详情

原文传递基于神经网络的地铁结构变形分析模型研究

论文题名：	基于神经网络的地铁结构变形分析模型研究
关键词：	地铁结构;失稳变形;安全监测;神经网络
摘要：	近年来，随着我国经济的快速发展，地铁已成为城市中一种重要的交通出行方式，亦是国家重点建设的城市交通基础设施。鉴于地铁在城市建设和人民生活中的重要地位，地铁结构的安全监测和变形预报已是一个重要课题。在安全监测中，变形监测只是手段，变形监测的最终目的是预测变形。选择并构建合理的模型预报地铁结构的失稳变形情况是我们进行安全监测的目的和意义。　　本文以南京地铁监测数据为例，首先阐述了地铁安全监测和预报的重要性，总结了现阶段较为先进的运营期地铁结构监测方法。其次，鉴于自由设站法的应用已较为广泛，经过实例验证引入了一种适用的基准网稳定判别方法。最后，本文利用神经网络自身强大的自适应性、学习和容错能力，及处理非线性问题的优势，结合小波变换阈值去噪方法提出一种适用于运营期地铁监测的数据分析模型，主要研究内容如下: 　　(1)研究了较为先进的地铁结构运营期安全监测的理论和方法，详细介绍了南京地铁二号线工程的变形监测方法。在此基础上，总结了运营期地铁结构的自动化变形监测与预报流程，创新之处在于多源数据融合和实时预报，体现了方法优越性，建议可在类似地下狭长空间结构监测中推广使用。　　(2)研究了现阶段地铁结构变形监测基准点稳定性分析的相关理论，提出了一种适用于自由设站法的基准点稳定性分析检验法，引入实例分析并验证了该方法的适用性，该方法对于自由网平差具有一定的适用性，结果显示能及时剔除不稳定基准点且网平差综合单位权中误差有了很大改善。　　(3)深入研究了BP神经网络的基本原理及建模流程，分析了不同小波变换阈值去噪的原理并结合运营期地铁监测数据的特点如何选择合理的小波分析模型，经过数据分析选择Symlet4小波进行三层分解。提出了将小波去噪与人工神经网络相结合的方法应用于变形监测数据分析的思路;最后结合监测数据，构建合理的神经网络结构，分析预报数据与实际值的纵向比较结果，也对传统的BP神经网络方法与经小波去噪后的BP神经网络方法数据处理的结果进行分析比较，并与传统的多元线性回归、灰色模型方法进行横向方法比对，评定预报精度，基于本身观测精度较高的前提下，针对于高程量为目标值以中误差来说，结果显示传统BP神经网络模型为±0.95mm，Symlets小波去噪后的BP神经网络方法为±0.67mm，多元线性回归模型为±1.06mm，灰色模型方法为±0.84mm，得出了融合方法精度较高的结论，表明该方法就较强的实用性。若以累计沉降量为目标值，小波去噪后的BP神经网络方法预测中误差为±0.22mm，多元线性回归法为±0.53mm，灰色模型方法为±0.48mm，传统BP方法为±0.32mm，四种模型预测精度均有所提升，得出以累计沉降量为预测目标效果更优。
作者：	余腾
专业：	测绘工程
导师：	胡伍生;钦伦春
授予学位：	硕士
授予学位单位：	东南大学
学位年度：	2016
正文语种：	中文