隧道围岩压力的神经网络时间序列分析

隧道围岩压力的神经网络时间序列分析

秦胜伍，陈剑平

吉林大学建设工程学院, 长春130026

收稿日期:2008-04-02 修回日期:1900-01-01 出版日期:2008-11-26 发布日期:2008-11-26
通讯作者: 秦胜伍

Time Series Analysis of Surrounding Rock Pressure with Artificial Neural Networks

QIN Sheng-wu，CHEN Jian-ping

College of Construction Engineering, Jilin University, Changchun 130026, China

Received:2008-04-02 Revised:1900-01-01 Online:2008-11-26 Published:2008-11-26
Contact: QIN Sheng-wu

摘要/Abstract

摘要： 围岩压力是隧道开挖后重要的反馈信息之一，受不确定性因素影响，围岩压力监测数据是一个不平稳的时间序列，包括趋势项和随机项。采用BP网络对不平稳时间序列进行数据拟合，处理趋势部分，利用ARMA模型处理随机部分。结合累进算法，对浙江某新建隧道围岩压力进行时间序列预测。结果表明该方法具有较高的预测精度，最大相对误差为3.73％，能够应用于工程实际当中。

关键词: 人工神经网络, ARMA, 时间序列, 围岩压力, 累进算法

Abstract: Surrounding rock pressure is a one of significant feedback information after tunnel excavation. Affected by excavation and other uncertain factors, the monitoring data of rock pressure is an unsmooth time series, which includes trend term and random part. The trend part of the data can be fitted with BP(back propagation) neural network and the random part is processed by a normal ARMA(auto regressive moving average) model. Combined with a progression arithmetic, time series analysis of rock pressure in a tunnel in Zhejiang Province is carried out. The results show that the method has a high prediction accuracy, is in a maximum relative error of 3.73%, and can be used in practical engineering.

Key words: artificial neural network, ARMA, time series, surrounding rock pressure, progression arithmetic

中图分类号:

P642

秦胜伍，陈剑平. 隧道围岩压力的神经网络时间序列分析[J]. J4, 2008, 38(6): 1005-1009.

QIN Sheng-wu，CHEN Jian-ping. Time Series Analysis of Surrounding Rock Pressure with Artificial Neural Networks[J]. J4, 2008, 38(6): 1005-1009.

参考文献

相关文章 7

[1]	王福刚杨国华, 程辉, 管小桐, 袁益龙. 热变形对饱和黏性土渗透系数的影响[J]. 吉林大学学报(地球科学版), 2023, 53(6): 1835-1844.
[2]	黄盖先, 田波, 周云轩, 袁庆. 滨海湿地物联网观测数据预处理方法[J]. 吉林大学学报(地球科学版), 2019, 49(6): 1805-1814.
[3]	柳长源, 刘鹏, 毕晓君. 基于自适应可变滤镜的地类变化预测模型[J]. 吉林大学学报(地球科学版), 2019, 49(5): 1477-1485.
[4]	王宇, 卢文喜, 卞建民, 侯泽宇. 三种地下水位动态预测模型在吉林西部的应用与对比[J]. 吉林大学学报(地球科学版), 2015, 45(3): 886-891.
[5]	邱道宏，陈剑平，阙金声，安鹏程. 基于粗糙集和人工神经网络的洞室岩体质量评价[J]. J4, 2008, 38(1): 86-0091.
[6]	徐佩华,陈剑平,阙金声,仲志成,王清. 基于人工神经网络的三峡水库库岸稳定性分级[J]. J4, 2007, 37(3): 564-0569.
[7]	林玎,刘伟,张治国. 自组织特征映射神经网络在厄尔尼诺事件检验中的应用[J]. J4, 2006, 36(04): 609-612.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed

本文评价

推荐阅读 10

[1]	吴远坤, 刘成林, 于春勇. 松辽盆地双城断陷深层原油成藏模式[J]. 吉林大学学报(地球科学版), 2024, 54(5): 1443 -1456 .
[2]	马荣，石建省，刘继朝. 人工内分泌网络模型在水文地质参数研究中的应用[J]. 吉林大学学报(地球科学版), 2013, 43(3): 914 -921 .
[3]	李宁, 王成文. 东北及邻区晚古生代地层接触关系与佳-蒙地块的形成和演化[J]. 吉林大学学报(地球科学版), 2017, 47(5): 1331 -1340 .
[4]	胡大千，初凤友，姚杰. 中太平洋YJA海山富钴结壳矿物组成与元素地球化学[J]. J4, 2006, 36(01): 32 -0037 .
[5]	姜雪, 程日辉,于民凤. 裂谷地层的气候和构造控制：Zscape模型分析与在松辽盆地北安断陷的应用[J]. J4, 2006, 36(01): 54 -0059 .
[6]	李春柏，张新涛，刘立，任延广,孟鹏. 布达特群热流体活动及其对火山碎屑岩的改造作用--以海拉尔盆地贝尔凹陷为例[J]. J4, 2006, 36(02): 221 -0226 .
[7]	孟宪纲，薄万举，刘志广，刘勇，畅柳，李朝柱，王子平. 芦山7.0级地震与巴颜喀拉块体中东段的活动性[J]. 吉林大学学报(地球科学版), 2014, 44(5): 1705 -1711 .
[8]	陈欢庆, 梁淑贤, 舒治睿, 邓晓娟, 彭寿昌. 冲积扇砾岩储层构型特征及其对储层开发的控制作用——以准噶尔盆地西北缘某区克下组冲积扇储层为例[J]. 吉林大学学报(地球科学版), 2015, 45(1): 13 -24 .
[9]	贾大成,邢立新, 潘军, M. J. van Bergen, H. van Roermund. 伊通上地幔剪切带捕虏体中富铝尖晶石的地球化学特征[J]. J4, 2006, 36(04): 497 -502 .
[10]	谢忠雷，杨佰玲，包国章，董德明. 茶园土壤不同形态镍的含量及其影响因素[J]. J4, 2006, 36(04): 599 -604 .