论文部分内容阅读
随着城市的高速发展,深基坑工程也越来越多,为确保其施工安全,基坑变形监测与分析显得尤为重要。由于许多基坑开挖在人流较多、商业密集、承受荷载较大的区域,对其采取实时有效地监测,分析基坑以及周围建筑物的安全性能,并做出及时地预报,是避免事故发生的重要手段。而对基坑进行变形监测时,由于监测数据受地下水位、深层水平位移、侧土压力、温度等一系列不确定性因素的影响,并且这些因素存在着随机性以及相互间的复杂性,致使传统的模型已无法用确切的数学公式来描述基坑沉降量与这些因素间的定量关系。由于受条件限制,有时很难完整并精确的获取这些因素信息,因而采集的数据信息是较为匮乏且噪声误差影响较大。这种情况下,建立深基坑变形预测方面的组合变形分析与预报模型,来提高深基坑变形预测的精度已成为一个重要的课题。本文通过引入改进GM(1,1)、神经网络、最小二乘支持向量机(LSSVM)、粒子群优化算法(PSO)及其改进算法,结合地铁站基坑工程,对不同组合模型进行分析比较。本文研究内容有:(1)论述了神经网络、灰色系统的基本理论。分析了GM(1,1)模型的改进方法、神经网络建模机理、径向基函数(RBF)神经网络建模、初值修正改进法的公式推导,结合各模型的优缺点,探讨了神经网络及灰色系统的组合类型(串联式、并联式),并对各种组合方式的建模流程进行了详细论述,建立改进GM(1,1)灰色预测和径向基函数(RBF)神经网络融合模型(简称GM-RBF残差修正模型)。通过工程算例对该组合模型的可行性进行了分析,得出了组合模型是可行的且精度高于单一GM(1,1)模型及RBF神经网络模型的结论。(2)研究了LSSVM、PSO算法以及改进算法的基本理论。通过分析表明,LSSVM建模受惩罚因子c、核函数宽度系数?的影响较大,以及PSO算法存在着自身的缺陷。探讨了PSO算法的改进策略,主要介绍了调整惯性权重、收缩因子两种改进方案,结合改进后的PSO算法,建立基于混沌粒子群优化算法(CPSO)的LSSVM优化组合模型(简称CPSO-LSSVM)。通过实例分析,得到CPSO-LSSVM优化组合模型预测精度高于单一LSSVM模型的结论。(3)建立CPSO-LSSVM优化组合模型与GM-RBF残差修正模型的组合,即基于CPSO-LSSVM的GM-RBF残差修正组合模型,通过实例对该组合模型应用效果进行分析与讨论。然后将该模型应用于深基坑监测中,结果表明基于CPSO-LSSVM的GM-RBF残差修正组合模型对基坑变形预测的结果与改进的GM(1,1)、LSSVM以及CPSO-LSSVM模型结果相比,预测精度有显著提高。