小波分析和RBF神经网络在地基沉降预测中的应用研究

›› 2008, Vol. 29 ›› Issue (7): 1917-1922.

小波分析和RBF神经网络在地基沉降预测中的应用研究

李长冬¹，唐辉明¹，胡斌¹，李东明²，倪俊³

1.中国地质大学工程学院，武汉 430074；2.中国地质大学机械与电子工程学院，武汉 430074；3.镇江市国土资源局，江苏镇江 212000

收稿日期:2007-01-05 出版日期:2008-07-10 发布日期:2013-07-27
作者简介:李长冬，男，1981年生，博士研究生，主要从事岩土工程新技术新方法的应用研究。
基金资助:
国家自然科学基金项目（No. 50609026）；中国博士后基金（No. 20060400256）；湖北省博士后基金（鄂博管办函200625）；2005～2006年度中国地质大学（武汉）研究生学术创新与探索基金；武汉市青年科技晨光计划（No. 200850731397）；中国地质大学（武汉）优秀青年教师资助计划（No. CUGQNL0611）资助。

Research on application of wavelet analysis and RBF neural network to prediction of foundation settlement

LI Chang-dong¹, TANG Hui-ming¹, HU Bin¹, LI Dong-ming², Ni Jun³

1. Faculty of Engineering, China University of Geosciences, Wuhan 430074, China; 2. Faculty of Mechanical and Electronic Engineering, China University of Geosciences, Wuhan 430074, China; 3. The Land and Resources Department of Zhenjiang, Zhenjiang 212000, China

Received:2007-01-05 Online:2008-07-10 Published:2013-07-27

摘要/Abstract

摘要： 地基沉降是一种危害很大的环境灾害。地基沉降的监测数据经常受降雨及工程施工等诸多外界因素的干扰，故而在沉降曲线中存在许多数据突变点。为此，提出基于小波分析与RBF神经网络相结合的新的地基沉降预测方法，首先采用小波分析对对原始监测数据进行数据去噪处理，进而得到反映实际变化的地基沉降曲线，然后采用径向基函数（RBF）神经网络方法对其进行预测，为工程设计提供依据。最后结合工程实例分析，通过多种小波去噪与预测结果的对比研究，表明3次B样条小波的去噪及预测效果最好，与实测值能较好地吻合，具有较好的工程应用前景。

关键词: 地基沉降, 小波分析, RBF神经网络, 3次B样条小波, 预测

Abstract: Foundation settlement is a kind of severe environmental hazard. The monitoring data of foundation settlement are usually disturbed by rainfall and engineering construction. As a result, there are a lot of data breakpoints in the settlement curve. Therefore, based on wavelet analysis and RBF neural network theory, a new method for foundation settlement is proposed. Firstly, based on the de-noising process of monitoring data by wavelet analysis, the foundation settlement curve that is close to the practical situation can be obtained. Afterwards, the prediction is carried on by radial basic function (RBF) neural network method. The wavelet analysis and RBF neural network method can provide engineering design with scientific basis. Finally, based on the engineering instance analysis and the contrast study between different kinds of wavelets, the results show that the de-noising and prediction effect of triple B-spline wavelet is the best among the chosen wavelets, and it has a good future in the field of engineering application.

Key words: foundation settlement, wavelet analysis, RBF neural network, triple B-spline wavelet, prediction.

中图分类号:

TU 433

李长冬，唐辉明，胡斌，李东明，倪俊 . 小波分析和RBF神经网络在地基沉降预测中的应用研究[J]. , 2008, 29(7): 1917-1922.

LI Chang-dong , TANG Hui-ming , HU Bin , LI Dong-ming , Ni Jun . Research on application of wavelet analysis and RBF neural network to prediction of foundation settlement[J]. , 2008, 29(7): 1917-1922.

参考文献

相关文章 15

[1]	王岗, 潘一山, 肖晓春, . 单轴加载煤体破坏特征与电荷规律研究及应用[J]. 岩土力学, 2019, 40(5): 1823-1831.
[2]	张勋, 黄茂松, 胡志平, . 砂土中单桩水平循环累积变形特性模型试验[J]. 岩土力学, 2019, 40(3): 933-941.
[3]	郑栋, 黄劲松, 李典庆, . 基于多源信息融合的路堤沉降预测方法[J]. 岩土力学, 2019, 40(2): 709-719.
[4]	钟国强, 王浩, 李莉, 王成汤, 谢壁婷, . 基于SFLA-GRNN模型的基坑地表最大沉降预测[J]. 岩土力学, 2019, 40(2): 792-798.
[5]	陈磊, 赵学胜, 汤益先, 张红, . 结合InSAR的幂指数Knothe模型参数拟合与评估[J]. 岩土力学, 2018, 39(S2): 423-431.
[6]	王伟，方志明，李小春, . 沁水盆地煤样静水压力下渗透率实验及模型分析[J]. , 2018, 39(S1): 251-257.
[7]	付自国，乔登攀，郭忠林，李克钢，谢锦程，王佳信. 超细尾砂胶结充填体强度计算模型及应用[J]. , 2018, 39(9): 3147-3156.
[8]	李宣, 孙德安，张俊然,. 吸力历史对非饱和粉土动力变形特性的影响[J]. , 2018, 39(8): 2829-2836.
[9]	韩智铭，乔春生，朱举. 含两组交叉贯通节理岩体的强度及破坏特征分析[J]. , 2018, 39(7): 2451-2460.
[10]	张春会，王兰，田英辉，于永江，王来贵,. 饱和黏土中固定锚腚拖曳锚嵌入轨迹预测模型[J]. , 2018, 39(6): 1941-1947.
[11]	孔洋，阮怀宁，黄雪峰, . 延安地区压实马兰黄土高压固结变形特性[J]. , 2018, 39(5): 1731-1736.
[12]	高旭，郭建波，晏鄂川，. 考虑止水帷幕的深基坑降水预测解析计算[J]. , 2018, 39(4): 1431-1439.
[13]	王庆武，巨能攀，杜玲丽，黄健，胡勇,. 拉林铁路桑日至加查段三维地应力场反演分析[J]. , 2018, 39(4): 1450-1462.
[14]	刘鑫锦，苏国韶，冯夏庭，燕柳斌，闫召富，张洁，李燕芳，. 基于声音信号的室内岩爆动态预测方法[J]. , 2018, 39(10): 3573-3580.
[15]	陈卫忠，马池帅，田洪铭，杨建平,. TBM隧道施工期岩爆预测方法探讨[J]. , 2017, 38(S2): 241-249.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed