LM-BP神经网络的高层建筑物沉降变形预测

为了提高变形监测数据预测的精度与可靠性,以及提高人工神经网络预测方法的稳定性,尝试将小波分析与bp神经网络相结合的小波神经网络应用于高层建筑物沉降监测数据处理中。综合小波分析与神经网络算法的优点,将良好的时频局域化特性和神经网络理论的自学习功能相结合,建立高层建筑物的小波神经网络变形预测分析模型。通过实验数据对比分析,小波神经网络用于高层建筑物沉降预测数据处理中可以得到更好的预测效果,预测稳定性及预测精度较高。

基于人工神经网络强大的动态数据处理能力和学习能力，本文对应用bp神经网进行建筑物沉降预测的方法进行了初步探讨，并通过实例分析了该方法的可行性和实用性。

本文以高层建筑物沉降变形预测为主要研究目的,讨论了gm(1,1)方法适用于单一指数增长模型、对预测序列数据异常情况难以准确预测的局限性,利用线性回归适用短期预测的特点,提出了基于gm(1,1)与线性回归组合预测高层建筑物沉降变形的方法;对组合模型预测精度起决定性作用的灰指数v和参数m进行了分析,给出了求解灰指数v和参数m的最优值算法,最后利用组合模型对某高层建筑物沉降变形数据进行了解算,应用结果表明,该方法使预测结果更为可靠、准确。

建筑节能是当今城市建设和社会发展的前沿和研究热点,对建筑的能耗现状进行综合分析与评估是进行节能改造或节能设计的前提和基础,而建立反映能耗变化的预测模型是从宏观尺度上分析认识建筑能耗变化与发展特性、为公共建筑节能工作提供决策依据的有效途径和重要手段。研究针对常规bp网络算法收敛速度慢、易陷入局部最小点的缺点,采用了具有较快收敛速度及稳定性的lm算法进行预测,构造了基于bp神经网络的建筑物用电量预测模型。以某市公共建筑原始用电能耗统计数据作为样本,并采用matlab对预测模型进行了仿真预测。结果显示:误差在允许范围内。

以bp人工神经网络模型为基础,建立预测模型,以小区某栋建筑物1期～8期的沉降观测数据为输入数据和输出数据,对网络模型进行训练,并对9期～12期实际观测值与预测值进行了比较,结果比较理想,从而验证了采用bp人工神经网络模型进行建筑物沉降的预测是可行的。

基于神经网络在建筑物沉降预测中的局限性，许多学者对此进行了探讨和研究，文中采用灰色理论中的等维新息思想构建训练样本，建立了等维bp神经网络，通过采用matlab数学工具编程实现，对实际的沉降量进行变形预测。结合具体工程实例进行分析，实验结果表明该模型比灰色gm（1，1）模型具有更好的预测效果，能够满足实际应用的需要。

根据建筑物实测沉降利用人工神经网络理论,建立了前馈网络预测模型并提出新的学习算法,结合某建筑物纠偏工程实例对建筑物沉降进行了预测.预测结果表明神经网络方法是可行且有效的.

提出了根据实测数据构造神经网络变形预测模型的基本思路,构造出基于bp算法的神经网络变形预测模型,并给出应用实例分析。结果表明,神经网络应用于变形预测效果良好,具有一定参考价值和指导意义。

提出基于人工神经网络的基础最终沉降的预测新方法,通过工程实例应用,在较短的实测资料情况下,可获得较小误差的最终沉降量,所建立的模型预测精度高。

变形监测是安全化、信息化工程建设和管理的重要内容,贯穿于建筑物设计、施工和运营整个过程.本文基于小波分析、bp神经网络、小波分析与神经网络结合的相关理论,借助matlab编程,建立了改进的bp神经网络、辅助式小波神经网络、嵌入式小波神经网络3种变形预测网络模型.结合工程实测数据,利用建立的3种模型,分别应用累积沉降和期间沉降不同模式数据进行预测.结果表明,两种小波神经网络组合模型的预测效果明显优于单一的bp神经网络模型,具有更高预测精度和更快的收敛速度,且训练样本数目越多,模型精度越高,预测效果越好.

为解决建筑物基础沉降量的安全监测问题,对其进行有效的预测、校核与分析,运用matlab软件建立径向基神经网络模型对某市建筑物的基础沉降量进行预测.结果表明:径向基神经网络的结构形式简易,适应能力更强,预测误差比bp网络小,平均约为66.83%,达到预测精准度所需的耗时短、收敛速度更快.径向基神经网络的预测结果与实测结果较为吻合,表明径向基神经网络预测模型适用于建筑工程沉降预测领域之中.

介绍了基于matlab的径向基函数rbf神经网络对于建筑物沉降预测的方法,讨论了rbf神经网络的构造思路、参数和分布密度spread的选择。为建筑物变形监测人员的数据分析、变形预测提供了一个可行的概念。

首先扼要介绍了高层建筑物实施沉降变形监测的目的及意义,接着以某楼盘沉降观测为例,重点阐述了该高层建筑物沉降监测方案布设、外业施测及数据处理等内容。并采用灰色系统理论等多种方法对沉降变形趋势做出预测,得出灰色系统理论预测效果优于其它方法的结论。

一般在高层建筑施工到投入使用的过程中,为了防止日后建筑产生下沉、变形、倾斜等危险变化,会对该建筑物或者群进行沉降变形检测。这种检测包含有三种观测方式,分别为沉降观测、倾斜观测以及裂缝观测。这三种观测都是必要的,最后根据建筑的实际情况来完成变形情况的判定。一、建筑变形观测计划与步骤1.监测建筑的地理位置此次观测的建筑对象位于郑州市,在一个物业园区内部,在实验观测时还在进行施工建设。由于该小区是城市的新建项目,与其他的居民楼距离较远,而且地形较复杂。本次要观测变形情况的是小区内的2号楼和4号楼,一共包括5个单元,建筑类型属于公寓式住房。2.布置沉降观测点的方位

采用comgis(组件式地理信息系统)技术开发了结合专业震害分析模型的建筑物震害评估系统,讨论了基于bp人工神经网络和gis耦合模型的多层砖房震害预测.研究表明:水平成层土地震反应分析程序shake91在vb菜单下可直接调用,实现地震动影响场计算的模块化;bp神经网络应用于建筑物震害预测中,能达到较理想的效果,其计算模型在系统菜单下可直接调用;系统的gis空间分析功能可使震害预测结果与建筑物信息进行空间匹配,实现地震灾害损失快速评估.

根据盾构施工引起地表沉降的具体问题,结合广州地铁三号线某区间地质资料,建立了地表沉降预测的bp神经网络模型,并对网络进行了训练和测试,测试结果表明,利用神经网络进行盾构隧道施工的地表沉降预测是可行的,可用于工程实践。

利用人工神经网络强大的学习能力,提出了基于bp人工神经网络的建筑物沉降预测方法.以泉州市东海湾某实例工程1~12期的沉降观测数据为基础,建立网络模型.将13~16期建筑物沉降的实测数据和模型的预测数据进行对比,发现两者间的误差相对较小,证明bp神经网络预测模型具有较高的精确性和稳定性,且具有一定的工程应用价值.

基坑工程施工中,需要根据现场实际情况、周围环境、建筑安全等级等对变形进行严格控制。通过对基坑实测变形数据进行整理和分析,对未来变形量作出预测,保证基坑安全。结合bp神经网络的高度非线性映射能力,提出了一种基于bp神经网络的基坑变形时间序列预测方法。在基坑开挖过程中,采取滚动预测的方法,不断利用前期已有实测数据建模预测后期变形量,以实现信息化施工和动态控制。实例分析表明,bp神经网络模型具有较高的预测精度,并能获得满意的预测结果。

介绍了rbf神经网络的模型和结构,提出将该网络应用于建筑物沉降预测。运用matlab工具箱函数建立了沉降预测网络模型,编制了计算程序,通过工程实例验证了该模型的正确性和可行性,并和bp神经网络在收敛速度上进行了比较,结果表明rbf神经网络的收敛速度远远快于bp网络。

bp神经网络在基坑变形预测分析中的应用——本文提出了基坑变形预测与分析的bp神经网络方法，建立了基坑变形预测分析的模型，应用matlab语言编制计算程序进行计算并与实际工程监测值进行比较，从而验证了神经网络在基坑变形预测分析中的可行性、有效性。　　

在对某基坑工程采用bp神经网络模型预测基坑开挖引起地表变形的分析中,考虑到现有模型可能会遇到预测结果跳不出训练样本以及训练时间较长的问题,提出采用matlab中的mapminmax函数进行归一化处理,并基于牛顿法、共轭梯度法和l-m法三种数值优化方法对bp网络训练算法进行了改进.研究结果表明:与常用的基于梯度下降原则相比,改进后的bp神经网络在训练时间和预测误差方面均有明显的优势,采用l-m法的神经网络在训练样本时的迭代次数最少为74次,采用共轭梯度法的预测结果与实测结果的误差最大为2.4％,而采用牛顿法神经网络的预测值则比较均衡,预测结果相对最佳.

提出一种采用bp神经网络算法来预测深基坑沉降的方法,结合具体工程实例,构建了预测深基坑周边地表沉降具体bp神经网络模型,预测结果表明,该模型有较高的预测精度,可作为预测沉降的一种新方法。