论文部分内容阅读
在基坑监测中,通过对过去所记录的监测数据进行处理和分析,进而预测监测项目未来的变化趋势,然而,由于影响基坑的因素非常复杂,其函数关系是复杂的高度非线性关系,没有一种本构模型能对它进行很好的描述。而泛化回归神经网络是一种非线性函数模型,具有较强的非线性逼近能力,适用于深基坑监测中的变形分析和预报应用中。本文在研究基坑监测相关理论的基础上,对常用的基坑监测数据处理方法进行分析比较,得出神经网络擅长预报具有大量监测数据资料的深基坑监测变形预报的结论。主要工作如下:(1)在对基坑监测理论的研究基础上,总结归纳常用的基坑监测数据处理方法,得出:深基坑监测系统是一个高度复杂的非线性模型,其影响因子众多,一般的模型很难完整的、精确的描述它,它需要的模型必须具有较强的非线性逼近能力。(2)研究神经网络的基本原理,发现神经网络具有很强的非线性逼近能力,极其适合应用于深基坑的监测模型中;研究建立了BP网络的深基坑监测模型并编程实现;应用模拟算例初步验证了BP网络在深基坑监测中的可行性。(3)研究径向基神经网络的原理,在对泛化回归神经网络的研究基础上,建立了泛化回归神经网络的深基坑监测模型;并编程实现,应用模拟算例验证此模型的可靠性。(4)建立某基坑工程的泛化回归神经网络模型,并与BP网络模型和AR模型及逐步回归模型的结果比较分析,得出泛化回归神经网络模型的精度高于逐步回归模型,略高于BP网络模型和AR模型,但是泛化回归神经网络模型的收敛速度比BP网络模型快,其总体非线性逼近能力比AR模型强。因此,泛化回归神经网络应用于深基坑工程的监测中是可行和可靠的。