大肉大捧一进一出视频来了,肉嫁高柳1~4动漫在线观看,四虎影院176,波多野42部无码喷潮

更新日期: 2025-06-15

基于PSO-LSSVM模型的基坑周邊建筑傾斜預測

格式:pdf

大小:451KB

頁數:6P

人氣 :91

基于PSO-LSSVM模型的基坑周邊建筑傾斜預測 4.6

針對基坑周邊建筑傾斜變形影響因素的復雜性,以及監測數據的小樣本和非線性特征,提出了一種基于PSO-LSSVM模型的基坑周邊建筑傾斜的時間序列預測方法。采用相空間重構對基坑前期施工工況下的周邊建筑沉降差時間序列進行重構,構建沉降差預測的學習樣本輸入到最小二乘支持向量機(LSSVM)中訓練。利用粒子群算法(PSO)對LSSVM參數進行優化,獲得最優預測模型,對后期工況施工期間的沉降差進行滾動預測,并代入公式計算得到未來傾斜變形值。將該方法用于昆明某基坑工程的周邊建筑傾斜預測分析,取得了令人滿意的預測結果。

基于PSO-LSSVM模型的基坑周邊建筑傾斜預測??

基于PSO-LSSVM模型的基坑周邊建筑傾斜預測??

格式:pdf

大小:451KB

頁數:6P

針對基坑周邊建筑傾斜變形影響因素的復雜性,以及監測數據的小樣本和非線性特征,提出了一種基于pso-lssvm模型的基坑周邊建筑傾斜的時間序列預測方法。采用相空間重構對基坑前期施工工況下的周邊建筑沉降差時間序列進行重構,構建沉降差預測的學習樣本輸入到最小二乘支持向量機(lssvm)中訓練。利用粒子群算法(pso)對lssvm參數進行優化,獲得最優預測模型,對后期工況施工期間的沉降差進行滾動預測,并代入公式計算得到未來傾斜變形值。將該方法用于昆明某基坑工程的周邊建筑傾斜預測分析,取得了令人滿意的預測結果。

基于PSO-LSSVM模型的基坑變形時間序列預測

基于PSO-LSSVM模型的基坑變形時間序列預測

格式:pdf

大小:521KB

頁數:6P

現場量測獲得的基坑變形資料蘊含了系統內部力學演化信息。針對基坑變形影響因素的復雜性、監測數據的高度非線性以及人工神經網絡方法的過學習問題,利用粒子群(pso)算法優選最小二乘支持向量機(lssvm)參數,并結合相空間重構理論進行數據預處理,提出了一種基于pso-lssvm模型的基坑變形時間序列預測方法。利用該方法建立基坑變形預測模型應用于動態設計和信息化施工,對保證基坑安全具有重要意義。將該方法用于昆明某基坑工程的深層水平位移預測,不斷利用基坑前期工況的最新實測數據建模,對后期工況變形量進行滾動預測,獲得了令人滿意的效果。

編輯推薦下載

基于PSO-LSSVM的建筑施工事故預測方法研究

基于PSO-LSSVM的建筑施工事故預測方法研究

格式:pdf

大小:127KB

頁數:5P

基于PSO-LSSVM的建筑施工事故預測方法研究 4.6

針對建筑施工事故原始樣本少、隨機波動大和預測難度大等特點,對建筑施工事故小樣本預測問題展開研究。采用lssvm對建筑施工事故進行回歸建模,發揮粒子群算法計算速度快和具有較強全局搜索能力的優點,基于pso對lssvm參數進行優化;以相關文獻建筑施工事故為預測案例,運用所提方法進行仿真實驗。結果表明:采用pso-lssvm預測方法的絕對誤差(mape)為2.99%,并且每年的預測相對誤差都低于5%,遠低于現有研究方法得出的結果,說明所提方法具有預測精度高、泛化能力強的特點,能滿足工程應用要求。

立即下載
基于灰色組合模型的基坑周邊建筑物沉降預測

基于灰色組合模型的基坑周邊建筑物沉降預測

格式:pdf

大小:328KB

頁數:6P

基于灰色組合模型的基坑周邊建筑物沉降預測 4.5

伴隨著地下空間工程大量興建,在基坑開挖階段,定期觀測周邊建筑物沉降,分析預測其未來的沉降變化規律、發展趨勢,對保證建筑物與人民生命財產安全具有重要意義。為科學合理預測基坑周邊建筑物沉降值,在綜合常用灰色預測模型,即verhulst模型、gm(1,1)模型和scgm(1,1)_c模型優點的基礎上,建立灰色組合模型,通過挖掘各單一模型的有效信息,優化擬合結果,從而對基坑周邊建筑物的沉降值進行有效預測。實例應用表明:灰色組合模型的預測值與觀測數據的擬合結果優于單一預測模型,其預測精度明顯提升,沉降預測值更為可靠,可為采取相應的預防或處理措施提供科學決策依據。

立即下載

PSO-LSSVM模型的基坑周邊建筑傾斜預測熱門文檔

相關文檔資料 1253319 立即查看>>
基于自回歸模型的基坑周邊建筑物沉降預測分析

基于自回歸模型的基坑周邊建筑物沉降預測分析

格式:pdf

大小:361KB

頁數:2P

基于自回歸模型的基坑周邊建筑物沉降預測分析 4.7

為了確保基坑周邊建筑物的安全,建立自回歸模型研究周邊建筑物沉降的趨勢并及時預測。首先采用統計方法分析沉降監測基準的穩定性,然后根據某監測點16期觀測數據,建立自回歸模型ar(p),最后使用4期的預測數據與實測數據進行比較:預測值和實測值之間的最大差值不超過0.6mm。表明該模型有良好的預測結果,可應用于預測該基坑周邊建筑物的沉降。

立即下載
施工期基坑周邊建筑物變形灰色模型預測應用

施工期基坑周邊建筑物變形灰色模型預測應用

格式:pdf

大小:1.9MB

頁數:3P

施工期基坑周邊建筑物變形灰色模型預測應用 4.7

文章介紹了基本灰色模型的使用方法,并加以改進,針對基坑施工期其周邊建物變形特點,通過內插構建等步長的灰色模型子序列。將開挖深度和變形量聯系起來,加以預測并取得較高精度,為基坑監測提供實用的技術手段。

立即下載
施工期基坑周邊建筑物變形灰色模型預測應用

施工期基坑周邊建筑物變形灰色模型預測應用

格式:pdf

大小:5.9MB

頁數:3P

施工期基坑周邊建筑物變形灰色模型預測應用 4.7

文章介紹了基本灰色模型的使用方法,并加以改進,針對基坑施工期其周邊建物變形特點,通過內插構建等步長的灰色模型子序列.將開挖深度和變形量聯系起來,加以預測并取得較高精度,為基坑監測提供實用的技術手段.

立即下載
基于MAPSO-LSSVM模型的基坑開挖對周圍建筑物沉降預測研究

基于MAPSO-LSSVM模型的基坑開挖對周圍建筑物沉降預測研究

格式:pdf

大小:413KB

頁數:7P

基于MAPSO-LSSVM模型的基坑開挖對周圍建筑物沉降預測研究 4.5

為了快速準確的預測基坑開挖對周圍建筑物沉降的影響,本文提出一種結合多智能體粒子尋求lssvm(最小二乘支持向量機)模型參數的算法,提高了lssvm算法的預測精度.采用該算法對昆明市某基坑開挖過程中周圍建筑物的沉降進行預測,并與其他預測方法進行對比,結果表明該算法具有收斂速度快、預測精度高等特點.

立即下載
GM-LSSVM模型在建筑能耗預測中的應用

GM-LSSVM模型在建筑能耗預測中的應用

格式:pdf

大小:489KB

頁數:8P

GM-LSSVM模型在建筑能耗預測中的應用 4.4

為提高大型公共建筑能耗的預測精度,提出一種基于灰色模型和最小二乘向量機方法(gm-lssvm)的辦公能耗預測模型.該方法結合灰色建模計算簡單的特點,以及最小二乘支持向量機非線性擬合能力和泛化能力強的優勢,充分發掘樣本數據的規律,并以粒子群優化算法進行模型參數選擇.根據福州某大型公共建筑能耗數據,通過本研究提出的方法建立預測模型,并與神經網絡模型以及最小二乘支持向量機模型的預測結果進行比較,驗證了該方法具備較高的預測精度和較強的泛化能力.

立即下載

PSO-LSSVM模型的基坑周邊建筑傾斜預測精華文檔

相關文檔資料 1253319 立即查看>>
基于PSO-RBF的建筑能耗預測模型研究

基于PSO-RBF的建筑能耗預測模型研究

格式:pdf

大小:363KB

頁數:4P

基于PSO-RBF的建筑能耗預測模型研究 4.5

通過研究分析夏熱冬冷地區公共建筑能耗變化特點,建立了rbf神經網絡建筑能耗預測模型。在此基礎上運用微粒群算法對模型優化,建立了基于pso-rbf的建筑能耗預測模型。利用大量數據構造樣本集,運用軟件分別對優化前后的預測模型進行訓練,并運用到典型公共建筑能耗值的預測實例中。結果表明基于pso-rbf的建筑能耗預測模型的學習能力和預測能力強,能較準確地實現公共建筑能耗預測。

立即下載
非等間隔無偏GM(1,1)模型在基坑周邊建筑物沉降預測中的應用

非等間隔無偏GM(1,1)模型在基坑周邊建筑物沉降預測中的應用

格式:pdf

大小:1.9MB

頁數:5P

非等間隔無偏GM(1,1)模型在基坑周邊建筑物沉降預測中的應用 4.6

沉降監測數據序列受到觀測條件等影響往往是非等間隔的。為了更合理、準確地分析預測沉降數據,本文將非等間隔無偏灰色模型應用到基坑周邊建筑物沉降監測分析中,并對建模過程中背景值的計算進行了改進,與兩種傳統的非等間隔灰色模型進行對比分析。通過兩組實例分析,結果表明:非等間隔無偏灰色模型的效果優于其余兩種非等間隔灰色模型,其模型趨勢更符合實際沉降趨勢。

立即下載
基于PSO-LS-SVMR的公共建筑能耗短期預測模型

基于PSO-LS-SVMR的公共建筑能耗短期預測模型

格式:pdf

大小:170KB

頁數:5P

基于PSO-LS-SVMR的公共建筑能耗短期預測模型 4.4

提出一種粒子群算法優化的最小二乘支持向量機回歸模型(pso-ls-svmr),以實現對公共建筑能耗的短期預測。采用某大型公共建筑物連續31期的用電量及所在地區相關天氣指標的實測數據,分別運用pso-ls-svmr模型和lmbp神經網絡模型對其建筑能耗進行短期預測,并對預測結果展開深入研究。研究結果表明,提出的pso-ls-svmr模型在對樣本內數據和樣本外數據的預測上均取得了較好效果,可以滿足公共建筑能耗短期預測的實際需要,為建筑節能管理提供理論支持與決策參考。

立即下載
應用灰關聯分析的PSO-SVR工程造價預測模型 應用灰關聯分析的PSO-SVR工程造價預測模型 應用灰關聯分析的PSO-SVR工程造價預測模型

應用灰關聯分析的PSO-SVR工程造價預測模型

格式:pdf

大小:172KB

頁數:6P

應用灰關聯分析的PSO-SVR工程造價預測模型 4.5

為了準確預測與控制工程造價水平,提出一種基于灰關聯分析(gra)與粒子群優化(pso)的支持向量回歸機(svr)組合預測模型。將gra提取的工程造價主要指標向量輸入pso-svr模型預測造價,采用pso優化的svr模型進行工程造價預測,對比分析pso-svr模型和其他智能模型,對某一地區相同輸電工程進行造價預測。結果表明:基于灰關聯分析的pso-svr模型的造價預測效果更理想,預測精度更高。

立即下載
新建工程建筑廢料量的PLS-LSSVM預測模型 新建工程建筑廢料量的PLS-LSSVM預測模型 新建工程建筑廢料量的PLS-LSSVM預測模型

新建工程建筑廢料量的PLS-LSSVM預測模型

格式:pdf

大小:177KB

頁數:3P

新建工程建筑廢料量的PLS-LSSVM預測模型 4.3

針對新建工程廢料的產生受多種復雜因素影響及廢料量預測問題非線性、高維度、樣本少的特點,建立了新建工程廢料的偏最小二乘回歸(pls)-最小二乘支持向量機(lssvm)預測模型。經調查分析得到新建工程廢料量的影響因素有建筑用途、結構形式等,然后通過pls回歸對初始輸入數據進行特征提取,獲得降維去噪的變量輸入lssvm模型,并運用具有快速收斂及全局優化能力的粒子群(pso)算法對lssvm建模中的參數進行優化。實際驗證表明該模型預測準確性高,能有效地預測新建工程的廢料量。

立即下載

PSO-LSSVM模型的基坑周邊建筑傾斜預測最新文檔

相關文檔資料 1253319 立即查看>>
基于PSO-SVM的城市橋梁群體震害預測模型研究 基于PSO-SVM的城市橋梁群體震害預測模型研究 基于PSO-SVM的城市橋梁群體震害預測模型研究

基于PSO-SVM的城市橋梁群體震害預測模型研究

格式:pdf

大小:382KB

頁數:9P

基于PSO-SVM的城市橋梁群體震害預測模型研究 4.8

本文根據城市橋梁群體的實際震害資料數據,采用粒子群算法(pso)來優化支持向量機(svm)參數,選擇影響橋梁震害等級的8個因素作為特征輸入向量,充分用2種算法的優點建立pso-svm的橋梁震害預測模型.通過比較pso-svm和svm模型對橋梁震害的預測能力,發現pso-svm模型具有較高預測精度和較高的推廣價值.本文的研究成果對橋梁震害等級的預測具有一定的參考價值和指導意義.

立即下載
基于PSO-SVM模型的短期電力負荷預測研究

基于PSO-SVM模型的短期電力負荷預測研究

格式:pdf

大小:309KB

頁數:5P

基于PSO-SVM模型的短期電力負荷預測研究 4.6

文章分析了影響電力負荷的因素,對現存的短期電力負荷預測方法進行了研究,采用粒子群算法對支持向量機進行參數尋優,建立了基于粒子群優化的預測模型,并對短期電力負荷進行預測仿真,為精準且快速地預測短期電力負荷提供了有效的方法。通過實例分析驗證了該模型在電力負荷中的預測精度,結果顯示其精度值較高。

立即下載
基于PSO-BP神經網絡的基坑周邊地面沉降預測方法研究

基于PSO-BP神經網絡的基坑周邊地面沉降預測方法研究

格式:pdf

大小:2.0MB

頁數:6P

基于PSO-BP神經網絡的基坑周邊地面沉降預測方法研究 4.4

基坑工程施工過程中的周邊地面沉降直接關系到周圍建筑物的安全,本文根據上海前灘地區某基坑工程的歷史監測數據、施工工況和周邊地層參數等多源數據對基坑周邊地面沉降進行監測和預測。以pso-bp神經網絡為基礎,通過將基于時序和基于沉降影響因素的網絡模型對比發現:二者預測結果誤差較小且基于時序的神經網絡預測精度更高,說明利用pso-bp神經網絡能夠很好地對基坑周邊地面沉降進行分析與預測。為了綜合考慮時間效應和空間效應的影響,在基于沉降影響因素的預測模型的基礎上加入歷史監測數據作為模型輸入層進行優化,結果表明:優化后的pso-bp神經網絡模型具有更小的相對誤差范圍和更高的預測精度,在基坑周邊地面沉降預測中有很好的應用前景。

立即下載
地鐵基坑開挖對周邊建筑的影響分析

地鐵基坑開挖對周邊建筑的影響分析

格式:pdf

大小:148KB

頁數:2P

地鐵基坑開挖對周邊建筑的影響分析 4.6

以武漢市軌道交通三號線二七基站為背景,運用plaxis有限元程序模擬了基坑開挖過程,分析了基坑開挖對周邊建筑物的影響。

立即下載
深基坑與周邊建筑物沉降的觀測分析

深基坑與周邊建筑物沉降的觀測分析

格式:pdf

大小:2.6MB

頁數:1P

深基坑與周邊建筑物沉降的觀測分析 4.5

我國城市化建設進程的不斷發展,地下倉庫以及停車場的新建,都體現了地下的空間受到了充分的利用,也證明了我國深基坑的發展。但隨之而來的一系列問題也受到社會各界的廣泛關注。在進行城市化的深基坑建設時,這件事往往會對周圍的環境以及地質狀況產生較大的影響,而導致深基坑周圍建筑物的沉降,是深基坑建設中一項十分重要的影響。本文對深基坑與周邊建筑物的沉降觀測進行分析,旨在為今后的深基坑以及周邊建筑物沉降觀測提出一定的建議和意見

立即下載
基坑開挖變形對周邊建筑的影響分析

基坑開挖變形對周邊建筑的影響分析

格式:pdf

大小:924KB

頁數:2P

基坑開挖變形對周邊建筑的影響分析 4.7

城市深基坑周邊環境日益復雜,深基坑開挖受到更為嚴格的環境限制,必須使深基坑開挖引起周邊建構筑物的變形控制在規范要求及周邊建(構)筑物允許范圍內.基坑的設計不僅是對圍護強度進行控制,還要求與周邊環境相結合對變形進行控制.針對復雜的周邊環境,應采取合適的圍護形式控制對基坑周邊老建筑的影響.

立即下載
基坑開挖對周邊建筑物影響的實測研究

基坑開挖對周邊建筑物影響的實測研究

格式:pdf

大小:2.1MB

頁數:6P

基坑開挖對周邊建筑物影響的實測研究 4.6

為了研究在砂性富水地層條件下進行基坑開挖對鄰近建筑物的影響;以杭州地鐵5號線江城路站基坑開挖工程為例;采用現場實測的方法進行分析;結果表明:基坑開挖對鄰近建筑物的影響主要是在房屋基礎以上的的范圍內;超過建筑物基礎深度時;繼續開挖對鄰近建筑物的影響不再有明顯變化;基坑圍護結構的存在;在一定程度上會對建筑物的沉降控制有利;研究成果可為城市建筑密集區深基坑工程和其他類似的地鐵車站施工、隧道穿越等工程提供一定的參考;

立即下載
基坑開挖對周邊建筑物沉降影響的研究

基坑開挖對周邊建筑物沉降影響的研究

格式:pdf

大小:201KB

頁數:4P

基坑開挖對周邊建筑物沉降影響的研究 3

基坑開挖對周邊建筑物沉降影響的研究——文中采用大型工程軟件flac一2d對土釘墻支護形式下基坑開挖引起的近鄰建筑物沉降問題進行了數值模擬分析,得出了一些基本結論。  

立即下載
基坑工程對周邊建筑物影響的數值分析

基坑工程對周邊建筑物影響的數值分析

格式:pdf

大小:549KB

頁數:4P

基坑工程對周邊建筑物影響的數值分析 4.7

基坑開挖及降水引起周圍地面不均勻沉降并導致周圍建筑物傾斜、開裂等問題,一直以來都受到人們的關注。在總結當前地面沉降計算方法的基礎上,結合具體工程實例采用彈塑性有限單元法模擬基坑支護、降水以及開挖步驟,分析其對周圍地面沉降及建筑物的影響。計算分析結果表明,施工支護條件對支護結構周圍土體影響較大,考慮降水和不考慮降水計算結果相差20mm左右,表明抽水引起的變形較大,最后提出了減少沉降的主要措施。

立即下載
基于灰色神經網絡模型的基坑開挖引發周邊地面沉降預測分析

基于灰色神經網絡模型的基坑開挖引發周邊地面沉降預測分析

格式:pdf

大小:145KB

頁數:4P

基于灰色神經網絡模型的基坑開挖引發周邊地面沉降預測分析 4.7

在城市地下工程建設中,深基坑開挖引起的周圍地表土沉降問題越來越受到人們的重視。地表沉降將引起鄰近建、構筑物破壞,從而造成經濟損失。因此,預測基坑周圍土體未來一段時間的沉降,對及時采取治理措施具有重要意義。文章針對gm(1,1)模型地面沉降預測精度較低的問題,利用神經網絡對灰色預測模型進行組合,生成灰色神經網絡模型,并進行預測分析,結果表明,利用灰色神經網絡模型預測的沉降值,比單獨的灰色gm(1,1)模型預測的沉降值具有更高的精度。

立即下載
鄭顯榮

職位:資深專業監理工程師

擅長專業:土建 安裝 裝飾 市政 園林

PSO-LSSVM模型的基坑周邊建筑傾斜預測文輯: 是鄭顯榮根據數聚超市為大家精心整理的相關PSO-LSSVM模型的基坑周邊建筑傾斜預測資料、文獻、知識、教程及精品數據等,方便大家下載及在線閱讀。同時,造價通平臺還為您提供材價查詢、測算、詢價、云造價、私有云高端定制等建設領域優質服務。手機版訪問: PSO-LSSVM模型的基坑周邊建筑傾斜預測
主站蜘蛛池模板: 光泽县| 翁牛特旗| 永嘉县| 新乡市| 开鲁县| 永新县| 大足县| 罗甸县| 思茅市| 黄平县| 墨竹工卡县| 昭平县| 望江县| 辉南县| 呼伦贝尔市| 南京市| 额济纳旗| 固阳县| 洪洞县| 宁武县| 新巴尔虎左旗| 敦化市| 南川市| 公主岭市| 庄浪县| 星座| 巴中市| 青岛市| 武乡县| 拉萨市| 益阳市| 讷河市| 大渡口区| 浦江县| 城市| 新密市| 朝阳县| 云安县| 宁安市| 洛扎县| 静安区|