CN107239599A - 基于神经模糊推理系统的盾构施工引起的地表沉降预测方法 - Google Patents
基于神经模糊推理系统的盾构施工引起的地表沉降预测方法 Download PDFInfo
- Publication number
- CN107239599A CN107239599A CN201710344450.6A CN201710344450A CN107239599A CN 107239599 A CN107239599 A CN 107239599A CN 201710344450 A CN201710344450 A CN 201710344450A CN 107239599 A CN107239599 A CN 107239599A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- layer
- inference system
- fuzzy inference
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000010276 construction Methods 0.000 title claims abstract description 29
- 230000001537 neural effect Effects 0.000 title claims abstract description 15
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 3
- 230000035515 penetration Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 239000002689 soil Substances 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 2
- 230000005641 tunneling Effects 0.000 abstract description 2
- 238000013480 data collection Methods 0.000 abstract 1
- 239000011159 matrix material Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于神经模糊推理系统的盾构施工引起的地表沉降预测方法,选取盾构施工引起地表沉降的主要影响因素,并把这些主要影响因素形成有效数据集,通过利用神经模糊推理系统搭建的地表沉降预测模型,对该有效数据集进行计算,从而得到预测结果并根据该预测结果进行模型验证,因此,本发明的地表沉降预测方法具有预测精度高的特点,并且使用简单、计算量小、泛化能力强,因此具有很高的实用性,能够为盾构施工地表沉降预测预报提供新的技术方案。
Description
技术领域
本发明涉及一种地表沉降预测方法,尤其是一种基于神经模糊推理系统的盾构施工引起的地表沉降预测方法。
背景技术
当前实际施工中,由于缺乏实用、精确的由盾构施工引起的地表沉降预测方法,因此目前主要都是依据盾构司机的经验结合地表沉降监测值的反馈,从而控制盾构施工的进行,当监测值已经超限或者接近限值,盾构司机再调整盾构施工的进行速度。这种方法存在以下缺点:缺点一是盾构施工控制的好坏,很大程度上取决于盾构司机的操作技术,以及在类似地层和埋深下的盾构操作经验;缺点二是地表沉降信息反馈太迟,当盾构司机得到地表沉降信息时,过大沉降或隆起已经发生,在管线密集、建筑物林立的城市,反馈过程迟缓,可能引起过大损失。因此,在实际施工中,迫切需要一种预测精度高和简单实用的地表沉降预测方法。
发明内容
为解决上述问题,本发明的目的在于提供一种基于神经模糊推理系统的盾构施工引起的地表沉降预测方法,该地表沉降预测方法具有预测精度高的特点,并且该地表沉降预测方法的使用简单,因此具有很高的实用性。
本发明解决其问题所采用的技术方案是:
基于神经模糊推理系统的盾构施工引起的地表沉降预测方法,包括以下步骤:
A、根据现场监测点的情况,确定有效数据集;
B、建立基于神经模糊推理系统的地表沉降预测模型;
C、在有效数据集中选取输入变量,把输入变量输入到地表沉降预测模型之中;
D、计算预测结果并进行模型验证。
进一步,步骤A中的有效数据集,为埋深、洞顶覆土标贯值、土仓压力、推进速度、刀盘转速、扭矩、盾构推力和同步注浆量所组成的集合。
进一步,步骤B中基于神经模糊推理系统的地表沉降预测模型,包括:
第一层,为输入量模糊化层,该层由四个自适应节点组成;
第二层,为适用度求取层,由用于实现输入隶属度值取小运算的固定算子节点组成;
第三层,用于计算每条规则的输出,该层由自适应节点组成;
第四层,为所有规则输出求和以及所有适用度求和层;
第五层,由一个求和功能的节点构成,用于计算地表沉降预测模型的总输出,该输出为所有规则的加权平均和。
进一步,组成第一层的四个自适应节点,其函数分别为:
其中,O1,i为第i点的输出,表示输入隶属于模糊集合的隶属度;和分别表示输入变量x和y隶属于模糊集合Ai和Bi-2的程度;s和c均为地表沉降预测模型的前件参数;μ(x)为高斯隶属函数。
进一步,组成第二层的固定算子节点,其函数为:
其中,ωi为每个节点的输出,代表每一条模糊规则的激励强度。
进一步,组成第三层的自适应节点,其函数为:
O3,i=ωifi=ωi(pix+qiy+ri),(i=1,2)
其中,pi、qi和ri分别为节点i的结论参数。
进一步,利用第三层计算的规则,为利用减法聚类算法所生成的模糊规则,利用减法聚类算法生成模糊规则的过程,包括以下步骤:
B1、归一化输入变量,将有效数据集内的所有元素都映射在超立方体内;
B2、假定每一个数据点x都是潜在的聚类中心,并按照欧式距离指标,计算每个数据点x的密集指标;
B3、选取密集指标最大的数据点作为第1个聚类中心并修正除此点外的其他数据点的密集指标,再次筛选出最大密集指标,并将此数据点作为第2个聚类中心;
B4、重新修改剩余数据点的密集指标,找到密集指标最大的数据点
B5、还原归一化的聚类中心。
进一步,步骤B1中归一化输入变量所采用的公式为:
其中,xij为有效数据集的第j列,第i个元素;xj[min]为第j列的最小值;xj[max]为第j列的最大值。
进一步,步骤B2中按照欧式距离指标,计算每个数据点x的密集指标所采用的公式为:
其中,ra为聚类半径。
进一步,步骤B3中修正除第1个聚类中心外的其他数据点的密集指标,所采用的公式为:
其中,rb的取值为ra的1.25倍-1.5倍。
本发明的有益效果是:基于神经模糊推理系统的盾构施工引起的地表沉降预测方法,选取盾构施工引起地表沉降的主要影响因素,并把这些主要影响因素形成有效数据集,通过利用神经模糊推理系统搭建的地表沉降预测模型,对该有效数据集进行计算,从而得到预测结果并根据该预测结果进行模型验证,因此,本发明的地表沉降预测方法具有预测精度高的特点,并且使用简单、计算量小、泛化能力强,因此具有很高的实用性,能够为盾构施工地表沉降预测预报提供新的技术方案。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明的地表沉降预测方法的流程图;
图2是地表沉降预测模型的结构示意图。
具体实施方式
参照图1-2,本发明的基于神经模糊推理系统的盾构施工引起的地表沉降预测方法,包括以下步骤:
A、根据现场监测点的情况,确定有效数据集;
B、建立基于神经模糊推理系统的地表沉降预测模型;
C、在有效数据集中选取输入变量,把输入变量输入到地表沉降预测模型之中;
D、计算预测结果并进行模型验证。
本发明的基于神经模糊推理系统的盾构施工引起的地表沉降预测方法,首先选取盾构施工引起地表沉降的主要影响因素,并把这些主要影响因素形成有效数据集,具体地,这些主要影响因素为埋深、洞顶覆土标贯值、土仓压力、推进速度、刀盘转速、扭矩、盾构推力和同步注浆量。通过利用神经模糊推理系统搭建的地表沉降预测模型,对该有效数据集进行计算,从而得到预测结果并根据该预测结果进行模型验证,因此,本发明的地表沉降预测方法具有预测精度高的特点,并且使用简单、计算量小、泛化能力强,因此具有很高的实用性,能够为盾构施工地表沉降预测预报提供新的技术方案。
其中,参照图2,步骤B中基于神经模糊推理系统的地表沉降预测模型,包括:
第一层1,为输入量模糊化层,该层由四个自适应节点组成;
第二层2,为适用度求取层,由用于实现输入隶属度值取小运算的固定算子节点组成;
第三层3,用于计算每条规则的输出,该层由自适应节点组成;
第四层4,为所有规则输出求和以及所有适用度求和层;
第五层5,由一个求和功能的节点构成,用于计算地表沉降预测模型的总输出,该输出为所有规则的加权平均和;
具体地,地表沉降预测模型,为一个双输入单输出的双规则系统,由上述五层组成,并且同一层的网络节点的功能都相同。
具体地,组成第一层1的四个自适应节点,其函数分别为:
其中,O1,i为第i点的输出,表示输入隶属于模糊集合的隶属度;和分别表示输入变量x和y隶属于模糊集合Ai和Bi-2的程度;s和c均为地表沉降预测模型的前件参数;μ(x)为高斯隶属函数。具体地,高斯隶属函数μ(x)的具体公式为:
其中,根据前件参数s和c的选值的不同,高斯隶属函数μ(x)的形状将会发生变化,此时,应该根据第一层1的输入量\输出量的映射关系确定其数值。
具体地,组成第二层2的固定算子节点,其函数为:
其中,ωi为每个节点的输出,代表每一条模糊规则的激励强度。
具体地,组成第三层3的自适应节点,其函数为:
O3,i=ωifi=ωi(pix+qiy+ri),(i=1,2)
其中,pi、qi和ri分别为节点i的结论参数。
具体地,第四层4为所有规则输出求和以及所有适用度求和层,参照图2,第四层4会分别求得所有规则输出总和的值以及所有适用度总和的值,而求得所有规则输出总和以及所有适用度总和所使用的公式分别为:
O4,1=∑ωifi=ω1f1+ω2f2
O4,2=∑ωi=ω1+ω22
其中,O4,1为所有规则输出总和,O4,2为所有适用度总和。
具体地,构成第五层5的具有求和功能的节点,该节点的函数为:
其中,O5,1为整个地表沉降预测模型的总输出,而输出f则是所有规则的加权平均和。由上述可见,该地表沉降预测模型为多层开环前馈多输入单输出系统,而系统的输出则为输入变量的适用度加权和。
其中,利用第三层3计算的规则,为利用减法聚类算法所生成的模糊规则,利用减法聚类算法生成模糊规则的过程,包括以下步骤:
B1、归一化输入变量,将有效数据集内的所有元素都映射在超立方体内;
B2、假定每一个数据点x都是潜在的聚类中心,并按照欧式距离指标,计算每个数据点x的密集指标;
B3、选取密集指标最大的数据点作为第1个聚类中心并修正除此点外的其他数据点的密集指标,再次筛选出最大密集指标,并将此数据点作为第2个聚类中心;
B4、重新修改剩余数据点的密集指标,找到密集指标最大的数据点
B5、还原归一化的聚类中心;
具体地,聚类分析是一种有效的大数据集自然分簇技术,可实现数据间关系的简洁表述。因此,利用减法聚类算法与模糊逻辑的结合为建模表达地表沉降量与盾构掘进参数间的行为模式,能够提供了一种简单但有力的方法。把有效数据集以矩阵的形式表示,可得到以下的矩阵:
其中,x为地表沉降预测模型的一个输入数据点/输出数据点,矩阵中前m-1列为输入变量的离散取值,而最后一列则为地表沉降预测模型的相应输出值。
具体地,步骤B1中归一化输入变量所采用的公式为:
其中,xij为以矩阵形式表示的有效数据集中的第j列,第i个元素;xj[min]为第j列的最小值;xj[max]为第j列的最大值。
具体地,步骤B2中按照欧式距离指标,计算每个数据点x的密集指标所采用的公式为:
其中,ra为聚类半径,具体地,ra的取值为0.25-0.5。
具体地,步骤B3中选取的第1个聚类中心其密集指标为当需要修正除第1个聚类中心外的其他数据点的密集指标时,采用以下的公式实现:
其中,rb的取值为ra的1.25倍-1.5倍。
具体地,在步骤B4中,以下面的公式找到其余的密集指标最大的数据点并将其密集指标记为
在求得数据点所对应的密集指标后,需要检验该数据点的密集指标是否满足下列条件:
(a)、如果则认为为第k个聚类中心,并返回步骤B4;
(b)、如果则拒绝为第k个聚类中心,并结束减法聚类算法的处理;
(c)、如果则接受为第k个聚类中心,并返回步骤B4,其中,dmin为与前面找到的各个聚类中心间的最小距离;如果则拒绝为聚类中心,并置其密集指标为0,接着选择下一个最大密集指标数据点为并重新按照步骤进行测试。其中,为接受系数,为拒绝系数,具体地,
具体地,在步骤B5中对归一化的聚类中心进行还原,使用到的公式为
以上是对本发明的较佳实施进行了具体说明,但本发明并不局限于上述实施方式,熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.基于神经模糊推理系统的盾构施工引起的地表沉降预测方法,其特征在于:包括以下步骤:
A、根据现场监测点的情况,确定有效数据集;
B、建立基于神经模糊推理系统的地表沉降预测模型;
C、在有效数据集中选取输入变量,把输入变量输入到地表沉降预测模型之中;
D、计算预测结果并进行模型验证。
2.根据权利要求1所述的基于神经模糊推理系统的盾构施工引起的地表沉降预测方法,其特征在于:所述步骤A中的有效数据集,为埋深、洞顶覆土标贯值、土仓压力、推进速度、刀盘转速、扭矩、盾构推力和同步注浆量所组成的集合。
3.根据权利要求2所述的基于神经模糊推理系统的盾构施工引起的地表沉降预测方法,其特征在于:所述步骤B中基于神经模糊推理系统的地表沉降预测模型,包括:
第一层,为输入量模糊化层,该层由四个自适应节点组成;
第二层,为适用度求取层,由用于实现输入隶属度值取小运算的固定算子节点组成;
第三层,用于计算每条规则的输出,该层由自适应节点组成;
第四层,为所有规则输出求和以及所有适用度求和层;
第五层,由一个求和功能的节点构成,用于计算地表沉降预测模型的总输出,该输出为所有规则的加权平均和。
4.根据权利要求3所述的基于神经模糊推理系统的盾构施工引起的地表沉降预测方法,其特征在于:组成所述第一层的四个自适应节点,其函数分别为:
<mrow>
<msub>
<mi>O</mi>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>&mu;</mi>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>O</mi>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>&mu;</mi>
<msub>
<mi>B</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>2</mn>
</mrow>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>,</mo>
<msub>
<mi>s</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>2</mn>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>c</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>2</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>=</mo>
<mn>3</mn>
<mo>,</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,O1,i为第i点的输出,表示输入隶属于模糊集合的隶属度;和分别表示输入变量x和y隶属于模糊集合Ai和Bi-2的程度;s和c均为地表沉降预测模型的前件参数;μ(x)为高斯隶属函数。
5.根据权利要求3所述的基于神经模糊推理系统的盾构施工引起的地表沉降预测方法,其特征在于:组成所述第二层的固定算子节点,其函数为:
<mrow>
<msub>
<mi>O</mi>
<mrow>
<mn>2</mn>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>&omega;</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>&mu;</mi>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
</msub>
<msub>
<mi>&Pi;&mu;</mi>
<msub>
<mi>B</mi>
<mi>i</mi>
</msub>
</msub>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,ωi为每个节点的输出,代表每一条模糊规则的激励强度。
6.根据权利要求3所述的基于神经模糊推理系统的盾构施工引起的地表沉降预测方法,其特征在于:组成所述第三层的自适应节点,其函数为:
O3,i=ωifi=ωi(pix+qiy+ri),(i=1,2)
其中,pi、qi和ri分别为节点i的结论参数。
7.根据权利要求3所述的基于神经模糊推理系统的盾构施工引起的地表沉降预测方法,其特征在于:利用所述第三层计算的规则,为利用减法聚类算法所生成的模糊规则,利用减法聚类算法生成模糊规则的过程,包括以下步骤:
B1、归一化输入变量,将有效数据集内的所有元素都映射在超立方体内;
B2、假定每一个数据点x都是潜在的聚类中心,并按照欧式距离指标,计算每个数据点x的密集指标;
B3、选取密集指标最大的数据点作为第1个聚类中心并修正除此点外的其他数据点的密集指标,再次筛选出最大密集指标,并将此数据点作为第2个聚类中心;
B4、重新修改剩余数据点的密集指标,找到密集指标最大的数据点
B5、还原归一化的聚类中心。
8.根据权利要求7所述的基于神经模糊推理系统的盾构施工引起的地表沉降预测方法,其特征在于:所述步骤B1中归一化输入变量所采用的公式为:
<mrow>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mrow>
<mi>n</mi>
<mi>o</mi>
<mi>r</mi>
</mrow>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mo>&lsqb;</mo>
<mi>min</mi>
<mo>&rsqb;</mo>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mo>&lsqb;</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>&rsqb;</mo>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mo>&lsqb;</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mo>&rsqb;</mo>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>n</mi>
<mo>;</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
</mrow>
其中,xij为有效数据集的第j列,第i个元素;xj[min]为第j列的最小值;xj[max]为第j列的最大值。
9.根据权利要求8所述的基于神经模糊推理系统的盾构施工引起的地表沉降预测方法,其特征在于:所述步骤B2中按照欧式距离指标,计算每个数据点x的密集指标所采用的公式为:
<mrow>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mfrac>
<mn>4</mn>
<msubsup>
<mi>r</mi>
<mi>a</mi>
<mn>2</mn>
</msubsup>
</mfrac>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
</msup>
</mrow>
其中,ra为聚类半径。
10.根据权利要求9所述的基于神经模糊推理系统的盾构施工引起的地表沉降预测方法,其特征在于:所述步骤B3中修正除第1个聚类中心外的其他数据点的密集指标,所采用的公式为:
<mrow>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msubsup>
<mi>I</mi>
<mn>1</mn>
<mo>*</mo>
</msubsup>
<msup>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mn>4</mn>
<msubsup>
<mi>r</mi>
<mi>b</mi>
<mn>2</mn>
</msubsup>
</mfrac>
<mo>)</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mn>1</mn>
<mo>*</mo>
</msubsup>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
</msup>
</mrow>
其中,rb的取值为ra的1.25倍-1.5倍。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710344450.6A CN107239599A (zh) | 2017-05-16 | 2017-05-16 | 基于神经模糊推理系统的盾构施工引起的地表沉降预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710344450.6A CN107239599A (zh) | 2017-05-16 | 2017-05-16 | 基于神经模糊推理系统的盾构施工引起的地表沉降预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107239599A true CN107239599A (zh) | 2017-10-10 |
Family
ID=59984841
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710344450.6A Pending CN107239599A (zh) | 2017-05-16 | 2017-05-16 | 基于神经模糊推理系统的盾构施工引起的地表沉降预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107239599A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108799844A (zh) * | 2018-06-07 | 2018-11-13 | 哈尔滨学院 | 一种基于模糊集的供水管网压力监测点选址方法 |
CN109242171A (zh) * | 2018-08-28 | 2019-01-18 | 河南省豫晋高速公路建设有限公司 | 一种基于bim和rs-svr的盾构施工地表沉降预测方法 |
CN109978226A (zh) * | 2019-01-24 | 2019-07-05 | 同济大学 | 基于循环神经网络的盾构施工地面沉降预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103748987B (zh) * | 2009-07-14 | 2011-01-12 | 北京理工大学 | 一种基于模糊神经网络的攻击知识的自动更新方法 |
CN103226741A (zh) * | 2013-05-10 | 2013-07-31 | 天津大学 | 城市供水管网爆管预测方法 |
CN103559540A (zh) * | 2013-11-13 | 2014-02-05 | 上海电气集团股份有限公司 | 基于自适应神经模糊推理系统的风速超短期在线预测方法 |
US20140087749A1 (en) * | 2012-09-21 | 2014-03-27 | Yuan Ze University | Three layer cascade adaptive neural fuzzy inference system (anfis) based intelligent controller scheme and device |
CN105912806A (zh) * | 2016-04-28 | 2016-08-31 | 湖南大学 | 一种基于自适应神经模糊推理的小重叠碰撞安全气囊控制方法 |
-
2017
- 2017-05-16 CN CN201710344450.6A patent/CN107239599A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103748987B (zh) * | 2009-07-14 | 2011-01-12 | 北京理工大学 | 一种基于模糊神经网络的攻击知识的自动更新方法 |
US20140087749A1 (en) * | 2012-09-21 | 2014-03-27 | Yuan Ze University | Three layer cascade adaptive neural fuzzy inference system (anfis) based intelligent controller scheme and device |
CN103226741A (zh) * | 2013-05-10 | 2013-07-31 | 天津大学 | 城市供水管网爆管预测方法 |
CN103559540A (zh) * | 2013-11-13 | 2014-02-05 | 上海电气集团股份有限公司 | 基于自适应神经模糊推理系统的风速超短期在线预测方法 |
CN105912806A (zh) * | 2016-04-28 | 2016-08-31 | 湖南大学 | 一种基于自适应神经模糊推理的小重叠碰撞安全气囊控制方法 |
Non-Patent Citations (1)
Title |
---|
张孟喜 等: "基于模糊神经网络盾构施工引起地表沉陷预测", 《第二届全国岩土与工程学术大会论文集》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108799844A (zh) * | 2018-06-07 | 2018-11-13 | 哈尔滨学院 | 一种基于模糊集的供水管网压力监测点选址方法 |
CN108799844B (zh) * | 2018-06-07 | 2020-02-14 | 哈尔滨学院 | 一种基于模糊集的供水管网压力监测点选址方法 |
CN109242171A (zh) * | 2018-08-28 | 2019-01-18 | 河南省豫晋高速公路建设有限公司 | 一种基于bim和rs-svr的盾构施工地表沉降预测方法 |
CN109978226A (zh) * | 2019-01-24 | 2019-07-05 | 同济大学 | 基于循环神经网络的盾构施工地面沉降预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kisi et al. | Modeling groundwater fluctuations by three different evolutionary neural network techniques using hydroclimatic data | |
Kisi et al. | River suspended sediment estimation by climatic variables implication: Comparative study among soft computing techniques | |
Shahin et al. | Data division for developing neural networks applied to geotechnical engineering | |
Ata et al. | An adaptive neuro-fuzzy inference system approach for prediction of tip speed ratio in wind turbines | |
KR101967978B1 (ko) | 쉴드 tbm의 순굴진속도 예측 장치 및 그 방법 | |
CN106529820A (zh) | 一种运营指标的预测方法及系统 | |
CN107239599A (zh) | 基于神经模糊推理系统的盾构施工引起的地表沉降预测方法 | |
CN110473592A (zh) | 基于图卷积网络的有监督的多视角人类协同致死基因预测方法 | |
CN108204944A (zh) | 基于apso优化的lssvm的埋地管道腐蚀速率预测方法 | |
CN109800517B (zh) | 一种改进的磁流变阻尼器逆向建模方法 | |
CN114662699A (zh) | 一种基于机器学习的盾构姿态预测方法 | |
CN112100927A (zh) | 一种基于ga-bp神经网络的边坡变形及软土地基沉降预测方法 | |
CN112381334B (zh) | 基于多因素模糊时间序列的高陡边坡形变趋势预测的方法 | |
CN108595803A (zh) | 基于递归神经网络的页岩气井生产压力预测方法 | |
Sahu et al. | Use of ANN and neuro fuzzy model to predict bearing capacity factor of strip footing resting on reinforced sand and subjected to inclined loading | |
Ghajar et al. | An adaptive network-based fuzzy inference system for rock share estimation in forest road construction | |
Reshma et al. | Parameters optimization using Fuzzy rule based multi-objective genetic algorithm for an event based rainfall-runoff model | |
CN111738412A (zh) | 一种不完全网络的大数据异常挖掘方法、系统及存储介质 | |
Kaveh et al. | Feasibility of PSO-ANFIS-PSO and GA-ANFIS-GA models in prediction of peak ground acceleration | |
Wang et al. | Discussion on the prediction of engineering cost based on improved BP neural network algorithm | |
CN115658971A (zh) | 基于注意力机制的多层异质网络节点重要度评估方法 | |
CN106548236A (zh) | 一种基于多层分类网络的q函数自适应学习方法 | |
Farid et al. | Developing a new model based on neuro-fuzzy system for predicting roof fall in coal mines | |
Surendra et al. | Application of Mamdani model-based fuzzy inference system in water consumption estimation using time series | |
CN113283183A (zh) | 基于dpso-anfis的弃渣坝变形预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171010 |
|
RJ01 | Rejection of invention patent application after publication |