文献类型：期刊文章

作　　者：钟国强[1,2] 王浩[1] 李莉[3] 王成汤[1,2] 谢壁婷[1,2]

ZHONG Guo-qiang;WANG Hao;LI Li;WANG Cheng-tang;XIE Bi-ting(State Key Laboratory of Geomechanics and Geotechnical Engineering,Institute of Rock and Soil Mechanics,Chinese Academy of Sciences,Wuhan,Hubei 430071,China;University of Chinese Academy of Sciences,Beijing 100049,China;Wuhan Maritime Communication Research Institute,Wuhan,Hubei 430079,China)

机构地区：[1]中国科学院武汉岩土力学研究所岩土力学与工程国家重点实验室,湖北武汉430071 [2]中国科学院大学,北京100049 [3]武汉船舶通信研究所,湖北武汉430079

出　　处：《岩土力学》

基　　金：国家自然科学基金面上项目(No.41472288;No.41172287;No.51579235)~~

年　　份：2019

卷　　号：40

期　　号：2

起止页码：792-798

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为可靠预测基坑周边地表沉降的发展趋势,提出了一种基于混合蛙跳算法和广义回归神经网络模型的基坑地表最大沉降预测模型(SFLA-GRNN模型)。首先,在沉降机制分析并初选输入变量集的基础上,利用灰色相关度分析对模型输入、输出变量的相关性进行量化,并剔除与输出变量相关性明显偏小的输入变量;其次,利用混合蛙跳算法(SFLA)对广义回归神经网络模型(GRNN)的平滑因子进行优化确定,减少人为因素对模型精度和泛化能力的不良影响;最后,利用筛选得到的输入变量集建立基坑地表最大沉降预测的广义回归神经网络模型。实例应用及对比计算结果表明,基于灰色相关度的输入变量筛选和基于混合蛙跳算法的平滑因子优化均能够有效提高广义回归神经网络模型的精度和泛化能力,以上结论可为类似变形预测提供参考。

关 键 词：混合蛙跳算法 广义回归神经网络 平滑因子  灰色相关度分析  沉降预测

分 类 号：TU433]