基于KPCA-ISSA-SVR的盾构施工诱导地面沉降预测模型研究

为了准确预测盾构施工诱发的地面沉降量,论文提出了核主成分—多策略融合的改进麻雀搜索算法优化支持向量回归机(KPCA-ISSA-SVR)预测模型。以73组地面沉降实例为总体样本集构建训练及测试样本,利用核主成分分析对影响地面沉降的地质因素及施工因素进行特征提取的基础上,采用ISSA算法优化参数C和g,建立KPCA-ISSA-SVR地面沉降量预测模型,并与核主成分-Tent混沌映射改进麻雀搜索算法优化支持向量回归机(KPCA-TentSSA-SVR)、核主成分—麻雀搜索算法优化支持向量回归机(KPCA-SSA-SVR)、麻雀搜索算法优化支持向量回归机(ISSA-SVR)模型进行对比。结果表明:KPCA能够剔除冗余信息,降低模型复杂度;ISSA全局寻优及局部探索能力强,能高效准确地确定模型参数;KPCA-ISSA-SVR预测精度更高,稳定性更强。     

基于PCA-BP的地裂缝危险性预测

为了更准确地对地裂缝的危险性进行预测，以苏锡常地区地裂缝为例，构建主成分分析(PCA)-BP神经网络模型。利用主成分分析法五个影响地裂缝危险性的指标进行分析，包括导水系数、地下水位、黏性土层厚度、基岩埋深以及基岩起伏程度。通过线性变换排除这些影响因素之间的相关性，并利用各主成分的贡献率对分析后的主成分进行筛选，得到三个主成分指标。对三个主成分进行全新解释：其中，第一主成分主要反应工程水文地质对地裂缝危险性的影响，第二主成分主要反应基岩起伏程度，第三主成分主要反应基岩埋深情况；利用BP神经网络对地裂缝的危险性进行预测。结果表明，PCA-BP神经网络模型对地裂缝危险性的预测效果相较BP神经网络更与实际吻合。PCA-BP神经网络模型可以作为一种对苏锡常地区地裂缝危险性预测的手段；全面细致地进行了主成分分析与BP神经网络在实际应用时的建模过程与结果分析，为PCA-BP神经网络模型的实际工程应用提供了一个有效参考。