俞俊平
- 作品数：8 被引量：31H指数：3
- 供职机构：河海大学地球科学与工程学院更多>>
- 发文基金：国家重点基础研究发展计划国家科技支撑计划更多>>
- 相关领域：建筑科学水利工程交通运输工程天文地球更多>>
- 边坡安全系数的RBF神经网络预测被引量：1
- 2014年
- RBF神经网络方法以其训练速率快,避免局部极小,拟合精确度好,预测准确度较高等优点,在边坡稳定性预测中得到了广泛应用。根据RBF神经网络的基本结构与理论,引入高斯函数作为隐含层的核函数,将114组低维的边坡实例数据归一化,并转换到高维空间,应用最近邻聚类法逐个添加神经元以达到允许误差精度,最终用训练过的RBF神经网络预测另外8个边坡实例的安全系数,均得到了较为满意的结果,体现出了RBF神经网络在边坡安全系数预测中的应用价值。
- 余世元陈志坚俞俊平
- 关键词：RBF神经网络高斯函数
- 基于多因素位移时序PSO-SVM的边坡变形预测被引量：4
- 2015年
- 由于复杂工程地质条件和环境因素的综合影响,边坡变形呈现复杂非线性演变特征。针对位移时间序列未能完全考虑环境因素对边坡变形的影响,故将影响边坡变形的有效降雨量加入监测位移时序,组成多因素位移时间序列。引入粒子群算法(PSO)对支持向量机(SVM)的模型参数寻优,结合滚动预测方法,建立了适合边坡变形预测的多因素位移时间序列PSO-SVM模型。以华光潭一级厂房后边坡表面观测位移为例进行预测分析,研究表明,新模型预测结果科学可靠,有效弥补了传统PSO-SVM后期预测泛化能力的不足,提高了模型的预测精度。新模型在边坡位移时序预测中具有一定的工程应用价值。
- 俞俊平陈志坚武立军
- 关键词：支持向量机粒子群算法边坡变形
- 抽水条件下地面沉降效应的实验研究被引量：2
- 2012年
- 抽水引起地面沉降,造成建筑物的地基不均匀沉降,已经成为工程建设中的一个重要的环境灾害问题。该文通过室内实验,对粘土和砂土在不同组合情况下进行抽水试验,对土样的沉降情况进行了观察分析,研究了抽水引起的地面沉降问题及抽水条件下不同土体类型、不同成层顺序对地面沉降量变化规律的影响。
- 陈阳计鹏俞俊平施炳甫柴燕茹
- 关键词：抽水试验地面沉降
- 基于ACO-SVM的桥梁基础群桩轴力预测被引量：3
- 2016年
- 由于大型深水群桩基础受到复杂的环境影响,其基桩轴力的变化与环境因素之间呈现复杂非线性关系。利用在解决小样本、非线性、高维数方面具有很强能力的支持向量机,对苏通大桥群桩基础轴力实测数据进行分析,预测了一段时间内轴力的变化。并采用了蚁群算法(ACO)寻找模型最优参数,由此建立了ACO-SVM模型,避免了人为选择参数的盲目性。为方便对比,建立了传统SVM与RBF神经网络预测模型,对比了ACO-SVM,SVM,RBF这3个模型的预测结果。研究表明,与传统SVM,RBF的预测结果相比,ACO-SVM模型具有更高的可信度和预测精准度,且具有更强的泛化能力,在大型深水群桩基础的轴力预测中具有一定的工程应用价值。
- 黄伟杰吴叶陈志坚俞俊平
- 关键词：深水群桩基础
- 基于PSO-SVM桥梁基础群桩轴力预测被引量：2
- 2014年
- 由于大型深水群桩基础受到复杂的环境影响,其基桩轴力的变化与环境因素之间呈现复杂非线性关系。本文利用支持向量机模型,对苏通大桥群桩基础轴力实测数据进行分析,为了避免人为选择支持向量机模型参数的盲目性,采用了粒子群算法(PSO)寻找最优参数,由此建立了PSO-SVM模型。为了方便对比,建立了传统SVM与RBF神经网络预测模型,利用PSO-SVM、SVM、RBF三种模型对受力情况不同的四根监测桩进行轴力预测,分别对比了三种模型在不同桩的预测结果。研究表明,与传统SVM、RBF的预测结果相比,PSO-SVM模型预测精度更高,在轴力变化不同的四根桩上预测都很稳健,具有更强的泛化能力,在大型深水群桩基础轴力预测中具有一定的工程应用价值。
- 黄伟杰陈志坚俞俊平余世元
- 关键词：支持向量机深水群桩基础粒子群算法
- 基于多尺度监测的古变形体治理效果多因素评价
- 2016年
- 针对边坡稳定性问题及其监测数据的复杂性和不确定性,考虑影响边坡稳定性的多种因素,采用模糊综合评判方法,对华光潭水电站一级发电厂房后边坡(古变形体)在治理前后的稳定性进行对比分析,并据此评价边坡的治理效果。综合评判结果表明了治理后的边坡目前处于稳定状态,该方法可以较好地反映出各个不确定性因素对边坡稳定性的影响。同时说明了对稳定问题突出的古变形体,"治坡先治水"的原则仍然适用,印证了地下水是古变形体稳定性的重要因素。
- 江磊陈志坚俞俊平
- 基于蚁群算法优化支持向量机的边坡位移预测被引量：15
- 2015年
- 由于复杂工程地质条件和环境因素的综合影响,边坡变形呈现复杂非线性演变特征。借助支持向量机(SVM)可有效解决小样本、高维数、非线性等问题的优点,对边坡实测位移进行数据挖掘,预测边坡变形趋势。为了避免人为选择支持向量机模型参数的盲目性,提高模型预测精度和泛化能力,引入改进的蚁群算法(ACO)对模型参数进行寻优,结合位移时序滚动预测方法,建立了适合边坡变形预测的ACO-SVM模型。将该模型应用于2个边坡的位移预测,研究结果表明,ACO-SVM预测精度高,模型建立正确。与遗传算法、粒子群算法优化SVM的预测结果相比,ACO-SVM模型预测精度更高,具有更强的泛化能力,预测结果更加合理,在边坡变形预测中具有一定的工程应用价值。
- 俞俊平陈志坚武立军余世元王澍
- 关键词：边坡支持向量机蚁群算法
- 改进的灰色模型在边坡变形预测中的应用被引量：4
- 2013年
- 灰色模型的预测精度很大程度上依赖于背景值的构造方法,以往的背景值构造方法主观地认为新旧数据对背景值的贡献和为1,无法真实反应新旧信息对背景值贡献的大小,而基于任意加权改进的RGM(1,1)模型又忽略了各个背景值构建时权值不同的情况。针对以往模型的缺陷,该文提出一种基于改进的任意权值背景值优化方法的GAGM(1,1,p,q)模型。结合遗传算法、运用MATLAB编程语言实现了改进灰色模型的预测程序。将改进的模型应用于边坡表面变形预测,取得了较好的效果。将预测结果与传统GM(1,1)模型及任意权值改进的RGM(1,1)模型的预测结果作对比,结果表明,文中提出的改进模型具有更高的拟合和预测精度,可应用于工程实践。
- 武立军陈志坚俞俊平荀志国
- 关键词：遗传算法
