PSO-LSSVM模型在基坑建筑倾斜预测中的应用

" 本文研究了基于PSO-LSSVM模型的基坑周边建筑倾斜预测方法，通过结合粒子群优化算法（PSO）与最小二乘支持向量机（LSSVM），解决小样本和非线性特征的预测挑战。 在基坑工程中，由于城市化进程对地下空间的需求增加，基坑开挖对周围环境的影响，特别是对周边建筑的倾斜变形预测变得至关重要。这种预测能够保障建筑物的安全，实现施工过程中的动态控制。然而，传统的预测方法，如神经网络，需要大量样本数据，但在实际岩土工程中，可获取的监测数据有限，导致预测精度下降且易陷入过拟合问题。 本文引入了相空间重构技术，通过对前期施工工况下建筑沉降差时间序列的重构，构建预测学习样本，输入到LSSVM模型中进行训练。LSSVM是一种基于结构风险最小化的机器学习模型，尤其适用于处理小样本和非线性问题。为了进一步优化LSSVM的参数，研究采用了PSO算法，这是一种高效的全局优化工具，可以寻找到模型的最佳参数组合，提高预测精度。 通过昆明某基坑工程实例，应用提出的PSO-LSSVM模型进行建筑倾斜预测，结果显示预测效果良好。这种方法不仅能够对后期工况的沉降差进行滚动预测，还能计算出未来的倾斜变形值，为施工过程中的决策提供科学依据。因此，PSO-LSSVM模型在基坑工程变形预测领域具有较高的应用价值和实用性，为基坑周边建筑安全提供了有力的保障。 关键词: 基坑工程；周边建筑倾斜；粒子群优化；最小二乘支持向量机；时间序列预测；相空间重构"