地铁竖井沉降预测方法及工程应用的研究

《地铁竖井沉降预测方法及工程应用的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要随着我国城市化水平的不断提高，交通问题逐渐成为制约城市发展的一大瓶颈。沈阳市作为东北的政治、经济、文化、交通中心，城市人口集中、流动性大、地面可利用空间不足，这就促使地铁建设成为缓解交通压力的有效解决措施。由于地铁在建筑物稠密、地下管网繁多的城市环境中建设，因此为保证工程安全，需要对地铁结构进行沉降监测并对监测数据进行分析和处理。一灰色系统理论是邓聚龙教授在上世纪80年代创立的一门系统科学，该理论广泛的应用于各个领域，但是在地铁竖井沉降监测数据的分析及预测方面的应用上还尚显不足，还有很大的应用发展空问。

2、神经网络理论在发展过程中得到了不同程度的改进，同时与其他理论的结合应用也成为一种趋势，为沉降监测数据的分析处理及预测提供了可靠地理论研究模型，改进神经网络组合模型在工程领域的应用研究前景还很广阔。本文介绍了沉降监测的发展现状和理论研究成果等内容，概述了灰色系统理论的主要内容及其建模原理和方法。讨论了灰色GM(I，1)模型、灰色线性回归模型以及BP神经网络模型，论述了改进灰色神经网络组合模型的基本原理及建模方法。运用上述理论模型结合实际工程的沉降监测数据进行分析和预测，并对预测结果进行比较分析确定最优模型，利

3、用MATLAB软件对上述模型进行编程计算，对所得数据结果进行分析研究。本文共分五章：第一章概述变形监测的主要内容；第二章梳理灰色系统理论的相关知识，并论述灰色线性回归模型的基本理论和建模方法；第三章详述神经网络的基本知识及建模方法，并通过小实例进行模拟预测；第四章结合具体工程实例运用MATLAB程序对上述模型进行计算，比较分析得出结论；第五章对上述结沦进行分析归纳，并对今后的研究工作做出展望。本文主要是对灰色系统理论与其他理论模型结合的研究，针对本文工程实例，GM(I，1)模型、灰色线性回归模型和BP神经网

4、络模型都能满足工程的精度要求，考虑到模型的多样性以及需求优势模型的考虑引入改进组合模型予以比较分析。通过本文的比较研究，为地铁竖井的沉降监测数据分析提供了多种理论模型，得到了满意的效果。关键词：地铁竖井，沉降监测，灰色线性回归，BP神经网络，改进灰色神经网络组合模型AbstractWiththeconsrantimprovementofChina'surbanization，thetrafficproblemsgraduallybecomenlemainbottleneckofrestrictingcity

5、development．Shenyangisthecenterofpolitical，economic，culturalandtransportationinNortheastChina,concentratedurbanpopulation，greatmobility,andthegroundinsufficientspaceavailable．ThishaspromptedthesIlbwavconstmctiontobecomealleffectivemeasureforalleviatingthet

6、rafficpressure·Duetothesubwayconstructionintheenvironmentofbuildingdenseandtheundergroundptpenetworkisn啪盯ous，SOastoensurethesafetyofengineering，thestructureofsubsidencemonitoringandmonitoringdataforanalysisandprocessing·Thegrevsystemtheoryiscreatedbyprofes

7、sorDengJulonginthe1980s，thetheory1Swidelvusedinv撕ousfields，butithaveshortcomingintheanalysisandpredictionapplicationsofthesubsidencemonitoringdatainverticalshaft，thereisagreatapplicationdevelopmentspace．Inthedevelopmentprocess，neuralnetworktheorygetsdiffer

8、entdegreesofimprovement；meanwhile，thecombinationoftheorywithotherapplicationshasbecomea仃end．Itprovidesreliabletheorymodelforanalysisandpredictionofthemonitoringdata,theresearchprospectofimprovingneuralnetwork