刘振华1,任艺鹏2,叶忠勤3,余 虎1,王述红2,修占国2
混凝土公路在施工过程中对路基沉降的预测,在工程安全和妥善安排施工进度具有非常重要的意义。一般监测方法是通过水准仪等监测仪器对路基进行布点观测。目前,常用的方法主要有两类:第一类是根据土体沉降理论得到的沉降数据变化拟合曲线的双曲线法[1],三点法[2],组合模型等[3];第二类是根据神经网络[4],灰度理论[5]等模糊理论,并结合各类统计概率方法对沉降进行预测[6]。上述几类方法各有优缺点,有的计算过程过于繁琐,有的预测过程中因素选取过于主观,导致计算结果误差较大。鉴于此,本文提出了一种新型预测路基沉降的方法,将模糊神经网络和小波包分解相结合,针对位移沉降序列的时序性和偶然性,利用模糊神经网络具有记忆性的特点,建立沉降预测网络。通过小波包对监测沉降序列进行分解,得到不同属性和频率的子序列,利用模糊神经网络对分解所得子序列进行样本训练并预测,将子序列预测结果叠加,得到预测结果。本文采用该方法对平湖段公路K13+321.6路段的沉降进行预测,并采用其他方法进行了对比,以证实该方法的可靠性。
刘振华,任艺鹏,叶忠勤,等.基于小波包分解-模糊神经网络的混凝土路面路基沉降预测[J].混凝土与水泥制品,2018(6):81-84.
LIU Z H,REN Y P,YE Z Q,et al.Prediction of Subgrade Settlement of Concrete Pavement Based on Wavelet Packet Decomposition-fuzzy Neural Network[J].China Concrete and Cement Products,2018(6):81-84.
基于小波包分解-模糊神经网络的 混凝土路面路基沉降预测
刘振华1,任艺鹏2,叶忠勤3,余 虎1,王述红2,修占国2
混凝土公路在施工过程中对路基沉降的预测,在工程安全和妥善安排施工进度具有非常重要的意义。一般监测方法是通过水准仪等监测仪器对路基进行布点观测。目前,常用的方法主要有两类:第一类是根据土体沉降理论得到的沉降数据变化拟合曲线的双曲线法[1],三点法[2],组合模型等[3];第二类是根据神经网络[4],灰度理论[5]等模糊理论,并结合各类统计概率方法对沉降进行预测[6]。上述几类方法各有优缺点,有的计算过程过于繁琐,有的预测过程中因素选取过于主观,导致计算结果误差较大。鉴于此,本文提出了一种新型预测路基沉降的方法,将模糊神经网络和小波包分解相结合,针对位移沉降序列的时序性和偶然性,利用模糊神经网络具有记忆性的特点,建立沉降预测网络。通过小波包对监测沉降序列进行分解,得到不同属性和频率的子序列,利用模糊神经网络对分解所得子序列进行样本训练并预测,将子序列预测结果叠加,得到预测结果。本文采用该方法对平湖段公路K13+321.6路段的沉降进行预测,并采用其他方法进行了对比,以证实该方法的可靠性。
刘振华,任艺鹏,叶忠勤,等.基于小波包分解-模糊神经网络的混凝土路面路基沉降预测[J].混凝土与水泥制品,2018(6):81-84.
LIU Z H,REN Y P,YE Z Q,et al.Prediction of Subgrade Settlement of Concrete Pavement Based on Wavelet Packet Decomposition-fuzzy Neural Network[J].China Concrete and Cement Products,2018(6):81-84.
摘 要:在混凝土公路路基施工过程中,为了控制施工进度,同时保证路基的稳定与适用,需要对路基沉降进行监测,并通过已有沉降数据推测后续沉降数值。本文提出了一种新型预测路基沉降的方法,将模糊神经网络和小波包分解相结合,针对位移沉降序列的时序性和偶然性,利用模糊神经网络强大的记忆性,建立沉降预测模型。通过小波包对沉降数值序列进行分解,得到不同属性和频率的沉降序列,分别通过模糊神经网络对各个子序列进行预测,将子序列预测结果叠加得到预测结果。
Abstract: In order to control the construction progress and ensure the stability and applicability of the roadbed of concrete pavement, the roadbed settlement needs to be monitored, and the subsequent settlement data needs to be predicted through the existing settlement data. A new prediction method for subgrade settlement is put forward, which combines fuzzy neural network and wavelet packet decomposition. Aiming at the timeness and contingency of displacement settlement sequence, the fuzzy neural network's strong memory is used to establish settlement prediction model. To decompose the settlement numerical sequence by wavelet packet, settlement sequence of different attributes and frequency, respectively through the prediction of each sub sequence of fuzzy neural network, the sequence prediction results are superimposed to obtain the forecast result.
版权所有:中国混凝土与水泥制品网 苏ICP备10086386号 网站建设:中企动力 苏州