CN108664711B - 锚杆轴力变化趋势预测方法 - Google Patents

锚杆轴力变化趋势预测方法 Download PDF

Info

Publication number
CN108664711B
CN108664711B CN201810363335.8A CN201810363335A CN108664711B CN 108664711 B CN108664711 B CN 108664711B CN 201810363335 A CN201810363335 A CN 201810363335A CN 108664711 B CN108664711 B CN 108664711B
Authority
CN
China
Prior art keywords
axial force
anchor rod
hidden layer
parameters
vector
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.)
Active
Application number
CN201810363335.8A
Other languages
English (en)
Other versions
CN108664711A (zh
Inventor
郑帅
姜谙男
郑世杰
杨锐
郭树勋
董庆波
韩朝
姜相松
李兴盛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian Maritime University
Original Assignee
Dalian Maritime University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dalian Maritime University filed Critical Dalian Maritime University
Priority to CN201810363335.8A priority Critical patent/CN108664711B/zh
Publication of CN108664711A publication Critical patent/CN108664711A/zh
Application granted granted Critical
Publication of CN108664711B publication Critical patent/CN108664711B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation

Landscapes

  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)

Abstract

本发明公开了一种锚杆轴力变化趋势预测方法。本方法通过埋设振弦式传感器实时获取工程现场温度、地下水位高度、锚杆轴力等参数；基于粒子群算法优化分析并选择历史数据步数；采用红外线测距仪测量开挖位置与锚杆锚固位置之间的水平距离，同时测量开挖面与锚杆锚固位置之间的垂直距离。将已测得参数组作为学习样本，以差异进化算法优化的极限学习机作为计算方法，对锚杆所承受轴力在未来几天的变化趋势进行预测。本发明通过对工程现场当天相关参数的测量并结合其历史数据来超前预测未来几天内稳固锚杆所承受的轴力值，便于提前发现可能存在的工程危险，很大程度上提高了基坑施工过程中的安全系数。

Description

锚杆轴力变化趋势预测方法
技术领域
本发明涉及锚杆周力测量技术领域，尤其涉及一种锚杆轴力变化趋势预测方法。
背景技术
预应力锚杆支护技术通过施加高预紧力对锚杆支护范围内的围岩产生有效的径向约束，锚杆与围岩共同组成自承载结构，充分提高岩土体自身强度的同时显著减小结构自重，有效的维持了结构的稳定性。根据不同的岩体强度理论，众多学者对锚杆的作用机理进行了多种探索及解释，但是由于预应力锚杆与围岩作用机理的复杂性及周围地层结构的不确定性，至今尚无可应用于所有工程的普适方法。
由于基坑中应用锚杆所存在的多参数、大变量、地层条件复杂且难以预测等问题，单纯的自动化监测无法及时的对即将出现的危险进行提前预警。
发明内容
本发明提供一种锚杆轴力变化趋势预测犯法，以克服上述技术问题。
本发明锚杆轴力变化趋势预测方法，包括：
采用振弦式传感器采集锚杆轴力，并存储所述锚杆轴力；
采集当前轴力参数，所述轴力参数包括：通过温度传感器采集的工程现场温度，通过水位计采集的地下水位高度，通过红外线测距仪测量的开挖位置与锚杆锚固位置之间的水平距离、开挖水平面与锚杆锚固位置所在平面之间的垂直距离；
将所述当前轴力参数和所述历史锚杆轴力作为学习样本采用极限学习算法进行非线性映射学习，得到预测的锚杆轴力。
进一步地，所述将所述当前工作参数和所述历史锚杆轴力作为学习样本采用极限学习算法进行非线性映射学习之前，还包括：
通过粒子群算法识别历史锚杆轴力的数量。
进一步地，所述得到预测的锚杆轴力之后，还包括：
将预测锚杆轴力与实测锚杆轴力相比较，若差值超出阈值，则根据差异进化算法优化所述及极限学习机的参数。
进一步地，所述通过粒子群算法识别历史锚杆轴力的数量，包括：
根据轴力参数构建初始学习样本；
初始化粒子群算法；
根据所述初始学习样本采用所述粒子群算法迭代得到历史轴力数量。
进一步地，所述根据差异进化算法优化所述及极限学习机的参数，包括：
设置差异化算法参数，并随机产生第一代种群，所述差异化算法参数包括种群数量、进化代数、交叉因子和放大因子；
根据所述差异化算法参数对第一代种群中的每个个体对应极限学习机的权值和隐含层偏差进行训练，获得极限学习机的输出权值，从而获得所述极限学习机的拓扑结构；
通过检验样本对训练后的极限学习机进行预测检验，以预测最大相对误差作为差异化算法的适应值；
任意选取所述极限学习机的输入层权值和隐含层偏差集合中两个输入层权值和隐含层偏差个体之间的差值乘以所述放大因子并叠加到集合中的第三个输入层权值和隐含层偏差个体上，形成新的输入层权值和隐含层偏差向量；
将目标输入层权值和隐含层偏差向量与输入层权值和隐含层偏差变异向量根据公式：
Figure GDA0002404839490000021
生成新的试样输入层权值和隐含层偏差向量，其中，所述xi(G)为隐含层偏差向量，所述vi(G+1)为隐含层偏差变异向量，所述ui(G+1)是交叉后生成的新的试样输入层权值和隐含层偏差向量，所述为j＝1，2，…，D；所述rj∈[0,1]为与向量第j个分量对应的随机数，所述CR∈[0,1]为杂交概率常数，所述rni为在1，2，…，D中随机挑选一个整数，以确保变异输入层权值和隐含层偏差向量Vi(G+1)中，至少有一个分量被试样输入层权值和隐含层偏差向量ui(G+1)采用。
本发明利用粒子群优化算法智能识别有效的历史数据量，避免了多余数据可能造成的计算误差。利用优化后的极限学习机算法对锚杆轴力变化趋势进行预测，提高了计算过程的精准程度。通过基于现场真实数据对锚杆轴力的变化趋势实现超前预测，很大程度预防了可能出现的工程灾害。为基坑工程提供安全保障。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明锚杆轴力变化趋势预测方法流程图；
图2a为本发明数据采集的传感器测点布置示意图；
图2b为本发明数据采集的传感器安装方法示意图；
图2c为本发明数据采集的传感器测点布置横断面示意图；
图3为本发明数据采集的数据传输流程图；
图4为本发明锚杆有效历史数据的粒子群优化选取流程图；
图5为本发明极限学习机参数优化的差异进化算法流程图；
图6为本发明极限学习机基于样本学习过程的学习曲线；
图7为本发明预测计算判定流程图；
图8为本发明预测结果曲线图。
附图标号说明：
2-锚头；3-垫板；4-锚杆轴力计；5-锚杆；6-地面；7-基坑。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明锚杆轴力变化趋势预测方法流程图，如图1所示，本实施例方法，包括：
步骤101、采用振弦式传感器采集锚杆轴力，并存储所述锚杆轴力；
步骤102、采集当前轴力参数，所述轴力参数包括：通过温度传感器采集的工程现场温度，通过水位计采集的地下水位高度，通过红外线测距仪测量的开挖位置与锚杆锚固位置之间的水平距离、开挖水平面与锚杆锚固位置所在平面之间的垂直距离；
步骤103、将所述当前轴力参数和所述历史锚杆轴力作为学习样本采用极限学习算法进行非线性映射学习，得到预测的锚杆轴力。
具体而言，如图2a至图2c所示为传感器布置横断面示意图及传感器安装方法示意图，其中，锚杆拉力测点101设置基坑附近，温度传感器集成于锚杆计之中，水位计埋设于基坑附近。岩土工程施工过程中的破坏多为受力结构的破坏，在发生破坏之前锚杆等受力体所承受的荷载会逐渐增加至极限状态进而发生位移变形，即在此过程中，锚杆轴力是呈连续性变化、有规律可循的。因此，通过锚杆历史数据变化规律预测未来的变化趋势是可行的。为了减免预测计算过程中可能出现的误差累积现象，在预测过程的输入参数组中加入现场实际实时测得的地下水位高度、温度、距开挖位置的横、纵距离等影响结构稳定性的参数，有效的提高了预测结果的准确性。本实施例极限学习机基于样本学习过程的学习曲线如图6所示。
图3是传感器采集数据的传输流程示意图，锚杆轴力、温度、地下水位高度等通过预设传感器采集的参数，经由信号电缆传输至数据采集箱汇总后，通过无线模块传输至信号发射箱，进而经由GPRS模块上传至云服务器，最终实现网络客户端的实时数据获取。测量位置距开挖位置的横、纵向距离通过手持红外线测距仪现场测得后经由网络传输汇总。
本实施例中第n天工程现场监测温度为21℃，地下水位为-27m，开挖位置与锚杆锚固位置之间的水平距离为3m，开挖水平面与锚杆锚固位置所在平面之间的垂直距离为2.7m，第n-4～第n-1天实测锚杆轴力分别为215.31KN、214.22KN、213.28KN、211.70KN。此8个参数共同组成一组学习样本中的输入参数组，第n+1天的实测锚杆轴力值为输出参数。如此，可形成一组完整的学习样本。重复此过程，共获取30组学习样本。
对于30个不同学习样本(xi,yi)∈Rn×Rm(i＝1,2,…,N)，具有L个隐层节点，隐层激活函数为g(x)的SLFN，第i个样本输出值可采用如下的公式表示：
Figure GDA0002404839490000051
式中，oi为第i个样本的输出值。αj＝[αj1，αj2，…，αjn]T，表示输入层到隐含层的连接权值；bj＝[bj1,bj2,…，bjm]T表示隐含层节点的偏置值。βj＝[βj1,βj2,…，βjm]T表示隐含层第i个节点到输出层的连接权值，激活函数为g(x)。
进一步地，所述将所述当前工作参数和所述历史锚杆轴力作为学习样本采用极限学习算法进行非线性映射学习之前，还包括：
通过粒子群算法识别历史锚杆轴力的数量。
进一步地，所述得到预测的锚杆轴力之后，还包括：
将预测锚杆轴力与实测锚杆轴力相比较，若差值超出阈值，则根据差异进化算法优化所述及极限学习机的参数。
进一步地，所述通过粒子群算法识别历史锚杆轴力的数量，包括：
根据轴力参数构建初始学习样本；
具体而言，第n天时，通过温度传感器采集的工程现场温度，通过水位计采集的地下水位高度，通过红外线测距仪测量的开挖位置与锚杆锚固位置之间的水平距离、开挖水平面与锚杆锚固位置所在平面之间的垂直距离。将此四个参数作为预测当天现场采集的基本参数，并在此基础上分别增加第n-1天的轴力参数形成历史数据量为1的训练样本；增加第n-1、n-2天的轴力参数形成历史数据量为2的训练样本；增加第n-1、n-2、n-3天的轴力参数形成历史数据量为3的训练样本....以此类推构建至历史数据量为20的训练样本，共20组。以第n+1天的实际轴力测量数据作为检验样本，与上述训练样本共同构成初始学习样本。该初始学习样本中历史数据量是不确定的，需要通过粒子群算法确认后形成完整的学习样本；
初始化粒子群算法；
具体而言，本实施例的粒子群算法的相关参数主要包括：粒子群的规模设置为20、各粒子的权重因子、计算迭代次数设置为50、产生的随机粒子群向量及各粒子向量对应的历史数据数量取值范围为[2,10]，通过A00中构建的初始训练样本和检验样本，将各粒子的个体极值设为当前位置，代入基础极限学习机算法中进行训练并获取对应的预测轴力值。
根据所述初始学习样本采用所述粒子群算法迭代得到历史轴力数量。
具体而言，如图4所示，在粒子群算法中，把问题的解看作为搜索空间中的粒子。所有粒子都由被优化函数决定的适应值，同时所有粒子通过速度决定其运动的方向和距离，其它粒子追随当前的最优粒子在解空间中搜索。粒子群算法首先产生一组初始化的随机粒子，随后采用迭代的方法寻求最优解。
在迭代过程中，粒子通过对两个极值的跟踪更新自己。其中一个是粒子在每次搜索中的最优解，称为个体极值Pbest，另外一个是粒子群全部粒子在每次搜索中最优解，称为全局极值gbest。粒子群中第i个粒子在n维空间的位置可用xi＝(xi1,xi2......,xin)表示，其速度可用vi＝(vi1,vi2......,vin)表示，第i个粒子的个体极值可表示为Pbest＝(Pi1,Pi2......,Pin)，粒子群的全局极值表示为gbest＝(g1,g2......,gn)。在搜索到这两个极值后，用下式来更新粒子的速度和位置：
vi(k+1)＝wvi(k)+c1rand1(Pbest-Xi(k))+c2rand2(gbest-Xi(k)) (3)
Xi(k+1)＝Xi(k)+vi(k+1) (4)
式中，c1,c2为学习因子，其取值范围在(0，2)之间。rand1和rand2为随机数，取值在(0，1)之间，w表示动量系数，其值随迭代改变。
粒子的位置更新后，新位置所代表的历史轴力数量，再次调用极限学习机函数计算当前位置的轴力预测值，存储当前历史轴力数量对应的个体极值与全局极值后再次更新位置。
如图5所示，根据差异进化算法优化所述及极限学习机的参数，包括：
设置差异化算法参数，并随机产生第一代种群，所述差异化算法参数包括种群数量、进化代数、交叉因子CR和放大因子F；
根据所述差异化算法参数对第一代种群中的每个个体对应极限学习机的权值和隐含层偏差进行训练，获得极限学习机的输出权值，从而获得所述极限学习机的拓扑结构；
通过检验样本对训练后的极限学习机进行预测检验，以预测最大相对误差作为差异化算法的适应值；
任意选取所述极限学习机的输入层权值和隐含层偏差集合中两个输入层权值和隐含层偏差个体之间的差值乘以所述放大因子并叠加到集合中的第三个输入层权值和隐含层偏差个体上，形成新的输入层权值和隐含层偏差向量；
将目标输入层权值和隐含层偏差向量与输入层权值和隐含层偏差变异向量根据公式：
Figure GDA0002404839490000071
生成新的试样输入层权值和隐含层偏差向量，其中，所述xi(G)为隐含层偏差向量，所述vi(G+1)为隐含层偏差变异向量，所述ui(G+1)是交叉后生成的新的试样输入层权值和隐含层偏差向量，所述为j＝1，2，…，D；所述rj∈[0,1]为与向量第j个分量对应的随机数，所述CR∈[0,1]为杂交概率常数，所述rni为在1，2，…，D中随机挑选一个整数，以确保变异输入层权值和隐含层偏差向量Vi(G+1)中，至少有一个分量被试样输入层权值和隐含层偏差向量ui(G+1)采用。
如图7所示，采用最终优化后的参数进行极限学习机的锚杆轴力超前预测，在当前日对此后3天的数据进行滚动预测，即每组数据在实测前会进行3次预测计算。若预测值超出警戒值，但是所预测的日期与当前日相差大于一天，则考虑计算可能存在的误差及岩土体的自我调节能力，暂不做预警处理，而是加强数据的自动化采集密度，对危险结构面进行实时监测；若某一位置的预测值连续3次超出警戒值，则系统发出超前预警。
输出锚杆轴力预测值，表1为极限学习机预测结果DE—ELM学习预测的结果见表1。
表1
日期 5/27 5/28 5/29 5/30 5/31
实测值(KN) 216.58 214.35 234.62 215.23 224.81
5/26预测结果(KN) 229.66 199.28 328.73 / /
5/27预测结果(KN) / 223.61 312.61 297.26 /
5/28预测结果(KN) / / 326.62 285.33 263.23
最大绝对误差 13.08 15.07 94.11 82.03 38.42
最大相对误差(％) 6.04 7.03 40.11 38.11 17.09
由表1和图8所示，5月29日之前，预测数据与监测数据基本一致，最大绝对误差为15.07KN，最大相对误差为7.03％。5月29日锚杆轴力预测值连续3次远大于设计最大值，系统发出超前预警。基于该警报信息，结合工程所处实际地质条件及结构特点，设计单位和施工单位共同商定加固方案，于5月28日对报警位置对应结构面实施锚杆加密与灌浆加固处理。加固后，29日实测值为正常水平，有效防止了施工灾害的发生。结果表明最小二乘法支持向量机可以很好的表达深基坑轴力与其他影响因素之间的映射规律，能够较好的适应基坑工程的锚杆轴力预测工作，同时表明本预警系统可有效地对基坑工程潜在危险实现超前预警。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (4)

1.一种锚杆轴力变化趋势预测方法，其特征在于，包括：
采用振弦式传感器采集锚杆轴力，并存储所述锚杆轴力；
采集当前轴力参数，所述轴力参数包括：通过温度传感器采集的工程现场温度，通过水位计采集的地下水位高度，通过红外线测距仪测量的开挖位置与锚杆锚固位置之间的水平距离、开挖水平面与锚杆锚固位置所在平面之间的垂直距离；
通过粒子群算法，采用公式
vi(k+1)＝wvi(k)+c1rand1(Pbest-Xi(k))+c2rand2(gbest-Xi(k)) (1)
Xi(k+1)＝Xi(k)+vi(k+1) (2)
通过迭代优化的方式识别历史锚杆轴力的数量，其中，c1,c2为学习因子，其取值范围在(0，2)之间，rand1和rand2为随机数，取值在(0，1)之间，w表示动量系数，Pbest、gbest值随迭代改变，其中一个是粒子在每次搜索中的最优解，称为个体极值Pbest，另外一个是粒子群全部粒子在每次搜索中最优解，称为全局极值gbest，粒子个体通过公式(2)循环迭代逐渐逼近最优解；
将所述当前轴力参数和所述历史锚杆轴力作为学习样本采用极限学习机进行非线性映射学习，得到预测的锚杆轴力。
2.根据权利要求1所述的方法，其特征在于，所述得到预测的锚杆轴力之后，还包括：
将预测锚杆轴力与实测锚杆轴力相比较，若差值超出阈值，则根据差异进化算法优化所述极限学习机的参数。
3.根据权利要求1所述的方法，其特征在于，所述通过粒子群算法识别历史锚杆轴力的数量，包括：
根据轴力参数构建初始学习样本；
初始化粒子群算法；
根据所述初始学习样本采用所述粒子群算法迭代得到历史轴力数量。
4.根据权利要求2所述的方法，其特征在于，所述根据差异进化算法优化所述极限学习机的参数，包括：
设置差异进化算法参数，并随机产生第一代种群，所述差异进化算法参数包括种群数量、进化代数、交叉因子和放大因子；
根据所述差异进化算法参数对第一代种群中的每个个体对应极限学习机的权值和隐含层偏差进行训练，获得极限学习机的输出权值，从而获得所述极限学习机的拓扑结构；
通过检验样本对训练后的极限学习机进行预测检验，以预测最大相对误差作为差异进化算法的适应值；
任意选取所述极限学习机的输入层权值和隐含层偏差集合中两个输入层权值和隐含层偏差个体之间的差值乘以所述放大因子并叠加到集合中的第三个输入层权值和隐含层偏差个体上，形成新的输入层权值和隐含层偏差向量；
将目标输入层权值和隐含层偏差向量与输入层权值和隐含层偏差变异向量根据公式：
Figure FDA0002461890600000021
生成新的试样输入层权值和隐含层偏差向量，其中，所述xji(G+1)为目标输入层权值和隐含层偏差向量，所述vji(G+1)为输入层权值和隐含层偏差变异向量，所述uji(G+1)是交叉后生成的新的试样输入层权值和隐含层偏差向量，所述j＝1，2，…，D；所述rj∈[0,1]为向量第j个分量对应的随机数，所述CR∈[0,1]为杂交概率常数，所述rni为在1，2，…，D中随机挑选一个整数，以确保变异输入层权值和隐含层偏差向量Vi(G+1)中，至少有一个分量被试样输入层权值和隐含层偏差向量ui(G+1)采用。
CN201810363335.8A 2018-04-21 2018-04-21 锚杆轴力变化趋势预测方法 Active CN108664711B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810363335.8A CN108664711B (zh) 2018-04-21 2018-04-21 锚杆轴力变化趋势预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810363335.8A CN108664711B (zh) 2018-04-21 2018-04-21 锚杆轴力变化趋势预测方法

Publications (2)

Publication Number Publication Date
CN108664711A CN108664711A (zh) 2018-10-16
CN108664711B true CN108664711B (zh) 2020-07-14

Family

ID=63780192

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810363335.8A Active CN108664711B (zh) 2018-04-21 2018-04-21 锚杆轴力变化趋势预测方法

Country Status (1)

Country Link
CN (1) CN108664711B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109681251B (zh) * 2018-12-30 2020-09-15 中国电建集团华东勘测设计研究院有限公司 全断面开挖软土隧洞掌子面玻璃纤维锚杆设计方法
CN109973080B (zh) * 2019-03-22 2023-02-17 山东电子职业技术学院 地质勘探钻机钻探实时深度测量系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104121845A (zh) * 2014-08-12 2014-10-29 大连海事大学 一种岩体位移监测装置及岩体位移预测方法
CN107368463A (zh) * 2017-07-11 2017-11-21 中国矿业大学 基于光纤光栅传感网络数据的巷道非线性变形预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104121845A (zh) * 2014-08-12 2014-10-29 大连海事大学 一种岩体位移监测装置及岩体位移预测方法
CN107368463A (zh) * 2017-07-11 2017-11-21 中国矿业大学 基于光纤光栅传感网络数据的巷道非线性变形预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A Nonlinear Optimization Technique of Tunnel Construction Based on DE and LSSVM;Xing Jun et al.;《Mathematical Problems in Engineering》;20170328;第1-12页 *
DE_ELM在水煤气组分浓度软测量建模中的应用;黄远红 等;《自动化仪表》;20170228;第38卷(第2期);第77-81页 *
Simulation and parameter identification method of tunnel based on differential evolution;Annan Jiang et al.;《IEEE》;20100701;第3345-3349页 *
不同围岩级别下隧道锚杆轴力现场测试及变化机理分析;贾进 等;《公路交通科技(应用技术版)》;20180131(第1期);第222-225页 *

Also Published As

Publication number Publication date
CN108664711A (zh) 2018-10-16

Similar Documents

Publication Publication Date Title
Safa et al. Development of neuro-fuzzy and neuro-bee predictive models for prediction of the safety factor of eco-protection slopes
Zhang et al. Reinforced concrete deep beam shear strength capacity modelling using an integrative bio-inspired algorithm with an artificial intelligence model
Shen et al. Real-time prediction of shield moving trajectory during tunnelling
Shirani Faradonbeh et al. Application of self-organizing map and fuzzy c-mean techniques for rockburst clustering in deep underground projects
Nguyen et al. Damage detection in Ca-Non Bridge using transmissibility and artificial neural networks
CN106205060B (zh) 用于露天矿坑尾矿库边坡滑坡预警预报方法
Ma et al. Displacement prediction of a complex landslide in the Three Gorges Reservoir Area (China) using a hybrid computational intelligence approach
Dantas Neto et al. Modelling the shear behaviour of clean rock discontinuities using artificial neural networks
CN108664711B (zh) 锚杆轴力变化趋势预测方法
Luo et al. A deep learning prediction model for structural deformation based on temporal convolutional networks
Hasanzadehshooiili et al. Using artificial neural network (ANN) in prediction of collapse settlements of sandy gravels
Wang et al. Modeling of shield-ground interaction using an adaptive relevance vector machine
Liu et al. Optimized adaptive neuro-fuzzy inference system using metaheuristic algorithms: Application of shield tunnelling ground surface settlement prediction
CN115423167A (zh) 一种地铁深基坑施工安全预警及辅助决策方法及系统
Bakhtavar et al. Toward predicting blast-induced flyrock: a hybrid dimensional analysis fuzzy inference system
Huynh et al. Base resistance of super-large and long piles in soft soil: performance of artificial neural network model and field implications
Kothari et al. Machine learning: A novel approach to predicting slope instabilities
Moayedi et al. Applicability and comparison of four nature-inspired hybrid techniques in predicting driven piles’ friction capacity
Pham Application of feedforward neural network and SPT results in the estimation of seismic soil liquefaction triggering
Peng et al. Automated design of a new integrated intelligent computing paradigm for constructing a constitutive model applicable to predicting rock fractures
CN111738501B (zh) 一种地下开采引起矿区地表变形中短期预测方法
Kazemi et al. A novel hybrid XGBoost methodology in predicting Penetration rate of rotary based on rock-mass and material properties
Zhang et al. Assessing site investigation program for design of shield tunnels
Mustafa et al. Probabilistic Analysis of Pile Foundation in Cohesive Soil
CN116777079A (zh) 一种基于贝叶斯层间结构模型的沙漠化侵扰灾害预测方法

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
GR01 Patent grant
GR01 Patent grant