CN111382472A - 随机森林融合svm预测盾构引起近接结构变形方法及装置 - Google Patents

随机森林融合svm预测盾构引起近接结构变形方法及装置 Download PDF

Info

Publication number
CN111382472A
CN111382472A CN202010044848.XA CN202010044848A CN111382472A CN 111382472 A CN111382472 A CN 111382472A CN 202010044848 A CN202010044848 A CN 202010044848A CN 111382472 A CN111382472 A CN 111382472A
Authority
CN
China
Prior art keywords
random forest
building
deformation
svm
shield
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
Application number
CN202010044848.XA
Other languages
English (en)
Inventor
吴贤国
章荣军
郑俊杰
陈虹宇
张立茂
曾铁梅
熊朝晖
张旭东
龙华东
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202010044848.XA priority Critical patent/CN111382472A/zh
Publication of CN111382472A publication Critical patent/CN111382472A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种随机森林融合SVM预测盾构引起近接结构变形方法，包括：根据影响建筑物变形沉降的主要因素，并收集所述主要因素对应的数据；建立随机森林模型，根据所述随机森林模型训练所述数据并进行重要性度量，得到最优特征集；将所述最优特征集降维处理后输入支持向量机模型进行训练，得到建筑物沉降量预测结果。本发明还公开一种随机森林融合SVM预测盾构引起近接结构变形装置。该方法利用随机森林特征选择，能在过多影响因素中，剔除与预测值相关性小的变量，筛选出用于建模的关键变量得到最优变量组合，降低支持向量机训练模型的维度，提高预测精度，得到更贴近实际的预测结果，实现了建筑物变形沉降更稳定、更准确的预测。

Description

随机森林融合SVM预测盾构引起近接结构变形方法及装置
技术领域
本发明属于隧道盾构施工诱发临近建筑物变形沉降的智能算法预测领 域，具体涉及一种随机森林融合SVM预测盾构引起近接结构变形方法及装 置。
背景技术
近些年来，随着我国社会经济快速发展，城市现代化建设程度不断提 高，城市地下空间开发与利用成为重点发展方向，相应地各大城市地铁隧 道的施工规模在飞速扩大。地铁隧道的开挖,使地层产生了变形和应力重分 布,不可避免会导致地表的不均匀沉降,尤其对既有建筑物而言,往往很小 的变形沉降,会带来较大的危害,影响结构的安全稳定性和使用功能。因此, 预测城市地铁盾构施工对地表建筑物的沉降具有十分重要的意义。
目前，国内外学者研究的隧道盾构施工引起地表建筑物沉降方法主要 有理论解析、实测分析法、有限单元法、智能算法等。其中用于预测地表 建筑物沉降的智能算法一般有BP神经网络、支持向量机、遗传算法、灰色 预测模型等。这些算法在对建筑物沉降的预测上有其可行性，但在实际运 用过程中存在重大限制。例如BP神经网络存在易陷入局部极值和收敛速度 慢等缺点，支持向量机在输入变量过多时，训练时间较长且对缺失值较敏 感；遗传算法涉及到大数据处理时计算时间长，得到的结果稳定性差；灰 色预测模型的精度很大程度依赖于假设的模型服从函数的正确性。
发明内容
针对现有方法的以上缺陷或改进需求，本发明提供一种随机森林融合 SVM预测盾构引起近接结构变形方法及装置，用以解决在隧道开挖过程中诱 发的地表建筑物变形沉降的快速预测问题。该方法利用随机森林特征选择， 能在过多影响因素中，剔除与预测值相关性小的变量，筛选出用于建模的 关键变量得到最优变量组合，降低支持向量机训练模型的维度，提高预测 精度，得到更贴近实际的预测结果，实现了建筑物变形沉降更稳定、更准 确的预测。
为了实现上述目的，按照本发明的一个方面，提供一种随机森林融合 SVM预测盾构引起近接结构变形方法，包括：
根据影响建筑物变形沉降的主要因素，并收集所述主要因素对应的数 据；
建立随机森林模型，根据所述随机森林模型训练所述数据并进行重要 性度量，得到最优特征集；
将所述最优特征集降维处理后输入支持向量机模型进行训练，得到建 筑物沉降量预测结果。
进一步的，对所述建筑物沉降量预测结果进行误差分析，并进行全局 敏感性评价。
进一步地，选择高斯核函数建立所述支持向量机模型，并采用交叉验 证进行参数寻优。
进一步地，确定所述支持向量机模型的最优参数组合，基于所述最优 特征集对样本训练集和测试集进行训练预测，输出所述训练集和所述测试 集的实际值与预测值的拟合曲线，根据所述拟合曲线判断预测效果。
进一步地，根据下列公式计算一阶敏感度和总敏感度，
Figure RE-GDA0002499332460000031
Figure BDA0002369004070000022
Figure BDA0002369004070000023
Figure BDA0002369004070000031
Figure BDA0002369004070000032
其中，Si为参数的一阶敏感度值；Vi为某个参数的方差；V为系统的总 方差；k＝1，2，…Ns；STi为参数的总敏感度值；Ns为参数样本数， Ns＝2M(wmax+1)；wi为参数特征频率；wmax为wi的最大值；M为4或6。
进一步的，所述影响建筑物变形沉降的主要因素包括，隧道相关因素、 水文地质因素、盾构施工因素、建筑物因素。
进一步的，所述隧道相关因素包括隧道埋深和覆跨比。
进一步的，所述水文地质因素包括内摩擦角、弹性模量和粘聚力.
进一步的，所述盾构施工因素包括推进速度、刀盘扭矩、推进力、刀 盘转速、上部土仓压力和注浆量。
进一步的，所述建筑物因素包括相对水平位置、相对垂直位置、相对 纵向位置、建筑物自身结构和建筑物完好程度。
第二方面，本发明提供一种预测隧道盾构施工引起建筑物变形沉降的 装置，其特征在于，所述装置包括：
获取模块，根据影响建筑物变形沉降的主要因素，并收集所述主要因 素对应的数据；
处理模块，建立随机森林模型，根据所述随机森林模型训练所述数据 并进行重要性度量，得到最优特征集；
确定模块，将所述最优特征集降维处理后输入支持向量机模型进行训 练，得到建筑物沉降量预测结果。
第三方面，本发明提供一种计算机设备，包括存储器、处理器及存储 在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器 执行所述程序时实现本发明第一方面中所述一种随机森林融合SVM预测盾 构引起近接结构变形方法。
第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机 程序，其特征在于，该程序被处理器执行时实现本发明第一方面中所述一 种随机森林融合SVM预测盾构引起近接结构变形方法。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够 取得下列有益效果：
1.本发明中提供的随机森林融合SVM预测盾构引起近接结构变形方法 充分利用了随机森林能够有效处理有多个指标、噪声干扰的样本数据，筛 选有用特征变量的特点，创新性地提高了支持向量机模型的预测精度，使 得建筑物沉降变形预测结果更加准确、可靠。
2.本发明提供的随机森林融合SVM预测盾构引起近接结构变形方法将 随机森林与支持向量机结合建模，用以预测盾构施工引起地表建筑物变形 沉降，规避了现有方法的缺陷，降低模型维度，加快训练速度且解决了预 测结果不稳定的问题，为实现建筑物变形预测提供了一种快捷有效的工具。
附图说明
图1为本发明实施例提供的一种预测隧道盾构施工引起建筑物变形沉 降方法的流程图。
图2为本发明实施例提供的一种预测隧道盾构施工引起建筑物变形沉 降方法中影响因素指标体系图。
图3是本发明实施例中各变量重要性排序图。
图4是本发明实施例中支持向量机模型训练集拟合结果。
图5是本发明实施例中支持向量机模型测试集预测结果。
图6是本发明实施例中建筑物沉降各特征变量敏感性分析图。
图7是本发明实施例提供的预测隧道盾构施工引起建筑物变形沉降装 置结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图 及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体 实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本 发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以 相互组合。
本发明实施例提出一种随机森林融合SVM预测盾构引起近接结构变形 方法，包括：
根据影响建筑物变形沉降的主要因素，并收集主要因素对应的数据；
建立随机森林模型，根据随机森林模型训练数据并进行重要性度量， 得到最优特征集；
将最优特征集降维处理后输入支持向量机模型进行训练，得到建筑物 沉降量预测结果。
对所述建筑物沉降量预测结果进行误差分析，获得一阶敏感度和总敏 感度，并进行全局敏感性评价，根据下列公式计算一阶敏感度和总敏感度，
Figure BDA0002369004070000051
Figure BDA0002369004070000052
Figure BDA0002369004070000053
Figure BDA0002369004070000054
Figure BDA0002369004070000055
其中，Si为参数的一阶敏感度值；Vi为某个参数的方差；V为系统的总 方差；k＝1，2，…Ns；STi为参数的总敏感度值；Ns为参数样本数，Ns＝2M(wmax+1)；wi为参数特征频率；wmax为wi的最大值；M为4或6。
如图1，本发明实施例提出的一种随机森林融合SVM预测盾构引起近 接结构变形方法，主要包括以下步骤：
步骤1：影响因素指标体系样本数据采集
进一步的，以隧道相关因素包括隧道埋深(X1)和覆跨比(X2)，水 文地质因素包括内摩擦角(X3)、弹性模量(X4)和粘聚力(X5)，盾构施 工因素包括推进速度(X6)、刀盘扭矩(X7)、推进力(X8)、刀盘转速(X9)、 上部土仓压力(X10)和注浆量(X11)，建筑物因素包括相对水平位置(X12)、 相对垂直位置(X13)、相对纵向位置(X14)、建筑物自身结构(X15)和 建筑物完好程度(X16)等16个指标作为输入变量，以地表建筑物沉降作 为输出变量，选取监测的400组数据作为原始训练集，部分数据如表1：
表1样本数据
Figure BDA0002369004070000061
Figure BDA0002369004070000071
步骤2：随机森林特征选择
进一步的，将全部数据样本划分为容量为320的训练数据集和容量为 80的测试数据集两部分，输入mtry＝5(16/3)，ntree＝800，进行建模。
通过R软件中Random Forest程序包来实现Importance函数的重要性评 价指标可视化绘图，并将不同变量的重要性降序排列，其排列分布如图3 所示。由图3可知，隧道埋深，建筑物完好程度、覆跨比、弹性模量等变 量重要性度量值比较大，说明这些变量对沉降有较大的影响。
经过5折交叉验证得到不同变量组合的RMSE和R2的数值，如表2。
表2不同变量组合时RMSE和R2变化表
Figure BDA0002369004070000072
Figure BDA0002369004070000081
当变量组合的变量数达到6个时，均方根误差值达到最小，拟合优度 也达到了最小，此时模型精度最高。确定最优指标集为隧道埋深，建筑物 完好程度、覆跨比、弹性模量，粘聚力，推进力将用于支持向量机模型的 构建。
本发明实施例提供的随机森林融合SVM预测盾构引起近接结构变形方 法充分利用了随机森林能够有效处理有多个指标、噪声干扰的样本数据， 筛选有用特征变量的特点，创新性地提高了支持向量机模型的预测精度， 使得建筑物沉降变形预测结果更加准确、可靠。
步骤3：支持向量机建模和评估
基于隧道埋深(X1)、建筑物完好程度(X16)、覆跨比(X2)、弹性模 量(X4)，粘聚力(X5)，推进力(X8)共6特征，加载R语言中e1071 1.6-7 程序，采用10-CV方法进行参数寻优，输出寻优结果如表3所示。
表3参数优选表
Figure BDA0002369004070000082
Figure BDA0002369004070000091
进一步的，参数优化的结果为：best c＝0.1，best g＝10，CVmse＝0.6410707 (最小)，输入该参数建立支持向量机模型，对训练样本训练拟合结果如图 4所示，对测试样本的预测结果如图5所示。从图4可以看出，模拟值和实 际值很接近，模拟效果较好。利用训练好的随机森林模型对测试集进行预 测，如图5，可以看出随机森林模型测试集上的预测值曲线较贴近真实值。
步骤4：预测结果评价
为了检验随机森林融合支持向量机模型(RF-SVM)的优越性，选择未进 行特征选择的支持向量机以及人工神经网络进行建模并做对比分析，选用 公式(2)均方根误差RMSE和公式(3)确定性系数R2和来衡量模型的预测精 度，得到误差对比结果如表4。
表4误差比较
Figure BDA0002369004070000092
结果显示：RF-SVM模型、支持向量机模型、人工神经网络模型的均 方根误差分别为0.126、0.847、2.05，确定性系数分别为0.997、0.937、0.822。 可以看出RF-SVM模型预测结果的均方根误差最小且确定性系数最为接近 1，说明此模型预测结果最为贴近实际值，精度最高，效果更好。
进一步的，用sobol指数法对监测的400组数据六个指标之间进行一阶 和全局敏感性进行分析，得到各指标的敏感度，如图6所示，以建筑物沉 降量为目标函数，一阶敏感度和全局总敏感度最高的安全指标是隧道埋深， 分别为0.338和0.347，隧道埋深的敏感度明显高于其他参数。建筑物完好 程度和推进力的一阶敏感度和全局总敏感度分别为0.238、0.247和0.125、 0.135次之，弹性模量，粘聚力，覆跨比的一阶敏感度和全局总敏感度分别 为0.128、0.12、0.112和0.134、0.089、0.080，依次减小，
进一步的，说明这3个参数对建筑沉降的影响相对隧道埋深、建筑物 完好程度、推进力较小。各参数的一阶敏感性和总敏感性比较接近，说明 各指标对建筑沉降的影响规律比较相似。
本发明提供的随机森林融合SVM预测盾构引起近接结构变形方法将随 机森林与支持向量机结合建模，用以预测盾构施工引起地表建筑物变形沉 降，规避了现有方法的缺陷，降低模型维度，加快训练速度且解决了预测 结果不稳定的问题，为实现建筑物变形预测提供了一种快捷有效的工具。
如图7所示，本发明实施例提供一种预测隧道盾构施工引起建筑物变 形沉降的装置，包括：
获取模块，根据影响建筑物变形沉降的主要因素，并收集所述主要因 素对应的数据；
处理模块，建立随机森林模型，根据随机森林模型训练所述数据并进 行重要性度量，得到最优特征集；
确定模块，将最优特征集降维处理后输入支持向量机模型进行训练， 得到建筑物沉降量预测结果。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在 存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执 行所述程序时实现本发明实施例中一种随机森林融合SVM预测盾构引起近 接结构变形方法。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，其 特征在于，该程序被处理器执行时实现本发明实施例中一种随机森林融合 SVM预测盾构引起近接结构变形方法。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程 序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现 流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图 中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、 专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一 个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令 产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个 方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理 设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存 储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个 流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备 上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机 实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现 在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的 功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知 了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所 附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和 修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离 本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权 利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在 内。

Claims (10)

1.一种随机森林融合SVM预测盾构引起近接结构变形方法，其特征在于，包括：
根据影响建筑物变形沉降的主要因素，并收集所述主要因素对应的数据；
建立随机森林模型，根据所述随机森林模型训练所述数据并进行重要性度量，得到最优特征集；
将所述最优特征集降维处理后输入支持向量机模型进行训练，得到建筑物沉降量预测结果。
2.根据权利要求1所述的一种随机森林融合SVM预测盾构引起近接结构变形方法，其特征在于，包括：对所述建筑物沉降量预测结果进行误差分析，获得一阶敏感度和总敏感度，并进行全局敏感性评价。
3.根据权利要求2所述的一种随机森林融合SVM预测盾构引起近接结构变形方法，其特征在于：选择高斯核函数建立所述支持向量机模型，并采用交叉验证进行参数寻优。
4.根据权利要求3所述的一种随机森林融合SVM预测盾构引起近接结构变形方法，其特征在于：确定所述支持向量机模型的最优参数组合，根据所述最优特征集对样本训练集和测试集进行训练预测，输出所述训练集和所述测试集的实际值与预测值的拟合曲线，根据所述拟合曲线判断预测效果。
5.根据权利要求4所述的一种随机森林融合SVM预测盾构引起近接结构变形方法，其特征在于：根据下列公式计算一阶敏感度和总敏感度，
Figure FDA0002369004060000011
Figure FDA0002369004060000021
Figure FDA0002369004060000022
Figure FDA0002369004060000023
Figure FDA0002369004060000024
其中，Si为参数的一阶敏感度值；Vi为某个参数的方差；V为系统的总方差；k＝1，2，…Ns；STi为参数的总敏感度值；Ns为参数样本数，Ns＝2M(wmax+1)；wi为参数特征频率；wmax为wi的最大值；M为4或6。
6.根据权利要求5所述的一种随机森林融合SVM预测盾构引起近接结构变形方法，其特征在于：所述影响建筑物变形沉降的主要因素包括，隧道相关因素、水文地质因素、盾构施工因素、建筑物因素。
7.根据权利要求6所述的一种随机森林融合SVM预测盾构引起近接结构变形方法，其特征在于：所述隧道相关因素包括隧道埋深和覆跨比。
所述水文地质因素包括内摩擦角、弹性模量和粘聚力.
所述盾构施工因素包括推进速度、刀盘扭矩、推进力、刀盘转速、上部土仓压力和注浆量。
所述建筑物因素包括相对水平位置、相对垂直位置、相对纵向位置、建筑物自身结构和建筑物完好程度。
8.一种随机森林融合SVM预测盾构引起近接结构变形装置，其特征在于，所述装置包括：
获取模块，根据影响建筑物变形沉降的主要因素，并收集所述主要因素对应的数据；
处理模块，建立随机森林模型，根据所述随机森林模型训练所述数据并进行重要性度量，得到最优特征集；
确定模块，将所述最优特征集降维处理后输入支持向量机模型进行训练，得到建筑物沉降量预测结果。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1到7任一项所述一种随机森林融合SVM预测盾构引起近接结构变形方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1到7任一项所述一种随机森林融合SVM预测盾构引起近接结构变形方法。
CN202010044848.XA 2020-01-16 2020-01-16 随机森林融合svm预测盾构引起近接结构变形方法及装置 Pending CN111382472A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010044848.XA CN111382472A (zh) 2020-01-16 2020-01-16 随机森林融合svm预测盾构引起近接结构变形方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010044848.XA CN111382472A (zh) 2020-01-16 2020-01-16 随机森林融合svm预测盾构引起近接结构变形方法及装置

Publications (1)

Publication Number Publication Date
CN111382472A true CN111382472A (zh) 2020-07-07

Family

ID=71221470

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010044848.XA Pending CN111382472A (zh) 2020-01-16 2020-01-16 随机森林融合svm预测盾构引起近接结构变形方法及装置

Country Status (1)

Country Link
CN (1) CN111382472A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111861264A (zh) * 2020-07-31 2020-10-30 华中科技大学 一种基于数据挖掘和智能算法预测混凝土耐久性方法
CN112257336A (zh) * 2020-10-13 2021-01-22 华北科技学院 一种基于特征选择与支持向量机模型的矿井突水水源判别方法
CN112489736A (zh) * 2020-12-09 2021-03-12 中国石油大学(北京) 一种矿物含量分析方法、装置、设备及存储介质
CN113204824A (zh) * 2021-05-21 2021-08-03 上海大学 多模型融合的盾构施工沉降预测方法及系统
CN113486575A (zh) * 2021-06-21 2021-10-08 武汉科技大学 一种地表变形破坏预测预警方法、装置及存储介质
CN113555115A (zh) * 2021-06-25 2021-10-26 中山大学孙逸仙纪念医院 基于影像组学构建乳腺癌患者淋巴结转移预测模型的方法
CN115099111A (zh) * 2022-07-13 2022-09-23 广州大学 一种基于机器学习和有限元的盾构施工地表沉降预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609774A (zh) * 2012-01-31 2012-07-25 华中科技大学 一种地铁施工安全风险识别推理系统及其识别推理方法
CN104598996A (zh) * 2015-02-02 2015-05-06 北京交通大学 基于最小二乘支持向量机的施工引起地表变形的预测方法
US20170187547A1 (en) * 2015-12-28 2017-06-29 Netapp, Inc. Storage cluster management proxy

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609774A (zh) * 2012-01-31 2012-07-25 华中科技大学 一种地铁施工安全风险识别推理系统及其识别推理方法
CN104598996A (zh) * 2015-02-02 2015-05-06 北京交通大学 基于最小二乘支持向量机的施工引起地表变形的预测方法
US20170187547A1 (en) * 2015-12-28 2017-06-29 Netapp, Inc. Storage cluster management proxy

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
RENPENG CHEN等: "Prediction of shield tunneling-induced ground settlement using machine learning techniques", 《RESEARCH ARTICLE》 *
刘文黎等: "基于支持向量机代理模型的地铁施工诱发临近建筑扰动的参数全局敏感性分析", 《武汉大学学报（工学版）》 *
缪琦: "基于随机森林和支持向量机的糖尿病风险预测方法研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111861264A (zh) * 2020-07-31 2020-10-30 华中科技大学 一种基于数据挖掘和智能算法预测混凝土耐久性方法
CN112257336A (zh) * 2020-10-13 2021-01-22 华北科技学院 一种基于特征选择与支持向量机模型的矿井突水水源判别方法
CN112489736A (zh) * 2020-12-09 2021-03-12 中国石油大学(北京) 一种矿物含量分析方法、装置、设备及存储介质
CN113204824A (zh) * 2021-05-21 2021-08-03 上海大学 多模型融合的盾构施工沉降预测方法及系统
CN113204824B (zh) * 2021-05-21 2023-04-07 上海大学 多模型融合的盾构施工沉降预测方法及系统
CN113486575A (zh) * 2021-06-21 2021-10-08 武汉科技大学 一种地表变形破坏预测预警方法、装置及存储介质
CN113555115A (zh) * 2021-06-25 2021-10-26 中山大学孙逸仙纪念医院 基于影像组学构建乳腺癌患者淋巴结转移预测模型的方法
CN115099111A (zh) * 2022-07-13 2022-09-23 广州大学 一种基于机器学习和有限元的盾构施工地表沉降预测方法

Similar Documents

Publication Publication Date Title
CN111382472A (zh) 随机森林融合svm预测盾构引起近接结构变形方法及装置
GB2547816B (en) Actually-measured marine environment data assimilation method based on sequence recursive filtering three-dimensional variation
CN112417573B (zh) 基于ga-lssvm与nsga-ⅱ盾构下穿既有隧道施工多目标优化的方法
CN102750413B (zh) 一种输电线路塔位地形测量的数据处理及成图方法
CN106407493A (zh) 一种基于多维高斯云模型的岩爆等级评价方法
Wu et al. Dynamic risk analysis for adjacent buildings in tunneling environments: a Bayesian network based approach
CN108733952B (zh) 一种基于序贯模拟的土壤含水量空间变异性三维表征方法
CN111583067A (zh) 一种城市地下大空间施工安全预警与应急决策方法及系统
CN106489068B (zh) 测量值分析装置以及测量值分析方法
CN103205972A (zh) 一种分析基坑变形与坑外地面沉降关系的方法
CN112330184A (zh) 施工风险的预测方法、装置、设备和介质
CN118095813B (zh) 基于bim技术的地基沉降的可视化监测方法及系统
CN116378123A (zh) 一种基于bim的基坑健康监测系统
CN114693114A (zh) 地下空间结构的监测方法、装置、计算机设备及存储介质
CN117473234A (zh) 一种变形监测数据预处理方法、装置、设备及存储介质
CN117436164A (zh) 一种软土深基坑土方开挖施工方案规划方法及规划系统
CN102830430B (zh) 一种层位速度建模方法
CN115511341B (zh) 一种库岸边坡时变失效概率评估方法及装置
Armstrong et al. The application of data mining techniques to characterize agricultural soil profiles.
CN111026790A (zh) 一种基于数据挖掘的结构安全评估及预报方法
CN110411721A (zh) 一种海洋立管损伤定位方法及系统
CN116108745A (zh) 水环境模型多参数率定方法、终端设备及存储介质
CN115271366A (zh) 高原隧道围岩分级模型训练方法、装置、设备及介质
CN109933921B (zh) 一种滚石灾害风险评估方法、装置、系统及存储介质
CN114117753A (zh) 基于易损性的概率地震边坡滑移危险性分析方法及装置

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: 20200707

RJ01 Rejection of invention patent application after publication