一、灰色理论在沉降预测中的应用（论文文献综述）
郑晔[1]（2021）在《基于组合模型的建筑物沉降监测研究 ——以合肥市十张小学为例》文中提出随着国家十三五规划向十四五规划的推进,城市的发展速度愈加猛进。由于种种原因带来的建构筑物沉降导致的事故时常发生在我们身边,不仅造成人们生活不便,也对人们的生命安全埋下隐患,快速化发展下的建筑物沉降监测研究已显得尤为重要。使用先进的测绘仪器,按照标准规范定期对建筑物进行沉降监测,利用一定的数学处理方法对获取的数据进行科学处理,找到能科学反映建筑物沉降规律的数学模型,正确预测建筑物沉降量。本文以合肥市十张小学为例,利用Matlab编程语言,设计GUI程序界面,结合实际的工程数据,分别采取灰色理论模型、时间序列模型以及人工神经网络模型进行沉降预测,通过分析比较实测值与预测值之间的残差及均方根差,判别此三种模型在本工程实例中的优劣。分析三种单一模型在本工程中的利弊,提出组合模型的思想。最后利用灰色-时间序列模型和灰色-人工神经网络模型两种组合模型进行预测,找到最适合本工程的建筑物沉降监测预计模型。对比结果表明,在灰色时间序列组合模型中,不论是哪种方法对后期数据的预测,随着时间的延长误差会变大,且不稳定,这是因为随着时间的推移,参数是固定不变的,从而它很难满足后面的预测。然而,在灰色-人工神经网络组合模型中,随着时间的延长误差变小,且相对比较稳定。另外,预测值也很接近于实测值,且比单一预测模型中效果最理想的人工神经网络模型有所改善。探讨不同组合模型建模方案在对历史数据的拟合及未知数据的预测上的不同特点,总结了各种组合模型的一般规律及其适用性,提出较好的预测模型。同时,基于单一模型的缺点进行改进,结合最优的组合模型,获得更加准确地预计结果。为地表沉降的安全性诊断提供必要的信息,以便及时发现问题并采取措施。图[19]表[16]参[60]
陈秋汝[2]（2021）在《土岩地层深基坑变形特征及变形预测最佳周期研究》文中研究指明随着我国基建工程的快速发展以及建筑行业科学技术水平的不断提高,深基坑规模和开挖深度不断增加,特别是近些年经常出现的深基坑灾害,引发了人们对深基坑施工安全性问题的广泛关注。开挖基坑会引起土体的应力发生改变,对周围建筑物,管线和基坑支护产生影响,引起基坑变形,甚至基坑坍塌。因此,研究深基坑开挖过程中的变形特征并进行精准预测变形,对深基坑施工安全意义重大。本文以某深基坑为依托,研究了在土岩地层条件下的变形特征,结合实测数据对其进行变形预测并给出了最佳预测周期,通过Midas建模对变形特征及最佳周期验证。在此基础上,进行改变深基坑支护结构参数开展土岩地层下的数值试验,旨在得到该地层条件下不同的支护结构参数下深基坑开挖的变形特征,优化支护方案,为类似条件下深基坑的设计和施工提供参考。主要研究内容如下:（1）通过国内外研究现状,总结归纳了深基坑变形规律;（2）结合某深基坑工程案例,详细分析了该深基坑坡顶竖向位移,坡顶水平位移,周围地表沉降位移随施工进程的变形特征;（3）采用拟合多项式和优化初始值相结合的方法对原始灰色理论进行改进,提高了预测精度。将改进的灰色理论与BP神经网络、小波神经网络相结合得到改进的GM-BP神经网络模型和改进的GM-小波神经网络模型相比较。分别采用改进的灰色理论模型,BP神经网络模型,改进的GM-BP神经网络模型和改进的GM-小波神经网络模型对深基坑变形量预测,分析深基坑预测精度,其中改进的GM-小波神经网络模型结果最为精确。在此基础上,考虑到深基坑变形的非线性和波动性,给出最佳预测周期,为实际工程提供精确的动态预测方法。（4）通过Midas反分析和现有的监测数据相匹配,确定该深基坑土岩地层的参数,在此土岩参数基础上,进行改变深基坑支护结构参数,开展该土岩地层条件下的深基坑开挖数值试验,旨在得到该地层条件下不同的深基坑支护结构参数下深基坑开挖的变形特征,为类似条件下深基坑设计和施工提供参考。
杨馨宇[3]（2021）在《基于多源数据的季冻区路基沉降预测方法研究》文中进行了进一步梳理随着铁路设计速度的提高,需要更加严格的控制路基沉降,保障行车的安全性和稳定性。季冻区的高速铁路路基处在复杂的地质条件和气候环境中,温度、含水量和土应力是影响季冻区路基沉降量的主要因素,而目前的基于实测数据预测路基沉降的研究中,缺少对温度、含水量、土应力等多影响因素的考虑。因此,研究一种基于多源数据的路基沉降预测方法,使其更加稳定、准确的预测高速铁路路基沉降量具有重要的现实意义。本文依托课题组国家重点研发计划项目“道路基础设施智能感知理论与方法（2018YFB1600200）”,研究温度、含水量和土应力的多变量路基沉降预测方法,依据哈大高铁的路基相关监测数据,分别构建思维进化法优化的BP神经网络和支持向量机回归（support vector regression,SVR）模型,对单个模型进行适用性和局限性分析。针对单个模型预测的局限性,提出了极限学习机（Extreme learning machine,ELM）多模型融合算法,该方法融合了两个模型的优点,弥补了单个模型预测的不稳定性。本文的主要工作内容如下:（1）分析季冻区路基沉降规律,根据季冻区路基的冻胀和融沉现象,确定影响季冻区路基沉降的主要影响因素,并分析每个因素对路基冻胀融沉的影响,为温度、含水量和土应力这三个变量作为输入参数指标预测路基沉降奠定理论基础。（2）选择合适的多源数据路基沉降预测方法,阐述BP神经网络和SVR的算法机理,介绍思维进化法优化BP神经网络的原理,分析BP神经网络和SVR的适用性及二者的差异性,为构建二者的组合模型提供理论基础。（3）对哈大高铁的路基监测数据进行预处理,选择合适的插值方式和样本集数量,通过对样本数据的仿真实验,选择最佳的模型参数、传递函数及训练函数,构建思维进化法优化BP神经网络的预测模型;利用网络搜索法和K-重交叉验证优化SVR模型参数,通过样本数据的仿真实验选择最佳的核函数,构建SVR模型。将两种模型应用于工程实例的路基沉降预测,通过实际工程的应用,证明了思维进化法-BP模型和SVR模型预测的有效性。（4）针对单个模型预测时精度不稳定、随机性强等缺点,提出了ELM多模型融合算法,通过极限学习机对思维进化法-BP神经网络和SVR模型进行变权组合预测。为了探究单个模型存在预测精度较低对该融合算法的影响,建立了对比实验,实验结果证明了在思维进化法-BP神经网络模型、SVR模型预测精度较高或较低的不同情况下,ELM多模型融合算法均可得到更小误差的预测结果,证明了ELM多模型算法较单个模型具有更高的稳定性和精确性。
罗亚琼[4]（2021）在《基于灰色马尔科夫模型的基坑开挖变形预测》文中指出地下工程中深基坑变形的准确预测对地下工程施工安全预防和治理有着极其重要的意义。目前深基坑变形问题预测方法有许多,本文基于上海市轨道交通18号线周浦站的基坑监测项目,提出了一种基于粒子群与马尔科夫优化的新陈代谢灰色预测模型。对预测模型采用残差、相对误差、平均相对误差、后验差等多种方式精度检验,准确评估模型的准确性。本文主要工作包括以下几点:（1）系统介绍灰色系统理论方法与马尔科夫链,分析了深基坑监测数据中各项指标的关联性,通过点关联度来反映子序列与母序列之间的关联性。（2）建立GM（1,1）模型对监测点进行预测,其模型对指数型规律的数据序列适应性好,对震荡较大的数据预测精度较差。（3）采用马尔科夫链对灰色GM（1,1）预测模型进行优化,使得优化后的模型能反映数据的振动特征,并运用残差、后验差和小误差概率对模型进行精度检验。（4）在灰色马尔科夫预测模型的基础之上,结合MATLAB计算软件编程,采用粒子群算法对相对误差序列参数进行白化,建立基于粒子群优化的灰色马尔科夫预测模型,在此基础上,提出了新陈代谢灰色马尔科夫预测模型。将该模型应用于上海市轨道交通18号线周浦站基坑变形,分析结果表明该模型较灰色马尔科夫预测模型精度有一定的提高。总结对比三种模型的预测值与实测值对比,结果表明经过粒子群优化的灰色马尔科夫预测模型的预测效果优于单一的GM（1,1）预测模型,而新陈代谢灰色预测模型效果优于采用粒子群优化的GM（1,1）预测模型,表明本文提出的新陈代谢灰色马尔科夫预测模型在地下工程的深基坑变形预测方面具有一定的有效性。
田一麟[5]（2021）在《上游式尾矿坝降雨与加高作用稳定性分析及坝体位移预测》文中认为尾矿库内水位蓄积过高,会造成尾矿坝滑坡和溃坝等地质灾害。同时,坝体加高过程也会带来坝体载荷和变形变化。目前,对于加高与降雨共同作用时高堆尾矿坝的稳定性分析,是这类尾矿坝体安全评估与设计的关键。据此,本文将针对内蒙古乌山矿工程这一典型尾矿及坝体结构进行综合分析,对其在水位变化和加高过程中坝体稳定性进行实地监测和预测评估。依托内蒙古乌山矿工程,实地监测和采集包括水平和垂直两个方向1371天的位移监测数据,据此对其位移变化速率等进行了细致分析。提取主坝水平和垂直各两个监测点监测数据作为原始序列分别建立坝体位移灰色预测模型,结果显示原始序列级比符合建模条件,建模精度均在97.84%以上,对比预测值和实测位移值吻合度良好,表明了灰色系统理论在预测尾矿坝位移的可行性。在尾矿库实地提取了尾矿砂试样,进行了比重、颗粒级配等物理力学性能的测量。同时,对饱水、烘干试样固结以及4种不同含水率尾砂试样进行了直接剪切土工室内试验。试验表明,所取尾砂级配不良,饱和含水率比烘干后尾砂压缩性低,内摩擦角、内聚力随含水率增加而减小,但在含水15%时内聚力呈现异常增大。基于尾矿库地形实测数据和开源数据,制作了尾矿库地形等高线。结合尾矿库和坝体特征及加高过程,设计了稳定性分析的截取剖面。基于尾矿分层特征、坝体及加高过程、坝基土特征,对各部分材料与土体性能指标进行实地和试验测试,据此建立了4种高度的尾矿库、坝体、坝基整体精细化分析的数值模型。计算中,综合考虑了洪水来袭和正常水位下得到坝体水位线和孔隙水压力。结果表明,在忽略尾矿库排洪系统前提下,其孔压最大值均出现在坝底,由于尾砂和坝基渗透性良好,水流未渗出坡面不会出现渗透破坏。将孔压和坝体自重应力结合,依据强度折减法按照两种坝坡临界破坏标准分析临界失稳状态下总位移和位移矢量,位移随高度和水位上升而增大,最小安全系数相反,但其破坏部位均在初期坝部位。
李扬[6]（2021）在《重庆某浅埋偏压隧道CRD法开挖顺序优化及围岩变形研究》文中指出在隧道建设项目中,围岩失稳是工程事故的主要原因,隧道施工过程中围岩的力学性质不仅受到岩石生成条件和地质条件等自然因素的影响,也在较大程度上受到隧道开挖方法、支护类型、支护参数等的影响,这就使得人们对研究围岩变形规律,寻求合理开挖方式越来越重视。本文依托重庆某浅埋偏压小净距隧道工程,结合该项目实际施工方案和所属场地环境等因素,对隧道围岩变形进行了系统分析和研究。具体内容及主要结论如下:（1）结合隧道施工情况制定监测方案、测点布置位置和测量方法,通过分析现场监测数据,确定该隧道应采用CRD法（交叉中隔壁法）开挖,而不宜采用三台阶七步开挖法。（2）通过分析该隧道采用CRD法开挖时的监测数据,得出了围岩受各分部开挖影响的基本特征,结果显示:拱顶下沉方面,各分部开挖引起的拱顶下沉增量与总拱顶下沉量具有一定的比例关系。水平收敛方面,随着（4）部的开挖,（1）部AC线与（4）部BC线的洞内水平收敛趋势基本呈相反态势,这是因为（1）部,（4）部水平收敛变化主要是由于临时支护中隔墙的变位引起的。（3）为确定隧道合理的开挖顺序,采用有限元软件Midas/GTS NX对右洞先行且CRD法先开挖右侧、右洞先行且CRD法先开挖左侧、左洞先行且CRD法先开挖右侧和左洞先行且CRD法先开挖左侧四种方案进行模型分析,通过对比围岩的位移、应力和塑性区等,确定该隧道较为合理的开挖顺序是右洞先行且CRD法先开挖左侧。（4）本文利用GM（1,1）灰色模型和BP神经网络模型对隧道围岩变形进行预测。通过对预测实例进行分析和讨论,阐述了两种预测方法的特点和适用性。GM（1,1）灰色模型的特点为模型固定、简单,所需的数据样本较少,但对于波动性的数据预测效果不是很理想。BP神经网络对于非线性系统的预测具有良好的性能,但是要求数据样本数量多且具有广泛代表性,这在实际操作中有时难以满足。总的来说,BP神经网络模型的预测精度更高,该隧道项目在施工建设过程中,采用BP神经网络模型进行预测是更为合适的,GM（1,1）灰色模型则可以作为数据不足时的补充手段。
田梦娜[7]（2020）在《小波去噪的回归-BP组合模型在深基坑变形监测中的应用研究》文中进行了进一步梳理随着城市化进程的加快,其发展规模也在不断的扩大,大型基础设施也越来越多,然而,由于受到自然因素和人为活动共同的外力作用,深基坑工程的安全问题成为制约社会经济发展的一个重要因素。在工程建设中,变形监测贯穿于整个工程的施工和运营管理阶段,是不可忽视的重要问题。目前,用于进行变形预测的方法大致可以分为基于实测的数据分析法与基于理论的计算法。由于科学的进步和对数据预测的需要,基于实测数据的分析出现了不少的预测模型,在实际工程应用中,通过分析各自模型的优势,如果能将不同预测模型的优点结合起来,建立较好的组合模型,便能在一定程度上提高变形预测的精度,进一步保障深基坑工程的安全性。本文以泰安市某小区为实例,通过对变形监测网的建立、观测方法、监测精度等论述分析,在小波去噪的基础上研究并建立回归分析模型、BP神经网络模型及回归-BP组合模型,对原始沉降数据进行了分析预测,具体研究内容如下:（1）根据实际观测数据,利用MATLAB程序对监测点建立回归分析模型和BP神经网络模型并进行预测,根据不同模型的预测结果,分析比较各自模型的优缺点。（2）借助MATLAB程序和EXCEL工具,通过对不同阈值函数、不同SCAL、不同分解层数以及不同小波基函数的比较,以信噪比和均方根误差作为精度评定准则,完成了对实例数据的去噪处理。（3）分别利用建立的回归分析、BP神经网络、回归-BP组合模型,对小波去噪后得到的数据进行预测,并对其预测结果进行对比分析。（4）通过精度评定标准SSE、MSE、MAPE和RMSE的对比结果发现,小波去噪后的单一模型预测结果优于相对应的小波去噪前的单一模型;小波去噪后的组合模型预测结果优于小波去噪前的组合模型;同时去噪后的组合模型预测精度高于去噪后的单一模型,最终得出小波去噪的回归-BP组合模型对深基坑变形进行预测分析更高效、更精确。
程雍[8]（2020）在《灰色马尔科夫模型在宁邦超高层建筑沉降预测中的应用研究》文中提出随着城市化进程的加快,超高层建筑如雨后春笋拔地而起,超高层建筑的安全问题也日益突出。为确保建筑物的安全施工和使用,需对建筑物进行长期的变形监测,并对其变形发展趋势做出准确分析和判断,为建筑物的施工运营提供可靠依据。本文以宁邦超高层房屋沉降监测项目为依托,以实际沉降监测数据为建模基础数据,对超高层建筑的沉降预测进行分析研究,主要研究内容如下:（1）由于监测数据可能为非等间距、单点灰色模型不能反映变形体的整体变形趋势与变形规律,利用非等间距多点灰色模型对沉降监测数据进行建模分析;（2）针对多点灰色模型建模存在的不足,基于全信息加权平均法优化初始值,提出相对误差与时间距离结合对原始序列加权,采用Simpson积分公式优化背景值,构建优化的非等间距多点灰色模型;（3）采用马尔科夫模型对优化的非等间距多点灰色模型预测值进行修正,提出优化的非等间距多点灰色马尔科夫模型;（4）利用Matlab进行程序设计,建立4种变形预测模型,即:非等间距单点灰色模型、非等间距多点灰色模型、优化的非等间距多点灰色模型和优化的非等间距多点灰色马尔科夫模型,通过工程案例对比分析优化模型的可靠性。研究分析表明,与其他模型相比,运用优化的非等间距多点马尔科夫对超高层建筑进行沉降预测,可有效提高拟合预测精度。
贾志才[9]（2020）在《地铁盾构施工变形安全监测及预测分析 ——以常州地铁一号线盾构穿越常州站为例》文中进行了进一步梳理随着社会经济不断发展,大城市人口聚集导致地面交通阻塞,给人们出行带来极大不便。为此,人们把目光投向地下空间的开发和利用,地铁以其方便、快捷等独特优势受到青睐。目前,我国大城市的地铁隧道施工一般采用盾构法,该方法虽然便捷但易产生地表沉降、破坏地表建（构）筑物等问题,因此如何降低盾构施工对上覆地表的影响成为该领域的热门课题之一。为了分析常州地铁一号线常州火车站站～博爱路站区间在国铁常州火车站附近前后下穿沪宁城际铁路与京沪普速铁路这一较为特殊工程盾构施工对地表的影响,论文展开安全监测和变形预测等系列分析。首先,分析盾构施工对地表建构筑物影响机理,隧道施工过程中将对铁路线路及其出站地道、站房等设施影响,重点是使铁路轨道发生沉降和水平位移以及降低建构筑物地基承载力、损害基础和结构等影响。其次,基于铁路目前处于运营阶段,常规的变形监测技术难以实施,经过比选对不便于开展常规变形监测的既有线变形提出了测量机器人法自动化监测;设计了依托项目的监测方案,确定建构筑物的沉降和水平位移、站台限界以及路基、轨枕变形是重点监测对象,并制定了信息化自动反馈机制,实现监测信息及时反馈盾构施工。再次,通过监测统计出盾构施工阶段各监测项目的最大累计变化量,形成的时程变化曲线图,可以直观了解各监测项目变化规律和趋势。最后,利用小波去噪优化的GM（1,1）灰色预测模型和BP模型进行结构变形预测分析。研究结果表明,盾构施工过程中有轨枕累计变形值报警的情况,可能会危及地表建筑和行车安全,必须展开有效的安全监测和制定有效的防护措施。通过及时采取有效措施,工后三个月监测点变形速率在0.01～0.04mm/d之间,总体而言各监测点累计变形量均在变形控制值内。两种预测分析结果表明两者对结构变形预测都具有较好的效果,但在贫信息情况下BP神经网络模型预测效果相对较差,但增加已知有效数据,其效果有较大幅度提升,基本可以达到GM（1,1）灰色模型一样的效果甚至更佳。
刘鹏鹏[10]（2020）在《基于灰色组合模型的高速铁路路基沉降预测及应用研究》文中研究说明随着我国高速铁路的建设速度越来越快,铁路运营安全成为了国民人身及财产安全的重要出行保障,为了让高铁具有安全、平稳的运行环境,需要严格地控制其线下工程的形变,特别是在最容易发生沉降变形的路基段。单一预测方法虽然其在建筑物、大坝、边坡和基坑等工程上的预测效果和预测能力较好,但对于沉降量控制在15mm的高速铁路路基就显得捉襟见肘。因此,本文通过对高铁路基的沉降机理以及相关预测模型的预测机理进行研究,对单一预测模型进行初始值、残差以及背景值等方面的优化来提高其预测精度,提出利用小波优化的灰色GM-BP神经网络模型,依托兰新高铁和中兰高铁的沉降监测项目,对模型的预测数据进行了深入分析和研究,得到了较理想的结果。考虑到在模型的精度评价方面通常只通过相对误差和后验差的评价方式,过于单一,无法全面评价模型的预测效果,本文使用贴近度、误差平方和、标准差及平均绝对误差和平均绝对百分比误差等多种评价方式取权值共同评价,大大提高了模型评价的准确性。本文主要工作有:（1）通过对高速铁路路基结构的研究,确定在高速铁路路基方面可能会发生的路基沉降病害,分析研究了影响高速铁路路基沉降的各类因素及针对各类情况提出相应的观测方案和技术依据。（2）利用灰色系统对路基沉降数据进行预测,通过灰色GM（1,1）和灰色Verhulst预测模型的对比试验,确定采用灰色GM（1,1）模型作为灰色组合模型的灰色模型,对初始值、残差和非等间隔序列等进行改进,预测结果精度得到一定的提高。（3）利用MATLAB小波工具箱对小波函数和阈值进行选择,运用小波软阈值方法对路基沉降数据进行去噪,期望对未来得到的预测结果更加准确。利用遗传原理对BP神经网络算法进行部分改进,进一步提高的BP神经网络学习效率低、收敛速度慢等问题,并应用于变形预测方面,取得了初步的成绩。（4）对组合方式进行研究,最终确定采用GM-BP串联方式进行路基沉降组合预测,建立小波优化的灰色GM-BP神经网络预测模型,依托工程实例,借助MATLAB软件对路基沉降数据进行预测,分别得到灰色GM（1,1）、BP神经网络、小波优化的GM（1,1）及小波优化的灰色GM-BP神经网络四种模型的预测值,将其均与实测值进行对比,结果表明,小波优化的灰色GM-BP神经网络预测模型的预测效果优于其他单一预测模型,在高速铁路的路基沉降预测方面更可靠、精度更高、适用性更强。
二、灰色理论在沉降预测中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、灰色理论在沉降预测中的应用（论文提纲范文）
（1）基于组合模型的建筑物沉降监测研究 ——以合肥市十张小学为例（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景及意义 |
| 1.2 沉降预测模型及其研究现状 |
| 1.3 存在的问题 |
| 1.4 研究主要内容及结构 |
| 1.4.1 研究内容 |
| 1.4.2 拟采取的技术措施和办法 |
| 1.4.3 文章结构 |
| 2 单一预测模型及程序实现 |
| 2.1 灰色理论模型 |
| 2.1.1 GM (1,1)等间隔序列预测模型 |
| 2.1.2 GM (1,1)非等间隔序列预测模型 |
| 2.1.3 灰色理论程序实现 |
| 2.2 时间序列模型 |
| 2.2.1 时间序列基本理论 |
| 2.2.2 时间序列程序实现 |
| 2.3 人工神经网络模型 |
| 2.3.1 人工神经网络基本理论 |
| 2.3.2 人工神经网络程序实现 |
| 2.4 本章小结 |
| 3 单一预测模型在工程中的应用 |
| 3.1 工程概况 |
| 3.2 实例分析 |
| 3.2.1 灰色理论 |
| 3.2.2 时间序列 |
| 3.2.3 人工神经网络 |
| 3.2.4 对比分析 |
| 3.3 预测 |
| 3.4 本章小结 |
| 4 组合模型原理及在工程中的应用 |
| 4.1 灰色时间序列组合模型 |
| 4.1.1 灰色时间序列基本理论 |
| 4.1.2 灰色时间序列程序实现 |
| 4.1.3 实例分析 |
| 4.2 灰色人工神经网络组合模型 |
| 4.2.1 灰色人工神经网络基本理论 |
| 4.2.2 灰色人工神经网络程序实现 |
| 4.2.3 实例分析 |
| 4.3 对比分析 |
| 4.4 预测 |
| 4.5 本章小结 |
| 5 结论与展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（2）土岩地层深基坑变形特征及变形预测最佳周期研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 深基坑变形规律国内外研究现状 |
| 1.3 变形预测国内外研究现状 |
| 1.3.1 灰色理论研究现状 |
| 1.3.2 BP神经网络研究现状 |
| 1.3.3 小波神经网络研究现状 |
| 1.4 本文研究内容及技术路线 |
| 1.4.1 研究的主要内容 |
| 1.4.2 研究的技术路线 |
| 1.4.3 研究的创新点 |
| 第2章 基于土岩地层条件下深基坑工程变形特征 |
| 2.1 某深基坑工程简介 |
| 2.1.1 某深基坑周边环境 |
| 2.1.2 水文地质条件 |
| 2.1.3 工程地质特征 |
| 2.1.4 工程支护和施工方法 |
| 2.2 某深基坑现场监测 |
| 2.2.1 深基坑监测内容和目的 |
| 2.2.2 监测点埋设位置 |
| 2.3 某深基坑变形特征的研究 |
| 2.3.1 坡顶竖向位移变形 |
| 2.3.2 坡顶水平位移变形 |
| 2.3.3 周边地表沉降变形 |
| 2.4 本章小结 |
| 第3章 基于某深基坑变形预测方法研究 |
| 3.1 引言 |
| 3.2 灰色系统 |
| 3.2.1 GM(1.1)模型理论 |
| 3.2.3 GM(1.1)模型精度检验方法 |
| 3.3 改进的灰色理论 |
| 3.3.1 曲线拟合模型 |
| 3.3.2 优化模型初始值 |
| 3.3.3 改进灰色理论的建模步骤 |
| 3.3.4 实例比较 |
| 3.4 基于时间序列的神经网络预测方法 |
| 3.4.1 BP神经网络 |
| 3.4.2 GM-BP神经网络方法 |
| 3.4.3 灰色小波神经网络 |
| 3.5 基于工程实例的变形预测及最佳预测周期比较 |
| 3.5.1 坡顶竖向位移预测 |
| 3.5.2 坡顶水平位移预测 |
| 3.5.3 周边地表沉降点预测 |
| 3.5.4 最佳预测周期的比较 |
| 3.6 小结 |
| 第4章 深基坑开挖数值模拟分析 |
| 4.1 MIDAS GTS NX有限元分析软件介绍 |
| 4.2 基坑模型建立 |
| 4.2.1 基于某深基坑支护方式的简化 |
| 4.2.2 基于某深基坑MIDAS模型的建立 |
| 4.3 数值模拟结果分析 |
| 4.3.1 模型参数的确定 |
| 4.3.2 坡顶监测点竖向累计位移分析 |
| 4.3.3 坡顶监测点水平位移分析 |
| 4.3.4 周边地表沉降变形分析 |
| 4.4 最佳预测周期 |
| 4.5 不同支护结构设计参数对基坑变形的影响 |
| 4.5.1 支护桩直径对基坑变形的影响 |
| 4.5.2 锚杆间距对基坑变形的影响 |
| 4.6 小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文及参与项目 |
| 致谢 |
（3）基于多源数据的季冻区路基沉降预测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于理论计算的预测方法研究现状 |
| 1.2.2 基于实测数据的预测方法研究现状 |
| 1.2.3 存在问题 |
| 1.3 本文的主要研究内容和技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 第2章 季冻区路基沉降变形机理及影响因素分析 |
| 2.1 哈大高铁工程概况 |
| 2.1.1 工程环境概述 |
| 2.1.2 哈大高铁路基的沉降特性 |
| 2.2 路基的冻胀融沉变形机理 |
| 2.2.1 冻胀机理 |
| 2.2.2 融沉机理 |
| 2.3 季冻区路基沉降变形影响因素分析 |
| 2.3.1 温度对路基冻胀融沉的影响 |
| 2.3.2 含水量对路基冻胀融沉的影响 |
| 2.3.3 荷载对路基冻胀融沉的影响 |
| 2.4 本章小结 |
| 第3章 适用于路基沉降预测的数据融合算法理论 |
| 3.1 基于神经网络的数据融合算法 |
| 3.1.1 人工神经网络简介 |
| 3.1.2 人工神经网络模型 |
| 3.1.3 BP神经网络算法 |
| 3.2 支持向量机的回归估计算法 |
| 3.2.1 支持向量机原理 |
| 3.2.2 回归型支持向量机原理 |
| 3.3 优化BP神经网络的思维进化法 |
| 3.3.1 思维进化法的基本原理 |
| 3.3.2 思维进化法的计算步骤 |
| 3.3.3 思维进化法对BP神经网络的优化 |
| 3.4 沉降预测算法适应性分析与比较 |
| 3.4.1 BP神经网络的适用性分析 |
| 3.4.2 SVR的适用性分析 |
| 3.4.3 BP神经网络与SVR的比较 |
| 3.5 本章小结 |
| 第4章 单一算法在季冻区路基沉降预测中的研究应用 |
| 4.1 样本数据的选择与处理 |
| 4.2 改进的BP神经网络预测季冻区路基沉降 |
| 4.2.1 思维进化法优化BP神经网络 |
| 4.2.2 预测模型的构建 |
| 4.2.3 基于工程实例的改进BP模型预测结果分析 |
| 4.3 SVR应用于季冻区路基沉降预测 |
| 4.3.1 建立SVR模型的思路框架 |
| 4.3.2 构建SVR模型 |
| 4.3.3 基于工程实例的SVR模型预测结果分析 |
| 4.4 两种模型在工程实例应用中的对比分析 |
| 4.5 本章小结 |
| 第5章 ELM多模型融合算法在季冻区路基沉降预测中的研究应用 |
| 5.1 基于极限学习机的多模型融合算法 |
| 5.2 构建基于ELM的多模型融合算法 |
| 5.2.1 多模型融合算法的程序设计 |
| 5.2.2 确定ELM隐含层节点数 |
| 5.2.3 确定ELM激活函数 |
| 5.3 不同模型应用于路基沉降预测的结果对比分析 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 主要结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 致谢 |
（4）基于灰色马尔科夫模型的基坑开挖变形预测（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 灰色预测理论研究现状 |
| 1.2.2 马尔科夫链研究现状 |
| 1.2.3 粒子群算法研究现状 |
| 1.2.4 基坑变形预测研究现状 |
| 1.3 研究内容与技术路线 |
| 1.3.1 主要研究内容 |
| 1.3.2 研究方法与技术路线 |
| 第二章 相关理论介绍 |
| 2.1 灰色系统理论 |
| 2.1.1 灰色系统理论原理 |
| 2.1.2 灰色点关联度分析 |
| 2.1.3 GM(1,1)预测模型 |
| 2.2 马尔科夫链简介 |
| 2.2.1 马尔科夫过程的定义 |
| 2.2.2 马尔科夫转移概率矩阵 |
| 2.2.3 马尔科夫链的预测模型 |
| 2.3 本章小结 |
| 第三章 基坑变形预测模型建立 |
| 3.1 构建灰色-马尔科夫模型 |
| 3.2 模型的检验 |
| 3.3 本章小结 |
| 第四章 灰色马尔科夫模型的优化 |
| 4.1 基于粒子群优化的灰色马尔科夫模型 |
| 4.2 新陈代谢灰色GM(1,1)模型 |
| 4.2.1 新陈代谢灰色预测模型 |
| 4.2.2 新陈代谢模型精度检验 |
| 4.3 本章小结 |
| 第五章 工程案例分析 |
| 5.1 工程概况 |
| 5.1.1 工程地质及水文 |
| 5.1.2 监测实施方案 |
| 5.2 监测数据模型检验 |
| 5.3 建立基坑变形的灰色GM(1,1)理论模型 |
| 5.4 灰色GM(1,1)-马尔科夫链对基坑变形的预测 |
| 5.4.1 灰色GM(1,1)-马尔科夫链模型精度的检验 |
| 5.4.2 讨论灰色GM(1,1)与灰色马尔科夫链预测模型 |
| 5.5 粒子群优化的灰色马尔科夫模型工程应用 |
| 5.6 新陈代谢灰色模型工程应用 |
| 5.7 三种预测模型结果对比分析 |
| 5.8 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 攻读硕士学位期间取得的成果 |
（5）上游式尾矿坝降雨与加高作用稳定性分析及坝体位移预测（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 尾矿砂物理力学特性研究进展 |
| 1.2.2 尾矿库渗流研究进展 |
| 1.2.3 尾矿库稳定性理论应用研究进展 |
| 1.2.4 灰色预测法工程应用研究进展 |
| 1.3 论文研究的内容 |
| 第2章 尾矿库基本概况及坝体位移预测 |
| 2.1 引言 |
| 2.2 乌山铜钼尾矿库工程基本情况 |
| 2.3 自然地理概况 |
| 2.3.1 尾矿库地理位置 |
| 2.3.2 气象条件 |
| 2.4 地质概况 |
| 2.4.1 区域地质构造 |
| 2.4.2 工程地质条件 |
| 2.4.3 水文地质特征 |
| 2.5 二期主坝位移监测 |
| 2.5.1 二期主坝位移监测点布置与数据采集 |
| 2.5.2 二期主坝位移随时间变化特征 |
| 2.6 二期主坝位移的发展预测 |
| 2.6.1 预测数据的选取与模型的建立 |
| 2.6.2 灰色预测模型的检验 |
| 2.6.3 二期主坝水平位移预测结果及验证 |
| 2.6.4 二期主坝垂直位移预测结果及验证 |
| 2.7 本章小结 |
| 第3章 尾矿坝加高数值模型的建立 |
| 3.1 引言 |
| 3.2 尾矿坝设计要求和工况的确定 |
| 3.2.1 尾矿坝设计加高要求 |
| 3.2.2 工况的确定 |
| 3.3 尾矿库稳定性数值模拟实现条件 |
| 3.3.1 渗流稳定性分析中孔隙水压力分布描述方法 |
| 3.3.2 稳定性分析方法及失稳判据选取 |
| 3.4 二维数值模型的建立 |
| 3.4.1 模型的建立 |
| 3.4.2 本构模型选取 |
| 3.4.3 材料参数的确定 |
| 3.4.4 边界条件 |
| 3.5 本章小结 |
| 第4章 尾矿砂物理力学指标测试 |
| 4.1 引言 |
| 4.2 试验尾矿砂的取样 |
| 4.3 比重试验 |
| 4.3.1 比重试验原理及设备 |
| 4.3.2 试验步骤及结果 |
| 4.4 颗粒级配分析 |
| 4.4.1 试验原理 |
| 4.4.2 试验设备 |
| 4.4.3 试验步骤 |
| 4.4.4 试验结果与分析 |
| 4.5 固结试验 |
| 4.5.1 试验原理 |
| 4.5.2 试验设备 |
| 4.5.3 试验步骤 |
| 4.5.4 试验结果与分析 |
| 4.6 直接剪切试验 |
| 4.6.1 试验原理 |
| 4.6.2 试验设备 |
| 4.6.3 试验步骤 |
| 4.6.4 试验结果与分析 |
| 4.6.5 强度参数的选取 |
| 4.7 本章小结 |
| 第5章 乌山铜钼矿尾矿坝稳定性分析 |
| 5.1 引言 |
| 5.2 不同高度尾矿坝孔隙水压力分布 |
| 5.3 坝体临界破坏评价 |
| 5.3.1 特征部位位移拐点 |
| 5.3.2 有效塑形应变 |
| 5.4 不同高度尾矿坝总位移 |
| 5.5 不同高度尾矿坝位移矢量 |
| 5.6 尾矿坝稳定性分析 |
| 5.7 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（6）重庆某浅埋偏压隧道CRD法开挖顺序优化及围岩变形研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 隧道监控量测技术研究现状 |
| 1.2.2 隧道开挖顺序对围岩稳定性影响研究现状 |
| 1.2.3 隧道围岩变形预测研究现状 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 第二章 工程概况 |
| 2.1 工程地质概况 |
| 2.1.1 地形地貌 |
| 2.1.2 地层岩性 |
| 2.1.3 不良地质和特殊性岩土 |
| 2.2 深埋和浅埋隧道划分原则 |
| 2.3 围岩结构特征分析与分级 |
| 2.3.1 围岩结构特征 |
| 2.3.2 围岩分级 |
| 2.4 洞室偏压 |
| 2.5 小净距隧道的相互影响 |
| 第三章 现场施工方案与监控量测数据分析 |
| 3.1 隧道施工情况 |
| 3.1.1 原设计方案 |
| 3.1.2 变更设计方案 |
| 3.2 隧道围岩监测情况分析 |
| 3.2.1 监测项目 |
| 3.2.2 测点布置 |
| 3.3 监测结果分析 |
| 3.3.1 拱顶沉降监测数据 |
| 3.3.2 水平收敛监测数据 |
| 3.4 本章小结 |
| 第四章 浅埋偏压隧道开挖数值模拟分析 |
| 4.1 隧道围岩极限位移和稳定性影响因素的确定 |
| 4.1.1 隧道围岩极限位移的确定 |
| 4.1.2 隧道围岩稳定性影响因素 |
| 4.2 数值模拟方法 |
| 4.2.1 数值模拟基本原理 |
| 4.2.2 Midas/GTS NX简介 |
| 4.3 模型的建立与参数的选取 |
| 4.3.1 计算假定 |
| 4.3.2 本构模型的选取 |
| 4.3.3 Midas/GTS NX模型的建立 |
| 4.3.4 参数的选取 |
| 4.4 不同方案设计 |
| 4.5 模拟结果分析 |
| 4.5.1 不同开挖方案下隧道围岩位移分析 |
| 4.5.2 不同开挖方案下隧道围岩应力分析 |
| 4.5.3 不同开挖方案下隧道围岩塑性区分布 |
| 4.6 本章小结 |
| 第五章 基于灰色理论与BP神经网络的隧道围岩变形预测 |
| 5.1 灰色理论预测基本方法 |
| 5.1.1 灰色理论概述 |
| 5.1.2 灰色模型介绍 |
| 5.1.3 生成数的介绍 |
| 5.1.4 GM(1,1)模型的建立 |
| 5.2 灰色理论在隧道围岩变形预测中的应用 |
| 5.2.1 灰色理论预测步骤 |
| 5.2.2 灰色模型预测的计算过程 |
| 5.3 人工神经网络基本原理 |
| 5.3.1 人工神经网络简介 |
| 5.3.2 人工神经网络的应用 |
| 5.3.3 BP神经网络结构模型 |
| 5.4 BP神经网络的预测步骤 |
| 5.5 BP神经网络在隧道围岩变形预测中的应用 |
| 5.5.1 建立BP神经网络样本数据库 |
| 5.5.2 数据的归一化处理 |
| 5.5.3 BP神经网络模型训练与测试 |
| 5.5.4 BP神经网络的预测结果分析 |
| 5.6 GM(1,1)灰色模型与BP神经网络预测结果对比 |
| 5.7 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 攻读硕士学位期间的学术成果 |
（7）小波去噪的回归-BP组合模型在深基坑变形监测中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 基坑变形监测的国内外研究现状 |
| 1.3 研究的主要内容与文章结构 |
| 1.4 本文研究的技术路线 |
| 2 小波分析与小波去噪 |
| 2.1 小波分析基础理论 |
| 2.2 小波去噪基本理论 |
| 2.3 小波阈值去噪方法研究 |
| 3 回归分析模型及其在变形监测中的应用 |
| 3.1 回归分析基本原理 |
| 3.2 逐步回归分析法 |
| 3.3 回归分析方法变形预测模型的建立过程 |
| 4 BP神经网络及其在变形监测中的应用 |
| 4.1 人工神经网络理论 |
| 4.2 BP神经网络的预测 |
| 4.3 组合模型的基础理论 |
| 4.4 回归-BP组合模型的定权 |
| 5 工程变形监测研究与实例分析 |
| 5.1 项目实例和基坑设计方案 |
| 5.2 基坑监测数据整理及分析 |
| 5.3 小波阈值去噪在基坑变形监测中的应用 |
| 5.4 小波去噪前后回归分析模型的比较 |
| 5.5 小波去噪前后BP神经网络模型的比较 |
| 5.6 单一模型和回归-BP组合模型的比较 |
| 5.7 小波去噪前后回归-BP组合模型的比较 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
| 致谢 |
| 学位论文数据集 |
（8）灰色马尔科夫模型在宁邦超高层建筑沉降预测中的应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 (超)高层建筑监测研究现状及分析方法 |
| 1.2.2 灰色系统模型研究现状 |
| 1.2.3 灰色马尔科夫模型研究现状 |
| 1.3 主要研究内容与技术路线 |
| 1.3.1 主要研究内容 |
| 1.3.2 技术路线 |
| 1.4 论文章节安排 |
| 第2章 模型基础理论 |
| 2.1 灰色系统理论 |
| 2.1.1 灰色系统的基本概念 |
| 2.1.2 灰色系统模型构建原理 |
| 2.1.3 灰色模型构建过程 |
| 2.2 马尔科夫理论 |
| 2.2.1 马尔科夫过程的定义 |
| 2.2.2 转移概率 |
| 2.2.3 马尔科夫状态的分类 |
| 2.2.4 马尔科夫链预测模型 |
| 2.3 非等间距多点灰色马尔科夫模型的构建 |
| 2.4 模型精度检验 |
| 2.5 本章小结 |
| 第3章 灰色模型优化研究及Matlab程序实现 |
| 3.1 传统灰色模型的不足 |
| 3.1.1 初值的选取 |
| 3.1.2 新旧信息利用问题 |
| 3.1.3 背景值的构建 |
| 3.2 灰色模型优化研究 |
| 3.2.1 初值的改进 |
| 3.2.2 原始序列加权 |
| 3.2.3 背景值重构 |
| 3.3 模型的Matlab程序实现 |
| 3.3.1 Matlab简介 |
| 3.3.2 程序设计流程 |
| 3.4 本章小结 |
| 第4章 组合模型在宁邦超高层建筑变形预测中的应用 |
| 4.1 工程概况 |
| 4.2 沉降数据获取 |
| 4.2.1 基准点与监测点布设 |
| 4.2.2 沉降监测方法 |
| 4.2.3 监测频率与预警值 |
| 4.3 沉降数据分析 |
| 4.4 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读硕士期间发表的学术论文 |
| 附录B 攻读硕士期间参加的实习项目 |
| 附录C 本文部分程序代码 |
（9）地铁盾构施工变形安全监测及预测分析 ——以常州地铁一号线盾构穿越常州站为例（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题的背景及研究的意义 |
| 1.2 国内外研究现状 |
| 1.2.1 地铁盾构施工地表建构筑物变形研究现状 |
| 1.2.2 地铁盾构施工地表建构筑物变形预测现状 |
| 1.3 论文主要研究内容及技术路线 |
| 1.3.1 主要研究内容 |
| 1.3.2 技术路线 |
| 第二章 地铁施工周边建构筑安全监测技术研究 |
| 2.1 地铁盾构施工对周边结构变形影响分析 |
| 2.1.1 盾构施工对土体的扰动程度分析 |
| 2.1.2 盾构施工周边建构筑物的影响机理 |
| 2.1.3 盾构施工对上部建构筑物的影响 |
| 2.1.4 建构筑物抵抗开挖变形及破坏模式 |
| 2.1.5 盾构施工对建筑建构影响范围 |
| 2.2 盾构施工安全监测必要性分析 |
| 2.2.1 地铁施工监测目的 |
| 2.2.2 地铁盾构施工应重点监测对象 |
| 2.3 运营铁路变形自动化监测技术 |
| 2.3.1 静力水准法自动化监测 |
| 2.3.2 测量机器人自动化监测 |
| 2.3.3 自动化监测系统成果反馈技术 |
| 2.4 本章小结 |
| 第三章 常州地铁一号线盾构施工的周边结构安全监测 |
| 3.1 工程概况 |
| 3.1.1 常州轨道交通一号线概况 |
| 3.1.2 铁路及常州火车站概况 |
| 3.1.3 工程影响线路构筑物概况 |
| 3.2 针对风险信息化安全监测方案设计 |
| 3.2.1 监测内容 |
| 3.2.2 监测技术依据 |
| 3.2.3 监测人员设备 |
| 3.2.4 监测精度要求 |
| 3.2.5 监测点位布置总体要求 |
| 3.2.6 监测周期与频率 |
| 3.2.7 监测工作量 |
| 3.3 建构筑安全监测的实施 |
| 3.3.1 建(构)筑物沉降监测 |
| 3.3.2 建(构)筑物位移监测 |
| 3.4 依托工程的自动化安全监测 |
| 3.4.1 变形监测网分区设计 |
| 3.4.2 监测区域横剖面布置 |
| 3.4.3 基准点布置 |
| 3.4.4 设站点布置 |
| 3.4.5 轨枕水平位移监测点位布置 |
| 3.4.6 全站仪自动观测的要求 |
| 3.4.7 监测点外业观测 |
| 3.5 站台限界测量 |
| 3.5.1 监测断面的布设 |
| 3.5.2 限界数据采集 |
| 3.6 监测技术管理与质量控制 |
| 3.6.1 成立完善系统的技术管理机构 |
| 3.6.2 建立健全技术管理规章制度 |
| 3.6.3 强化监测质量控制 |
| 3.7 本章小结 |
| 第四章 监测数据处理与结果分析 |
| 4.1 监测数据处理 |
| 4.1.1 建构筑物沉降监测数据处理及分析 |
| 4.1.2 建构筑物位移监测数据处理及分析 |
| 4.1.3 既有线自动化监测数据处理分析 |
| 4.1.4 限界数据处理 |
| 4.2 监测预警报警的评判标准 |
| 4.3 地铁盾构施工安全监测数据分析 |
| 4.3.1 监测成果资料整理和初步分析 |
| 4.3.2 监测数据最终累计变形最大值统计 |
| 4.3.3 根据监测数据形成的变形曲线图 |
| 4.3.4 变形监测总体分析 |
| 4.4 本章小结 |
| 第五章 基于GM(1,1)模型与BP模型的变形预测 |
| 5.1 结构变形灰色预测技术分析 |
| 5.1.1 灰色系统理论研究 |
| 5.1.2 灰色预测GM(1,1)模型 |
| 5.1.3 GM(1,1)模型建立步骤 |
| 5.1.4 GM(1,1)模型检验 |
| 5.1.5 GM(1,1)残差模型修正 |
| 5.2 基于小波优化的GM(1,1)预测模型 |
| 5.3 BP神经网络预测技术分析 |
| 5.3.1 人工神经元网络模型概述 |
| 5.3.2 BP神经网络结构模型 |
| 5.3.3 结构变形BP网络模型预测应用 |
| 5.4 基于GM(1,1)预测模型的结构变形预测分析 |
| 5.4.1 基于监测数据进行变形预测 |
| 5.4.2 预测值与实测值对比分析 |
| 5.5 基于BP神经网络模型的结构变形预测分析 |
| 5.5.1 BP神经网络模型的结构变形预测过程 |
| 5.5.2 GM(1,1)模型与BP模型预测效果对比分析 |
| 5.6 本章小结 |
| 结论与展望 |
| 结论 |
| 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（10）基于灰色组合模型的高速铁路路基沉降预测及应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景及意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究目的及意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容和技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 2 高速铁路路基沉降机理及观测 |
| 2.1 高速铁路路基 |
| 2.1.1 路基结构 |
| 2.1.2 沉降类型 |
| 2.2 观测方案 |
| 2.2.1 影响因素 |
| 2.2.2 观测方案编制及原则 |
| 2.2.3 观测技术标准 |
| 2.3 本章小结 |
| 3 高速铁路路基沉降预测模型 |
| 3.1 灰色系统 |
| 3.1.1 灰色GM(1,1) |
| 3.1.2 灰色Verhulst |
| 3.1.3 模型精度评定 |
| 3.2 小波理论 |
| 3.2.1 小波变换 |
| 3.2.2 小波去噪 |
| 3.2.3 小波去噪效果评价 |
| 3.3 神经网络模型 |
| 3.3.1 人工神经网络 |
| 3.3.2 人工神经网络变换机理 |
| 3.4 其他预测模型 |
| 3.5 单一预测模型预测效果分析 |
| 3.6 本章小结 |
| 4 模型改进及组合方式 |
| 4.1 预测模型改进 |
| 4.1.1 GM(1,1)模型初始值优化 |
| 4.1.2 GM(1,1)模型残差优化 |
| 4.1.3 非等间隔序列的处理 |
| 4.1.4 灰色Verhulst时间响应式的优化 |
| 4.1.5 灰色Verhulst模型背景值优化 |
| 4.2 组合方式 |
| 4.2.1 小波去噪后的灰色模型 |
| 4.2.2 基于BP神经网络的灰色模型 |
| 4.2.3 实例验证 |
| 4.3 高速铁路路基沉降预测组合模型 |
| 4.3.1 高速铁路路基沉降预测组合模型概述 |
| 4.3.2 高速铁路路基沉降预测组合模型 |
| 4.3.3 模型精度评价方式 |
| 4.4 本章小结 |
| 5 灰色组合模型在工程实践中的运用 |
| 5.1 工程背景 |
| 5.2 高速铁路路基沉降变形监测 |
| 5.2.1 GM(1,1)预测模型 |
| 5.2.2 小波优化的GM(1,1)模型 |
| 5.2.3 BP神经网络 |
| 5.2.4 小波优化的灰色GM-BP神经网络模型 |
| 5.3 数据分析 |
| 5.3.1 预测数据处理与分析 |
| 5.3.2 沉降预测曲线分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 攻读学位期间的研究成果 |
| 参考文献 |
四、灰色理论在沉降预测中的应用（论文参考文献）
- [1]基于组合模型的建筑物沉降监测研究 ——以合肥市十张小学为例[D]. 郑晔. 安徽理工大学, 2021(02)
- [2]土岩地层深基坑变形特征及变形预测最佳周期研究[D]. 陈秋汝. 青岛理工大学, 2021
- [3]基于多源数据的季冻区路基沉降预测方法研究[D]. 杨馨宇. 吉林大学, 2021(01)
- [4]基于灰色马尔科夫模型的基坑开挖变形预测[D]. 罗亚琼. 昆明理工大学, 2021(01)
- [5]上游式尾矿坝降雨与加高作用稳定性分析及坝体位移预测[D]. 田一麟. 燕山大学, 2021(01)
- [6]重庆某浅埋偏压隧道CRD法开挖顺序优化及围岩变形研究[D]. 李扬. 昆明理工大学, 2021(01)
- [7]小波去噪的回归-BP组合模型在深基坑变形监测中的应用研究[D]. 田梦娜. 山东科技大学, 2020(06)
- [8]灰色马尔科夫模型在宁邦超高层建筑沉降预测中的应用研究[D]. 程雍. 湘潭大学, 2020(02)
- [9]地铁盾构施工变形安全监测及预测分析 ——以常州地铁一号线盾构穿越常州站为例[D]. 贾志才. 长安大学, 2020(06)
- [10]基于灰色组合模型的高速铁路路基沉降预测及应用研究[D]. 刘鹏鹏. 兰州交通大学, 2020(01)