深基坑监测数据分析与变形预测研究
|
摘要
随着城市建设的快速发展,城市空间的使用日益紧张,而地下空间的发展很好的缓解了此矛盾,深基坑工程也是其中之一,它作为承载建筑上部结构的部分,是一项很复杂且重要的工程,它的稳定与否不仅关系到上部结构的安全,还会对周围建筑物的变形产生影响,所以深基坑工程的变形研究受到越来越多学者的重视。
基坑的变形受到很多因素的影响,它的变形很难用力学模型或者统一的经验公式来进行计算,本文将在前人研究的基础上,利用北京市某深基坑开挖过程中监测点的观测数据,以基坑开挖前期的变形数据来分析和预测后期的变形,并用实测数据验证预测的准确性,更好地反馈给设计施工,指导基坑开挖,避免施工过程中产生安全事故,同时也能有效的保护周围建筑物的稳定。
本文引入灰色系统法和人工神经网络方法并详细分析了两种方法用于数据预测的基本理论,两种方法都能在一定程度上,在一定条件下对基坑的变形进行预测,但都存在缺点,灰色系统法通过对原始数据的整理来寻找规律,只适于呈指数增长的短期时间序列的变形预测。而利用人工神经网络方法进行预测,在监测数据序列很短的情况下,得出的结果误差相对较大。
本文根据这种情况,将探讨利用灰色系统法能较精确预测短期变形的优点,与BP神经网络模型结合的新方法,基于北京市某深基坑工程的监测数据,利用Matlab软件,进行深基坑变形预测方法的分析,分别用灰色系统GM(1,1)模型和人工神经网络模型进行预测分析对比,然后将两种方法结合起来,用优化模型进行分析预测,结果说明优化模型对深基坑的变形预测结果具有更高的精度和准确性,同时,对复杂条件下非线性的深基坑变形预测具有较高的可靠性和适用性。
With the rapid development of city construction, the use of ur ban space increasingly nervous, while the development of underground space eas es the contradiction well. One kind of type is deep foundation pit engineering w hich is very complicated and important as the part of bearing the weight of the u pper structure, and its stable or not related to the safety of the upper structure, even had an impact on the deformation of the surrounding buildings, so its defor mation prediction receiving more and more attention of scholars.
The pit deformation is influenced by so many factors that it is difficult to use the mechanical model or unified experience formula to compute the deformation. In order to guide the foundation pit excavation, avoiding safety accident in the process of constructing, protecting the stability of the surrounding buildings effectively, this paper will be based on the former research, use the observation data in the process of deep foundation pit of Beijing excavation of monitoring stations, with the early data to predict the late deformation of the foundation pit.
This paper introduces the gray system method and artificial neural network method and detailed analysis the basic theory of these two methods are used in prediction. In some extent the two methods can do deformation forecast in certain conditions, while there are shortcomings. The gray system method looking for the sorting of law through the original data, it is suitable for prediction of the deformation of growing exponentially short-term time series. In the case of monitoring data sequence is very short, the prediction results of artificial neural network method are relatively large error.
According to this kind of situation, this paper will be discussed a new method which combination with the advantage of the grey system method can be accurately predict short-term deformation and BP neural network model. Based on one foundation pit engineering monitoring data, do some analysis of foundation pit deformation forecast method. This paper based on the Matlab software, respectively for the gray system GM (1,1) model and artificial neural network model to forecast analysis contrast, and then combine with the two methods, using this optimization model to do analysis. The deep foundation pit deformation forecast results of the optimization model show that they are have higher precision sex and accuracy, using this model can forecast the trend of foundation pit deformation well, achieve good prediction effect, explain the suggested method has high reliability and applicability.
基坑的变形受到很多因素的影响,它的变形很难用力学模型或者统一的经验公式来进行计算,本文将在前人研究的基础上,利用北京市某深基坑开挖过程中监测点的观测数据,以基坑开挖前期的变形数据来分析和预测后期的变形,并用实测数据验证预测的准确性,更好地反馈给设计施工,指导基坑开挖,避免施工过程中产生安全事故,同时也能有效的保护周围建筑物的稳定。
本文引入灰色系统法和人工神经网络方法并详细分析了两种方法用于数据预测的基本理论,两种方法都能在一定程度上,在一定条件下对基坑的变形进行预测,但都存在缺点,灰色系统法通过对原始数据的整理来寻找规律,只适于呈指数增长的短期时间序列的变形预测。而利用人工神经网络方法进行预测,在监测数据序列很短的情况下,得出的结果误差相对较大。
本文根据这种情况,将探讨利用灰色系统法能较精确预测短期变形的优点,与BP神经网络模型结合的新方法,基于北京市某深基坑工程的监测数据,利用Matlab软件,进行深基坑变形预测方法的分析,分别用灰色系统GM(1,1)模型和人工神经网络模型进行预测分析对比,然后将两种方法结合起来,用优化模型进行分析预测,结果说明优化模型对深基坑的变形预测结果具有更高的精度和准确性,同时,对复杂条件下非线性的深基坑变形预测具有较高的可靠性和适用性。
With the rapid development of city construction, the use of ur ban space increasingly nervous, while the development of underground space eas es the contradiction well. One kind of type is deep foundation pit engineering w hich is very complicated and important as the part of bearing the weight of the u pper structure, and its stable or not related to the safety of the upper structure, even had an impact on the deformation of the surrounding buildings, so its defor mation prediction receiving more and more attention of scholars.
The pit deformation is influenced by so many factors that it is difficult to use the mechanical model or unified experience formula to compute the deformation. In order to guide the foundation pit excavation, avoiding safety accident in the process of constructing, protecting the stability of the surrounding buildings effectively, this paper will be based on the former research, use the observation data in the process of deep foundation pit of Beijing excavation of monitoring stations, with the early data to predict the late deformation of the foundation pit.
This paper introduces the gray system method and artificial neural network method and detailed analysis the basic theory of these two methods are used in prediction. In some extent the two methods can do deformation forecast in certain conditions, while there are shortcomings. The gray system method looking for the sorting of law through the original data, it is suitable for prediction of the deformation of growing exponentially short-term time series. In the case of monitoring data sequence is very short, the prediction results of artificial neural network method are relatively large error.
According to this kind of situation, this paper will be discussed a new method which combination with the advantage of the grey system method can be accurately predict short-term deformation and BP neural network model. Based on one foundation pit engineering monitoring data, do some analysis of foundation pit deformation forecast method. This paper based on the Matlab software, respectively for the gray system GM (1,1) model and artificial neural network model to forecast analysis contrast, and then combine with the two methods, using this optimization model to do analysis. The deep foundation pit deformation forecast results of the optimization model show that they are have higher precision sex and accuracy, using this model can forecast the trend of foundation pit deformation well, achieve good prediction effect, explain the suggested method has high reliability and applicability.
引文
[1]孔祥金.我国目前开发地下空间的形式.公路隧[J],2007(4)：77.
[2]樊雪晶,王兴龙,乔争.深基坑工程特点及存在的问题[J].建筑与预测,2011(1)：90-91.
[3]詹志勇.基坑变形分析和周围地面沉降的预测[J].建筑施上,2007,29(12)：927-929.
[4]范建,师旭超.深基坑变形预测方法综述[J].西部探矿工程,2006(4)：29-31.
[5]张伟.建筑变形预估及对结构的影响.硕士学位论文[D],同济大学,2009.
[6]周红斌.基于时间序列分析的地铁基坑变形监测数据处理方法研究[D].硕士学位论文,东北大学,2008.
[7]陈炳志.基坑变形灰色人工神经网络预测模型及其应用[N].山东科技大学学报,2010,29(5)：53-57.
[8]吕三和,闫韶兵,张敬志.应用BP神经网络预测基坑变形[J].城市勘测,2005(1)：54-57.
[9]茅奇辉,刘俊,李俊才.基坑工程变形预测方法研究[J].江苏建筑,2007(2)：61-63.
[10]张军舰.基坑位移预测的动态BP-Cauchy模型和GA-transFcn模型研究[D].硕士学位论文,青岛理工大学,2006.
[11]张韬.深基坑变形预测模型研究及工程应用[D].硕士学位论文,中南大学,2009.
[12]李国满.实测数据分析法在深基坑监测预测中的应用[D].硕士学位论文,天津大学,2007.
[13]葛以衡.大型超深基坑理论研究与工程实践[D].硕士学位论文,同济大学,2005.
[14]徐炳伟.基于神经网络的地下连续墙变形预测[D].硕士学位论文,天津大学,2005.
[15]贺志勇,郑伟.基于BP神经网络的深基坑变形预测[N].华南理工大学学报,2008,36(10)：92-96.
[16]陈尚荣,赵升峰.BP神经网络在基坑变形预测分析中的应用[J].上海地质,2010(1)：29-31,41.
[17]王旭东,赵建平,余闯,等.人工神经网络在深基坑变形预测中的应用[N].南京工业大学学报,2002,24(5)：73-76.
[18]Li Anyong, Ban Jianmin, Lu Weizhong. A neural network model for deformation prediction of deep foundation pit based on multivariate phase space reconstruction[C]. International Conference on Natural Computation, ICNC 2010,2010:1493-1497.
[19]付永庆.基于灰色系统理论的深基坑水平位移预测分析[J].山西建筑,2005,34(19)：89-90.
[20]胡东,张小平.基于灰色系统理论的基坑变形预测研究[N].地下空间与工程学报,2009,5(1)：74-78,168.
[21]蔡连举,灰色系统理论在基坑变形观测中的应用[N].辽东学院学报,2009,16(3)：257-259,276.
[22]王卫平,彭振斌,何忠明.基于灰色理论的基坑变形预测[J].地质与勘探,2006,42(6)：94-97.
[23]贾备,邬亮.基于灰色BP神经网络组合模型的基坑变形预测研究[J].隧道建设,2009,29(3)：280-283,289.
[24]陈炳志.基坑变形灰色人工神经网络预测模型及其应用[N].山东科技大学学报：自然科学版,2010(5)：53-57.
[25]吴飞宇.灰色系统和神经网络技术在深基坑变形监测中得应用研究[D].硕士学位论文,合肥工业大学,2011.
[26]王维,李洪儒.BP神经网络在状态监测数据趋势预测中的应用[J].微计算机信息,2005,21 (11)：141-143.
[27]江洪清,梁汉东,高永奎.基于MATLAB的神经网络动态安全预测方法与应用[J].煤炭工程,2004(3)：72-75.
[28]张彬彬.基于Matl ab改进BP神经网络算法[J].办公自动化,2011(7)：38-39.
[29]焦建新,袁博,杨永兴.基于稳健GM(1,1)模型的基坑变形监测数据处理方法[J].矿山测量,2007(4)：11-12,19.
[30]刘汉东,杨继红.GM(1,1)优化模型在基坑变形预测中的应用[J].地下空问,2004,24(5)：752-754.
[31]李然然,张永坚,刘畅等.基于BP神经网络的建筑物用电能耗预测[N].山东建筑大学学报,2011,26(2)：162-165.
[32]古敏.我国深基坑工程的特点及现状分析[J].中国新技术产品,2009(19)：59-59.
[33]张晓旭,王艳菊.地下连续墙的施工工艺与适用条件[J].黑龙江水利科技,2009(3)：83-83.
[34]余正义.浅谈钻孔灌注桩施工[J].中国科技信息,2012(3)：53-53.
[35]杨志.沉管灌注桩施工技术的应用控制[J].大科技：科技天地,2011(14)：216-217.
[36]于西.某厂房人工挖孔灌注桩基础施工简析[J].中国建筑科学,2011(6)：84-85.
[37]汪丽珍,熊江.浅谈深基坑支护施工管理[J].大科技：科技天地,2011(24)：75-76.
[38]李西,刘凯,梁永春.深基坑支护形式浅谈[J].海河水利,2010：36-37.
[39]范建,师旭超.深基坑变形预测方法综述[J].西部探矿工程,2006(4)：29-31.
[40]孙凤江,段浩.深基坑监测的目的及项目和方法[J].山西建筑,2010,36(27),116-117.
[41]宋真干.浅谈岩土工程深基坑监测技术[J].中华民居：学术刊,2011(7)：358-359.
[42]李建民.某超深基坑支护工程监测数据分析[J].山西建筑,2001,33(9)：114-115.
[43]建筑基坑工程监测技术规范[S].中国建筑工业出版社.
[44]安仲才.回归分析法在市场经济中的应用[J].经济技术协作信息,2011(29)：11-11.
[45]郭锐.基于利用回归分析法预报上下游相关洪峰水位[J].黑龙江水利科技,2011,39(4)：10-13.
[46]钱蓝.时间序列法在市场预测中的应用[J].中小企业管理与科技,2011(28)：33-34.
[47]时红莲,李大毛,张涛,等.基于时间序列的深基坑支护结构变形预测.安全与环境工程,2005,12(2)：79-82.
[48]王旭华,陈雄,赵德深.指数平滑法在建筑物变形预测中的应用[J].测绘通报,2004(3)：28-29,38.
[49]侯建国,王腾军.变形监测理论与应用[M].北京：测绘出版社,2008.
[50]陈平,程晓明.灰色模型法预测上海市职工年人均医疗费用[J].中国卫生资源,1999,2(2)：12-13.
[51]甘蓉蓉,陈娜姿.人口预测方法比较[J].西北人口,2010,31(1)：57-60.
[52]于少辉,屈兴兵.增量法在深基坑维护结构变形预测中的应用[J].山西建筑,2008,34(29)：134-135.
[53]马雁军,杨洪斌,张云海.BP神经网络法在大气污染预报中得应用研究[J].气象,2003,29(7)：49-52.
[54]李奎贤,宋桂秋,张东,等.BP神经网络法在产品质量预测中的应用[N].东北大学学报,2001,22(6)：682-684.
[55]S. A. EFTEKHARI A. A. JAFARI. Mixed finite element and differential quadrature method for free and forced vibration and buckling analysis of rectangular plates[J]. APPLIED MATHEMATICS AND MECHANICS,2012,33(1):81-98.
[56]鲁建霞,苟慧芳.有限元法的基本思想与发展过程[J].机械管理开发,2009,24(2)：74-75.
[57]白红杰,白阳椿,韩自源,等.基于有限差分法的微分方程离散化求解[J].商情,2011(31)：165-166.
[58]李翔.预测模型的特点分析[J].科技资讯,2011(13)：47.
[59]刘代勇,梁忠民,赵卫民,等.灰色系统理论在干旱预测中的应用研究.水力发电,2012,39(2)：10-12.
[60]Gui Yong, Yan Jiyang. Prediction and analysis of tunnel crown settlement based on grey system theory. Beijing Hangkong Hangtian Daxue Xuebao,2008,34(11):1261-1265.
[61]郭君,甘德清,张伟航,等.GM(1,N)模型在边坡变形监测中得应用研究[J],现代矿业,2010(8)：41-43.
[62]周哲瑜.GM(1,1)模型在深基坑水平变形预测的应用[J].中小企业管理与科技,2010(3)：190-191.
[63]王三宝,易秀英.基于Mathematica的灰色预测模型GM(1,1)之精度检验[N].黄石理工学院学报,2008,24(6)：49-51.
[64]邹义怀,江成玉,李春辉.人工神经网络在边坡稳定性预测中的应用[J].矿冶,2011,12(4)：38-41,55.
[65]侯靖东.人工神经网络算法原理及其在工程中的应用[J].中国科技论文在线：1-6.
[66]金星姬.人工神经网络研究概述[J].林业科技情报,2008(1)：65,71.
[67]王雪光,郭艳兵.激活函数对BP网络性能的影响及其仿真研究[J].自动化技术与应用,2002(4)：15-17.
[68]杨小辉,徐颖强,李世杰,等.人工神经网络原理及在AMT中的应用[J].汽车科技,2008(5)：25-29.
[69]刘君,曾碧卿,陈敏.用自适应变步长BP神经网络求高分子材料的本构关系[J].福建电脑,2005(8)：137-138.
[70]王彦新,刘让同.配毛中原料品质的BP神经网络预测研究[J].毛纺科技,2004(6)：12-14.
[71]张军,黄子杰.BP神经网络模型的原理及在心理学领域的应用[J].现代预防医学,2006,33(10)：1854-1855,1857.
[72]刘鲭杰,陈桂明,刘小方.BP神经网络权重和阈值初始化方法研究[N].西南师范大学学报：自然科学版,2010,35(6)：137-141.
[73]尚钢,钟珞.神经网络结构域训练参数选择[N]武汉工业大学学报,1997,19(2)：108-110.
[74]Zhi sheng Tian, Xing nan Zhang, Qing li Zhu, etc. Studu of BP Neural Network Model to Dam Deformation Monitoring[C]. International Conference on Natural Computation, 2010.
[75]邢进良.BP神经网络模型及应用[N].沙洋师范高等专科学校学报,2007(5)：46-50.
[76]王博,陶黄林,李金忠.基于BP网络的一种改进算法及仿真[N].井冈山学院学报：综合版,2009,30(10)：37-39.
[2]樊雪晶,王兴龙,乔争.深基坑工程特点及存在的问题[J].建筑与预测,2011(1)：90-91.
[3]詹志勇.基坑变形分析和周围地面沉降的预测[J].建筑施上,2007,29(12)：927-929.
[4]范建,师旭超.深基坑变形预测方法综述[J].西部探矿工程,2006(4)：29-31.
[5]张伟.建筑变形预估及对结构的影响.硕士学位论文[D],同济大学,2009.
[6]周红斌.基于时间序列分析的地铁基坑变形监测数据处理方法研究[D].硕士学位论文,东北大学,2008.
[7]陈炳志.基坑变形灰色人工神经网络预测模型及其应用[N].山东科技大学学报,2010,29(5)：53-57.
[8]吕三和,闫韶兵,张敬志.应用BP神经网络预测基坑变形[J].城市勘测,2005(1)：54-57.
[9]茅奇辉,刘俊,李俊才.基坑工程变形预测方法研究[J].江苏建筑,2007(2)：61-63.
[10]张军舰.基坑位移预测的动态BP-Cauchy模型和GA-transFcn模型研究[D].硕士学位论文,青岛理工大学,2006.
[11]张韬.深基坑变形预测模型研究及工程应用[D].硕士学位论文,中南大学,2009.
[12]李国满.实测数据分析法在深基坑监测预测中的应用[D].硕士学位论文,天津大学,2007.
[13]葛以衡.大型超深基坑理论研究与工程实践[D].硕士学位论文,同济大学,2005.
[14]徐炳伟.基于神经网络的地下连续墙变形预测[D].硕士学位论文,天津大学,2005.
[15]贺志勇,郑伟.基于BP神经网络的深基坑变形预测[N].华南理工大学学报,2008,36(10)：92-96.
[16]陈尚荣,赵升峰.BP神经网络在基坑变形预测分析中的应用[J].上海地质,2010(1)：29-31,41.
[17]王旭东,赵建平,余闯,等.人工神经网络在深基坑变形预测中的应用[N].南京工业大学学报,2002,24(5)：73-76.
[18]Li Anyong, Ban Jianmin, Lu Weizhong. A neural network model for deformation prediction of deep foundation pit based on multivariate phase space reconstruction[C]. International Conference on Natural Computation, ICNC 2010,2010:1493-1497.
[19]付永庆.基于灰色系统理论的深基坑水平位移预测分析[J].山西建筑,2005,34(19)：89-90.
[20]胡东,张小平.基于灰色系统理论的基坑变形预测研究[N].地下空间与工程学报,2009,5(1)：74-78,168.
[21]蔡连举,灰色系统理论在基坑变形观测中的应用[N].辽东学院学报,2009,16(3)：257-259,276.
[22]王卫平,彭振斌,何忠明.基于灰色理论的基坑变形预测[J].地质与勘探,2006,42(6)：94-97.
[23]贾备,邬亮.基于灰色BP神经网络组合模型的基坑变形预测研究[J].隧道建设,2009,29(3)：280-283,289.
[24]陈炳志.基坑变形灰色人工神经网络预测模型及其应用[N].山东科技大学学报：自然科学版,2010(5)：53-57.
[25]吴飞宇.灰色系统和神经网络技术在深基坑变形监测中得应用研究[D].硕士学位论文,合肥工业大学,2011.
[26]王维,李洪儒.BP神经网络在状态监测数据趋势预测中的应用[J].微计算机信息,2005,21 (11)：141-143.
[27]江洪清,梁汉东,高永奎.基于MATLAB的神经网络动态安全预测方法与应用[J].煤炭工程,2004(3)：72-75.
[28]张彬彬.基于Matl ab改进BP神经网络算法[J].办公自动化,2011(7)：38-39.
[29]焦建新,袁博,杨永兴.基于稳健GM(1,1)模型的基坑变形监测数据处理方法[J].矿山测量,2007(4)：11-12,19.
[30]刘汉东,杨继红.GM(1,1)优化模型在基坑变形预测中的应用[J].地下空问,2004,24(5)：752-754.
[31]李然然,张永坚,刘畅等.基于BP神经网络的建筑物用电能耗预测[N].山东建筑大学学报,2011,26(2)：162-165.
[32]古敏.我国深基坑工程的特点及现状分析[J].中国新技术产品,2009(19)：59-59.
[33]张晓旭,王艳菊.地下连续墙的施工工艺与适用条件[J].黑龙江水利科技,2009(3)：83-83.
[34]余正义.浅谈钻孔灌注桩施工[J].中国科技信息,2012(3)：53-53.
[35]杨志.沉管灌注桩施工技术的应用控制[J].大科技：科技天地,2011(14)：216-217.
[36]于西.某厂房人工挖孔灌注桩基础施工简析[J].中国建筑科学,2011(6)：84-85.
[37]汪丽珍,熊江.浅谈深基坑支护施工管理[J].大科技：科技天地,2011(24)：75-76.
[38]李西,刘凯,梁永春.深基坑支护形式浅谈[J].海河水利,2010：36-37.
[39]范建,师旭超.深基坑变形预测方法综述[J].西部探矿工程,2006(4)：29-31.
[40]孙凤江,段浩.深基坑监测的目的及项目和方法[J].山西建筑,2010,36(27),116-117.
[41]宋真干.浅谈岩土工程深基坑监测技术[J].中华民居：学术刊,2011(7)：358-359.
[42]李建民.某超深基坑支护工程监测数据分析[J].山西建筑,2001,33(9)：114-115.
[43]建筑基坑工程监测技术规范[S].中国建筑工业出版社.
[44]安仲才.回归分析法在市场经济中的应用[J].经济技术协作信息,2011(29)：11-11.
[45]郭锐.基于利用回归分析法预报上下游相关洪峰水位[J].黑龙江水利科技,2011,39(4)：10-13.
[46]钱蓝.时间序列法在市场预测中的应用[J].中小企业管理与科技,2011(28)：33-34.
[47]时红莲,李大毛,张涛,等.基于时间序列的深基坑支护结构变形预测.安全与环境工程,2005,12(2)：79-82.
[48]王旭华,陈雄,赵德深.指数平滑法在建筑物变形预测中的应用[J].测绘通报,2004(3)：28-29,38.
[49]侯建国,王腾军.变形监测理论与应用[M].北京：测绘出版社,2008.
[50]陈平,程晓明.灰色模型法预测上海市职工年人均医疗费用[J].中国卫生资源,1999,2(2)：12-13.
[51]甘蓉蓉,陈娜姿.人口预测方法比较[J].西北人口,2010,31(1)：57-60.
[52]于少辉,屈兴兵.增量法在深基坑维护结构变形预测中的应用[J].山西建筑,2008,34(29)：134-135.
[53]马雁军,杨洪斌,张云海.BP神经网络法在大气污染预报中得应用研究[J].气象,2003,29(7)：49-52.
[54]李奎贤,宋桂秋,张东,等.BP神经网络法在产品质量预测中的应用[N].东北大学学报,2001,22(6)：682-684.
[55]S. A. EFTEKHARI A. A. JAFARI. Mixed finite element and differential quadrature method for free and forced vibration and buckling analysis of rectangular plates[J]. APPLIED MATHEMATICS AND MECHANICS,2012,33(1):81-98.
[56]鲁建霞,苟慧芳.有限元法的基本思想与发展过程[J].机械管理开发,2009,24(2)：74-75.
[57]白红杰,白阳椿,韩自源,等.基于有限差分法的微分方程离散化求解[J].商情,2011(31)：165-166.
[58]李翔.预测模型的特点分析[J].科技资讯,2011(13)：47.
[59]刘代勇,梁忠民,赵卫民,等.灰色系统理论在干旱预测中的应用研究.水力发电,2012,39(2)：10-12.
[60]Gui Yong, Yan Jiyang. Prediction and analysis of tunnel crown settlement based on grey system theory. Beijing Hangkong Hangtian Daxue Xuebao,2008,34(11):1261-1265.
[61]郭君,甘德清,张伟航,等.GM(1,N)模型在边坡变形监测中得应用研究[J],现代矿业,2010(8)：41-43.
[62]周哲瑜.GM(1,1)模型在深基坑水平变形预测的应用[J].中小企业管理与科技,2010(3)：190-191.
[63]王三宝,易秀英.基于Mathematica的灰色预测模型GM(1,1)之精度检验[N].黄石理工学院学报,2008,24(6)：49-51.
[64]邹义怀,江成玉,李春辉.人工神经网络在边坡稳定性预测中的应用[J].矿冶,2011,12(4)：38-41,55.
[65]侯靖东.人工神经网络算法原理及其在工程中的应用[J].中国科技论文在线：1-6.
[66]金星姬.人工神经网络研究概述[J].林业科技情报,2008(1)：65,71.
[67]王雪光,郭艳兵.激活函数对BP网络性能的影响及其仿真研究[J].自动化技术与应用,2002(4)：15-17.
[68]杨小辉,徐颖强,李世杰,等.人工神经网络原理及在AMT中的应用[J].汽车科技,2008(5)：25-29.
[69]刘君,曾碧卿,陈敏.用自适应变步长BP神经网络求高分子材料的本构关系[J].福建电脑,2005(8)：137-138.
[70]王彦新,刘让同.配毛中原料品质的BP神经网络预测研究[J].毛纺科技,2004(6)：12-14.
[71]张军,黄子杰.BP神经网络模型的原理及在心理学领域的应用[J].现代预防医学,2006,33(10)：1854-1855,1857.
[72]刘鲭杰,陈桂明,刘小方.BP神经网络权重和阈值初始化方法研究[N].西南师范大学学报：自然科学版,2010,35(6)：137-141.
[73]尚钢,钟珞.神经网络结构域训练参数选择[N]武汉工业大学学报,1997,19(2)：108-110.
[74]Zhi sheng Tian, Xing nan Zhang, Qing li Zhu, etc. Studu of BP Neural Network Model to Dam Deformation Monitoring[C]. International Conference on Natural Computation, 2010.
[75]邢进良.BP神经网络模型及应用[N].沙洋师范高等专科学校学报,2007(5)：46-50.
[76]王博,陶黄林,李金忠.基于BP网络的一种改进算法及仿真[N].井冈山学院学报：综合版,2009,30(10)：37-39.