构性沉降问题分析系统。该系统包括地址数据信息采集单元、分析模型单元、应用模块等,满足多种数据分析的需要。在常规PDA算法模型的基础上,提出了算法改进。在常规PDA算法模型中加入小波算法模型,提高了信息获取的精确度,通过融入孤立森林,能将影响配电网杆实时监测的多种信息融合在一起,提高数据的融合能力。在常规算法中,还增加了神经网络算法模型,实现了配电网杆实时监测数据信息的故障诊断能力。通过试验证明该方法精度较高。