龙门吊移动荷载对地铁车站深基坑变形的影响

青岛地铁苗岭路站是在土岩组合地层下开挖的狭长型换乘车站,深基坑两侧既有建筑物众多且临近基坑,施工中采用龙门吊运输材料。为探究龙门吊移动荷载作用下基坑围护结构和土体的空间变形规律,建立三维有限元数值模型,对比分析了加载前后基坑围护桩侧移变形和坑外地表沉降,并探讨了起吊物与边跨的距离对基坑变形的影响。结果表明:龙门吊移动荷载作用下基坑产生明显的动态响应;围护桩桩体侧移变形比竖向变形响应明显且沿深度有所不同,嵌岩点处侧移响应最明显,土岩交界面处响应最小;受基坑阴角效应的影响,动载作用下角隅处土体沉降变形保持不变,坑外土体最大变形位置由距坑边2 m处转移至基坑边;起吊物的移动在基坑边产生明显的变形动态响应区域,随着起吊物远离边跨,桩周土体的沉降量逐渐减小,动态响应区域向远离坑角方向增大;加强冠梁连接、适当增大阴角处桩间距或减少锚杆施作可以保证基坑的稳定性,经济有效。     

支持向量机法在煤与瓦斯突出分析中的应用研究

通过分析采煤工作面煤与瓦斯涌出量与地质构造指标的对应关系,应用支持向量机(SVM)方法对煤与瓦斯涌出类型及涌出量进行分析。建立两类突出识别的SVM模型、多类型突出识别的H-SVMs模型以及预测瓦斯涌出量的支持向量回归模型。研究结果表明:SVM方法能够很好地对煤与瓦斯突出模式进行识别,所建立的采煤工作面瓦斯涌出量预测模型的精度高于应用BP神经网络预测精度;SVM理论基础严谨,决策函数结构简单,泛化能力强,并且决策函数中的法向量W可以反映突出模式识别的地质结构指标的权重。     

基于QSPR方法的脂肪醇化合物闪点预测

为提高脂肪醇化合物闪点预测精度,提出基于定量结构-性质关系(QSPR)原理的脂肪醇化合物闪点预测方法。应用Dragon软件计算出91种脂肪醇的分子描述符,利用遗传函数算法(GFA)从1 481个描述符中筛选出3个与脂肪醇闪点关系最密切的分子描述符。分别用多元线性回归(MLR)方法和支持向量机(SVM)方法进行建模,并采用内部验证和外部检验的方式对模型的拟合度、预测性等性能进行验证。结果表明:预测集的MLR方法和SVM方法的平均绝对误差(AAE)分别为2.870 K和2.706 K;均方根误差(RMSE)为3.451 K和3.371 K。SVM模型在精度上略优于MLR模型,而MLR模型更为简单和方便。     

全尾砂絮凝沉降参数GA-SVM优化预测模型研究

为了得到经济、高效的絮凝沉降参数,建立GA_SVM预测模型进行优化选择。在优选过程中,以供砂浓度、絮凝剂单耗和絮凝剂添加浓度作为输入因子,以沉降速度作为综合输出因子,通过室内试验,建立训练、验证样本集;建立支持向量机（SVM）回归预测模型,用训练集对模型进行训练,进而以验证集预测值的均方误差作为适应度函数,通过遗传算法（GA）对SVM模型参数进行优化选择,应用优化得到的SVM模型对絮凝沉降参数进行预测、优化。以湖南某铅锌银矿为例,通过建立的GA_SVM模型对全尾砂絮凝沉降参数进行预测,优选出该矿最佳絮凝沉降参数为:供砂浓度20%-25%,絮凝剂单耗8g/t,添加浓度009%。经实验对比,该模型对絮凝沉降参数预测结果的相对误差能控制在5%左右,精确度较高,可以作为絮凝沉降参数优选的一种新思路     

基于粒子群优化的DGM（1,1）模型在基坑变形安全预测中的研究

为确保基坑施工期间发生变形后能够正常使用,将变权缓冲算子结合DGM(1,1)模型构造出变权离散灰色模型,利用相对误差、后验差比,灰色绝对关联度3种精度检验法作为粒子群算法适应度建立模型,构造PSO-VWDGM(1,1)模型,并结合实际工程监测数据研究不同适应度对基坑变形预测精度的影响。研究结果表明:不同适应度函数对预测精度存在较大影响,以灰色绝对关联度作为适应度建立模型预测精度较高,可以更好应用在工程中。研究成果可为工程施工阶段的基坑变形预测、稳定性分析与灾害评估、预警提供参考。     

基于深基坑地下连续墙变形安全性分析

在基坑开挖过程中实时对整个基坑安全状态进行评判,动态地评判基坑的安全状态,对保证基坑安全具有重要的现实意义,其中如何在基坑开挖过程中获得围护墙的实际弯矩,成为评判围护墙内力安全状态的关键,根据深基坑工程中常规监测所得的围护墙体测斜变形曲线,通过多项式拟合的测斜曲线方程求解变形曲率,将计算得到的弯矩与通过钢筋混凝土单筋截面梁弯矩计算极限弯矩进行对比分析,来科学判断基坑的安全状态。同时基坑深层土体开挖会引起较大的围护墙位移和土体沉降,施工中应严格控制深层土体开挖无支撑暴露的时间,及时架设支撑及浇注混凝土底板,减小土体侧向位移及地表沉降,最后阐述了基坑监测数据产生异常的原因。     

基于SVM的含缺陷20钢弯管爆破压力预测

为快速、精确预测含局部减薄缺陷的弯管爆破压力,首先验证显式非线性有限元模型的模拟精确性,然后以168组不同缺陷尺寸下20钢弯管爆破压力的有限元模拟数据作为学习样本,建立含局部减薄缺陷20钢弯管爆破压力预测的支持向量机(SVM)模型;其次利用交叉验证(CV)、遗传算法(GA)、粒子群算法(PSO)分别优化SVM模型;最后分析对比用于预测弯管爆破压力的3种优化SVM模型与ASME B31G-2009、DNV RP-F101、SHELL 92等3种通用规范的计算误差。结果表明：CV-SVM、GA-SVM、PSO-SVM等3种模型的预测误差均小于3种规范的计算误差,其最大相对误差分别为-2.33%、-3.4%和1.94%;说明SVM模型用于预测弯管爆破压力时操作简单、计算时间短、预测精度高、工程实用性好。     

矿井煤与瓦斯突出事故应急救援能力评估模型

为降低煤矿井下煤与瓦斯突出事故中的人员伤亡和财产损失,提高突出事故中的应急救援能力,提出一种麻雀搜索算法(SSA)优化支持向量机(SVM)的煤与瓦斯突出事故应急救援能力评估模型。首先,依据相关文献与研究报告构建包括应急预防能力、应急准备能力、应急响应能力和恢复善后能力在内的4项一级指标,其中包括18项二级指标,并以各指标的得分数据作为模型训练数据集;然后,利用网络层次分析法(ANP)与熵权法(EWM)分别确定各评估指标在相互影响下的主客观权重,通过拉格朗日函数将各权重融合得到最优权重,运用SSA算法优化SVM的径向基核参数g和惩罚因子C,将最优权重计算得出的结果作为SSA-SVM模型的输入,期望值作为输出进行线性回归预测;最后,以河北省某矿为例,将SSA-SVM模型与传统SVM、粒子群优化算法(PSO)优化SVM、鲸鱼优化算法(WOA)优化SVM 3种不同模型的预测结果分别与期望值作对比分析。结果表明：SSA-SVM模型的预测结果与实际相符,平均绝对误差相较于其他模型分别下降8.04%、5.15%、4.82%,证明所建模型的优越性,可将其应用于矿山企业实际矿井煤与瓦斯突出事故应急救援能...     

支持向量机对多环芳烃毒性的定量构效预测

为了实现多环芳烃(PAHs)毒性的有效预测,提出应用定量构效技术对多环芳烃的空气-正辛醇分配系数(KOA)和致癌性进行预测。应用分子描述符和试验值确立构效关系,采用支持向量机算法(SVM)和人工神经网络算法(ANN)分别建立了PAHs的KOA回归预测模型和致癌性分类预测模型。利用网格划分(GS)、遗传算法(GA)、粒子群算法(PSO)对SVM进行参数寻优。应用均方误差(MSE)、拟合决定系数R2和分类准确率(Accuracy)分别对模型进行了验证与评价。结果表明,最佳回归预测模型GS-SVR的MSE为0.059 7,R2为0.913 0;最佳分类预测模型GA-SVC的Accuracy为95%。研究表明:应用SVM所建两种模型的稳定性和预测能力都优于应用ANN建立的模型;参数优化后模型的稳定性和预测能力得到了提高。     

考虑随机误差的软土基坑沉降趋势分析及预测*

为准确分析基坑沉降变性规律，基于现场监测数据，通过卡尔曼滤波对趋势项及误差项进行分解，采用M-K检验对发展趋势进行评价，利用优化广义回归神经网络和差分整合移动平均自回归模型，构建基坑沉降分项预测模型，并将预测结果与发展趋势评价结果对比分析，以实现基坑沉降变形规律综合研究。结果表明:卡尔曼滤波能有效分解基坑沉降数据趋势项与误差项，相较于传统小波分解效果更佳；基坑沉降呈持续增加趋势，但趋势性逐渐减弱；预测结果相对误差均值均不大于2%，预测模型精度较高；沉降变形会进一步增加，但增加速率明显降低，与发展趋势分析结果一致，两者相互佐证分析结果准确性。研究结果为基坑沉降变形规律分析提供新思路。     

黄土深基坑降水诱发的地基附加应力和沉降简化计算

为预测黄土地区深基坑降水导致的地层不均匀沉降,确保坑周建筑物安全,基于弦线模量法、弹性半无限体理论和剪切位移法,将坑周土体以降水曲线为界分为疏干区和饱和区,综合考虑绕渗区内渗流力在水平方向的分量和桩-土界面侧摩阻力对土体的约束作用,推导降水引起地基附加应力和地面沉降的理论计算公式,将理论计算值与工程实际监测数据对比分析...     

基于粗集理论算法-脊波神经网络的深基坑变形预测与应用

基坑开挖变形具有非线性特性,在脊波神经网络的基础上,采用粗集理论算法优化初始权值和阈值,建立了基于粗集理论算法-脊波神经网络的深基坑变形预测模型,应用该模型对西南地区某市火车站综合交通换乘中心南广场的基坑开挖过程进行了变形预测。结果表明:粗集理论算法能够对脊波神经网络进行优化,提高了脊波神经网络基坑变形预测结果的收敛速度和泛化能力;脊波神经网络能逼近基坑变形的非线性部分,避免了模型误差影响基坑开挖变形预测精度,提高了系统整体抗干扰性能。模型的预测值与实测值之间的误差在5%以内,满足实际工程的要求。     

基于谐波沉降的管道力学分析*

为避免地面沉降引发的油气管道事故,研究沉降管道的力学特性,提出基于谐波沉降的管道力学评估方法。以中国石化某沉降管道为研究对象,通过现场测量的方法获得沉降区管道高程,利用傅里叶级数展开对不均匀沉降数据进行处理分析,获得管道谐波沉降的拟合函数。建立ANSYS有限元模型,采用土弹簧模型模拟非沉降区管道与土体相互作用关系,将谐波沉降作为位移载荷施加到沉降区管道,对含内压管道的沉降进行数值模拟,分析其应力、应变分布规律。结果表明:沉降与非沉降交界处管道应变及应力最大,基于应变的评估准则,管道运行状态为安全,为应急响应提供支撑。     

模糊支持向量机在煤与瓦斯突出预测中的研究

模糊支持向量机(FSVM)综合了模糊理论和支持向量机(SVM)的学习理论,不仅继承了SVM在小样本情况下所具有的较强识别能力的特点,并且比SVM拥有更好的学习能力。在FSVM算法中,每个样本被赋予一个隶属度值,使得构造目标函数时不同的样本有不同的贡献,达到最大限度的消除噪声或者孤立点的效果。运用了灰色关联分析(GRA)对煤与瓦斯突出指标进行提取,引入了一个合适的模糊隶属度函数,并在此基础上提出了基于FSVM的煤与瓦斯突出预测的模型,通过实际数据的验证和其他预测方法的对比,证明了FSVM模型能够满足煤与瓦斯突出预测的要求。最后,将FSVM和传统SVM对同一组数据进行训练,证明了FSVM相比较传统SVM拥有更高的精确度。     

AHP与GA-SVM耦合模型在滑坡预警中的应用*

为了减少滑坡造成的损失,提高滑坡预测的准确性,通过搭建灾害模拟平台获得滑坡的实验数据,在获得多组模拟实验数据后,分析各变量的特性。首先,通过层次分析(Analytic Hierarchy Process,AHP)算法,对滑坡进行危险度划分;然后,通过支持向量机(Support Vector Machine,SVM)建立模型,遗传算法(Genetic Algorithm,GA)再优化SVM参数,提出1种层次分析法与GA-SVM相耦合的模型。研究结果表明:AHP方法划分后的数据,通过GA与SVM结合建立的模型精度较好,实验预测结果与实际结果较为吻合,与单一SVM相比,精度更高,结果更好,更加适用于多变量的复杂非线性滑坡预警。     

一种新型的矿井突水分析与预测的支持向量机模型

针对矿井突水样本数少,信息不完整的特点,提出了矿井突水分析的线性核H-SVMs模型。推导模型的理论推广误差公式,设计自顶向下基于SVM最大间隔逐层分类构造H-SVMs的新方法,并应用于实际的矿井突水预测。实验结果表明,线性核H-SVMs模型结构简单、泛化能力强,不仅能很好地预测矿井突水,而且其层次结构能正确反映突水的等级关系,各判别函数的法向量还可以指示各突水影响因素的权重,通过判决函数能有效分析突水影响因素并提取突水预测规则,为矿井突水预测提供了新的方法。     

基于支持向量机的高速公路事件检测

针对交通领域中的事件检测(无事件模式和事件模式)模式识别问题,描述了支持向量机(SVM)支持的基本方法,建立了基于线性(linear function)、多项式(polynomial function)和径向基(radial basis function)3种核函数的事件检测SVM模型。采用高速公路路段I-880线圈数据集和事件数据集验证模型,结果发现:无论对于向北、向南或混合方向的事件检测,在3个SVM模型中,SVM(P)检测效果最好,SVM(L)最差。SVM算法具有避免局部最小,实现全局最优化,更好的泛化效果的优点,是高速公路事件检测的一种很有潜力的算法。     

地铁车站深基坑开挖变形及数值模拟分析*

为研究土岩复合地层地铁车站深基坑变形时空效应特征与规律,以南宁地铁某车站基坑为研究背景,在不同施工工况下对车站基坑进行有限元数值模拟,并结合实测数据进行对比。结果表明:数值计算值与现场实测值差距较小,2种变形规律接近一致,有限元计算结果合理。围护结构水平位移随施工进行逐渐增大,呈现鼓肚形状,水平位移由桩顶移动到桩身,最大位移稳定在桩身0.5~0.75H处;围护结构受力集中在第2道和第3道内支撑位置;基坑地表沉降中,长边方向的沉降比短边方向沉降明显,空间效应显著;在地铁车站深基坑中,基于时空效应机理,考虑施工影响,在施工过程中调整施工工序和参数,对基坑稳定和控制变形具有重要指导意义。     

软土深基坑的空间变形特性分析及危险性评估

为准确掌握软土深基坑的变形特性,并合理评价其危险性,基于现场监测成果,进行基坑重要监测项目的空间变形特征分析;通过变形分级和发展趋势判据计算得到相应特征指标,从而开展基坑危险性评估.结果表明:支护结构的空间变形近似呈"驼峰"特征,即基坑两端头的变形值相对较小,而基坑中部的变形值相对较大;周边土体沉降相对较小,随着与基坑...