灵巧型梁预测变形的一种高精度方法

目的是开发一种有效的方法简单而准确地检测挠性结构的变形，以承受未知横向载荷的梁为研究模型，将梁均匀分割成若干单元，在每个单元中心布上应变片，按Ｔｉｍｏｓｈｅｎｋｏ梁变形假设，引入有限元基本原理，推导了一种能够仅仅依据应变片的读数即可求解梁的变形的计算方法，理论和实验都证明了这一方法的可行性和准确性．

GM(1,1)模型预测变形局限性研究

将灰色系统理论GM(1,1)模型应用于路基工程进行变形预测,结合一工程实例阐述了该理论应用条件、建模方法,精度处理方法等,从预测结果和实测结果进行对比分析,指出了应用该理论对预测路基变形的局限性,对于开展路基变形的中长期预测,应慎用GM(1,1)模型。

基于TCN和迁移学习的混凝土坝变形预测方法

混凝土坝变形测点数据丢失或者新增测点测量时间太短都会导致这部分测点的数据量不足,使得变形预测精度受到影响。为了提高这些小数据量测点的变形预测精度,提出了将时域卷积网络(TCN)与迁移学习相结合的变形预测方法。以数据量充足的测点为源域,以缺少数据的测点为目标域,将在源域上训练好的TCN模型的结构和参数迁移到目标域模型中,固定其中的冻结层参数,利用目标域中的数据对目标域模型可调层参数进行调整。同时,采用动态时间规整选择与目标域数据序列相似度最高的监测数据作为最佳源域数据,提升迁移学习效果。工程实例分析表明:迁移学习后的目标域模型的均方根误差和平均绝对误差与利用足量数据训练的TCN模型的预测误差相比,差异仅分别为1.73%和8.09%,小数据量情况下TCN预测模型的精度得到了提高。

基于CNN-LSTM的大坝变形组合预测模型研究

为了提高大坝变形预测模型精度和泛化能力,建立了一种基于卷积神经网络(Convolutional neural networks,CNN)与深度学习长短期记忆(Long short-term memory,LSTM)神经网络的组合预测模型CNN-LSTM。该模型先利用CNN提取大坝变形监测时间序列的特征,再利用LSTM生成特征描述,该模型精度高、泛化能力强。以柏叶口水库混凝土面板堆石坝为例,经过CNN-LSTM模型计算,将模型变形预测值与原型监测资料进行对比,再与LSTM模型及CNN模型的预测结果进行对比。结果表明,CNN-LSTM模型预测值最接近监测资料实测结果。

航空齿轮薄辐板车削加工变形预测及切削参数优化研究

为了满足直升机传动系统轻量化的需求,作为直升机关键零部件的传动齿轮具有薄壁的显著特征,在切削加工中容易出现变形严重和尺寸精度难以保证的问题。本文以高强度中合金渗碳钢齿轮薄辐板为研究对象,基于ABAQUS有限元分析软件,开展了切削加工仿真研究,通过建立三维动态切削仿真模型,分析了加工过程中工件所受的切削力与切削参数之间的关系;并运用静态仿真分析了切削力和夹紧力叠加对薄辐板加工变形的影响,对仿真结果进行了极差分析。最后,通过开展试验对仿真结果进行了验证。结果表明:齿轮薄辐板加工变形量静力学分析显示齿轮辐板轴向变形量最大,径向变形在轮毂处最大;极差分析发现,切削速度为150 m/min、进给量为0.06 mm/r、切削深度为1.8 mm为最优切削参数,最大变形量的预测误差小于10%。

交通荷载下煤矸石路基填料累积变形PSO-BP神经网络预测模型

基于煤矸石路基填料大型动三轴试验结果,采用灰色关联分析法分析累积变形影响因子,确定了围压、压实度、级配参数、循环荷载振动次数4个特征参数。引入PSO算法对BP神经网络的权重、阈值进行全局寻优并赋值,提出了一种煤矸石路基填料累积变形PSO-BP神经网络预测模型。与传统BP神经网络模型对比结果验证了该预测模型的可行性和优越性,并通过不同学习程度下模型的预测效果分析了模型的泛化能力,证明了模型的预测潜力。

成都膨胀土地区深基坑降雨稳定性分析与变形预测

成都膨胀土分布广泛,降雨是引发该地区深基坑工程事故的一个重要因素。基于工程实例的调研,分析了降雨入渗作用下排桩支护的成都膨胀土地区深基坑的典型变形失稳过程;总结了基坑常见破坏类型;基于工程实测数据,将基坑水平变形曲线概括为3种类型:陡变型、渐变型和稳定型。根据该地区深基的变形失稳的发展过程以及降雨初期3种不同类型实测水平变形曲线的发展规律,指出成都膨胀土地区深基坑工程的早期的风险防范可以以围护结构的水平变形为依据。基于小波分析、人工神经网络和Copula随机变量相关性分析方法,建立了考虑降雨影响的基坑水平变形预测模型,并对实际深基坑的变形进行了预测,基于预测的变形提前给出了风险预警。变形的预测结果与实测结果具有较好的一致性,初步证实了所提出变形预测模型的有效性。在采用相同的变形预警指标情况下,根据预测变形进行风险预警能够大幅提前预警时间,为优化处理方案提供依据。

特高拱坝变形机理可解释性智能预测模型

针对传统“黑箱”模型可以预测却无法解释拱坝变形的缺陷,利用Shapley Additive Explanation(SHAP)理论对特高拱坝的机器学习变形预测模型进行解构分析,分析水压、温度、时效对特高拱坝不同部位径向水平位移的影响规律。构建特高拱坝变形监测数据的轻量梯度提升算法(Light Gradient Boosting Machine,LightGBM)黑箱预测模型,利用SHAP对存在多重共线性的因子进行剔除,再从整个因子集和单个样本两个角度分析不同影响因子对模型变形预测的贡献度;通过分析拉西瓦特高拱坝坝肩、坝基、拱冠等不同部位的径向水平位移与影响因子间的关系,发现时效因子对高程越高、越靠近拱冠位置的径向水平位移影响越大,温度因子主要影响靠近拱冠位置的径向水平位移,水压因子主要影响高程较高位置的径向水平位移,而坝基和深入坝肩岩体测点的径向水平位移几乎不受水位、温度的影响。解决了以往“黑箱”变形预测模型可视性差、内部机理不明的问题,根据可解释模型得到的相关规律可为特高拱坝的工作性态分析和运行管理提供借鉴。

一种融合GA和LSTM的边坡变形预测优化网络模型及其应用

考虑到BP神经网络模型忽略边坡监测数据存在的时间相关性,以及LSTM模型由于超参数选择存在主观性而易陷入局部最优等问题,提出一种基于遗传算法和长短期记忆网络(GA-LSTM)相结合的边坡变形预测模型,以发挥遗传算法全局搜索能力和LSTM预测时序数据的优势。以海明矿业露天采场边坡为研究对象,分别采用BP神经网络模型、LSTM网络模型以及GA-LSTM网络模型对边坡监测点GNSS49变形进行预测分析,并对比各模型达到收敛条件的时间。结果表明,GA-LSTM模型与其他模型达到同一收敛条件的时间差异不大,GA-LSTM模型的拟合准确度在0.1~0.2 mm,是LSTM神经网络模型的5~7倍,是BP神经网络模型的10~20倍,具有较高的精度和稳定性,其预测值与实际监测数据基本一致,可为矿山边坡的安全生产、管理以及决策控制提供科学依据。

特大型顺层古滑坡复活变形特征分析及变形预测研究

为有效掌握古滑坡复活特征及其变形规律,基于滑坡区现场调查成果,首先开展其复活变形特征分析,再利用WPT-ROA-RVM-CT模型进行滑坡变形预测研究。结果表明,在强降雨或持续降雨后,滑坡地表裂缝较为发育,具有张剪性质,且滑坡呈明显推移式特征,即滑坡中、后缘变形明显大于前缘,变形方向具有逆时针变化规律,充分说明古滑坡复活变形特征显著。同时,通过变形预测,验证WPT-ROA-RVM-CT模型具有较高的预测精度,并经外推预测,得到滑坡后续变形速率均为正值且较大,判断滑坡后续变形还会进一步增加,具有较大失稳风险,需尽快开展灾害防治研究。

基于SSA-BP的深基坑地表变形预测研究

文中采用麻雀搜索算法优化BP神经网络,对深圳市某在建地铁车站深基坑周围地表沉降监测点进行变形预测。通过对基坑地表变形监测点DBC16-4的118期监测数据进行训练学习,并与粒子群算法优化BP神经网络、遗传算法优化BP神经网络和标准BP神经网络横向对比,验证了训练效果。结果表明,麻雀搜索算法对BP神经网络权重寻优速度较快,收敛精度更高,麻雀搜索算法优化BP神经网络模型预测平均相对误差仅为1.72%,拟合精度较其他算法更高,预测效果良好。

基于模态分解方法的深基坑支护桩水平变形预测

为了预测深基坑支护桩水平变形的长期发展规律,在卷积神经网络(convolutional neural network,简称CNN)数据空间特征提取基础上,结合长短时记忆神经网络(long and short term memory,简称LSTM)分析数据的时序性和注意力机制(attention mechanism,简称AM)的划分特征权重,构建了能够预测支护桩变形的AM-CNN-LSTM模型。以北京地区某深基坑工程为背景,基于灰色关联方法明确了影响支护桩最大变形的因素,通过构建的模型分析支护桩的单点变形规律,并与反向传播神经网络(back propagation neural network,简称BPNN)、CNN和传统CNN-LSTM模型的预测所得结果进行比较分析。研究结果表明:支护桩最大变形值与深基坑开挖深度、临空天数、支撑内力、土壤性质、桩的尺寸和嵌固深度等因素关联度较高;AM机制显著提升了初始数据信息挖掘深度和变形预测精度,通过梯度下降法不断更新直至满足误差要求;与BPNN、CNN及CNN-LSTM模型相比,AM-CNN-LSTM模型的应用对于支护桩的长期变形预测稳定性较好;通过与实测数据对比,AM-CNN-LSTM模型的预测精度误差在5%~10%以内。

基于有限元数据集建立髋臼周围截骨术的骨刀变形预测模型

目的建立一种用于髋臼周围截骨(periacetabular osteotomy,PAO)手术的骨刀变形预测模型,快速且精准地预测骨刀变形。方法建立包含皮质骨和松质骨的骨盆-骨刀有限元数值模型,分析节点应变与形变之间的相关性,并优选综合相关性最强的5个节点的应变作为输入,选择刀刃部分节点的位移增量作为输出。通过数据集训练模型后,采用基于有限元数据集的深度学习神经网络回归模型,建立骨刀应变-形变预测模型。在模型预测完成后,利用双目视觉定位系统确定截骨手术过程中骨刀的空间精确位置,以此对骨刀进行术中跟踪。结果预测模型的R^(2)为0.98781,骨刀离散成节点后的平均变形误差为0.07 mm。该预测模型能够快速且精确地获取骨刀变形,在降低PAO手术事故方面显示出巨大的潜力。结论建立的骨刀变形预测模型可通过骨刀的应变信息快速预测骨刀的变形,从而避免伤及组织周围神经和血管等组织,降低PAO术中难度和风险,并为临床应用提供理论支撑。

基于WOA-VMD-XGBoost的混凝土坝变形预测

建立混凝土坝高精准变形预测模型是掌握坝体结构服役性态的关键,而其变形监测数据具有复杂的非线性和非平稳特征,会影响预测模型的精度及泛化能力。针对上述问题,引入鲸鱼优化算法(WOA)和包络熵理论自适应寻优变分模态分解(VMD)参数,根据最佳参数组合多尺度分解变形数据,得到多个不同特征尺度的本征模态函数(IMF)。通过重构分量为新分量,将新分量分别输入极端梯度提升(XGBoost)模型中进行预测,叠加各预测结果得到最终预测值。基于山口岩碾压混凝土拱坝变形监测数据,开展支持向量回归机(SVR)、随机森林(RF)、XGBoost、WOA-VMD-XGBoost等4种模型的精度、泛化能力对比研究。结果表明:相比于单一预测模型,组合模型有效挖掘了变形信号多尺度特征,降低了非线性、非平稳性对模型性能的影响,在精度、泛化能力中表现出更高性能。该组合模型为大坝变形监测提供了理论依据和应用参考。

基于GM(1,1)模型的地铁基坑变形预测研究

在深大基坑开挖过程中,基坑周围土体会受到扰动,势必会影响到基坑、基坑周围建筑物和构筑物的稳定与安全。为解决基坑开挖过程中变形监测周期过长而无法长期监测以及监测数据误差等问题,以某工程实例为依据,对基坑周围地表沉降变形进行监测,以地表沉降监测数据为基础数据建立GM(1,1)预测模型,进行基坑后期沉降变形预测分析。结果表明:该模型预测结果能较好的反映基坑的沉降变形情况,预测精度能满足工程需要,预测结果相对于实际观测值表现出超前现象,可为类似工程建设提供参考。

时空融合的堆石坝变形预测模型及在安全监测中的应用

变形预测是堆石坝安全监测与健康诊断的重要手段,现有研究多根据堆石坝监测数据建立单测点预测模型,未充分考虑测点之间相关性进行整体建模,且现有模型难以对漂移数据进行长期精准预测。本文考虑堆石坝变形序列的时序依赖性和测点之间的协同相关性,提出了基于图卷积和循环神经网络、引入概率预测与全过程训练的时空融合变形预测模型。该模型首先采用图卷积网络对多测点特征进行自适应汇聚,然后利用循环神经网络中细胞状态与隐层记忆沿时间轴的传递性,实现对时空信息的挖掘与融合,最后通过线性层得到概率预测参数,提高了模型对监测数据噪声的鲁棒性。采用全过程训练方式,提高模型对影响因子与累积变形量内在关系的学习能力,实现对漂移数据的长期精准预测。最后以水布垭面板堆石坝为例,进行了模型对比实验与消融实验,介绍了该模型在堆石坝安全监测和健康诊断中的三种具体应用。结果表明,本文模型有效融合了时空信息,在预测精度方面显著高于现有模型,解决了现有模型对大坝整体变形规律学习能力差、漂移数据预测精度低的问题,可用于堆石坝变形长期预测、测点异常检测与缺损数据补全。

时间序列重构改进LSTM的大坝变形预测模型

大坝变形通常具有很强的波动性,传统方法往往不能很好地捕捉这种非线性关系,进而影响预测精度。为此,提出一种基于奇异值分解(SVD)和长短期记忆神经网络(LSTM)的大坝时序变形预测框架,旨在提升大坝变形的预测精度。首先,通过汉克尔矩阵的构建将原始变形序列分解为一系列较为规律的子序列;然后针对各分量建立相应的LSTM模型;最后将各模型的输出序列进行重构,从而得到最终的变形预测值。分析表明,SVD方法能够有效降低原始序列的非线性,同时,LSTM能够有效捕捉时间序列前后的非线性关系,得到令人满意的预测结果。与传统方法相比,SVD-LSTM的预测性能最优,为大坝安全系统的构建提供了新思路。

地铁车站深基坑开挖变形智能多步预测方法

为更好预测深基坑开挖期间地下连续墙的侧向位移变形,基于长短期记忆神经网络(LSTM)智能算法理论构建了LSTM多步预测模型.首先对多步预测模型的多输出策略进行论述,其次详细介绍了LSTM多步预测模型的构建方法,并对模型输入集空间维度和时间维度两项超参数进行探究,以提高模型的预测准确度.最后依托某富水砂土深基坑工程实例,分析了模型预测值与实际监测值的差异.3个典型监测点的数据分析结果表明LSTM多步预测模型具有较强的泛化能力,相关算法对深基坑开挖变形预测方法的改进优化具有参考价值.

基于ESMD-FE-AJSO-LSTM算法的水闸深基坑变形预测

水闸深基坑开挖变形具有明显的非线性和非稳定性特征,基于此,引入极点对称模态分解算法(extremepoint symmetric mode decomposition method,ESMD)对水闸深基坑开挖变形原型监测序列进行多模态分解,并基于模糊熵(fuzzy entropy, FE)理论对各分解分量进行模糊多模态相空间重构,从而有效甄别水闸基坑变形不同时间尺度有效物理特征。构建基于人工水母搜索算法(artificial jellyfish search optimizer,AJSO)优化的长短期记忆(long short-term memory,LSTM)人工神经网络模型,以重构后的各重构子序列为基础进行优化训练,并把训练后的各预测模态分量合并,实现对水闸基坑开挖变形动态预测和分析。以张家港市十一圩江边枢纽改建工程基坑开挖变形监测为例,采用上述方法对该枢纽工程基坑开挖过程变形进行预测和分析。结果表明:基于ESMD-FE-AJSOLSTM算法的水闸深基坑变形预测方法能够有效预测基坑开挖变形非线性特征,相比传统LSTM、循环神经网络(recurrent neural network, RNN)和支持向量机(support vector machine,SVM)等算法具有更高的预测精度和稳定性,为实现对基坑开挖安全性态实时科学诊断和分析提供技术参考。

基于CEEMDAN-GMDH-ARIMA的大坝变形预测模型研究

为提高大坝变形预测精度,针对大坝变形数据的复杂性和非线性等特征,基于自适应噪声完备集成经验模态分解(CEEMDAN)、数据处理群集法(GMDH)和差分自回归移动平均模型算法(ARIMA)进行大坝变形预测研究。采用CEEMDAN将大坝变形原始数据分解为高频随机分量、中频周期分量和低频趋势分量,再分别采用GMDH模型、ARIMA模型对高中频分量、低频分量进行预测,建立基于CEEMDAN-GMDH-ARIMA的大坝变形预测模型。以江西上犹江水电站为例,将该模型预测结果与反向传播(BP)、径向基函数(RBF)、GMDH和CEEMDAN-GMDH模型的预测结果进行对比分析。结果表明:CEEMDAN-GMDH-ARIMA模型的均方根误差(E_(RMS))、平均绝对误差(E_(MA))、相关系数(r)分别为0.048 mm、0.035 mm、0.994,均优于BP、RBF、GMDH、CEEMDAN-GMDH模型,模型预测效果最好,能够很好地体现监测点水平位移变化趋势。