根据软土地基的物理力学性质,普遍认为其沉降过程近似为反"S"形曲线。为了研究软土地基沉降过程以及预测最终的沉降量,本文运用这一结论,综合考虑了软土地基沉降的阶段性发展与生物成长模型的数学性质,选用了适应性较高的Weibull成长曲线模型,利用遗传算法在处理岩土类多参数以及非线性问题上的独特优势,通过对3个不同地区具有代表性的软土地基所选工程实例的沉降观测数据进行拟合。结果表明:软土地基经过加载后其沉降发展一般会经历一个类似于生物成长规律的发生、发展、逐步稳定的三个阶段,且反"S"形的成长模型能够反映其沉降的阶段性;采用Weibull模型能够根据反弯点的位置来判断对应时刻所处的沉降阶段,有利于控制施工以及加载过程;运用遗传算法能够很好地解决非线性岩土工程反分析问题,以残差平方和作为目标函数,根据残差值分析可知,用遗传算法得到的Weibull软土地基沉降模型具有较高的精度。

文中针对时间因素对GM(1,1)模型预测造成的影响引入了时间加权-新陈代谢GM(1,1)模型,并将该模型应用于建筑物的沉降预测,结果证明时间加权-新陈代谢GM(1,1)模型比传统的GM(1,1)模型的预测精度高,具有较高的参考价值。

针对现代高层建筑进行沉降观测，对其未来的变形趋势进行准确地预测具有重要的意义。针对传统灰色 GM(1，1)模型存在的模型精度不高的问题，本文提出了一种同时优化背景值和初始条件的GM(1，1)改进模型，并将其应用于对建筑物的沉降变形进行定量分析与即时预报。通过与原始模型和其他模型的对比分析可以发现，本文所研究的改进模型在精度上有了显著的提高，更加适用于基础沉降的预测，具有很好的工程应用价值。

实现了工程测量中各种常见的沉降预测算法，包括直线拟合法、二次多项式拟合法、 三次多项式拟合法、双曲线法、对数曲线法、抛物线法、指数曲线法、泊松曲线法、星野法、Asaoka法、灰度模型GM(1,1)法、灰度模型Verhulst法、BP神经网络法、遗传算法。 各种算法的具体实现可以参考 https://blog.csdn.net/yh523/article/details/122944048。 在Visual Studio 2015中采用C#编程语言实现，使用.Net Framework 4.0。 附件资源包含可以编译运行的源代码，以及可以直接运行的exe示例程序。

人工智人-家居设计-高填方路基智能沉降预测及应用研究.pdf

基于BP神经网络方法的边坡地表沉降预测研究，孙维吉，郭嗣琮，露天开采地表变形受岩体力学性质、地质构造、岩体结构、地应力场、地下水，露天矿采剥、工程荷载条件、地震作用、气象条件及植被

基于小波神经网络的沉降预测软件开发与应用.pdf

基于BP神经网络算法的矩形顶管施工地表沉降预测研究.pdf

基于机器学习算法的盾构掘进地表沉降预测方法.pdf

基于Matlab的煤矿开采地表沉降预测.pdf