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。

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。

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。

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。

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.

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.

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.

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。

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。

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。

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。

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。

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.

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。

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。

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。

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

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.

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；

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。　　

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。

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。