论文部分内容阅读
近年来，采矿、交通等工程蓬勃发展，所形成的矿山边坡、铁路和公路的道路边坡等规模之大、数量之多均是空前的。由于地质条件复杂，这些边坡在施工和运营过程中都会因为各种原因产生一定变形，当变形量超过一定限度时，就可能发生人为地质灾害，如何准确预测预报坡体的变形趋势一直是工程界的一个热点难点。本文在研究现有变形预测模型的基础上，根据数据源类型的不同，将预测模型分为统计型与非线性两种。利用灰色理论模型、背景值积分优化法、参数二次拟合估计法、等维动态约束法和分段残差改正法构建了统计型的灰色多重修正预测模型；利用BP神经网络模型、遗传算法和模拟退火算法构建了非线性的GSA-BP预测模型，并通过工程实例验证了这两个模型的可行性。本文研究内容及成果总结如下：(1)在GM(1,1)模型建模初期，引入背景值积分优化法和参数二次拟合估计法对模型内部参数进行优化，在一定程度上提高了模型参数及算法的准确性。(2)为减弱数据序列长度对GM(1,1)模型的影响，使用等维动态约束方法对模型进行优化，实时修正模型的误差趋势项，有效地提高预测值拟合程度。(3)建立灰色多重修正模型后期，采用残差修正法分段对残差进行灰色预测，进一步优化模型的误差趋势项，结合已知预测结果组成灰色多重修正模型的最终预测值。(4)非线性预测中，BP神经网络模型存在固有缺陷，利用遗传算法的全局优化特性和模拟退火算法的高搜索效率特征对BP神经网络的初始权、阈值和训练过程进行优化，较大程度上提高了预测结果的准确性和稳定性。(5)基于灰色多重修正模型和GSA-BP模型，本文分别选取了两组不同数据源的滑坡实例对他们进行分析验证，证实了这两个模型的可行性。