论文部分内容阅读
变形观测是建筑施工中的一个重要环节，如果累积变形量超过规定值或者有明显的不均匀沉降，就可能发生重大安全事故和质量隐患，更有甚者会带来巨大的经济损失和人员伤亡。因此在整个建筑工程施工过程中监测及运营监测，有效、合理、科学的监测和更加精确的预测建筑物的变形的意义变得尤为重要。近年来，BP神经网络模型以其具有精度高、思想严谨等优点被较广泛的应用于工程的变形预测研究与实践当中。但它也存在一些不足，如：学习速度低、收敛速度慢；有可能出现局部极值点；网络的泛化及适应能力比较差；其参数值的确定也缺乏成熟的理论指导。BP神经网络参数值的不确定性将导致在进行建筑物的变形预测时达不到一定的精度要求，且还会导致整个模型的泛化能力大大下降。人工萤火虫群优化算法（Glowworm swarm optimization, GSO）是印度学者Krishnanand和Ghose于2005年提出的一种新型的群智能仿生优化算法。萤火虫算法具有不需要目标函数的梯度信息、简单易实现、鲁棒性强等优点。国内已经有学者提出将萤火虫算法与其它智能算法结合，其中研究较为深入的就是利用萤火虫算法优化神经网络的预测模型，并成功将该预测模型应用于威胁目标的估计及经济预测领域。 本研究主要内容包括：⑴系统介绍了隧道变形监测的研究现状及研究意义，分析了隧道变形数据处理的过程。⑵系统介绍了 BP神经网络的发展历程及理论推导，分析了 BP神经网络的缺陷及成因，总结目前用于预测系统中的各种优化BP神经网络结构的方法。⑶系统介绍人工萤火虫算法的起源、原理、数学描述及萤火虫优化算法的流程图。⑷将基于人工萤火虫群优化算法优化BP神经网络的预测模型应用于隧道变形监测的实例中，结果表明该预测模型相对于传统的BP神经网络模型及函数回归值分析，具有更高的预测精度。