PSO-LSSVM模型的基坑周边建筑倾斜预测

针对建筑施工事故原始样本少、随机波动大和预测难度大等特点,对建筑施工事故小样本预测问题展开研究。采用lssvm对建筑施工事故进行回归建模,发挥粒子群算法计算速度快和具有较强全局搜索能力的优点,基于pso对lssvm参数进行优化；以相关文献建筑施工事故为预测案例,运用所提方法进行仿真实验。结果表明:采用pso-lssvm预测方法的绝对误差(mape)为2.99%,并且每年的预测相对误差都低于5%,远低于现有研究方法得出的结果,说明所提方法具有预测精度高、泛化能力强的特点,能满足工程应用要求。

伴随着地下空间工程大量兴建,在基坑开挖阶段,定期观测周边建筑物沉降,分析预测其未来的沉降变化规律、发展趋势,对保证建筑物与人民生命财产安全具有重要意义。为科学合理预测基坑周边建筑物沉降值,在综合常用灰色预测模型,即verhulst模型、gm(1,1)模型和scgm(1,1)_c模型优点的基础上,建立灰色组合模型,通过挖掘各单一模型的有效信息,优化拟合结果,从而对基坑周边建筑物的沉降值进行有效预测。实例应用表明:灰色组合模型的预测值与观测数据的拟合结果优于单一预测模型,其预测精度明显提升,沉降预测值更为可靠,可为采取相应的预防或处理措施提供科学决策依据。

为了确保基坑周边建筑物的安全,建立自回归模型研究周边建筑物沉降的趋势并及时预测。首先采用统计方法分析沉降监测基准的稳定性,然后根据某监测点16期观测数据,建立自回归模型ar(p),最后使用4期的预测数据与实测数据进行比较:预测值和实测值之间的最大差值不超过0.6mm。表明该模型有良好的预测结果,可应用于预测该基坑周边建筑物的沉降。

文章介绍了基本灰色模型的使用方法,并加以改进,针对基坑施工期其周边建物变形特点,通过内插构建等步长的灰色模型子序列。将开挖深度和变形量联系起来,加以预测并取得较高精度,为基坑监测提供实用的技术手段。

文章介绍了基本灰色模型的使用方法,并加以改进,针对基坑施工期其周边建物变形特点,通过内插构建等步长的灰色模型子序列.将开挖深度和变形量联系起来,加以预测并取得较高精度,为基坑监测提供实用的技术手段.

为了快速准确的预测基坑开挖对周围建筑物沉降的影响,本文提出一种结合多智能体粒子寻求lssvm(最小二乘支持向量机)模型参数的算法,提高了lssvm算法的预测精度.采用该算法对昆明市某基坑开挖过程中周围建筑物的沉降进行预测,并与其他预测方法进行对比,结果表明该算法具有收敛速度快、预测精度高等特点.

为提高大型公共建筑能耗的预测精度,提出一种基于灰色模型和最小二乘向量机方法(gm-lssvm)的办公能耗预测模型.该方法结合灰色建模计算简单的特点,以及最小二乘支持向量机非线性拟合能力和泛化能力强的优势,充分发掘样本数据的规律,并以粒子群优化算法进行模型参数选择.根据福州某大型公共建筑能耗数据,通过本研究提出的方法建立预测模型,并与神经网络模型以及最小二乘支持向量机模型的预测结果进行比较,验证了该方法具备较高的预测精度和较强的泛化能力.

通过研究分析夏热冬冷地区公共建筑能耗变化特点,建立了rbf神经网络建筑能耗预测模型。在此基础上运用微粒群算法对模型优化,建立了基于pso-rbf的建筑能耗预测模型。利用大量数据构造样本集,运用软件分别对优化前后的预测模型进行训练,并运用到典型公共建筑能耗值的预测实例中。结果表明基于pso-rbf的建筑能耗预测模型的学习能力和预测能力强,能较准确地实现公共建筑能耗预测。

沉降监测数据序列受到观测条件等影响往往是非等间隔的。为了更合理、准确地分析预测沉降数据,本文将非等间隔无偏灰色模型应用到基坑周边建筑物沉降监测分析中,并对建模过程中背景值的计算进行了改进,与两种传统的非等间隔灰色模型进行对比分析。通过两组实例分析,结果表明:非等间隔无偏灰色模型的效果优于其余两种非等间隔灰色模型,其模型趋势更符合实际沉降趋势。

提出一种粒子群算法优化的最小二乘支持向量机回归模型(pso-ls-svmr),以实现对公共建筑能耗的短期预测。采用某大型公共建筑物连续31期的用电量及所在地区相关天气指标的实测数据,分别运用pso-ls-svmr模型和lmbp神经网络模型对其建筑能耗进行短期预测,并对预测结果展开深入研究。研究结果表明,提出的pso-ls-svmr模型在对样本内数据和样本外数据的预测上均取得了较好效果,可以满足公共建筑能耗短期预测的实际需要,为建筑节能管理提供理论支持与决策参考。

为了准确预测与控制工程造价水平，提出一种基于灰关联分析（gra）与粒子群优化（pso）的支持向量回归机（svr）组合预测模型。将gra提取的工程造价主要指标向量输入pso-svr模型预测造价，采用pso优化的svr模型进行工程造价预测，对比分析pso-svr模型和其他智能模型，对某一地区相同输电工程进行造价预测。结果表明：基于灰关联分析的pso-svr模型的造价预测效果更理想，预测精度更高。

针对新建工程废料的产生受多种复杂因素影响及废料量预测问题非线性、高维度、样本少的特点,建立了新建工程废料的偏最小二乘回归(pls)-最小二乘支持向量机(lssvm)预测模型。经调查分析得到新建工程废料量的影响因素有建筑用途、结构形式等,然后通过pls回归对初始输入数据进行特征提取,获得降维去噪的变量输入lssvm模型,并运用具有快速收敛及全局优化能力的粒子群(pso)算法对lssvm建模中的参数进行优化。实际验证表明该模型预测准确性高,能有效地预测新建工程的废料量。

本文根据城市桥梁群体的实际震害资料数据,采用粒子群算法(pso)来优化支持向量机(svm)参数,选择影响桥梁震害等级的8个因素作为特征输入向量,充分用2种算法的优点建立pso-svm的桥梁震害预测模型.通过比较pso-svm和svm模型对桥梁震害的预测能力,发现pso-svm模型具有较高预测精度和较高的推广价值.本文的研究成果对桥梁震害等级的预测具有一定的参考价值和指导意义.

文章分析了影响电力负荷的因素,对现存的短期电力负荷预测方法进行了研究,采用粒子群算法对支持向量机进行参数寻优,建立了基于粒子群优化的预测模型,并对短期电力负荷进行预测仿真,为精准且快速地预测短期电力负荷提供了有效的方法。通过实例分析验证了该模型在电力负荷中的预测精度,结果显示其精度值较高。

基坑工程施工过程中的周边地面沉降直接关系到周围建筑物的安全,本文根据上海前滩地区某基坑工程的历史监测数据、施工工况和周边地层参数等多源数据对基坑周边地面沉降进行监测和预测。以pso-bp神经网络为基础,通过将基于时序和基于沉降影响因素的网络模型对比发现:二者预测结果误差较小且基于时序的神经网络预测精度更高,说明利用pso-bp神经网络能够很好地对基坑周边地面沉降进行分析与预测。为了综合考虑时间效应和空间效应的影响,在基于沉降影响因素的预测模型的基础上加入历史监测数据作为模型输入层进行优化,结果表明:优化后的pso-bp神经网络模型具有更小的相对误差范围和更高的预测精度,在基坑周边地面沉降预测中有很好的应用前景。

以武汉市轨道交通三号线二七基站为背景,运用plaxis有限元程序模拟了基坑开挖过程,分析了基坑开挖对周边建筑物的影响。

我国城市化建设进程的不断发展，地下仓库以及停车场的新建，都体现了地下的空间受到了充分的利用，也证明了我国深基坑的发展。但随之而来的一系列问题也受到社会各界的广泛关注。在进行城市化的深基坑建设时，这件事往往会对周围的环境以及地质状况产生较大的影响，而导致深基坑周围建筑物的沉降，是深基坑建设中一项十分重要的影响。本文对深基坑与周边建筑物的沉降观测进行分析，旨在为今后的深基坑以及周边建筑物沉降观测提出一定的建议和意见

城市深基坑周边环境日益复杂,深基坑开挖受到更为严格的环境限制,必须使深基坑开挖引起周边建构筑物的变形控制在规范要求及周边建(构)筑物允许范围内.基坑的设计不仅是对围护强度进行控制,还要求与周边环境相结合对变形进行控制.针对复杂的周边环境,应采取合适的围护形式控制对基坑周边老建筑的影响.

为了研究在砂性富水地层条件下进行基坑开挖对邻近建筑物的影响；以杭州地铁5号线江城路站基坑开挖工程为例；采用现场实测的方法进行分析；结果表明:基坑开挖对邻近建筑物的影响主要是在房屋基础以上的的范围内；超过建筑物基础深度时；继续开挖对邻近建筑物的影响不再有明显变化；基坑围护结构的存在；在一定程度上会对建筑物的沉降控制有利；研究成果可为城市建筑密集区深基坑工程和其他类似的地铁车站施工、隧道穿越等工程提供一定的参考；

基坑开挖对周边建筑物沉降影响的研究——文中采用大型工程软件flac一2d对土钉墙支护形式下基坑开挖引起的近邻建筑物沉降问题进行了数值模拟分析，得出了一些基本结论。　　

基坑开挖及降水引起周围地面不均匀沉降并导致周围建筑物倾斜、开裂等问题,一直以来都受到人们的关注。在总结当前地面沉降计算方法的基础上,结合具体工程实例采用弹塑性有限单元法模拟基坑支护、降水以及开挖步骤,分析其对周围地面沉降及建筑物的影响。计算分析结果表明,施工支护条件对支护结构周围土体影响较大,考虑降水和不考虑降水计算结果相差20mm左右,表明抽水引起的变形较大,最后提出了减少沉降的主要措施。

在城市地下工程建设中,深基坑开挖引起的周围地表土沉降问题越来越受到人们的重视。地表沉降将引起邻近建、构筑物破坏,从而造成经济损失。因此,预测基坑周围土体未来一段时间的沉降,对及时采取治理措施具有重要意义。文章针对gm(1,1)模型地面沉降预测精度较低的问题,利用神经网络对灰色预测模型进行组合,生成灰色神经网络模型,并进行预测分析,结果表明,利用灰色神经网络模型预测的沉降值,比单独的灰色gm(1,1)模型预测的沉降值具有更高的精度。