本文主要研究内容
作者许志海,张可能,李斌,蹇彪,左建敏,王彦之（2019）在《基于SVM模型的基坑监测数据预测》一文中研究指出：随着不敏感损失函数ε在支持向量机(Support Vector Machine,SVM)中的引进,这一机器学习模型在非线性领域中得到有效运用。SVM在工程领域主要用于进行回归分析、模式识别以及分类,这些应用逐渐成为工程领域的热点。笔者基于SVM构建立模型,对郴州某紧邻边坡条件下的基坑支护桩位移与锚索拉力监测数据进行分析后,建立基于两者施工过程中的监测数据的预测模型。通过与后期所得监测数据对比,检验预测的准确率。之后利用模型对将来某段时间基坑支护桩的位移进行预测,用于评价基坑在预测时间内的稳定性。经模型计算后发现,在对紧邻边坡的基坑支护桩不同深度变形的预测上,在短期内具有较好的一致性,最大误差不超过9%。但随着时间的增长,预测值越来越偏离实际情况,预测周期超过3d误差陡增,预测值不再具有参考意义。预测模型可用于类似工程中对基坑的稳定性作出判断。
Abstract
sui zhao bu min gan sun shi han shu εzai zhi chi xiang liang ji (Support Vector Machine,SVM)zhong de yin jin ,zhe yi ji qi xue xi mo xing zai fei xian xing ling yu zhong de dao you xiao yun yong 。SVMzai gong cheng ling yu zhu yao yong yu jin hang hui gui fen xi 、mo shi shi bie yi ji fen lei ,zhe xie ying yong zhu jian cheng wei gong cheng ling yu de re dian 。bi zhe ji yu SVMgou jian li mo xing ,dui chen zhou mou jin lin bian po tiao jian xia de ji keng zhi hu zhuang wei yi yu mao suo la li jian ce shu ju jin hang fen xi hou ,jian li ji yu liang zhe shi gong guo cheng zhong de jian ce shu ju de yu ce mo xing 。tong guo yu hou ji suo de jian ce shu ju dui bi ,jian yan yu ce de zhun que lv 。zhi hou li yong mo xing dui jiang lai mou duan shi jian ji keng zhi hu zhuang de wei yi jin hang yu ce ,yong yu ping jia ji keng zai yu ce shi jian nei de wen ding xing 。jing mo xing ji suan hou fa xian ,zai dui jin lin bian po de ji keng zhi hu zhuang bu tong shen du bian xing de yu ce shang ,zai duan ji nei ju you jiao hao de yi zhi xing ,zui da wu cha bu chao guo 9%。dan sui zhao shi jian de zeng chang ,yu ce zhi yue lai yue pian li shi ji qing kuang ,yu ce zhou ji chao guo 3dwu cha dou zeng ,yu ce zhi bu zai ju you can kao yi yi 。yu ce mo xing ke yong yu lei shi gong cheng zhong dui ji keng de wen ding xing zuo chu pan duan 。
论文参考文献
论文详细介绍
论文作者分别是来自工程建设与设计的许志海,张可能,李斌,蹇彪,左建敏,王彦之，发表于刊物工程建设与设计2019年13期论文，是一篇关于位移监测论文,预测模型论文,基坑论文,支护桩论文,工程建设与设计2019年13期论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自工程建设与设计2019年13期论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：位移监测论文; 预测模型论文; 基坑论文; 支护桩论文; 工程建设与设计2019年13期论文;